一种高精度的磨煤机振动检测工艺方法
【专利摘要】本发明公开了一种高精度的磨煤机振动检测工艺方法，包括：(a)按照时序依次采集n组反映磨煤机运行情况的历史运行数据，并通过实际测试获得这n组历史运行数据各自所对应的实际振动强度数据；(b)基于上述数据采用相空间算法和极限学习机算法来构建磨煤机振动检测模型，来构建磨煤机振动检测模型，然后对检测模型执行最优化求解；(c)对磨煤机的当前工作数据进行在线测量，然后按照最优检测模型来获得相应的输出结果，该输出结果即为所需的磨煤机当前振动状态结果。通过本发明，能够以便于操控、高效率和高精度地方式实现对磨煤机振动强度的实时检测，并尤其适用于大型火电厂之类的应用场合。
【专利说明】一种高精度的磨煤机振动检测工艺方法
【技术领域】
[0001] 本发明属于火电发电工艺相关领域，更具体地，涉及一种高精度的磨煤机振动检 测工艺方法。
【背景技术】
[0002] 磨煤机是将煤块破碎并磨成煤粉的机械，它作为煤粉炉的重要辅助设备，在燃煤 火电厂中获得了广泛应用。在实际运行中，磨煤机普遍容易发生振动，这必然会造成磨出力 降低、磨损、密封寿命缩短、接头断裂以及焊缝拉裂等问题，相应对电厂生产保障起到不利 影响。根据磨煤机的振动强度可有效对其运行状态进行判断。因此，目前电厂的磨煤机需 要配备振动测量装置，以便实时监测磨煤机的振动状况。
[0003] 现有技术中的磨煤机振动检测方式多数为人工点检，费时费力且无法实现实时监 控，为此，已经提出有基于时间序列的ARIMA方法、基于回归的支持向量机，以及人工神经 网络和灰色理论等方法来用于对磨煤机的振动予以建模。然而，进一步的研宄表明，上述现 有方法在测量精度、模型训练以及在线预测等方面存在较多的不足或缺陷，例如，ARIM模 型为线性的自回归平滑预测，对于磨煤机振动量等非线性值的模拟效果欠佳；采用人工神 经网络或支持向量机进行预测可以执行振动量回归，但由于模型的参数需要迭代寻优，模 型的训练会耗费大量的时间，难以应用于在线预测，等等。因此，相关领域亟需寻找更为完 善的解决方案，以便实现对电厂磨煤机振动状态的高精度测量和在线预测。
【发明内容】
[0004] 针对现有技术的以上缺陷或改进需求，本发明提供了一种高精度的磨煤机振动检 测工艺方法，其中通过选择磨煤机关键运行参数及其历史振动强度数据，并以此为基础来 构建特定的振动测量模型和算法来执行在线测量，相应能够高效率、高精度地执行磨煤机 实时的振动强度测量，因而尤其适用于火电厂磨煤机振动强度高精度测量等应用场合。
[0005] 为实现上述目的，按照本发明，提供了一种高精度的磨煤机振动检测工艺方法，其 特征在于，该方法包括下列步骤：
[0006] (a)按照时序依次采集n组反映磨煤机运行情况的历史运行数据，并通过实际测 试获得这n组历史运行数据各自所对应的实际振动强度数据；其中所述各组历史运行数据 均包括取样时刻编号，出口分离器的风粉混合物温度、一氧化碳含量、变频器转速及润滑油 温度，磨煤机的工作电流及进口一次风量，冷却水阀的开度、磨辊轴承的润滑油温度及电机 驱动侧的轴承温度，液压站的油箱温度、加载油泵出口压力，最大通风阻力、一次风调节挡 板的开度，以及磨煤机所采用的煤种热值、水分和内水等17个方面的工作数据；
[0007] (b)对步骤（a)所获得的所有数据执行归一化处理，基于这些数据采用相空间算 法和极限学习机算法来构建磨煤机振动检测模型，并对检测模型执行最优化求解，其具体 过程如下：
[0008] (bl)首先对相空间算法和极限学习机算法分别预设对应的参数，即嵌入维数m、 延迟算子T、惩罚因子C、核参数Y，然后对这些参数均以随机方式执行初始化；
[0009](b2)根据初始化后的嵌入维数m和延迟算子T，将磨煤机的实际振动强度数据写 成如下所示的相空间矩阵X的形式：
[0010]
【权利要求】
1. 一种高精度的磨煤机振动检测工艺方法，其特征在于，该方法包括下列步骤： (a) 按照时序依次采集η组反映磨煤机运行情况的历史运行数据，并通过实际测试获 得这η组历史运行数据各自所对应的实际振动强度数据；其中所述各组历史运行数据均 包括取样时刻编号，出口分离器的风粉混合物温度、一氧化碳含量、变频器转速及润滑油温 度，磨煤机的工作电流及进口一次风量，冷却水阀的开度、磨辊轴承的润滑油温度及电机驱 动侧的轴承温度，液压站的油箱温度、加载油泵出口压力，最大通风阻力、一次风调节挡板 的开度，以及磨煤机所采用的煤种热值、水分和内水等17个方面的工作数据； (b) 对步骤（a)所获得的所有数据执行归一化处理，基于这些数据采用相空间算法和 极限学习机算法来构建磨煤机振动检测模型型，并对检测模型执行最优化求解，其具体过 程如下： (bl)首先对相空间算法和极限学习机算法分别预设对应的参数，即嵌入维数m、延迟 算子τ、惩罚因子C、核参数γ，然后对这些参数均以随机方式执行初始化； (b2)根据初始化后的嵌入维数m和延迟算子τ，将磨煤机的实际振动强度数据写成如 下所示的相空间矩阵X的形式：
其中，Xl，X2，…，Xn分别表示步骤（a)中所采集的的η组实际振动强度数据，它们共同 构成了相空间的相点，并且该相空间矩阵的总行数为n-(m-l) τ，总列数为m; (b3)将所述历史运行数据写成如下所示的矩阵Y的形式：
其中，i = 1，2,. . .，17, j = 1，2,. . .，n ;yi，j则表示上述17个参数中的第i个参数在 编号为j的的取样时刻所对应的数据； (b4)根据所述相空间矩阵X中的最后一列实际振动强度数据所对应的取样时刻，从所 述矩阵Y中取出该取样时刻下的一系列历史运行数据作为辅助参量置于所述相空间轨迹X 中的最后一列之前，由此得到如下所示的矩阵Z :
其中，所述矩阵Z总行数为n-(m-l) τ，总列数为m+17 ; (b5)将步骤（b4)所得到的所述矩阵Z中的每一行数据以及前m+16列的数据共同作为 极限学习机的输入数据，同时将所述矩阵Z中的最后一列作为输出的对比数据； (b6)根据初始化后的惩罚因子C和核参数γ，结合步骤（b5)中的输入数据和输出对 比数据，计算得出极限学习机的建模误差； (b7)判断步骤（b6)计算得出的建模误差是否落在预设的阈值之内：若是，则将步骤 (b6)中所采用的嵌入维数m、延迟算子τ、惩罚因子C和核参数γ作为最终的检测模型参 数优化结果，并将以此所建立的当前检测模型作为磨煤机振动检测的最优化结果，否则，则 转入步骤（b8); (b8)利用遗传算法对上述嵌入维数m、延迟算子τ、惩罚因子C和核参数γ执行交叉 和变异，然后按照步骤（b2)?（b7)的方式执行循环，直至所得出的建模误差落入到预设的 阈值之内为止，同时输出最优化的检测模型及其对应的模型参数最优化结果； (c)对磨煤机涉及上述17个方面的当前工作数据进行在线测量，然后按照步骤（b)所 获得的最优检测模型来获得相应的输出结果，该输出结果即为所需的磨煤机当前振动状态 检测结果。
2. 如权利要求1所述的磨煤机振动检测工艺方法，其特征在于，在步骤（b6)中，优选采 用5重交叉验证的方法来计算得出所述极限学习机的建模误差。
3. 如权利要求1或2所述的磨煤机振动检测工艺方法，其特征在于，在通过步骤（b)获 得最优模型之后，优选还可以定期对其模型参数进行更新，在此过程中，将最新的样本数据 加入到样本集中，同时保留原有样本集中的经典样本数据。
4. 如权利要求1-3任意一项所述的磨煤机振动检测工艺方法，其特征在于地，所述磨 煤机优选为大型火电厂的磨煤机。
【文档编号】G01H17/00GK104515591SQ201410851654
【公开日】2015年4月15日 申请日期:2014年12月31日 优先权日:2014年12月31日
【发明者】谭鹏, 张 成, 夏季, 张小培, 李鑫, 陈金楷, 方庆艳, 陈刚 申请人:华中科技大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
