大数据多尺度状态检测方法在磨损检测的应用_刘吉臻

第34卷第1期2013年1月仪器仪表学报Chinese Journal of Scientific InstrumentVol.34No.1Jan．2013收稿日期：2012-06Received Date ：2012-06*基金项目：国家科技支撑计划（2011BAA04B03）资助项目大数据多尺度状态检测方法在磨损检测的应用*刘吉臻，刘继伟，曾德良，柳玉（华北电力大学工业过程测控新技术与系统北京市重点实验室北京102206）摘要：随着生产过程自动化、信息化、规模化发展，以大数据为基础的信息处理技术得到广泛应用。

对大数据进行多尺度深层次的挖掘，可以为状态检测提供技术依据，有效提高设备的可靠性。

针对数据量巨大、干扰源众多、信息密度低、复杂度高的对象提出一种基于大数据的状态检测方法，利用数据融合、信息粒化以及多尺度分析，提取对象状态参数。

通过对某机组磨煤机磨辊磨损的状态检测的实例分析验证了算法的有效性。

关键词：大数据；信息融合；状态检测；多尺度分析中图分类号：TP274+．5TH87文献标识码：A 国家标准学科分类代码：510．4020Application of multi-scale state detection method based on big data in wear detectionLiu Jizhen ，Liu Jiwei ，Zeng Deliang ，Liu Yu（Key Laboratory of Measurement ＆Control New Technology and System for IndustrialProcess ，North China Electric Power University ，Beijing 102206，China ）Abstract ：As the development of production process automation ，informatization and scalization ，the information pro-cessing technology based on big data has been widely used．Multi-scale deep-level mining on big data can providetechnical basis for state detection and effectively improve equipment reliability．Aiming at the objects with huge amount of data ，many interference sources ，low information density and high complexity ，a state detection method based on big data is proposed．Data fusion ，information granularity and multi-scale analysis are used to extract the ob-ject state parameters．Example analysis of state detection of roller wear characteristics for a certain coal mill verifies the effectiveness of the proposed method．Keywords ：big data ；information fusion ；state detection ；multi-scale analysis1引言随着生产过程自动化、信息化、规模化发展，对设备安全性、可靠性的要求亦随之提高，状态检测的地位越来越重要。

目前对状态检测方法的研究主要集中在3个方向［1］：基于解析模型的方法［2-3］，适于机理过程认知较为深入的对象；基于定性模型的方法［4-5］，适于与系统故障诊断相结合，对异常数据进行处理；基于过程历史数据的方法［6-7］，适于基于数据的分析。

得益于信息化的深入，大数据的存在使基于过程历史数据的状态检测方法越发受到关注，对大数据的多尺度分析，克服了传统时域分析以及频域分析的不足，已经成为研究热点。

本文基于大数据，以磨煤机磨辊磨损的状态检测为例，针对具有缓变性、低信噪比特点的对象，提出一种异步信息融合的多尺度状态检测方法。

该方法首先建立对象的动态基准模型和稳态基准模型，将基准模型预测值与实际值比较构成残差序列，而后通过信息粒化，将动态残差与稳态残差第1期刘吉臻等：大数据多尺度状态检测方法在磨损检测的应用181组成信息粒并进行异步信息融合，获得残差的最优估计，最后对融合残差进行多尺度分析，将最优分解尺度的重构信号作为状态检测结果反映状态参数的变化。

2基于大数据的异步信息融合算法2．1状态检测的基准模型基准模型是指利用设备完全维修后一段时间的运行数据建立、可以反映设备输入输出关系的模型，其目的在于构建对象变量、参数的对应准则。

当系统状态发生改变时，将系统可测信息与基准模型提供的参考信息进行比较，从而产生残差，然后对残差进行分析和处理达到状态检测的目的。

系统状态变化，如磨损、老化等，会引起参数摄动，改变其惯性时间、延迟时间、比例系数等。

以文献［8］建立的C-E 碗式磨煤机为例，其模型为：d M bid t=a i F f +F cbi +F sbi －F bgi（1）F bgi =M bi /τb（2）d M gid t =F bgi +F sgi －（F ri －∑nj =1BijΓj F rj ）－F gsi （3）F ri =N ω2πM gi（4）P i =KM gi （5）式中：M bi 为不同直径的煤在磨中心区的质量；a i 不同颗粒直径的煤占研磨区煤量的比重，∑n i =1a i =1；F f 、F cbi 、F sbi 分别为从给煤机、分离区、分配区到中心区的煤量；F bgi 为从中心区到研磨区的煤量；τb 为煤在中心区的停留时间；F sgi 、F gsi 分别为从研磨区到分离区以及从分离区到研磨区的煤量；M gi 第i 种直径的煤粒在研磨区的累积质量；F ri 反映了第i 种直径的煤粒被磨辊碾压破碎量；B ij 为破碎矩阵；P i 为研磨第i 中直径的煤粒的磨煤机功耗；K 、Γj 为系数。

若假设只有一种直径的煤粒并忽略磨煤机分离区、分配区向中心区及研磨区的回煤量，当磨辊磨损使破碎矩阵变为B +ΔB 时，磨煤机功率P 变为：P =K a i F f（τb s +1）［s +N ω2π（1－B τb －ΔB τb ）］（6）其与基准模型的残差可以表示为：ΔP =K ΔBs （B －ΔB ）+N ω2π（B 2τb +B +B ΔB +ΔB ）（7）即残差的变化取决于B 、ΔB 、τb 三者之间的关系。

可见，在动态过程中，系统状态变化会使基于可测信息与参考信息的动态残差充满不确定性，进而影响状态检测的结果。

若仅建立对象的稳态基准模型，尽管不存在上述问题，但浪费了大量富含信息的数据，且稳态工况出现时间的随机性也大大增加了状态检测的难度。

因此，本文提出的方法同时建立了对象的动态基准模型与稳态基准模型，利用异步数据融合的方法，对其进行分析处理。

2．2状态检测基准模型的建立基准模型的目的在于为状态检测提供参考信息，它不是对象的完备模型，不必反映与状态检测无关的系统信息。

因此基准模型输入输出参数应根据状态检测目的灵活选取。

以建立磨煤机磨辊磨损状态检测的基准模型为例。

磨煤机是电厂重要的辅机，对电厂经济、安全运行有重要影响，磨辊磨损的检测是实现磨煤机预知维修的难点［9］。

磨煤机功耗可以反映磨辊的磨损程度，功耗越高磨损越大，但其与磨出力相关性极大，且磨辊的磨损具有长期性、累积性和缓变性的特点，由磨损造成的功耗改变会淹没在众多噪声中，难以直接观测。

采用本文提出的方法，可以实现磨辊磨损的状态检测。

磨煤机功耗实时性差，采样速率低，难以满足要求。

若假设磨煤机电压及功率因数不变，则可用磨煤机电流代替。

历史数据表明，磨煤机电压波动在ʃ2%内，可基本认为不变。

在此基础上假设磨煤机功率因数为定值，根据磨煤机电流计算的功耗与磨煤机实际功耗绝对平均误差为2．06%，如图1所示。

因此采用磨煤机电流信号代替功耗，并不影响分析结果的准确性。

图1功耗的绝对平均误差Fig．1Mean absolute error of power consumption尽管文献［8］建立了C-E 深碗式磨煤机机理模型，但破碎矩阵的计算十分复杂，且当前电厂混煤燃烧，煤质多变，使其几乎不可能精确计算。

神经网络具有良好的非线性拟合能力，适合复杂对象的建模。

由于大数据的存在，建立基于神经网络的磨煤机电流基准模型避免了破碎矩阵的复杂计算。

建模参数的选取应以相关分析和机理分析为基础，如表1所示，此外由于现场情况复杂多变，还应考虑实际情况辅以适当的修正。

例如磨出口压力与一次风差压反映了流动阻力，正常情况下随给煤量的增加而增大。

当磨煤机入口煤量一定的情况下，差压的增加意味着一次风携带了更多的煤182仪器仪表学报第34卷粉，降低了煤粉重磨率，进而降低了磨煤机电流。

经过对大量数据筛选，选择磨煤机出力、磨一次风量、一次风温、磨出口压力与一次风差压作为神经网络的输入［9］。

表1运行数据相关分析Table 1Operation data correlation analysis运行时间/min电流/A出力（t ·h －1）一次风量（t ·h －1）一次风温（ħ）差压kPa运行时间/min1．00000．7054－0．0470－0．0670－0．1920－0．1850电流/A 0．70541．00000．38590．2155－0．3343－0．0160出力/（t ·h －1）－0．04700．38591．00000．81700．29800．4910一次风量/（t ·h －1）－0．06700．21550．81701．00000．29800．4910一次风温（ħ）－0．1920－0．33430．29800．29801．00000．2450差压/kPa －0．1850－0．01600．49100．49100．24501．0000建模数据采用更换磨辊后正常运行1周，即10080组数据作为训练样本，采用更换磨辊后第8天的1440组数据作为检验样本。

建模精度可由均方根误差反映，如式（8）所示：E rmse =∑ni =1［sm（i ）－s z （i ）］槡2（8）式中：s m为模型计算值，s z为实际值。