陳 波，徐文韜，黃亞繼，曹歌瀚，李雨欣，管詩駢，王亞歐

(1.江蘇方天電力技術(shù)有限公司，南京 211102；2.東南大學(xué) 能源熱轉(zhuǎn)換及其過程測控教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096)

0 引 言

磨煤機(jī)是電站鍋爐制粉系統(tǒng)的核心設(shè)備,運(yùn)行狀況直接影響整個發(fā)電機(jī)組的安全性和經(jīng)濟(jì)性。磨煤機(jī)出口風(fēng)粉混合物溫度和出口壓力等參數(shù)直接影響鍋爐燃燒效率和安全運(yùn)行，有效的故障診斷和早期故障預(yù)警保證運(yùn)行人員全面了解磨煤機(jī)運(yùn)行狀態(tài)并及時提出相應(yīng)措施，對維護(hù)磨煤機(jī)設(shè)備的正常運(yùn)行及整個火電機(jī)組安全運(yùn)行有重要意義。

磨煤機(jī)故障診斷方法分為基于數(shù)學(xué)模型的故障診斷方法和基于人工智能的故障診斷方法?；跀?shù)學(xué)模型的故障診斷方法主要通過復(fù)雜的機(jī)理分析建立數(shù)學(xué)模型，根據(jù)系統(tǒng)參數(shù)測量值和數(shù)學(xué)模型預(yù)測值之間的差值計算殘差,并通過設(shè)定殘差的閾值來判斷故障是否發(fā)生。FAN等[1]通過能量平衡方程建立了磨煤機(jī)模型，通過能量流動的異常判斷故障發(fā)生。WEI等[2]提出六段磨煤機(jī)模型,在此基礎(chǔ)上，GUO等[3]提出一種磨煤機(jī)狀態(tài)監(jiān)測技術(shù),能夠通過觀察模型參數(shù)波動情況判斷磨煤機(jī)的運(yùn)行狀態(tài)。

基于人工智能的磨煤機(jī)故障診斷方法主要通過智能算法和機(jī)器學(xué)習(xí)對海量歷史運(yùn)行數(shù)據(jù)進(jìn)行分析并診斷磨煤機(jī)故障類型。HAN等[4]采用模糊決策融合算法對制粉系統(tǒng)故障進(jìn)行診斷，該方法先通過神經(jīng)網(wǎng)絡(luò)辨識磨煤機(jī)故障,再利用子網(wǎng)絡(luò)辨識故障磨煤機(jī)故障的嚴(yán)重程度。王天堃[5]提出一種基于動態(tài)建模的磨煤機(jī)故障診斷方法。該診斷方法通過計算故障征兆和縮放因子實(shí)現(xiàn)磨煤機(jī)故障在線辨識。曾德良等[6]將小波多尺度分析方法應(yīng)用于檢測磨輥磨損程度并取得良好效果，該方法能及時發(fā)現(xiàn)磨輥磨損故障。張文濤等[7]提出一種基于粒子群算法優(yōu)化核極限學(xué)習(xí)機(jī)的磨煤機(jī)故障診斷方法，該方法通過核極限學(xué)習(xí)機(jī)建立故障診斷模型,然后利用粒子群算法對核極限學(xué)習(xí)機(jī)的參數(shù)進(jìn)行優(yōu)化。孫栓柱等[8]提出一種基于灰箱模型的中速磨煤機(jī)故障診斷方法，該診斷方法基于小波變換采用一種基于斜率閾值的故障檢測方法，并根據(jù)隨機(jī)森林算法建立故障分類器，實(shí)現(xiàn)對磨煤機(jī)故障的早期診斷。張進(jìn)[9]提出一種基于回聲狀態(tài)網(wǎng)絡(luò)(ESN)的故障預(yù)警方法。陳渭文[10]提出一種基于信號分析的磨煤機(jī)堵煤故障診斷模型，采用神經(jīng)網(wǎng)絡(luò)優(yōu)化算法對與堵煤故障相關(guān)性較強(qiáng)的特征參數(shù)權(quán)重進(jìn)行訓(xùn)練,得出磨煤機(jī)堵煤故障的診斷模型。趙明等[11]提出基于小波包特征提取及統(tǒng)計分析的磨煤機(jī)球徑配比診斷，該方法對磨煤機(jī)軸承振動信號進(jìn)行小波包分解,提取不同球徑配比的特征量;再通過統(tǒng)計分析對球徑配比做出診斷。王桐等[12]提出一種小波多尺度分解與D-S證據(jù)理論相結(jié)合的目標(biāo)模式識別方法，該方法能夠有效識別中速磨煤機(jī)臨界堵塞狀態(tài)。牛玉廣[13]提出一種基于多元狀態(tài)估計與自適應(yīng)閾值的電站輔機(jī)故障預(yù)警方法，該方法具有較高的故障檢測效率，首先通過等距抽樣建立典型狀態(tài)子模型，再以相似度函數(shù)表示輸入向量與估計向量偏差，最后，采用區(qū)間估計思想設(shè)計相似度的自適應(yīng)閾值方法。梁修凡[14]提出一種基于融合機(jī)理和現(xiàn)場數(shù)據(jù)的磨煤機(jī)狀態(tài)監(jiān)測及故障診斷的方法，依據(jù)磨煤機(jī)質(zhì)量平衡能量平衡等建立磨煤機(jī)灰箱模型，采用統(tǒng)計學(xué)方法對故障殘差分析實(shí)現(xiàn)早期故障預(yù)報，對輸出殘差的趨勢采用多尺度小波分析方法辨識故障類型。劉定平等[15]提出一種基于核主元分析和最小二乘支持向量機(jī)的中速磨煤機(jī)故障診斷方法，對火電廠磨煤機(jī)早期故障進(jìn)行預(yù)警并判別故障類型。

上述磨煤機(jī)故障診斷方法單純針對某一故障提出診斷方法，采用智能算法提取預(yù)測值與實(shí)際值間殘差信號變化趨勢，根據(jù)殘差信號變化趨勢實(shí)現(xiàn)磨煤機(jī)故障監(jiān)測。然而，表征磨煤機(jī)運(yùn)行狀態(tài)的各變量間具有強(qiáng)耦合且復(fù)雜多變的非線性特征，往往由于其中某一變量變化引發(fā)另一變量變化，單一提取殘差變化趨勢確定磨煤機(jī)故障類型不夠全面客觀。因此，筆者提出一種基于相關(guān)系數(shù)分析-小波包-LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)磨煤機(jī)故障診斷方法，該方法首先通過網(wǎng)絡(luò)隨機(jī)對LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)初參數(shù)進(jìn)行尋優(yōu)[16-18]，在此基礎(chǔ)上，基于LSTM神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)出口壓力和出口溫度預(yù)測模型；其次，分析磨煤機(jī)發(fā)生故障機(jī)理，構(gòu)建磨煤機(jī)故障數(shù)據(jù)，將磨煤機(jī)正常運(yùn)行時的數(shù)據(jù)與故障數(shù)據(jù)組成混合數(shù)據(jù)作為實(shí)時運(yùn)行數(shù)據(jù)，將混合數(shù)據(jù)作為LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸入變量預(yù)測磨煤機(jī)出口壓力和出口溫度，由預(yù)測值與實(shí)際值間差值獲得殘差變化趨勢，對殘差變化趨勢進(jìn)行小波包分解識別殘差信號突發(fā)異常點(diǎn)，即磨煤機(jī)故障發(fā)生點(diǎn)。分別以磨煤機(jī)故障庫和混合數(shù)據(jù)中故障發(fā)生時刻點(diǎn)為中心，分別取2組數(shù)據(jù)的故障發(fā)生前后同時間段內(nèi)部分?jǐn)?shù)據(jù)作為觀測數(shù)據(jù)，對2組觀測數(shù)據(jù)中全部變量變化趨勢進(jìn)行相關(guān)程度分析，相關(guān)程度越大，磨煤機(jī)故障類型越靠近故障庫中磨煤機(jī)故障類型。

1 磨煤機(jī)故障分析

磨煤機(jī)常見故障主要包括磨煤機(jī)振動和磨煤機(jī)著火。當(dāng)不考慮磨煤機(jī)內(nèi)部基礎(chǔ)部件松動、各連接軸間非緊密連接及噴嘴環(huán)磨損等問題，磨煤機(jī)滿煤或給煤機(jī)斷煤是導(dǎo)致磨煤機(jī)發(fā)生振動故障的主要原因，磨煤機(jī)出口溫度和磨煤機(jī)進(jìn)出口壓差是導(dǎo)致磨煤機(jī)發(fā)生著火的主要原因。

1.1 磨煤機(jī)振動故障分析

給煤機(jī)給煤量瞬間減小，磨煤機(jī)進(jìn)出口壓差降低，若一次風(fēng)量調(diào)整不及時，磨煤機(jī)干燥出力降低，導(dǎo)致磨煤機(jī)出口溫度升高，磨煤機(jī)進(jìn)出口一次風(fēng)溫差減小，熱一次風(fēng)擋板開度自動降低，冷一次風(fēng)門擋板開度自動升高，磨輥和磨盤發(fā)生摩擦并使磨煤機(jī)出現(xiàn)機(jī)械振動。

當(dāng)給煤機(jī)給煤量不變或瞬間增多時，若一次風(fēng)量太小或原煤水分較高，磨煤機(jī)進(jìn)口風(fēng)溫偏低和進(jìn)口一次風(fēng)量太小，磨煤機(jī)內(nèi)煤粉無法及時被一次風(fēng)干燥并送出磨煤機(jī)，不僅磨煤機(jī)干燥出力降低，還會導(dǎo)致煤粉堆積，造成磨煤機(jī)堵煤故障。此時，磨煤機(jī)出口風(fēng)溫降低，磨煤機(jī)進(jìn)出口壓差增大，磨煤機(jī)出口壓力降低，熱一次風(fēng)擋板開度自動增大，冷一次風(fēng)擋板開度自動減小，磨輥和磨盤發(fā)生摩擦導(dǎo)致磨煤機(jī)機(jī)械振動。

1.2 磨煤機(jī)著火故障分析

當(dāng)磨煤機(jī)內(nèi)存在部分煤粉堆積或磨煤機(jī)出口溫度突然異常升高時，容易發(fā)生磨煤機(jī)著火故障。磨煤機(jī)以斷煤故障工況運(yùn)行，若一次風(fēng)量調(diào)整不及時，磨煤機(jī)中濕度較高的煤粉無法及時干燥，導(dǎo)致磨煤機(jī)出口溫度異常升高，嚴(yán)重時導(dǎo)致磨煤機(jī)著火故障發(fā)生。

為分析磨煤機(jī)設(shè)備故障產(chǎn)生原因及現(xiàn)象，以電廠磨煤機(jī)設(shè)備實(shí)際運(yùn)行數(shù)據(jù)為例，采集磨煤機(jī)冷一次風(fēng)擋板開度θcool、磨煤機(jī)熱一次風(fēng)擋板開度θhot、磨煤機(jī)進(jìn)口一次風(fēng)量M、磨煤機(jī)進(jìn)口風(fēng)溫Tin、磨煤機(jī)出口風(fēng)溫Tout、磨煤機(jī)入口壓力Pin、磨煤機(jī)出口壓力Pout及給煤機(jī)瞬時給煤量G等變量參數(shù)見表1。

表1 磨煤機(jī)設(shè)備實(shí)際運(yùn)行數(shù)據(jù)

2 LSTM神經(jīng)網(wǎng)絡(luò)

長短期記憶神經(jīng)網(wǎng)路(LSTM)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)。RNN是一種基于時序數(shù)據(jù)的時間遞歸神經(jīng)網(wǎng)絡(luò)，當(dāng)前隱含層與前一時刻隱含層相連，使RNN具備短期記憶并學(xué)習(xí)的能力。而RNN學(xué)習(xí)能力受限于相關(guān)信息和預(yù)測位置的間距，間距太大，產(chǎn)生梯度消失或梯度爆炸等問題。為解決RNN長期依賴問題，HOCHREITER等[19]提出長短期記憶神經(jīng)網(wǎng)路(LSTM)，LSTM增設(shè)遺忘門和更新門，將信息選擇性地保留與更新，強(qiáng)化網(wǎng)絡(luò)學(xué)習(xí)能力，避免梯度消失或梯度爆炸等問題。LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 LSTM神經(jīng)網(wǎng)絡(luò)細(xì)胞結(jié)構(gòu)Fig.1 LSTM neural network cell structure diagram

LSTM神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)網(wǎng)絡(luò)細(xì)胞連接組成[21]，Ct-1為上一個細(xì)胞狀態(tài)，ht-1為上一個細(xì)胞層輸出，xt為當(dāng)前細(xì)胞的輸入，LSTM神經(jīng)網(wǎng)絡(luò)細(xì)胞結(jié)構(gòu)包括3個sigmod激活函數(shù)和2個tanh激活函數(shù)，圖1由左到右，σ分別設(shè)置在神經(jīng)網(wǎng)絡(luò)的遺忘門、更新門和輸出門，LSTM神經(jīng)網(wǎng)絡(luò)細(xì)胞輸入信息經(jīng)σ1處理識別被舍棄的信息；經(jīng)σ2處理確定被更新的信息；經(jīng)σ3處理確定輸出部分信息；tanh分別設(shè)置在LSTM神經(jīng)網(wǎng)絡(luò)的更新門和輸出門，tanh1用于生成更新內(nèi)容；tanh2主要對當(dāng)下時刻神經(jīng)網(wǎng)絡(luò)細(xì)胞狀態(tài)進(jìn)行更新。遺忘門、更新門和輸出門共同協(xié)作控制和保護(hù)細(xì)胞狀態(tài)。LSTM神經(jīng)網(wǎng)絡(luò)細(xì)胞更新機(jī)制如下：

針對LSTM神經(jīng)網(wǎng)絡(luò)細(xì)胞輸入信息，遺忘門主要作用為確定需要被丟棄的信息，遺忘門計算公式為

ft=σ[Wf(ht-1,xt)+bf]，

(1)

式中，Wf為權(quán)重矩陣；bf為偏置頂。

更新門由σ2和tanh1函數(shù)組成，LSTM神經(jīng)網(wǎng)絡(luò)輸入信號經(jīng)σ2函數(shù)確定需要被更新的那部分信息，最后經(jīng)tanh1函數(shù)確定更新的內(nèi)容，更新門計算公式為

it=σ[Wi(ht-1,xt)+bi]
c2t=tanh[Wc(ht-1,xt)+bc]，

(2)

式中，it為時間步t時遺忘門的激活值；Wi為輸入門的權(quán)重矩陣；bi為輸入門的偏置頂；Wc為細(xì)胞狀態(tài)的權(quán)重矩陣；bc為細(xì)胞狀態(tài)的偏置頂；c2t為候選細(xì)胞狀態(tài)。

輸出門由σ3和tanh2函數(shù)構(gòu)成，LSTM神經(jīng)網(wǎng)絡(luò)輸入信號經(jīng)σ3函數(shù)確定用于輸出的那部分信息，tanh2函數(shù)用于更新LSTM神經(jīng)網(wǎng)絡(luò)細(xì)胞狀態(tài)，輸出門計算公式為

o3t=σ[Wo·(ht-1,xt)+bo]
ht=ottanh(ct)，

(3)

式中，Wo為輸出門權(quán)重矩陣；bo為輸出門偏置頂；o3t為時間步t時輸出門的激活值；ct為時間步長為t時細(xì)胞輸出狀態(tài)；ht為時間步t時細(xì)胞狀態(tài)的輸出。

LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)如圖2所示。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型Fig.2 LSTM neural network prediction model

3 小波分析

傅立葉變換將原始信號投影于三角函數(shù)空間內(nèi)并在時間空間做積分，以識別原始信號中包含的頻域成分，從而將原始時域信號轉(zhuǎn)換為頻域信號。對于非平穩(wěn)的原始信號，傅立葉變換無法識別頻率出現(xiàn)時與之對應(yīng)的時刻，基于此，短時傅立葉變換通過加入滑動窗函數(shù)分析原始非平穩(wěn)信號的時間分辨率，克服了傅立葉變換無法識別時域信息的難題。然而，當(dāng)滑動窗過寬，導(dǎo)致時域分析不準(zhǔn)確，時間分辨率低；當(dāng)滑動窗過窄，窗內(nèi)包含的信號較少，導(dǎo)致頻域分析不準(zhǔn)確，頻域分辨率降低。短時傅立葉變換無法隨頻率的變化實(shí)現(xiàn)動態(tài)可調(diào)。

實(shí)現(xiàn)分辨率動態(tài)可調(diào)的方法有2種，分別對應(yīng)連續(xù)小波變換CWT和離散小波變換DWT。第1種：通過將小波母函數(shù)進(jìn)行擠壓和拉伸，即控制不同頻率對應(yīng)的窗長，由海森堡測不準(zhǔn)原理確定頻率分辨率；第2種：采用Mallet算法，通過不斷的半子帶濾波和下采樣，控制不同頻率成分的頻域分辨率，進(jìn)而實(shí)現(xiàn)分辨率動態(tài)可調(diào)。

實(shí)際采樣信號多數(shù)情況下為離散信號，一般采用離散小波分析法將原始信號分解為時域信號和頻域信號。小波分析方法是一種窗口大小不變，形狀可變，時間和頻域窗口可調(diào)節(jié)的時頻局部化分析方法，在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率。

小波包分解是原始信號在小波分解的基礎(chǔ)上，對每層高頻系數(shù)和低頻系數(shù)再一次實(shí)施小波分析。針對包含大量高頻信息的信號，小波包時頻局部化分析的能力強(qiáng)于小波分析[22]。

假設(shè)原始信號包含N個時間點(diǎn)，對應(yīng)的原始信號為x1,x2,x3,…，xn，原始非平穩(wěn)信號的最高頻率為fs，離散小波包分解步驟：

步驟1：將原始非平穩(wěn)信號進(jìn)行一次半子帶濾波和一次2倍下采樣，半子帶濾波主要任務(wù)是將原始非平穩(wěn)信號頻率過濾為高頻信號(fs/2,fs)和低頻信號(0,fs/2)，經(jīng)過一次2倍下采樣，獲得2/N個小波分解高頻系數(shù)和2/N個小波分解低頻系數(shù)，即原始非平穩(wěn)信號完成一層小波分解；

步驟2：將每層高頻部分信號和低頻部分信號分別再進(jìn)行一次半子帶濾波和一次2倍下采樣，高頻部分信號獲得N/4個小波分解高頻系數(shù)(3fs/4,fs)和N/4個小波分解低頻系數(shù)(fs/2,3fs/4)，低頻部分信號獲得N/4個小波分解高頻系數(shù)(fs/4,fs/2)和N/4個小波分解低頻系數(shù)(0,fs/4)，即原始非平穩(wěn)信號完成第2層小波分解；

步驟3：依次類推，分別進(jìn)行第3層小波分解和第4層小波分解，直到高頻系數(shù)和低頻系數(shù)不能再分解。

4 磨煤機(jī)故障類型診斷

以某電廠660 MW亞臨界燃煤機(jī)組為例，從DCS系統(tǒng)采集基于時間序列磨煤機(jī)設(shè)備歷史運(yùn)行數(shù)據(jù)200組，磨煤機(jī)設(shè)備實(shí)際運(yùn)行數(shù)據(jù)見表1?；贚STM深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)出口變量參數(shù)預(yù)測模型，LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入量為磨煤機(jī)進(jìn)口一次風(fēng)溫度(冷熱總和)、冷一次風(fēng)擋板開度、熱一次風(fēng)擋板開度、總一次風(fēng)量(冷熱風(fēng)量總和)和給煤機(jī)給煤量；LSTM神經(jīng)網(wǎng)絡(luò)輸出量為磨煤機(jī)出口一次風(fēng)溫度和磨煤機(jī)出口一次風(fēng)壓力。

LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測性能與初始參數(shù)密切相關(guān)，初始參數(shù)主要包括LSTM神經(jīng)網(wǎng)絡(luò)最大迭代次數(shù)、學(xué)習(xí)速率和隱含層層數(shù)設(shè)置。LSTM神經(jīng)網(wǎng)絡(luò)初始參數(shù)設(shè)置不合理極易影響LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測性能。因此，本文先采用隨機(jī)網(wǎng)絡(luò)法對LSTM神經(jīng)網(wǎng)絡(luò)初參數(shù)進(jìn)行尋優(yōu)，以LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測誤差為目標(biāo)函數(shù)。

構(gòu)造磨煤機(jī)斷煤故障數(shù)據(jù)，作為磨煤機(jī)實(shí)時運(yùn)行中潛藏的故障數(shù)據(jù)，將故障樣本參數(shù)輸入LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型，獲取故障輸入?yún)?shù)對應(yīng)的神經(jīng)網(wǎng)絡(luò)預(yù)測值。以LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與正常樣本實(shí)際值的殘差信號作為識別磨煤機(jī)故障類型的依據(jù)。采用小波包分解法提取LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測值與正常樣本實(shí)際值的殘差信號變化趨勢特征，小波包分解相當(dāng)于濾波器，將殘差信號分解為近似系數(shù)與細(xì)節(jié)系數(shù)，近似系數(shù)表示殘差為0，細(xì)節(jié)系數(shù)辨識故障發(fā)生時刻，以辨識到的故障時刻為中心，取故障前后部分?jǐn)?shù)據(jù)組成觀測數(shù)據(jù)1，以磨煤機(jī)故障庫中故障發(fā)生時刻為中心，取故障前后同時間段部分?jǐn)?shù)據(jù)組成觀測數(shù)據(jù)2，針對2組觀測數(shù)據(jù)，采用相關(guān)系數(shù)分析辨識故障類型。磨煤機(jī)故障類型診斷過程如圖3所示。

圖3 磨煤機(jī)故障類型診斷過程Fig.3 Diagnosis process of fault type of coal mill

5 試驗(yàn)與結(jié)果

5.1 LSTM預(yù)測模型試驗(yàn)

基于LSTM神經(jīng)網(wǎng)絡(luò)具有短期記憶能力，本文提出LSTM深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)出口參數(shù)預(yù)測模型。取表1中第1～180組數(shù)據(jù)作為LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)，第181～200組數(shù)據(jù)作為LSTM神經(jīng)網(wǎng)絡(luò)的測試樣本數(shù)據(jù)，用以測試LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型精度。其中，LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸入變量為磨煤機(jī)進(jìn)口一次風(fēng)溫度、磨煤機(jī)冷一次風(fēng)擋板開度、熱一次風(fēng)擋板開度和給煤機(jī)瞬時給煤量；LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸出變量為磨煤機(jī)出口風(fēng)壓和磨煤機(jī)出口風(fēng)溫。采用LSTM神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型分別對訓(xùn)練樣本和測試樣本進(jìn)行磨煤機(jī)出口變量參數(shù)的預(yù)測和測試，結(jié)果如圖4所示。

圖4(a)為采用LSTM深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)預(yù)測磨煤機(jī)出口壓力和溫度的預(yù)測值與實(shí)際值對比，第1～180組為LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型訓(xùn)練樣本，第181～200組數(shù)LSTM神經(jīng)網(wǎng)絡(luò)測試樣本。由圖4(a)可知，在訓(xùn)練樣本內(nèi)，基于LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測磨煤機(jī)出口壓力和出口溫度的預(yù)測值隨樣本點(diǎn)變化曲線與樣本數(shù)據(jù)磨煤機(jī)出口壓力和出口溫度實(shí)際值隨樣本點(diǎn)變化曲線近乎重合，表明LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)擬合能力良好；在測試樣本中，采用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測磨煤機(jī)出口溫度的預(yù)測值與樣本數(shù)據(jù)磨煤機(jī)出口溫度實(shí)際值基本一致，表明LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)較強(qiáng)的預(yù)測能力。

圖4 變量參數(shù)的預(yù)測和測試Fig.4 Prediction and test of parameters

圖4(b)和(c)分別為采用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)對磨煤機(jī)出口壓力和出口溫度的預(yù)測值與整個樣本數(shù)據(jù)磨煤機(jī)的相對誤差和誤差。由圖4(b)可知，第1～180組訓(xùn)練樣本數(shù)據(jù)中，采用長短期記憶神經(jīng)網(wǎng)絡(luò)對磨煤機(jī)出口壓力和出口溫度的預(yù)測值與訓(xùn)練樣本數(shù)據(jù)的最大相對誤差不超過1%，第181～200組測試樣本中，采用長短期記憶神經(jīng)網(wǎng)絡(luò)對磨煤機(jī)出口壓力和出口溫度的預(yù)測值與測試樣本數(shù)據(jù)的最大相對誤差不超過1%。由圖4(c)可知，在整個樣本數(shù)據(jù)中，采用LSTM神經(jīng)網(wǎng)絡(luò)對磨煤機(jī)出口壓力的預(yù)測值與整個樣本實(shí)際值的最大誤差不超過0.05 MPa，LSTM神經(jīng)網(wǎng)絡(luò)對磨煤機(jī)出口溫度的預(yù)測值與整個樣本數(shù)據(jù)實(shí)際值的最大誤差不超過0.5 ℃。

LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測磨煤機(jī)出口壓力見表2，LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測磨煤機(jī)出口溫度見表3，由表2和表3可知，采用LSTM神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)出口壓力和出口溫度預(yù)測模型預(yù)測磨煤機(jī)出口壓力和出口溫度最大相對誤差均不超過1%，說明LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測精度較高，為下一步針對磨煤機(jī)輸入故障數(shù)據(jù)預(yù)測磨煤機(jī)出口壓力和溫度做準(zhǔn)備。

表3 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測磨煤機(jī)出口溫度

5.2 磨煤機(jī)故障診斷試驗(yàn)

分析磨煤機(jī)斷煤故障產(chǎn)生的原因及磨煤機(jī)斷煤故障發(fā)生后磨煤機(jī)各變量參數(shù)變化趨勢可知，給煤機(jī)斷煤是導(dǎo)致磨煤機(jī)斷煤故障的重要原因。當(dāng)給煤量瞬間減少時，磨煤機(jī)熱一次風(fēng)擋板開度瞬間減少、磨煤機(jī)冷一次風(fēng)擋板開度瞬間增大、磨煤機(jī)進(jìn)口一次風(fēng)量和風(fēng)溫瞬間降低、磨煤機(jī)出口風(fēng)壓和風(fēng)粉溫度瞬間增大。以磨煤機(jī)斷煤故障為例，根據(jù)磨煤機(jī)各變量參數(shù)變化趨勢構(gòu)建磨煤機(jī)冷一次風(fēng)擋板開度、熱一次風(fēng)擋板開度、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)溫度和給煤量等故障樣本數(shù)據(jù)。

將表1中磨煤機(jī)設(shè)備正常運(yùn)行工況樣本數(shù)據(jù)與故障樣本數(shù)據(jù)重新組合形成新樣本數(shù)據(jù)，用于診斷磨煤機(jī)斷煤故障，由第5.1節(jié)知，采用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)出口風(fēng)壓和風(fēng)溫變量參數(shù)預(yù)測模型能夠較精確預(yù)測磨煤機(jī)出口變量參數(shù)。將磨煤機(jī)斷煤故障數(shù)據(jù)中磨煤機(jī)冷一次風(fēng)擋板開度、熱一次風(fēng)擋板開度、進(jìn)口一次風(fēng)量、進(jìn)口一次風(fēng)溫度和給煤機(jī)瞬時給煤量等變量參數(shù)輸入LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測磨煤機(jī)斷煤故障時磨煤機(jī)出口風(fēng)壓和出口風(fēng)溫，進(jìn)而獲得磨煤機(jī)出口風(fēng)壓和出口溫度預(yù)測值與磨煤機(jī)斷煤故障時的實(shí)際值間殘差，殘差信號隨時間變化上下無規(guī)律波動，屬于非平穩(wěn)信號，本文采用小波包分解將殘差信號分解得到細(xì)節(jié)系數(shù)即高頻系數(shù)，由高頻系數(shù)識別殘差信號發(fā)生故障時刻，小波包函數(shù)采用具有優(yōu)良特性的sym4小波函數(shù)，分解層數(shù)設(shè)為5層(d1～d5)，小波包分解結(jié)果如圖5所示。

圖5(a)為磨煤機(jī)出口壓力殘差信號隨時間變化圖，由圖5(a)可知，前200組樣本數(shù)據(jù)磨煤機(jī)出口壓力和出口溫度殘差信號在0值附近上下微小波動，后88組樣本數(shù)據(jù)的磨煤機(jī)出口壓力殘差和出口溫度殘差驟增。由圖5(b)和(c)可知，針對前200組樣本數(shù)據(jù)，采用小波包分解后磨煤機(jī)出口壓力和溫度殘差的每層高頻系數(shù)均保持為0，針對后88組樣本數(shù)據(jù)，小波包分解后磨煤機(jī)出口壓力殘差和溫度殘差的每層高頻系數(shù)發(fā)生強(qiáng)烈波動，由小波包分解原理知，小波包分解針對包含大量高頻信息的信號，小波包具有較強(qiáng)的局域時頻分析能力，在殘差信號的故障識別中，高頻信息表示殘差信號迅速變化的部分，即小波包分解能夠敏銳地識別原始信號中高頻頻率對應(yīng)的時刻點(diǎn)。表明第201組數(shù)據(jù)的殘差信號發(fā)生迅速變化，即磨煤機(jī)發(fā)生故障的時刻。

圖5 小波包分解結(jié)果Fig.5 Decomposition result of wavelet packet

由小波包分解磨煤機(jī)出口壓力殘差信號知，第201～288組磨煤機(jī)樣本數(shù)據(jù)為磨煤機(jī)故障樣本數(shù)據(jù)，分析樣本數(shù)據(jù)中各個變量參數(shù)隨時間變化趨勢，結(jié)果如圖6所示。

圖6 樣本數(shù)據(jù)各變量參數(shù)隨時間變化趨勢Fig.6 Variation trends of the variable parameters of the sample data with time

由圖6可知，當(dāng)給煤機(jī)瞬時給煤量驟然降低時，磨煤機(jī)熱一次風(fēng)擋板開度、磨煤機(jī)進(jìn)口一次風(fēng)量和進(jìn)口一次風(fēng)溫度等變量參數(shù)均瞬間降低，磨煤機(jī)冷一次風(fēng)擋板開度先以正常開度運(yùn)行一段時間后再迅速升高；磨煤機(jī)瞬時給煤量不斷增加時，磨煤機(jī)冷一次風(fēng)擋板開度緩慢減小，磨煤機(jī)熱一次風(fēng)擋板開度、磨煤機(jī)進(jìn)口風(fēng)量和磨煤機(jī)進(jìn)口風(fēng)溫均增加。給煤機(jī)瞬時給煤量瞬間降低引起磨煤機(jī)各變量參數(shù)發(fā)生變化，初判定磨煤機(jī)斷煤故障。

在初判定磨煤機(jī)故障發(fā)生時刻及初判定磨煤機(jī)故障類型后，提取故障發(fā)生時刻前后部分?jǐn)?shù)據(jù)，計算該部分故障數(shù)據(jù)與磨煤機(jī)故障庫中同一觀測故障數(shù)據(jù)的相關(guān)系數(shù)，最終判別磨煤機(jī)故障類型。以第201組數(shù)據(jù)為中心，取故障發(fā)生前10組數(shù)據(jù)與故障發(fā)生后10組數(shù)據(jù)組成觀測數(shù)據(jù)1，以磨煤機(jī)斷煤故障數(shù)據(jù)庫中發(fā)生故障時刻對應(yīng)的數(shù)據(jù)為中心，取故障發(fā)生前10組數(shù)據(jù)與故障發(fā)生后10組數(shù)據(jù)組成觀測數(shù)據(jù)2，計算2組觀測數(shù)據(jù)各變量間相關(guān)系數(shù)，相關(guān)系數(shù)越接近1或-1，表明磨煤機(jī)故障類型越接近磨煤機(jī)斷煤故障。當(dāng)磨煤機(jī)故障樣本數(shù)據(jù)中各個變量與磨煤機(jī)斷煤故障樣本數(shù)據(jù)的各個變量相關(guān)程度均達(dá)到85%以上(表4)，診斷磨煤機(jī)故障為磨煤機(jī)斷煤故障。其中，x1、z1分別為實(shí)時運(yùn)行數(shù)據(jù)與故障數(shù)據(jù)中磨煤機(jī)冷一次風(fēng)擋板開度；x2、z2分別為實(shí)時運(yùn)行數(shù)據(jù)與故障數(shù)據(jù)中磨煤機(jī)熱一次風(fēng)擋板開度；x3、z3分別為實(shí)時運(yùn)行數(shù)據(jù)與故障數(shù)據(jù)中磨煤機(jī)進(jìn)口一次風(fēng)量；x4、z4分別為實(shí)時運(yùn)行數(shù)據(jù)與故障數(shù)據(jù)中磨煤機(jī)進(jìn)口一次風(fēng)溫；x5、z5分別為實(shí)時運(yùn)行數(shù)據(jù)與故障數(shù)據(jù)中給煤機(jī)瞬時給煤量；y1、l1分別為實(shí)時運(yùn)行數(shù)據(jù)與故障數(shù)據(jù)中磨煤機(jī)出口壓力；y2、l2分別為實(shí)時運(yùn)行數(shù)據(jù)與故障數(shù)據(jù)中磨煤機(jī)出口溫度。

表4 變量間相關(guān)程度

6 結(jié) 論

1)采用網(wǎng)絡(luò)隨機(jī)法對LSTM神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)、初始學(xué)習(xí)率和隱藏層數(shù)進(jìn)行參數(shù)尋優(yōu)，以LSTM預(yù)測誤差為目標(biāo)函數(shù)，尋優(yōu)結(jié)果顯示：當(dāng)LSTM神經(jīng)網(wǎng)絡(luò)最大迭代次數(shù)為200次，隱含層層數(shù)設(shè)置為200，初始學(xué)習(xí)速率為0.01，迭代到160步以0.2降低因子使學(xué)習(xí)速率降低時，LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測誤差最低。

2)采用LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)建立磨煤機(jī)出口壓力和出口溫度預(yù)測模型的平均相對誤差均不超過1%，表明LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測模型有較高的預(yù)測精度。

3)將混合數(shù)據(jù)作為LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型輸入變量并預(yù)測磨煤機(jī)出口壓力和溫度，對預(yù)測值與實(shí)際值非平穩(wěn)殘差進(jìn)行小波包分解，確定故障發(fā)生在第201組數(shù)據(jù)對應(yīng)時刻，說明小波包分解能夠較準(zhǔn)確地識別故障發(fā)生時刻。

4)采用相關(guān)系數(shù)分析法分析2組故障數(shù)據(jù)變化趨勢。2組故障數(shù)據(jù)中，給煤機(jī)瞬時給煤量、磨煤機(jī)冷一次風(fēng)擋板開度、熱一次風(fēng)擋板開度、磨煤機(jī)進(jìn)口一次風(fēng)量、磨煤機(jī)進(jìn)口一次風(fēng)溫等變量相關(guān)系數(shù)均為1，表明對2組故障數(shù)據(jù)進(jìn)行相關(guān)系數(shù)法分析能夠較精準(zhǔn)地診斷磨煤機(jī)故障類型。