鐘 崴, 彭 梁, 周永剛, 徐 劍, 從飛云

(1.浙江大學(xué) 熱工與動(dòng)力系統(tǒng)研究所,浙江 杭州 310027； 2.浙江大學(xué) 熱能工程研究所,浙江 杭州 310027；3.浙江大學(xué) 機(jī)械設(shè)計(jì)研究所,浙江 杭州 310027;4.常州英集動(dòng)力科技有限公司，江蘇 常州 213022)

?

基于小波包分析和支持向量機(jī)的鍋爐結(jié)渣診斷

鐘 崴1,4, 彭 梁1, 周永剛2, 徐 劍1, 從飛云3

(1.浙江大學(xué) 熱工與動(dòng)力系統(tǒng)研究所,浙江 杭州 310027； 2.浙江大學(xué) 熱能工程研究所,浙江 杭州 310027；3.浙江大學(xué) 機(jī)械設(shè)計(jì)研究所,浙江 杭州 310027;4.常州英集動(dòng)力科技有限公司，江蘇 常州 213022)

針對(duì)燃煤鍋爐運(yùn)行中管屏受熱面的結(jié)渣問題,提出基于對(duì)爐外測(cè)量的管屏振動(dòng)信號(hào)小波包分析和支持向量機(jī)的結(jié)渣故障診斷方法.根據(jù)鍋爐過熱器管屏的結(jié)構(gòu)特征,采集過熱器管屏爐外管段的振動(dòng)信號(hào)進(jìn)行小波包對(duì)信號(hào)分析,利用管屏振動(dòng)信號(hào)的時(shí)域指標(biāo)和小波包分解后的相對(duì)小波包能量作為特征向量,建立基于支持向量機(jī)的結(jié)渣故障診斷模型.結(jié)果表明,實(shí)驗(yàn)平臺(tái)上該模型能夠?qū)^熱器管屏不同結(jié)渣故障實(shí)現(xiàn)有效的診斷.

過熱器管屏；結(jié)渣故障診斷；振動(dòng)信號(hào)；小波包分析；支持向量機(jī)(SVM)

結(jié)渣故障是電站鍋爐運(yùn)行過程中時(shí)有發(fā)生的一種在過熱器等受熱壁面上的“熔灰積聚”現(xiàn)象[1].結(jié)渣故障輕則會(huì)降低爐內(nèi)受熱面的傳熱能力,致使鍋爐性能變差、運(yùn)行經(jīng)濟(jì)性下降,重則可能造成爐管傳熱惡化并導(dǎo)致爆管,甚至由于大塊結(jié)渣掉落引發(fā)惡性事故.

針對(duì)燃煤鍋爐受熱面結(jié)渣故障的診斷問題,有學(xué)者提出利用鍋爐熱平衡計(jì)算原理,在鍋爐整體熱平衡的基礎(chǔ)上,從省煤器出口開始逆煙氣流程逐段計(jì)算各受熱面的清潔因子,實(shí)現(xiàn)了對(duì)鍋爐受熱面結(jié)渣狀態(tài)的診斷[2].該方法計(jì)算參數(shù)來源于鍋爐運(yùn)行參數(shù),受負(fù)荷因素影響較大,且模型煙氣側(cè)計(jì)算依賴于一些經(jīng)驗(yàn)參數(shù),計(jì)算結(jié)果精度較低[3].與此同時(shí),一種用于測(cè)量受熱面實(shí)時(shí)熱流變化的灰污熱流計(jì)也被用來判斷受熱面結(jié)渣狀態(tài)[4].該方法可靠性較高,但熱流計(jì)的安裝需要對(duì)鍋爐受熱面進(jìn)行改造,產(chǎn)生相對(duì)高昂的改裝費(fèi)用.此外,一些特殊的裝置也被應(yīng)用于鍋爐受熱面結(jié)渣診斷和檢測(cè)的研究.Hansen等[5]使用熱輻射儀進(jìn)行實(shí)現(xiàn)了對(duì)某800 MW鍋爐結(jié)渣狀況的診斷,Wicker等[6]通過測(cè)量結(jié)渣后鍋爐懸掛管屏重量引發(fā)形變所導(dǎo)致的電阻值變化來診斷管屏結(jié)渣狀態(tài)的變化.

燃煤電站鍋爐管屏是一種將爐內(nèi)流動(dòng)煙氣的熱量傳遞給管內(nèi)工質(zhì)的換熱裝置,在外流煙氣及內(nèi)流汽水工質(zhì)的作用下會(huì)發(fā)生多種流體誘導(dǎo)的振動(dòng).國(guó)內(nèi)外學(xué)者對(duì)內(nèi)外流體激勵(lì)下?lián)Q熱器管束振動(dòng)的機(jī)理進(jìn)行了持續(xù)深入的研究,解釋了流體激勵(lì)下管束振動(dòng)的形成機(jī)理并進(jìn)行有效抑制[7-8].

支持向量機(jī)是一種以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的機(jī)器學(xué)習(xí)方法.該方法被廣泛應(yīng)用于各種故障診斷的研究領(lǐng)域.賈峰等[9]利用多維度排列熵方法提取軸承故障特征,建立基于支持向量機(jī)的滾動(dòng)軸承早期故障智能診斷模型.許小剛等[10]利用小波包能量做特征建立支持向量機(jī)風(fēng)機(jī)故障診斷模型,有效實(shí)現(xiàn)風(fēng)機(jī)故障類別的診斷.

本文根據(jù)電站鍋爐過熱器管屏的結(jié)構(gòu)特征,提出了一種基于爐外測(cè)量的管屏振動(dòng)信號(hào)小波包分析和支持向量機(jī)的結(jié)渣故障診斷方法.通過搭建實(shí)驗(yàn)臺(tái),對(duì)在爐外測(cè)量到的不同結(jié)渣狀態(tài)下管屏振動(dòng)信號(hào)進(jìn)行分析,得到信號(hào)的相對(duì)小波能量分布特征.而后,利用管屏振動(dòng)信號(hào)的時(shí)域指標(biāo)和小波包分解后的相對(duì)小波能量作為特征向量,進(jìn)而建立基于支持向量機(jī)的結(jié)渣故障診斷模型,實(shí)現(xiàn)對(duì)不同結(jié)渣故障的診斷.

1 管屏振動(dòng)信號(hào)分析原理

1.1 管屏結(jié)渣振動(dòng)特性

圖1 管屏結(jié)渣振動(dòng)模型簡(jiǎn)化示意圖Fig.1 Simplification of tube panel vibration model

根據(jù)鍋爐過熱器管屏的結(jié)構(gòu),鍋爐過熱器結(jié)渣的管屏振動(dòng)故障模型可以簡(jiǎn)化為如圖1所示的振動(dòng)模型,即一端固定、另一端具有附加質(zhì)量的豎直懸臂梁模型.取固支端作為坐標(biāo)系xOy的原點(diǎn).由機(jī)械振動(dòng)理論[11]可知,梁的自由振動(dòng)方程通解為

C1chβx+C2shβx+C3cosβx+C4sinβx.

(1)

(2)

式中:ρ為梁?jiǎn)挝婚L(zhǎng)度的質(zhì)量,E為梁的彈性模量,I為截面慣性矩,EI稱為梁的彎曲剛度,C1、C2、C3、C4為待定系數(shù),ω為梁的振動(dòng)角頻率.

對(duì)于圖示懸臂梁結(jié)構(gòu),其邊界條件為

固支端：

(3)

(4)

式中,l為梁的長(zhǎng)度.

由固支端邊界條件代入通解方程可得

C1+C3=0,C2+C4=0.

(5)

代入通解方程,消除C3、C4得

(6)

由附加質(zhì)量端邊界條件代入式(6)可得

(7)

(8)

式(7)、(8)有非零解的條件為

(9)

簡(jiǎn)化后得

(10)

從而得到振動(dòng)模態(tài)特性方程：

(11)

根據(jù)式(2),(11)可以表示為

(12)

對(duì)于給定的梁結(jié)構(gòu),ρ、E、I、l均已知,結(jié)合式(2)可知β值僅與相關(guān).由此可知式(12)即為梁振動(dòng)模態(tài)特性ω與附加質(zhì)量塊m的關(guān)系方程.改變質(zhì)量塊m的值可求得相應(yīng)梁振動(dòng)模態(tài)特性,即不同渣塊質(zhì)量下的管屏的振動(dòng)模態(tài)特性.

1.2 小波包變換

小波變換是一種時(shí)頻分析方法,可以通過檢查信號(hào)在不同放大倍數(shù)下的變化來研究信號(hào)的特征[12].小波包變換則是在小波變換的基礎(chǔ)上發(fā)展而來,它是把信號(hào)投影到一個(gè)有小波伸縮而成的一組基函數(shù)上,能夠反映整個(gè)頻帶的故障信息,為信號(hào)提供一種更加精細(xì)的分析方法[13].

(13)

1.3 小波包分解

小波包分解則可將過熱器管屏振動(dòng)信號(hào)按不同的頻帶進(jìn)行分解,在不同的尺度下分解出不同頻帶信號(hào).若原始信號(hào)采樣點(diǎn)數(shù)足夠多,則頻帶可劃分得足夠細(xì)[15].

對(duì)于信號(hào)s(t),經(jīng)過小波包i層分解后將在第i層獲得2i個(gè)信號(hào)的子頻帶,此時(shí)s(t)可以表示為

j=0,1,2,…,2i-1.

(14)

1.4 相對(duì)小波包能量

鍋爐過熱器管屏發(fā)生結(jié)渣時(shí)會(huì)對(duì)各頻帶內(nèi)信號(hào)能量產(chǎn)生較大影響,經(jīng)小波包分解后可得到分布在不同頻帶信號(hào)的分解序列,各頻帶的能量可以作為信號(hào)特征反應(yīng)管屏結(jié)渣狀態(tài),用于結(jié)渣故障診斷.這種按照能量方式表示的小波包分解結(jié)果稱為小波包能量譜[16-17].

根據(jù)小波包信號(hào)分析理論,上述s(t)信號(hào)經(jīng)過小波包分解后依據(jù)的頻譜能量可以由式(15)計(jì)算得到

(15)

式中：xj,k中j=0,1,2,…,2i-1；k=1,2,…,Nc；Nc為小波包分解后節(jié)點(diǎn)重構(gòu)信號(hào)的離散采樣點(diǎn)數(shù),Ei,j(tj)為振動(dòng)信號(hào)經(jīng)小波包分解后第i層第j個(gè)節(jié)點(diǎn)的頻帶能量.

則振動(dòng)信號(hào)s(t)總的頻帶能量為

(16)

各個(gè)節(jié)點(diǎn)對(duì)應(yīng)頻帶的相對(duì)頻帶能量為

(17)

2 支持向量機(jī)

支持向量機(jī)算法的本質(zhì)是在有限樣本中最大限度地挖掘隱藏在數(shù)據(jù)中的分類信息.該算法兼顧訓(xùn)練誤差和泛化能力,在解決小樣本數(shù)據(jù)集及非線性問題上具有獨(dú)特的優(yōu)勢(shì),特別適合用于建立故障診斷模型[18-19].

圖2 最優(yōu)分類面Fig.2 Optimal classification plane

支持向量機(jī)首先通過用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個(gè)高維空間, 在這個(gè)空間中求(廣義)最優(yōu)分類面[20].支持向量機(jī)是從線性可分情況下的最優(yōu)分類面發(fā)展而來的,基本思想如圖2所示.

從圖2中可以看出,實(shí)心點(diǎn)和空心點(diǎn)代表2類樣本,H為分類線,H1、H2分別為過各類中離分類線最近的樣本且平行于分類線的直線,它們之間的距離叫做分類間隔(margin).最優(yōu)分類線不但能將2類正確分開,而且能使分類間隔最大.分類線方程[21]為

(18)

式中,w為把特征空間連接到輸出空間的新型權(quán)值矢量,b為偏置系數(shù).

(19)

(20)

(21)

式中,C為懲罰因子.

(22)

通過訓(xùn)練得到最優(yōu)超平面后,對(duì)于未知樣本x,只需計(jì)算得到最優(yōu)分類函數(shù)的值,并根據(jù)該值的正負(fù)即可判定x所屬的分類.

3 振動(dòng)信號(hào)的時(shí)頻分析

3.1 管屏振動(dòng)信號(hào)測(cè)量

本文針對(duì)電站鍋爐過熱器管屏的結(jié)構(gòu)特征,按照實(shí)際過熱器尺寸等比例制造了單個(gè)管屏受熱面,模擬搭建了基于爐管振動(dòng)信號(hào)測(cè)量的電站鍋爐管屏結(jié)渣診斷實(shí)驗(yàn)臺(tái).如圖3所示為實(shí)驗(yàn)裝置示意圖.從圖3中可看出整個(gè)試驗(yàn)裝置由風(fēng)煙系統(tǒng)和管屏振動(dòng)信號(hào)采集系統(tǒng)組成.受熱面管屏和聯(lián)箱通過吊桿懸吊于實(shí)驗(yàn)室鋼架上,管屏中下部處于風(fēng)道之中.信號(hào)采集裝置布置于過熱器管屏爐外與聯(lián)箱連結(jié)管段.

圖3 基于管屏振動(dòng)信號(hào)的結(jié)渣診斷實(shí)驗(yàn)裝置示意圖Fig.3 Experimental facility for slagging diagnosis based on tube vibration signals

實(shí)驗(yàn)中通過改變附著在管屏上渣塊質(zhì)量來模擬鍋爐不同的結(jié)渣運(yùn)行狀態(tài),從而獲得不同管屏結(jié)渣質(zhì)量下的實(shí)驗(yàn)數(shù)據(jù).結(jié)合鍋爐實(shí)際運(yùn)行情況,本文選取管屏質(zhì)量的20%為渣塊質(zhì)量上限,按照增加的渣塊質(zhì)量與過熱器管屏質(zhì)量比w劃分為0、5%、10%、15%和20%這5種結(jié)渣狀態(tài).為獲得更加真實(shí)的爐管振動(dòng)信號(hào),實(shí)驗(yàn)中采集頻率為12.8 kHz,信號(hào)采集長(zhǎng)度為12 800個(gè)采樣點(diǎn).

3.2 管屏振動(dòng)信號(hào)分析

實(shí)驗(yàn)中通過風(fēng)機(jī)閥門控制使風(fēng)速保持恒定,改變管屏上附著渣塊質(zhì)量測(cè)得不同結(jié)渣狀態(tài)下管屏振動(dòng)信號(hào)并進(jìn)行頻域轉(zhuǎn)換.如圖4所示為不同結(jié)渣狀態(tài)下的頻譜圖,圖中Amp為管屏振動(dòng)幅值,f為振動(dòng)頻率.

從圖4中可看出,對(duì)比圖4(a)和(b)～(e)可知,管屏未發(fā)生結(jié)渣時(shí)振動(dòng)信號(hào)在高頻段出現(xiàn)多個(gè)頻譜峰值,而當(dāng)管屏上渣塊質(zhì)量增加后信號(hào)中相應(yīng)頻率下峰值明顯減弱甚至接近于零.同時(shí),結(jié)渣后管屏振動(dòng)信號(hào)頻譜峰值均出現(xiàn)在一個(gè)相對(duì)集中的頻率段,并未隨著管屏渣塊質(zhì)量的增加而發(fā)生明顯的變化,其主要原因是由于管屏故障渣塊質(zhì)量增加幅度較小而導(dǎo)致管屏振動(dòng)信號(hào)的頻譜變化較小.

圖4 不同渣塊質(zhì)量下幅值譜圖Fig.4 Amplitude spectra of tube panel signals in different slagging condition

圖5 管屏無結(jié)渣狀態(tài)下振動(dòng)信號(hào)的相對(duì)能量分布Fig.5 Relative energy distribution of vibration signals without slagging on tube panel

為獲得管屏結(jié)渣過程中振動(dòng)信號(hào)能量相對(duì)分布具體變化值,本文對(duì)不同結(jié)渣狀態(tài)下管屏振動(dòng)信號(hào)進(jìn)行五層小波包分解分析,分解后的信號(hào)通過式(15)～(17)可以求得不同頻帶下管屏振動(dòng)信號(hào)的相對(duì)能量分布,實(shí)現(xiàn)對(duì)信號(hào)能量在各頻帶相對(duì)分布的量化分析.如圖5所示為管屏無結(jié)渣狀態(tài)下振動(dòng)信號(hào)的相對(duì)能量分布,圖中P為相對(duì)小波能量值.從圖5中可看出,管屏振動(dòng)信號(hào)中能量主要集中在低頻段內(nèi),高頻段內(nèi)的能量分布很小.因此為便于比較分析,將經(jīng)小波包分解后的管屏振動(dòng)信號(hào)頻帶進(jìn)行整合,得到新的頻帶分布如表1所示,D為分解整合后的信號(hào)頻帶.新的頻帶信號(hào)分別以D1～D8表示.

圖6 不同渣塊質(zhì)量下管屏振動(dòng)信號(hào)相對(duì)能量圖Fig.6 Relative energy distribution of tube panel vibration signals in different slagging conditions

如圖6所示為頻帶整合后不同渣塊質(zhì)量下管屏振動(dòng)信號(hào)相對(duì)能量分布圖.從圖6中可看出,渣塊質(zhì)量比w由0增加到20%的過程中,其對(duì)應(yīng)管屏振動(dòng)信號(hào)在D1頻帶上的相對(duì)能量值分別為0.507、0.801、0.882、0.939和0.925.在結(jié)渣前后,管屏振動(dòng)信號(hào)在D1頻帶上相對(duì)能量值發(fā)生了較大的突變.同時(shí),雖然渣塊質(zhì)量比在w=20%時(shí)的D1頻帶上相對(duì)能量比w=15%時(shí)略低,但是二者均占據(jù)相應(yīng)信號(hào)總能量的90%以上,在實(shí)驗(yàn)可以接受的誤差范圍之內(nèi).故而認(rèn)為在D1頻帶上的管屏振動(dòng)信號(hào)相對(duì)能量隨著渣塊的增加呈現(xiàn)遞增趨勢(shì).

表1 整合后的頻帶分布

4 基于管屏振動(dòng)信號(hào)小波包分析和支持向量機(jī)的管屏結(jié)渣故障診斷

如圖7所示為基于管屏振動(dòng)信號(hào)小波包分析和支持向量機(jī)的結(jié)渣故障診斷示意圖.從圖7中可看出該診斷方法主要包含以下3個(gè)過程：

圖7 基于管屏振動(dòng)信號(hào)小波包分析和支持向量機(jī)的結(jié)渣故障診斷方法Fig.7 Slagging fault diagnosis model based on wavelet packet analysis of tube panel vibration signal and support vector machine

1)結(jié)渣故障特征提?。焊鶕?jù)實(shí)驗(yàn)測(cè)量所得的不同結(jié)渣狀態(tài)下的管屏振動(dòng)信號(hào)求解各信號(hào)的時(shí)域指標(biāo)以及利用小波包分解獲得信號(hào)的頻帶相對(duì)能量分布,二者聯(lián)合構(gòu)成模型的輸入特征向量.

2)支持向量機(jī)模型訓(xùn)練：依據(jù)實(shí)驗(yàn)過程中管屏渣塊質(zhì)量的變化,將所有管屏結(jié)渣狀態(tài)的結(jié)渣故障振動(dòng)信號(hào)特征數(shù)據(jù)分為2組：訓(xùn)練樣本和預(yù)測(cè)樣本.利用訓(xùn)練樣本的特征向量對(duì)支持向量機(jī)模型進(jìn)行訓(xùn)練.

3)支持向量機(jī)模型預(yù)測(cè)：用測(cè)試集數(shù)據(jù)對(duì)訓(xùn)練后的模型進(jìn)行測(cè)試,判斷各特征向量對(duì)應(yīng)信號(hào)所屬結(jié)渣故障類別,并與該信號(hào)的結(jié)渣故障實(shí)際類別對(duì)比,獲得測(cè)試集的預(yù)測(cè)準(zhǔn)確率.

4.1 管屏結(jié)渣故障特征提取

管屏振動(dòng)信號(hào)經(jīng)由小波包分解后可以得到不同頻帶下相對(duì)能量的分布情況.根據(jù)信號(hào)分析結(jié)果可知,管屏振動(dòng)信號(hào)的小波包相對(duì)能量主要集中于D1、D2頻帶,其變化規(guī)律能夠反映管屏結(jié)渣前后的信號(hào)特征變化.同時(shí),本文選取反映管屏振動(dòng)信號(hào)時(shí)域波形特征的7個(gè)指標(biāo)：方差、均方根、波形指標(biāo)、峰值因子、脈沖指標(biāo)、裕度指標(biāo)和峭度,與D1、D2頻帶的小波包相對(duì)能量構(gòu)成模型輸入的特征向量.

4.2 診斷結(jié)果與分析

(23)

文中支持向量機(jī)核函數(shù)選取徑向基核函數(shù),其表達(dá)式為

(24)

式中,σ為控制核函數(shù)寬度的參數(shù).對(duì)于線性不可分情況,引入懲罰因子C來控制錯(cuò)誤分類.

依據(jù)實(shí)驗(yàn)過程中管屏渣塊質(zhì)量的變化,將管屏結(jié)渣狀態(tài)分為w=0、w=5%、w=10%、w=15%和w=20% 5種不同程度的結(jié)渣故障.每種故障選取30組樣本數(shù)據(jù),共計(jì)150組樣本.其中每種故障種類選取20組樣本作為訓(xùn)練樣本,總的訓(xùn)練樣本為100組,預(yù)測(cè)樣本50組.模型的預(yù)測(cè)精度為

(25)

式中,N為預(yù)測(cè)樣本的總數(shù),NP為預(yù)測(cè)樣本類別分類預(yù)測(cè)正確數(shù).

本文針對(duì)原有故障信號(hào),分別提取由時(shí)域指標(biāo)組成的特征向量T1、時(shí)域指標(biāo)和振動(dòng)信號(hào)小波包總能量值組成的特征向量T2、時(shí)域指標(biāo)和信號(hào)頻帶小波包絕對(duì)能量值組成的特征向量T3以及時(shí)域指標(biāo)和信號(hào)頻帶相對(duì)小波包能量組成的特征向量T4,結(jié)合支持向量機(jī)建立故障診斷模型,得到各模型診斷結(jié)果如表2所示,表中T為特征向量類別,M為故障模型,N1為訓(xùn)練樣本數(shù),N2為預(yù)測(cè)樣本數(shù).由表2可知,以T1、T2、T3為模型特征向量的診斷精度只有70.0%、72.0%和84.0%,而以T4為模型特征向量的診斷精度達(dá)到100%,其原因是由于小波包分解對(duì)振動(dòng)信號(hào)細(xì)節(jié)特征的精細(xì)化分析和展現(xiàn).頻帶相對(duì)小波包能量是將頻帶能量絕對(duì)值進(jìn)行歸一化處理,更好地反應(yīng)渣塊的質(zhì)量變化特征,更加有利于模型訓(xùn)練時(shí)分類特征的提取,使得以T4作為特征向量的診斷精度最高.同時(shí)也證明了以信號(hào)頻帶相對(duì)小波包能量結(jié)合信號(hào)時(shí)域指標(biāo)作為診斷模型輸入特征向量的有效性.

表2 不同特征提取方法的對(duì)比

Tab.2 Comparison of different feature extraction method

TMN1/組N2/組ηp/%T1SVM1005070T2SVM1005072T3SVM1005084T4SVM10050100

如圖8所示為以T4作為模型特征向量的結(jié)渣故障診斷結(jié)果,圖中K為結(jié)渣故障類別,n為測(cè)試樣本組號(hào).從圖8中可看出,在實(shí)驗(yàn)條件下,模型的輸出故障類型和實(shí)際故障類型完全一致,故障識(shí)別的準(zhǔn)確率為100%,表明基于振動(dòng)信號(hào)小波包分析和支持向量機(jī)的鍋爐管屏結(jié)渣故障診斷方法能準(zhǔn)確地對(duì)故障進(jìn)行診斷.

圖8 以T4為模型特征向量的基于管屏振動(dòng)信號(hào)分析的結(jié)渣故障診斷結(jié)果Fig.8 Slagging fault diagnosis chart based on tube panel vibration signal analysis with feature vector T4 as model input

5 結(jié) 語

本文提出了基于管屏振動(dòng)信號(hào)小波包分析和支持向量機(jī)的管屏結(jié)渣故障診斷方法.提取實(shí)驗(yàn)測(cè)量到的不同結(jié)渣狀態(tài)下管屏振動(dòng)信號(hào)的時(shí)域指標(biāo)和小波包相對(duì)能量作為診斷模型的輸入特征,建立了基于支持向量機(jī)的管屏結(jié)渣故障診斷模型,實(shí)現(xiàn)了對(duì)過熱器管屏不同結(jié)渣故障的準(zhǔn)確診斷.通過與不同特征提取方法的診斷結(jié)果比較,證明了所提取特征向量的診斷有效性.

[1] 沈珞嬋,岑可法,樊建人,等.鍋爐和熱交換器的積灰、結(jié)渣、磨損和腐蝕的防止原理與計(jì)算[M].北京：科學(xué)出版社,1994： 1-5.

[2] 閻維平,梁秀俊,周健,等.300MW燃煤電廠鍋爐積灰結(jié)渣計(jì)算機(jī)在線監(jiān)測(cè)與優(yōu)化吹灰[J].中國(guó)電機(jī)工程學(xué)報(bào),2000,20(09): 85-89.

YAN Wei-ping, LIANG Xiu-jun, ZHOU Jian, et al. Ash monitoring and sootblowing optimization of a 300MW coal-fired utility boiler[J]. Proceedings of the CSEE, 2000,20(09): 85-89.

[3] CANTRELL C, IDEM S. On-line performance model of the convection passes of a pulverized coal boiler[J]. Heat Transfer Engineering, 2010, 31(14): 1173-1183.

[4] PENA B, TERUEL E, DIEZ L I. Towards soot-blowing optimization in superheaters [J]. Applied Thermal Engineering, 2013, 61(2SI): 737-746.

[5] HANSEN T, BLANKENSHIP S. Infrared camera performs double duty[J]. Power Engineering, 2006, 110(7):88-89.

[6] WICKER K. Get smart about removing slag[J]. Power, 2005, 149(8): 57-60.

[7] PETTIGREW M J, TAYLOR C E. Vibration analysis of shell-and-tube heat exchangers: an overview-Part 1: flow, damping, fluidelastic instability[J]. Journal of Fluids and Structures, 2003, 18(5): 469-483.

[8] PETTIGREW M J, TAYLOR C E. Vibration analysis of shell-and-tube heat exchangers: an overview—Part 2: vibration response, fretting-wear, guidelines[J]. Journal of Fluids and Structures, 2003, 18(5): 485-500.

[9] 賈峰,武兵,熊曉燕,等.基于多維度排列熵與支持向量機(jī)的軸承早期故障診斷方法[J].計(jì)算機(jī)集成制造系統(tǒng),2014,20(09): 2275-2282.

JIA Feng, WU Bing, XIONG Xiao-yan, et al. Early fault diagnosis of bearing based on multi-dimension permutation entropy and SVM[J]. Computer Integrated Manufacturing Systems, 2014, 20(09): 2275-2282.

[10] 許小剛,王松嶺,劉錦廉.基于小波包能量分析及改進(jìn)支持向量機(jī)的風(fēng)機(jī)機(jī)械故障診斷[J].動(dòng)力工程學(xué)報(bào),2013,33(08): 606-612.

XU Xiao-gang, WANG song-ling, LIU Jin-lian. Mechanical fault diagnosis of fan based on wavelet packet energy analysis and improved support vector machine[J]. Journal of Chinese Society of Power Engineering, 2013,33(08): 606-612.

[11] 任興民,秦衛(wèi)陽,文立華.工程振動(dòng)基礎(chǔ)[M].北京：機(jī)械工業(yè)出版社,2006: 123-132.

[12] FENG Y H, SCHLINDWEIN F S. Normalized wavelet packets quantifiers for condition monitoring[J]. Mechanical Systems and Signal Processing, 2009, 23(3): 712-723.

[13] LOTFOLLAHI-YAGHIN M A, MAHDI K. Examining the function of wavelet packet transform (WPT) and continues wavelet transform (CWT) in recognizing the crack specification [J]. KSCE Journal of Civil Engineering, 2011, 15(3): 497-506.

[14] ZHU K, WONG Y S, HONG G S. Wavelet analysis of sensor signals for tool condition monitoring: A review and some new results[J]. International Journal of Machine Tools and Manufacture, 2009, 49(7/8): 537-553.

[15] 劉濤,李愛群,丁幼亮,等.基于小波包能量譜的結(jié)構(gòu)損傷預(yù)警方法試驗(yàn)研究[J].振動(dòng)與沖擊,2009,28(04): 4-9.

LIU Tao, LI Ai-qun, DING You-liang, et al. Experimental study on structural damage alarming method based on wavelet packet energy spectrum[J]. Journal of Vibration and Shock, 2009,28(04): 4-9.

[16] 趙志宏,楊紹普.基于相對(duì)小波能量的滾動(dòng)軸承故障診斷[J].電子測(cè)量與儀器學(xué)報(bào),2011,25(01): 44-49.

ZHAO Zhi-hong, YANG Shao-pu. Fault diagnosis of roller bearing based on relative wavelet energy[J]. Journal of Electronic Measurement and Instrument, 2011,25(01): 44-49.

[17] ZHANG C, ZHONG G. Influence of explosion parameters on energy distribution of blast vibration signals with wavelet packet analysis[C]∥2011 2nd International Conference on Mechanic Automation and Control Engineering. Hohhot: IEEE,2011: 2234-2237.

[18] 彭文季,羅興锜.基于小波包分析和支持向量機(jī)的水電機(jī)組振動(dòng)故障診斷研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2006,26(24): 164-168.

PENG Wen-ji, LUO Xing-qi. Research on vibrant fault diagnosis of hydro-turbine generating unit based on wavelet packet analysis and support vector machine [J]. Proceedings of the CSEE, 2006,26(24): 164-168.

[19] WIDODO A, YANG B. Support vector machine in machine condition monitoring and fault diagnosis [J]. Mechanical Systems and Signal Processing, 2007, 21(6): 2560-2574.

[20] 袁勝發(fā),褚福磊.支持向量機(jī)及其在機(jī)械故障診斷中的應(yīng)用[J].振動(dòng)與沖擊,2007,36(11): 29-35.

YUAN Sheng-fa, CHU Fu-lei. Support vector machines and its application in machine fault diagnosis [J]. Journal of Vibration and Shock, 2007,36(11): 29-35.

[21] 胡清,王榮杰,詹宜巨.基于支持向量機(jī)的電力電子電路故障診斷技術(shù)[J].中國(guó)電機(jī)工程學(xué)報(bào),2008,(12): 107-111.

HU Qing, WANG Rong-jie, ZHAN Yi-ju. Fault diagnosis technology based on SVM in power electronics circuit [J]. Proceedings of the CSEE, 2008, (12):107-111.

Slagging diagnosis of boiler based on wavelet packet analysis and support vector machine

ZHONG Wei1，4, PENG Liang1, ZHOU Yong-gang2, XU Jian1, CONG Fei-yun3

(1.InstituteofThermalScienceandPowerSystem,ZhejiangUniversity,Hangzhou310027,China；2.InstituteofThermalPowerEngineering,ZhejiangUniversity,Hangzhou, 310027,China；3.InstituteofMechanicalDesign,ZhejiangUniversity,Hangzhou, 310027,China；4.ChangzhouEngipowerTechnologyLtd.Co.Changzhou, 213022)

A slagging fault diagnosis method based on support vector machine (SVM) and wavelet packet analysis of superheater tube panel vibration signal outside of the boiler was proposed in view of the slagging problem on heating surface during the running of a pulverized coal boiler in power station. The vibration signals of tube panel were collected according to the structural features of the boiler, which were analyzed with wavelet packet method. A slagging fault diagnosis model was established based on support vector machine using wavelet packet energy and time domain indexes of the tube panel vibration signals as feature vector. Results show that the model can identify different fault categories correctly with the tube panel signals measured in laboratory.

superheater tube panel; slagging fault diagnosis; vibration signal; wavelet packet analysis; support vector machine (SVM)

2015-09-07.

鐘崴(1975—),男,副教授,從事智慧能源系統(tǒng)建模、仿真與優(yōu)化研究.ORCID: 0000-0002-5720-4528. E-mail: wzhong@zju.edu.cn

周永剛(1974—),男,工程師.ORCID: 0000-0002-3710-5223. E-mail: trooper@zju.edu.cn

10.3785/j.issn.1008-973X.2016.08.011

TK 228

A

1008-973X(2016)08-1499-08

浙江大學(xué)學(xué)報(bào)(工學(xué)版)網(wǎng)址： www.journals.zju.edu.cn/eng