水泥回转窑故障诊断方法研究

谷 雨，艾 红

(北京信息科技大学自动化学院，北京 100192)

0 引言

水泥回转窑是熟料煅烧系统中的主要设备[1]，其工作环境恶劣、热工参数众多，故障频发。及时、准确地诊断回转窑故障，对保护人员和设备安全、提高生产效率具有重要意义。20世纪90年代，回转窑故障诊断方法多依赖测试分析仪器[2]。这些方法对仪器的性能要求高、需求量大、成本较高。随着大数据时代的到来，基于智能算法的大数据分析开始应用于回转窑的故障诊断中[3-10]。

回转窑具有多变量、非线性、难建模的特点。神经网络能够表达工程中一些难以用数学方法准确建模的复杂非线性系统，免疫进化网络理论分类器(immune evolutionary network classifier,IENC)算法则可以较好地明确分类边界，提高分类精度。采用D-S证据理论进行决策融合，能够充分结合二者优点，有效避免单一算法在故障诊断中的“一票否决制”，得到更精确的诊断结果。

1 水泥生产工艺及常见故障

水泥生产工艺分为干法工艺和湿法工艺两种。湿法工艺因能耗高被逐步淘汰。目前，水泥生产多以干法工艺为主。新型干法水泥生产工艺主要包含三个部分：生料制备、熟料煅烧及水泥制成。其工艺流程如图1所示。

图1 新型干法水泥生产工艺流程图

回转窑故障类型及原因如表1所示。

表1 回转窑故障类型及原因

2 相关理论介绍

2.1 免疫进化网络理论分类器

免疫系统是人体重要的防卫网络，可以识别和清除外来入侵的抗原，维持机体的稳定与平衡。人工免疫系统是一种计算或信息系统，通过模仿生物免疫系统的原理和机制，解决一些工程问题。它具有强大的学习和记忆能力、模式识别能力以及良好的鲁棒性，能够通过细胞间的相互抑制和激励维持动态平衡[11]。

IENC流程如图2所示。

图2 IENC流程图

IENC的工作原理主要包含以下几个步骤：生成种群、亲和度计算、克隆及变异、形成各类细胞池、细胞池内网络抑制和细胞池间网络抑制。最终通过将测试样本与各类细胞池中的抗体进行亲和度比较，确定抗原类别。

2.2 D-S证据理论

A.P.Dempster于1967年提出利用上、下限概率解决多值映射问题的基本构架，后经Shafer进一步完善，形成了D-S证据理论，可解决不确定性问题。

故障诊断中的各种故障模式ω1,ω2,…,ωn构成一个并集Ω={ω1,ω2,…,ωn}，称为辨识框架。其元素具有互斥且穷举的特征。

定义1 设Ω为辨识框架，若集函数m，2Ω→[0,1](2Ω为Ω的幂集)满足[12]：

m(φ)=0

(1)

(2)

则称m为框架Ω上的基本信任分配(basic probability assignment，BPA)。

定义2 如果m1分别是两个定义在m2上的BPA函数，则定义m=m1⨁m2为组合后的BPA函数[13]：

(3)

(4)

式中：k为规范化因子，反映了证据间的冲突程度大小。k=1时，证据间的冲突最大。此时，式(3)的分母为0，Dempster规则失效。

3 算法实现

故障诊断流程如图3所示。

图3 故障诊断流程图

算法具体流程如下。

Step 1：构建反向传播(back propagation,BP)神经网络模型，设置输入层、隐含层和输出层的节点个数，初始化权值阈值。

Step 2：将训练样本数据进行归一化处理并输入BP神经网络进行训练，将归一化后的测试数据输入训练好的网络得到诊断结果。

Step 3：将训练样本数据做归一化处理。

Step 4：设定每类的抗体种群规模N及迭代次数P，产生(0,1)间的随机数，构成初始抗体群A。

Step 5：将训练样本数据作为抗原，依次提呈并进行免疫学习。

Step 6：计算初始抗体群中所有抗体与当前提呈的抗原间的亲和度。亲和度计算方法如式(5)所示。

(5)

式中：fij为提呈第i个抗原进行免疫学习时，初始抗体群中的第j个抗体与该抗原的亲和度；n为特征参数的数目，即抗体的长度。

Step 7：按照亲和度从大到小排序，选亲和度最高的m个抗体克隆。设置最高克隆数目NC，每个抗体的克隆数目按照亲和度由高到低、克隆数目由NC依次衰减50%得到。亲和度越大的抗体克隆数目越多，可得到克隆之后的抗体细胞群C。

Step 8：设置变异率矩阵α，使抗体向识别抗原的方向进化。亲和度大的抗体变异率小，按照式(6)对抗体细胞群C进行变异。

C*=C-α×(C-Ctraini)

(6)

式中：C*为变异后的抗体细胞群；Ctraini为第i个抗原traini扩增后的矩阵，其扩增后与α和C具有相同的维度。

Step 9：计算抗体细胞群C*中的所有抗体与当前抗原的亲和度，从大到小排序，优选一定百分比的抗体作为记忆细胞，放入当前抗体所属类别的记忆细胞池Mt中。其中t=1,2,…，T，T为待分类的类别数，判断样本学习是否结束。若没有结束，则返回Step 5。

Step 10：在T个记忆细胞池Mt中单独进行网络抑制，设定记忆细胞池内网络抑制的阈值σ1，按照式(7)进行记忆细胞池内的网络抑制。

(7)

Step 12：提呈测试集，计算测试集中每一个抗原与T个记忆细胞池中的所有记忆细胞间的亲和度，取出亲和度最高的前K个抗体，计算各类别的占比，得到证据体2。

Step 13：将BP神经网络模型的诊断结果作相应处理，使之满足式(1)、式(2)所述的D-S证据理论应用的基本条件，得到证据体1。

Step 14：采用Dempster合成法则，依据式(3)、式(4)合成证据体1和证据体2，得到新的基本信任分配，并据此得到最终诊断结果。

4 实例分析

4.1 故障类型及数据

研究数据来源于某水泥厂中控室的SQL数据库，数据为不同时段水泥生产现场传感器实时采集的部分正常数据及故障数据，包含10个特征参数，涉及窑前结圈、窑后结圈、窑内结球、跑生料和预热器塌料5种故障类型，相应的回转窑产能为3 500 t·d-1。研究选择的故障均为从数据变化上能够区分类别的故障。而回转窑运行时发生的其他类型的故障如红窑等，还需要结合筒体扫描仪观测的图像来判断。

部分特征参数的正常范围及故障时的变化如表2所示。

表2 部分特征参数的正常范围及故障时的变化

表2中：预热器塌料故障时，会出现窑主电机电流瞬时增大、窑尾负压瞬时减小的情况，但数值变化的总体趋势不变。

每类故障数据包含故障初始时的监测数据和严重故障时的监测数据。故障初始时，某些特征参数的数值会出现波动异常或趋势异常的情况。但由于故障不严重，数值还处于正常范围中，与故障发生前正常运行时的数据相比偏大或者偏小。而故障情况加剧后，某些参数的数值会偏离或严重偏离正常范围。

由于不同特征参数数值间存在较大差异，因而需要对数据进行归一化处理，缩小样本数据范围。归一化公式为：

(8)

式中：min(Xj)和max(Xj)分别为所有正常数据样本中各特征参数的最小值和最大值。

部分归一化后的样本数据如表3所示。5种故障样本的归一化均以正常样本中各特征参数的最值为标准。当某特征参数异常变化且偏离正常范围时，归一化结果就会超出[0,1]区间范围。

表3 部分归一化后的样本数据

4.2 水泥回转窑故障诊断

对原始数据作归一化处理，缩小数据范围。将归一化之后的数据分为训练数据和测试数据两部分，其中训练数据630组、测试数据270组。

4.2.1 BP神经网络故障诊断

用MATLAB进行仿真，构建BP神经网络模型，相关参数设置为：学习率0.09，迭代次数5 000，精度0.05，输入层、隐含层、输出层神经元个数分别为10、40、6，输出结果采用“n中取1”的编码方式。“100000”为正常，“010000”为窑后结圈，“001000”为窑前结圈，“000100”为窑内结球，“000010”为跑生料，“000001”为预热器塌料。

BP神经网络的部分仿真结果如表4所示。

表4 BP神经网络的部分仿真结果

4.2.2 基于免疫进化网络理论的分类器故障诊断

用MATLAB进行仿真，构建IENC模型，提呈训练样本进行免疫学习。参数设置为：每类初始抗体数目为30，抗体长度为10，训练代数为10，最大克隆数目为32，克隆选择百分比为25%，记忆细胞池内网络抑制阈值为0.1，记忆细胞池间网络抑制阈值为0.25，最近邻法则中K=13。迭代完成后得到6个记忆细胞池，分别对应于正常和5种故障类型。输入测试数据，按照式(5)计算每组测试样本与所有记忆细胞池中抗体间的适应度值，并由大到小排序。记录适应度最大的前K个抗体所属的记忆细胞池类别，并统计每类的占比情况。若某类型的占比高于84%，则判定当前测试样本为该类型故障。IENC算法的部分仿真结果如表5所示。

表5 IENC算法的部分仿真结果

4.2.3 D-S证据理论信息融合及结果分析

采用D-S证据理论融合两种算法的诊断结果。D-S证据理论使用时应满足式(1)、式(2)的条件。因此，在信息融合前需要将BP神经网络的诊断结果表达为正常和5种故障类型的基本概率分配形式，且满足所有故障类型的概率之和为1、空集的概率为0的条件。BP神经网络的输出结果按照式(9)进行处理：

(9)

BP神经网络、IENC及信息融合方法得到的各类故障的诊断效果对比如图4所示。

测试样本中：标号为0～45的样本属于正常工况，标号为46～90的样本为窑后结圈故障，标号为91～135的样本为窑前结圈故障，标号为136～180的样本为窑内结球故障，标号为181～225的样本为跑生料故障，标号为226～270的样本为预热器塌料故障。

由图4可知，BP神经网络对于正常工况、窑后结圈和预热器塌料故障的诊断效果较差，无法对某些样本作出正确的诊断，相应类别的故障发生概率偏低。

图4 各类故障的诊断效果对比图

对于部分能够判断故障类别的样本，其诊断精度还达不到要求，概率低于84%。IENC算法无法较好地诊断正常工况、窑后结圈和窑前结圈故障，存在较多的误判现象。诊断得到的部分样本所属故障的发生概率低于50%。针对上述问题，采用D-S证据理论对两种算法的诊断结果进行信息融合，较好地弥补了两种算法存在的不足。

算法准确率对比如图5所示。

图5 算法准确率对比图

由图5可知，对于正常工况和窑后结圈故障，信息融合后的正确率略低于BP神经网络，但远高于IENC的正确率。对于窑前结圈故障，信息融合后的正确率高于其他两种方法。对于窑内结球和跑生料故障，三种方法正确率相同。对于预热器塌料故障，信息融合后的正确率与IENC相同，且远高于BP神经网络的正确率。综合各类故障的诊断效果，得到三种方法故障诊断的平均准确率。对比结果表明，经过D-S证据理论进行信息融合后的平均准确率要高于BP神经网络和IENC两种算法的平均准确率，信息融合后每种故障类型的诊断正确率也接近甚至高于两种算法诊断正确率的较高值。

5 结论

本文针对水泥回转窑故障诊断中存在故障信息获取不全、不同时刻故障表征存在差异的问题，以及单一算法诊断能力有限的问题，提出了一种基于决策融

合的故障诊断方法。通过采用D-S证据理论融合BP神经网络和IENC两种模型的诊断结果，实现更加精确的故障诊断。与传统方法相比，该方法充分利用了IENC算法在分类上的优势，采取细胞抑制策略划分不同故障类别的边界，提高分类的准确率；采用决策融合的方法，使结果更加可靠。仿真试验表明，采用该方法后的分类正确率显著提升。