一種基于多模型融合的磨煤機故障診斷方法及系統技術方案

本發明專利技術一種基于多模型融合的磨煤機故障診斷方法及系統。解決現有技術不能對磨煤機故障類別進行判斷，無法及時采取對應措施應對磨煤機故障的問題。包括采集、去噪和歸一化處理歷史運行數據構建訓練集和驗證集，通過多種預測算法訓練第一層模型，對輸出數據進行重構，訓練構建第二層模型為磨煤機故障診斷模型。采用多模型融合方法，對多個故障預測模型進行融合集成，建立磨煤機故障診斷模型，實現了磨煤機故障及類別的精確診斷。建立的磨煤機故障診斷模型有效防止過擬合現象，模型泛化能力出色，實現簡單，計算高效，模型修正冗余程度高。結合網格搜索法，尋找到最優超參數組合，提升了模型的精度，獲得了高性能的磨煤機故障診斷模型。模型。模型。

【技術實現步驟摘要】
一種基于多模型融合的磨煤機故障診斷方法及系統


[0001]本專利技術涉及磨煤機故障診斷
，尤其是涉及一種基于多模型融合的磨煤機故障診斷方法及系統。

技術介紹

[0002]磨煤機是燃煤電廠鍋爐燃燒的重要輔機設備，是制粉系統的核心設備，磨煤機的運行狀態直接影響鍋爐運行的安全性和經濟性。磨煤機的工作環境惡劣，長期處于高負荷運行狀態，且燃煤電廠煤種煤質復雜多樣，磨煤機本身內部結構及工作過程復雜，因此磨煤機故障頻發，在日常運行中面臨著較高故障風險。磨煤機一旦發生故障，會直接影響鍋爐燃燒，嚴重時甚至會導致鍋爐停火。
[0003]磨煤機的故障種類多樣，包括且不限于振動異常、內部著火、堵煤、斷煤等，針對不同的故障風險需要采取對應的措施及時進行干預。然而目前，燃煤電廠對上述故障風險主要是通過定期巡檢或數據監盤的傳統方式，難以做到及時有效地進行故障診斷。因此，實現磨煤機的在線故障診斷是燃煤電廠亟需解決的問題，對機組安全經濟運行具有重要的工程應用價值。
[0004]近年來，隨著人工智能技術的發展，基于機器學習的磨煤機故障模型逐漸被提出。目前針對磨煤機的故障診斷主要集中于針對磨煤機電流、出口風溫、出口風壓等運行參數的監測，將監測的實時數據與所建立故障模型所預測的數據進行比較，當二者差值大于設定閾值時，實現磨煤機的故障診斷。然而，上述方法并不能對故障類別進行判斷，無法及時采取對應措施應對磨煤機故障。

技術實現思路

[0005]本專利技術主要是解決現有技術不能對磨煤機故障類別進行判斷，無法及時采取對應措施應對磨煤機故障的問題，提供了一種基于多模型融合的磨煤機故障診斷方法及系統。
[0006]本專利技術的上述技術問題主要是通過下述技術方案得以解決的：一種基于多模型融合的磨煤機故障診斷方法，其特征在于：包括以下步驟：S1.采集磨煤機的歷史運行數據，構建交叉驗證的訓練集和驗證集；S2.設定多種算法分別構建訓練模型，根據訓練集分別對各訓練模型進行超參數優化訓練，獲得多個第一層預測模型；S3.根據第一層預測模型輸出預測數據，對預測數據進行組合重構獲得第二層訓練數據；S4.構建第二層訓練模型，根據第二層訓練數據進行回歸訓練，獲得第二層預測模型；S5.采集磨煤機運行數據進行故障診斷。
[0007]本專利技術采用多模型融合方法，對多個故障預測模型進行融合集成，建立磨煤機故障診斷模型，實現了磨煤機故障及類別的精確診斷。本專利技術專利所建立的磨煤機故障診斷
模型可以有效防止過擬合現象，模型泛化能力出色，實現簡單，計算高效，同時模型修正冗余程度高。結合網格搜索法，尋找到最優超參數組合，進一步提升了模型的精度，獲得了高性能的磨煤機故障診斷模型。
[0008]采集的磨煤機歷史運行數據包括輸入數據和輸出數據，輸入數據包括且不限于磨煤機的給煤量、磨煤機電流、熱一次風擋板開度、冷一次風擋板開度、磨煤機進口風溫、磨煤機進口風量、磨煤機進口風壓、磨煤機出口風壓、磨煤機出口溫度、磨碗上下差壓、密封風/磨碗下部差壓、磨煤機磨碗轉速、旋轉分離器速度、旋轉分離器轉子速度、旋轉分離器電流、旋轉分離器上軸承溫度、旋轉分離器下軸承溫度、分離器減速機滑油油溫、分離器減速機輸出軸軸溫。
[0009]輸出數據為故障狀態，包括無故障、堵煤、斷煤、振動異常、內部著火、入口風壓升高、石子煤排量異常。
[0010]運行數據的輸入數據所形成的矩陣為輸出數據為故障狀態其中n為數據樣本量大小，m為輸入參數的數量。
[0011]作為一種優選方案，采集數據后還包括對數據的預處理，預處理包括數據去噪和數據標準化。
[0012]數據去噪：采用Hankel濾波算法對原始數據中的噪聲信號進行去噪處理，具體步驟如下：(1)令一維信號x
i
＝(x
1i
,x
2i
,
…
,x
ni
)＝X
iT
，i＝1,2,
…
,m，得到Hankel矩陣H
i
：矩陣H
i
即為一個Hankel矩陣，其每條反對角線上元素相同，H
i
的每一列或每一行元素都可通過循環移位得到原始一維信號x
i
。
[0013](2)對矩陣H
i
進行奇異值分解SVD：H
i
＝U
i
∑
i
V
iT
＝∑
nj＝1
σ
ij
H
ij
，
其中，U
i
和V
i
是均為n
×
n的酉矩陣，滿足U
iT U
i
＝U
i
U
iT
＝I，V
iT V
i
＝V
i
V
iT
＝I，I為單位矩陣。σ
i
＝[σ
i1
,σ
i2
,
…
,σ
in
]為Hankel矩陣H
i
的n個奇異值，且滿足σ
i1
>σ
i2
>
…
>σ
in
。H
ij
為第j個奇異值σ
ij
重構而成的矩陣。
[0014](3)重構濾波后矩陣H
i*
：噪聲信號由于行列方向相關性弱，對應奇異值較小，因此，截取前r個奇異值進行重構去除噪聲，得到新的濾波后的矩陣H
i*
：(4)重構濾波后Hankel矩陣將矩陣H
i*
反對角線上的元素進行求和平均，得到新的Hankel矩陣反對角線上的元素進行求和平均，得到新的Hankel矩陣其中，通過公式計算：得到新的即為原始數據去噪后的新數據。針對每一維信號，進行去噪處理，最終得到去噪后的輸入數據矩陣為：
[0015]數據標準化：
對原始輸入數據進行去噪后，采用z
?
score方法對進行標準化處理，計算公式分別如下：式中，為標準化后的數據，1≤i≤n，1≤j≤m，為去噪后的數據，μ
j
為去噪后數據的均值，σ
j
為去噪后數據的標準差。
[0016]得到經過數據標準化后的數據矩陣R為：得到經過數據標準化后的數據矩陣R為：
[0017]作為一種優選方案，步驟S1中構建交叉驗證的訓練集和驗證集具體過程包括：將數據按比例隨機劃分為訓練數據和驗證數據；將訓練數據均等劃分為K折，K
?
1折作為訓練集，1折作為驗證集，且按照每一折都作為一次驗證集，生成K組訓練集和驗證集。
[0018]具體為將預處理后的數據矩陣R隨機劃分為訓練數據(Train)和測試數據(Test)，訓練數據與測試數據之間數據量比例為8:2，具體為：數據之間數據量比例為8:2，本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于多模型融合的磨煤機故障診斷方法，其特征在于：包括以下步驟：S1.采集磨煤機的歷史運行數據，構建交叉驗證的訓練集和驗證集；S2.設定多種算法分別構建訓練模型，根據訓練集分別對各訓練模型進行超參數優化訓練，獲得多個第一層預測模型；S3.根據第一層預測模型輸出預測數據，對預測數據進行組合重構獲得第二層訓練數據；S4.構建第二層訓練模型，根據第二層訓練數據進行回歸訓練，獲得第二層預測模型；S5.采集磨煤機運行數據進行故障診斷。2.根據權利要求1所述的一種基于多模型融合的磨煤機故障診斷方法，其特征是步驟S2中對各訓練模型進行超參數優化訓練過程包括：隨機獲取設定算法的超參數組合，根據設定算法和訓練集訓練得到初始模型，由初始模型輸出若干初始預測輸出值，根據初始預測輸出值和對應的訓練數據輸出值計算兩者的MacroF1值，并求得平均MacroF1值；設定搜索次數，重復上述步驟，完成后從獲得的平均MacroF1值中選取最大值，得到對應的超參數組合為最優超參數組合；設置最優超參數組合為設定算法的最終超參數，根據不同訓練集訓練獲得若干第一層預測模型，根據第一層預測模型將對應的驗證集進行預測得到子預測值，將子預測數據合并獲得各算法預測值。3.根據權利要求2所述的一種基于多模型融合的磨煤機故障診斷方法，其特征是分別采用改進隨機森林算法、CatBoost算法、深度神經網絡算法訓練獲得第一層預測模型。4.根據權利要求1
?
3任一項所述的一種基于多模型融合的磨煤機故障診斷方法，其特征是步驟S4具體過程包括：將各算法預測數據作為輸入，采用多分類邏輯斯蒂回歸模型構建第二層預測模型進行訓練，損失函數為交叉熵損失函數，利用softmax回歸輸出各個故障類別的概率，根據最小化交叉熵損失函數的訓練目...

【專利技術屬性】
技術研發人員：魏勇，孫胡彬，江學文，周曉亮，李楠，葉君輝，趙敏，壽志杰，詹港明，盧子軒，李鋒，
申請(專利權)人：杭州集益科技有限公司，
類型：發明
國別省市：