中速磨煤机故障诊断分析

信息技术教育

2013 455

卢洪波 喻传权 郝哲晶 吕 伟 中速磨煤机故障诊断分析的基本策略

中速磨煤机故障诊断分析

在火电机组设备中，磨煤机的工作环境较差，频发故障将直接影响电力的稳定安全生产。然而由于振动、噪声等众多不确定因素，磨煤机故障和征兆之间直接的函数关系极其复杂，采用传统的诊断方法很难获得正确而精准的结果。磨煤机故障诊断方法总得来说分为两种，一种是基于信号处理技术，常用的有小波变换法和谱分析法。另一种是基于知识的方法，这也是目前适用范围最广，也是研究的最多的方法。主要有故障树诊断方法、模糊推理诊断方法、专家系统诊断方法、神经网络诊断方法、核主元分析方法及信息融合诊断方法等。

近年，由于神经网络分布存储、并行协同处理等优势，以及它在多个领域成功应用的实例，神经网络诊断方法已趋成为故障诊断领域的热点和重点。本文针对网络训练速度慢、不收敛等问题提出将故障征兆对不同故障的隶属度引入到输入层中，将部分能够确定的权值以隶属度的形式固定，再利用BP 算法去优化其他权值，验证结果表明这样既能加快网络训练速度，也能提高网络的识别能力。1 模糊神经网络模型

理论上，三层的BP 网络能够映射一切函数关系。所以本文的模糊神经网络模型采用三层BP 网络的基本结构，但是不同的是在输入层之后，增加一个隶属度计算层，不是将故障征兆参数直接做为神经网络的输入，而是通过隶属函数的计算，将它们映射到一个[0,1]的区间，以征兆对不同故障的隶属度做为隐层的直接输入。

2 BP 网络训练及诊断结果

通过newff 函数建立一个BP 网络，采用学习率可变的学习函数learngdm，梯度下降法训练函数traingdx，性能函数为mse。

归一化处理训练样本的输入参数，分别用(1,0,0)、(0,1,0)、(0,0,1)来表示三种输出结果：正常，轻微堵煤，严重堵煤。图1为神经网络训练误差函数曲线，网络在训练263次后达到误差0.00001的要求，图2为三组测试样本的诊断结果和标准输出在三维界面上的比较图。

10

10

10

10

10

1010

263 Epochs

T r a i n i n g -B l u e G o a l -B l a c k

图1 BP 网络训练误差曲线 图2 诊断结果与标准输出的比较

3 模糊神经网络训练及诊断结果

对通过征兆参数的模糊处理，计算得到训练样本隶属度和测试样本隶属度的计算结果如表1和表2所示。

表1 训练样本隶属度计算结果数据

数据编号一次风量/t ·h -1

磨入口风温

/0C

磨出口风粉混合物温度/0C

磨煤机电流/A 燃料量/t ·h -110.470.2400.0260.06120.130.2400.0240.086..................190.080.1800.0220.64520

0.04

0.24

0.025

0.115

表2 测试样本隶属度计算结果数据

数据编号一次风量/t ·h -1

磨入口风温/0C 磨出口风粉混合物温度/0C

磨煤机电流/A 燃料量/t ·h -110.240.3000.0280.02820.080.450.9590.1620.6473

1

1

1

0.995

0.975

4 结论

与BP 网络相比较，采用隶属度做为神经网络的输入量，不仅能够加快网络的收敛速度，而且诊断误差较小，对故障的识别能力大大加强，能够满足磨煤机在线故障诊断的要求，可以为现场运行人员提供一定的参考。

卢洪波1 喻传权1 郝哲晶2 吕 伟2 1.东北电力大学，吉林 132012

2.大唐长春第二热电有限公司，吉林长春 130031

摘 要：采用模糊神经网络模型对磨煤机进行故障诊断研究，该方法不仅能够解决诊断过程出现的问题，而且诊断结果表明它对故障类别的识别能力较强，诊断精度也较高

关键词：中速磨煤机；故障诊断；模糊；隶属度；神经网络参考文献：

李萍，卢洪波，刘士祥，等.锅炉故障诊断综述[J]. 科技信息，2009,(4):584

岑小路.火电厂双进双出磨煤机故障诊断与维修决策研究[D]. 武汉：武汉大学，2004杨雁梅.电站磨煤机状态监测与故障诊断的研究[D]. 北京：北京交通大学，2007

陈斌源，朱军.基于径向基函数神经网络的中速磨煤机故障诊断[J].发电设备，2011,25(5):323～326