基于ISAE的磨煤机故障预测与诊断方法研究

孙同敏

(国电内蒙古东胜热电有限公司，内蒙古 东胜 017000)

磨煤机是燃煤机组的重要辅助设备之一，其运行状况直接关系到机组的安全稳定运行。磨煤机故障会给火力发电企业造成巨大的经济损失，降低电力系统的安全性和稳定性。通过对磨煤机的有效故障预警和诊断来保证火电厂的正常运行是非常必要的[1]。

Agrawal[2]将故障诊断方法分为三类：基于模型、基于信号以及基于历史运行数据的故障诊断方法。基于模型的故障诊断方法需要建立磨煤机的数学模型。Odgaard[3]使用简化的能量平衡方程来监测和诊断磨煤机中的异常能量流。Andersen[4]设计了卡尔曼滤波器来估计进入和存在于磨煤机中煤的水分，以确定磨煤机中的能量是否处于正常状态。基于模型的故障诊断方法通过分析实际对象的数学模型进行故障诊断，物理意义是明确的。但在实际应用中往往难以建立精确的模型[5-7]，此方法的可操作性差。

磨煤机运行过程中，许多高频信号会发生变化，如磨煤机电流、一次风差压等。文献[8]通过对磨煤机的振动信号进行小波分析并将其转换为能量振幅，来发现磨煤机故障与振动信号之间的关系。Collura[9]利用模型识别和信号处理技术，开发了基于煤粉细度实时检测的磨煤机性能监控工具。基于信号的故障诊断方法不需要建立复杂的对象模型，通过对收集的数据进行分析发现系统中的故障。但此方法通常需要安装大量传感器来收集信号，会提高实施和维护成本。

基于历史运行数据的故障诊断主要是通过分析正常运行数据和故障运行数据之间的差异来确定磨煤机的健康状态。文献[10]提出了一种基于模糊决策聚类的故障诊断方法，并利用单层神经网络实现了磨煤机的三种故障识别。文献[11]利用磨煤机的异常运行数据建立专家系统，通过比较模型输出和专家系统的趋势来确定磨煤机的运行状态。基于数据的故障分析方法是一种数据驱动的方法，即使是不熟悉系统的研究人员也可以使用相关算法进行分析。但火电机组海量历史运行数据中的故障类型和故障数据集并不完整和充足，同时从大量历史数据中逐一选择故障数据非常困难[12，13]。

综上可知，三种故障诊断方法在磨煤机故障诊断中进行应用各有优缺点，单独应用某种方法难以在磨煤机故障诊断中取得良好的应用效果。基于此，本文提出了一种基于模型的数据驱动故障诊断方法，首先，在简化磨煤机机理模型基础上，通过分析磨煤机的故障原理，模拟磨煤机的故障运行状态，得到了磨煤机的大量故障数据。随后，基于深度学习理论，建立了堆叠式自动编码器(stacked auto-encoder)多层神经网络，并通过引入稀疏约束对算法加以改进，最后将得到的故障模拟数据送入网络进行训练。所建立的网络能够准确地学习各种故障的本质特征，大大提高磨煤机故障诊断的准确性，同时也可以为运行人员提供故障预警，从而保障火电厂的安全运行。

1 磨煤机系统数学模型

本文以MPS180-HP-Ⅱ型中速磨煤机制粉系统作为研究对象，具体的研究工作基于文献[14]所建立的数学模型基础上进行，该文基于质量平衡和能量平衡建立了三入三出的制粉系统模型，见式(1)。

在式(1)中，模型的控制量为uL、uH和Wc；模型的输出量为Wair、Tout、Wpf；Ki和Tj(i=1，2，…15，j=1，2)是要识别的模型参数，其值见表1。

2 基于模型的磨煤机故障仿真

本文基于简化的磨煤机模型，通过对其故障机理的分析，模拟了三种典型的磨煤机故障(断煤、堵煤和自燃)。为了保证仿真实验在闭环调节下进行，使得仿真实验得到的故障数据能够更加接近磨煤机的实际运行状态。基于扩展状态空间预测控制器(Model Predictive Controller Based State Space，SMPC)设计了如图1所示的控制方案，SMPC具有对模型精度要求较低、鲁棒性强和运算效率高等优点[15]，其进一步降低了整个诊断系统对机理模型精度的要求，同时也为工程实际在线诊断打下基础。SMPC控制器参数见表2。

图1 磨煤机故障模拟的控制方案

表1 模型参数

表2 SMPC控制参数

2.1 断煤故障模拟

断煤模拟过程如下，在磨煤机稳定运行时，在给煤量控制回路(控制量)上叠加一个负阶跃信号，使进入磨煤机的煤量快速减少到0。通过调整模型设定值使模型在其他工况下运行，并重复上述步骤记录故障数据，可以获得大量的故障样本。

为了验证断煤模拟实验的有效性，选择在断煤过程中变化显著以及快速的变量(磨煤机出口煤粉流量、磨煤机出口温度、磨煤机电流、一次风压差)，任意选取一组实验数据绘制变化曲线如图2所示。从图2可知，断煤故障减少了进入磨煤机的煤量，进而减少磨煤机的出口煤粉流量。同时，磨煤机入口一次风流经磨煤机的热量消耗减少，导致磨煤机出口温度呈上升趋势，然后冷风门迅速打开，热风门配合关小，从而使磨煤机出口温度下降，因为冷风门动作较快，热风门动作较慢，一次风流量升高后下降，磨煤机差压随之有小幅增大然后降低。储存在磨煤机中煤量的减少导致磨煤机电流减小。故障模拟曲线变化情况与理论分析相一致。

图2 磨煤机断煤故障模拟

为进一步验证故障模拟的有效性，以内蒙古东胜电厂MPS型中速磨煤机为例，结合电厂运行记录，从磨煤机的历史运行数据获得了某次断煤的故障数据集，并绘制关键变量的变化曲线如图3所示。从图3可知，当发生断煤故障时，磨煤机的出口温度升高，磨煤机的电流降低，一次风差压略有升高后降低。变化趋势与本文故障模拟的结果类似。因此图2所示数据可作为断煤故障数据集。

图3 磨煤机断煤实际故障数据

2.2 堵煤故障模拟

磨煤机堵煤模拟即在给煤量控制回路的设定值上叠加一个正阶跃信号，使磨煤机内的原煤存储量迅速达到上限(上限设定为60kg)。同样随机选择一组实验数据的结果绘制相关变量(磨内原煤量、磨煤机电流、一次风差压、磨出口煤粉流量)变化曲线如图4所示。从图4可知，磨煤机出口煤粉流量设定值突然增大，导致磨煤机内原煤量持续上升，磨煤机内阻力增大，导致一次风差压增大。同时，磨煤机的工作负荷也相应增加，使得磨煤机的电流也随之增加。当原煤的存量达到一定程度时，研磨效率显著下降，从而降低了磨煤机的电流。直到磨煤机内原煤量达到上限，磨煤机出口煤粉流量降至0，此时一次风管堵塞，煤粉无法吹出。

图4 磨煤机堵煤故障模拟

2.3 自燃故障模拟

发生磨自燃故障时，最直接的表现的是磨煤机出口温度急剧升高，导致控制器一系列动作。因此磨自燃故障模拟是在磨出口温度引入一个大的阶跃(本文选取100℃)，相关变量(磨出口煤粉流量、磨出口温度、磨煤机电流、一次风差压)变化曲线如图5所示。

图5 磨煤机自燃故障模拟

从图5中可知，发生自燃故障时，为降低磨出口温度，冷风门迅速开大，直至100%开度，热风门配合开小。但可以看到磨出口温度降低幅度其实有限，实际上当磨自燃故障严重时，仅靠冷风门调节是不够的。因为冷风门动作比热风门快，一次风流量先上升，从而磨出口煤粉量上升，当冷风门开度到达限值时，热风门继续关小使一次风量下降，磨出口煤粉流量随即下降。而自燃不影响煤碾磨过程，磨煤机电流、一次风差压变化较小。

3 基于改进堆叠自动编码器的故障诊断

3.1 数据获取和处理

根据第2节所述故障模拟方法，以MATLAB脚本调用simulink模型形式自动循环进行模拟实验(不同工况点)，获得4种数据样本(磨煤机断煤、堵煤、自燃以及正常状态)共8000组实验数据。为了便于训练深度学习模型，对这四种状态进行了标签处理，见表3。将8000组数据随机分为训练数据和测试数据(表4)，并进行了两组实验。

表3 磨煤机故障标签定义

表4 仿真实验数据划分

3.2 改进堆叠自动编码器模型

式中，等号右侧第一部分为重构误差，第二部分为正则化项，λ为正则化系数，用来抑制过拟合现象，通过式(3)获取神经元的激活值。

a(l+1)=f[z(l+1])=f[w(l)a(l)+b(l)]

(3)

本文激活函数选取sigmoid函数。如式(4)所示：

确定稀疏自动编码器的损失函数后，接下来利用BP反向传播算法求得其偏导数。在一个三层稀疏自编码机中，其隐藏层和输出层节点的误差计算为：

随后利用梯度下降法求得优化更新后的权重。

W(1)J(W，b;x，y)=δ(l+1)(a(l))T

b(l)J(W，b;x，y)=δ(l+1)

(9)

SAE模型结构图如图6所示，ISAE即SAE在进行无监督训练和微调训练 时，损失函数加入KL散度。

图6 SAE模型结构图

3.3 ISAE模型参数优化

最优ISAE模型能够有效提高故障识别的准确率。在文献[17，18]中，通过优化模型参数，如输入层和隐藏层节点数、稀疏参数和网络训练次数等，ISAE的无监督学习效果得到有效提高。根据第2节的分析，磨煤机故障期间显著变化的变量包括一次风差压、磨煤机出口温度和磨煤机电流，因此选择这三个变量作为ISAE模型的输入节点。以实验1的训练数据为样本进行相关实验以确定ISAE模型的最佳参数。损失函数是ISAE模型第一层的重构误差，即为式(2)右侧第一部分。实验结果如图7—图9所示。

图7 输入层节点对无监督重构误差的影响

图8 隐藏层节点对无监督重构误差的影响

图9 稀疏因子对无监督重构误差的影响

当输入层中的节点数量较大时，ISAE模型可以从数据中学习到更多特征信息。但为兼顾计算效率，输入层节点数不能任意增加。从图7可知，当输入层节点数(即数据时序长度)从40增加到110时，网络的重构误差不断减小。此后随着输入节点数进一步增加重建误差基本保持不变。使用第一层ISAE进行实验，在确定最优输入节点(120)后，通过实验分析继续确定合适的隐藏层参数。如图8所示，当隐藏层节点数小于输入层节点数时，重构误差在一个小范围内波动，即隐藏层节点数较少时，原始数据可以获得较好的压缩效果，有利于网络学习数据特征。在兼顾网络结构复杂性和计算效率基础上，将隐藏层数设置为3层，每层节点数分别为100、60和30。图9表明，当ρ的值在0.05和0.15之间时，网络的重构误差继续减小，表明对神经元的抑制作用是适当的。随着ρ值的增大，对神经元的抑制作用过大，重构误差迅速增大。

结合上述分析，ISAE模型的关键参数见表5。输入层节点分配见表6，各节点均为每次故障模拟所得数据经分时截断而成，即在故障模拟整个过程中，各变量分别截取前40时刻的故障数据，本文模型采样时间为1s。

表5 网络结构参数和超参数

表6 输入节点分配

4 仿真验证

在确定ISAE的参数后，用故障模拟实验得到的训练数据对ISAE网络进行训练，然后将测试数据送入网络，测试ISAE模型的故障识别结果，如图10所示，实验1的故障识别准确率为94.6%。仿真结果表明，在260组测试样本中，误诊断的样本绝大多数来自正常运行数据。两组正常运行样本被误诊断为断煤，九组正常样本被误诊断为堵煤，另有一组正常样本被误诊为自燃故障。为了分析实验结果，选取某组被误诊的测试样本正常数据绘制曲线如图11所示。图11中矩形框中正常数据被误诊为断煤。而这一时期的一次风压差减小(先略有上升)、磨煤机出口温度升高、磨煤机电流减小。这些趋势与发生断煤故障时磨煤机的特征一致。因此，当正常运行样本不足时，ISAE无法充分判别两种类型数据之间的差异，并将正常运行数据错误地诊断为断煤故障。

图10 实验1测试数据故障识别结果

图11 正常数据误诊曲线

同样，图11中椭圆框所包含的数据中变化趋势与煤堵(一次风压差上升、磨煤机出口温度下降、磨煤机电流下降(故障后半段趋势))的特点相似。因此，ISAE可能会将正常运行数据错误地诊断为堵煤故障。为了提高ISAE故障诊断的准确性，将正常运行的训练样本增加到2000组，并再次进行实验(实验2)。图8显示，尽管仍存在部分误诊，但ISAE的故障诊断准确率已提高到98.46%。因此，如果训练样本继续增加，理论上ISAE的最终诊断准确率将接近100%。

图12 实验二测试数据故障识别结果

为了说明改进算法的有效性，比较了算法改进前后以及深度BP(网路结构与ISAE一致)、支持向量机(SVM)的故障诊断准确率。训练和测试样本来自实验2中的数据，对比结果见表7(取测试20次的平均结果)。从表中可知，加入稀疏约束后，算法效率得到了提升，同时与BP和SVM相比，ISAE由于数据特征提取的优越性以及稀疏约束的加入，在最终的故障诊断结果上，具有更高准确率。

表7 不同算法故障诊断对比

磨煤机是大时延系统，通过检测磨煤机出口煤粉流量的变化来发现磨煤机运行故障，往往不能建立有效的预警。通过实时监测一次风差压、磨煤机出口温度、磨煤机电流这三种快速变化信号，训练好的ISAE可以提前发现磨煤机运行故障。以断煤故障为例，如图13所示，人工模拟发生断煤故障，磨煤机的出口煤粉流量在110s内降至0，而ISAE的输出在75s内从正常运行状态跳至断煤故障，网络提前35s预测磨煤机故障。随着SMPC控制器的调整，磨煤机出口煤粉流量逐渐上升，并在160s内回到安全范围内，此时故障诊断的结果恢复正常。因此，基于深度学习的故障识别方法可以在磨煤机故障诊断中发挥重要作用。

图13 算法故障预警效果

5 结 语

针对磨煤机的故障诊断问题，本文提出了一种基于模型的深度学习算法，很好地结合了两种故障诊断方法的优势。基于磨煤机的简化机理模型，以SMPC为控制器构建了闭环仿真系统，以最接近于系统实际运行情况下，对磨煤机的断煤、堵煤以及自燃故障进行模拟仿真，得到了大量故障数据，解决了实际火电厂运行中磨煤机故障数据集不足以及难以整理提取的问题。通过对深度网络引入稀疏约束改进了SAE的性能，提高了对磨煤机故障数据本质特征的提取能力，同时探索了超参数的调整规律，确定了最优的网络参数，最终在参数一致的情况下，与深度BP、未改进的SAE相比，诊断准确率更高。同时ISAE选取能快速响应磨煤机故障的变量作为输入训练网络，在准确诊断磨煤机故障的同时达到了磨煤机故障预警的效果，以断煤故障为例，ISAE能提前35s预测磨煤机故障。所提出的方法大大提高了磨煤机故障诊断的准确性，对确保电厂的安全运行具有重要意义。