CN113468798A - 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及*** - Google Patents

基于最小二乘支持向量机算法的中速磨煤机故障预警方法及*** Download PDF

Info

Publication number
CN113468798A
CN113468798A CN202110506800.0A CN202110506800A CN113468798A CN 113468798 A CN113468798 A CN 113468798A CN 202110506800 A CN202110506800 A CN 202110506800A CN 113468798 A CN113468798 A CN 113468798A
Authority
CN
China
Prior art keywords
parameter
parameters
coal mill
early warning
threshold interval
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110506800.0A
Other languages
English (en)
Inventor
王远鑫
许文良
陈俊
徐民
吴万范
程时鹤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Datang Boiler Pressure Vessel Examination Center Co Ltd
East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute Co Ltd
Original Assignee
Datang Boiler Pressure Vessel Examination Center Co Ltd
East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Datang Boiler Pressure Vessel Examination Center Co Ltd, East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute Co Ltd filed Critical Datang Boiler Pressure Vessel Examination Center Co Ltd
Priority to CN202110506800.0A priority Critical patent/CN113468798A/zh
Publication of CN113468798A publication Critical patent/CN113468798A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Disintegrating Or Milling (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了基于最小二乘支持向量机算法的中速磨煤机故障预警***，包括：(1)采集磨煤机历史数据，对数据预处理，根据皮尔逊相关系数，选取与目标回归参数相关性较大的参数；(2)将选取历史参数录入LS‑SVM算法进行训练，获取最佳回归结果模型；(3)将实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间，判断实际值是否处于自适应阈值区间，连续15s超过自适应阈值区间认为参数出现异常，对异常状态进行预警。本方法可根据不同参数预测不同故障。

Description

基于最小二乘支持向量机算法的中速磨煤机故障预警方法及 ***
技术领域
本发明涉及设备故障预警技术领域，具体涉及基于最小二乘支持向量机算法的中速磨煤机故障预警方法及***。
背景技术
火力发电厂磨煤机作为辅机设备是影响锅炉安全运行的重要因素，随着信息技术发展，电厂DCS***产生大量设备运行参数，如何高效处理、分析这些数据资源是进一步提高电站管理水平、保障安全运行的重要手段。
设备的异常或故障是在设备运行过程中通过运行参数的变化表现出来的，以设备运行过程出现的主要异常或故障为线索，获得反映设备状态的特征参数，可以有效评估设备的运行状态。
因火电厂燃用煤质复杂多变，中速磨煤机在运行中存在振动异常、堵磨、粉管爆燃、异物进入磨煤机导致磨本体异常等运行故障，严重影响磨煤机安全运行。火电厂对上述常见的运行安全风险监测手段主要是间歇式人工就地巡检与集控室表盘监控，两者对故障风险往往不能做到及时发现与预警。中速磨煤机是直吹式磨煤机，煤粉在磨煤机内停留时间较短不存煤粉，磨煤机参数能够反映实时状态。而这个特性目前并没有在中速磨煤机的故障预警方面被很好的利用。
如申请号为CN201510170470.7公开的中速磨煤机振动故障诊断方法，该方法首先对磨煤机振动进行故障特征分析，得出磨煤机电流是磨煤机振动故障分析的重要监测参数，随后通过历史数据的相关性从分析筛选出了磨出口风压、给煤机给煤量、磨入口一次风量和磨出口温度四个辅助变量，以这四个辅助变量来预测电流，并用实测电流与预测电流作差，取磨煤机电流残差序列构造磨振动量的方法，对磨电流残差序列进行三层小波包分解，获得8个频带的能量比，统计分析两种故障的能量比，得出磨辊磨损严重和磨内进异物两种故障的特征量区分明显，所述诊断方法具有诊断准确度高、测试效果好的特点。该方法仅对磨煤机电流进行预测，根据预测结果判定磨煤机振动故障，无法利用其它参数预测其它故障。
发明内容
本发明所要解决的技术问题在于通过磨煤机各实时参数联系，预测多种故障。
本发明通过以下技术手段实现解决上述技术问题的：
基于最小二乘支持向量机算法的中速磨煤机故障预警方法，包括以下步骤：
步骤1.采集磨煤机历史数据，对数据进行标准化处理，根据皮尔逊相关***，选取与目标参数相关性大的参数；
步骤2.将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；
步骤3.将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；
步骤4.判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警。
本发明针对中速磨煤机，通过皮尔逊相关系数，选取与目标参数相关性高的参数使用LS-SVM算法回归目标参数，比对回归目标参数与当前目标参数，对回归参数设置阈值上下限，对比实时目标参数与阈值上下限区间，避免了经历不同变工况阶段辅机的运行状态会不同程度偏离正常状态造成的阈值区间失真。
进一步的，所述步骤1具体为：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
Figure BDA0003058718800000021
其中x(t)表示各参数t时刻的实际值，
Figure BDA0003058718800000022
为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
Figure BDA0003058718800000023
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
进一步的，所述步骤2具体为：以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
Figure BDA0003058718800000024
Figure BDA0003058718800000025
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
Figure BDA0003058718800000031
分别对ω，b，et，at求导等于0：
Figure BDA0003058718800000032
Figure BDA0003058718800000033
Figure BDA0003058718800000034
Figure BDA0003058718800000035
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
Figure BDA0003058718800000036
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；
Figure BDA0003058718800000037
为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
进一步的，所述步骤3具体为：
步骤31.根据当前输入参数，由公式
Figure BDA0003058718800000038
其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
与上述方法对应的，本发明还提供一种基于最小二乘支持向量机算法的中速磨煤机故障预警***，包括：
预处理模块，采集磨煤机历史数据，对数据进行标准化处理，根据皮尔逊相关***，选取与目标参数相关性大的参数；
模型训练模块，将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；
自适应阈值区间计算模块，将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；
判断模块，判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警。
进一步的，所述预处理模块执行过程具体为：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
Figure BDA0003058718800000041
其中x(t)表示各参数t时刻的实际值，
Figure BDA0003058718800000042
为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
Figure BDA0003058718800000043
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
进一步的，所述模型训练模块执行过程具体为：以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
Figure BDA0003058718800000044
Figure BDA0003058718800000045
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
Figure BDA0003058718800000046
分别对ω，b，et，at求导等于0：
Figure BDA0003058718800000051
Figure BDA0003058718800000052
Figure BDA0003058718800000053
Figure BDA0003058718800000054
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
Figure BDA0003058718800000055
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；
Figure BDA0003058718800000056
为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
进一步的，所述自适应阈值区间计算模块执行过程具体为：
步骤31.根据当前输入参数，由公式
Figure BDA0003058718800000057
其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
本发明还提供一种处理设备，包括至少一个处理器，以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的方法。
本发明的优点在于：
本发明针对中速磨煤机，通过皮尔逊相关系数，选取与目标参数相关性高的参数使用LS-SVM算法回归目标参数，比对回归目标参数与当前目标参数，对回归参数设置阈值上下限，对比实时目标参数与阈值上下限区间，避免了经历不同变工况阶段辅机的运行状态会不同程度偏离正常状态造成的阈值区间失真。
本发明对中速磨煤机主要参数，如电流、进口风量、出口风压、出口温度、粉管风速、磨本体差压等，进行回归预测，预警诊断磨煤机除振动故障外多种故障(磨煤机断煤、堵磨、粉管漏粉等)。
附图说明
图1为本发明实施例中基于最小二乘支持向量机算法的中速磨煤机故障预警算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，基于最小二乘支持向量机算法的中速磨煤机故障预警方法，包括以下步骤：
步骤1.采集磨煤机历史数据，对数据进行标准化处理，根据皮尔逊相关***，选取与目标参数相关性大的参数；具体为：
以磨煤机电流为例，采集磨煤机历史数据，对采集数据进行标准化处理，根据皮尔逊相关系数计算与磨煤机电流相关性较大的参数；
选取的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈共计20项。
对采集历史数据各参数进行标准化处理，标准化公式如下：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
Figure BDA0003058718800000071
其中x(t)表示各参数t时刻的实际值，
Figure BDA0003058718800000072
为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
Figure BDA0003058718800000073
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
与电流相关性较大的参数包括：煤量、进口风压、出口风压、进口温度、负荷、密封风压、磨辊加载油压。
步骤2.将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；具体为：以电流为目标值，煤量、进口风压、出口风压、进口温度、负荷、密封风压、磨辊加载油压为输入参数，以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
Figure BDA0003058718800000074
Figure BDA0003058718800000075
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
Figure BDA0003058718800000076
分别对ω，b，et，at求导等于0：
Figure BDA0003058718800000077
Figure BDA0003058718800000078
Figure BDA0003058718800000079
Figure BDA00030587188000000710
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
Figure BDA0003058718800000081
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；
Figure BDA0003058718800000082
为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
步骤3.将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；具体为：向训练好的LS-SVM模型输入实际输入值，回归实际电流值，根据回归结果，计算自适应阈值区间：
步骤31.根据当前输入参数，由公式
Figure BDA0003058718800000083
其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
步骤4.判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警。本实施例规定连续15s超过自适应阈值区间认为参数出现异常，对异常状态进行预警。
本发明针对中速磨煤机，通过皮尔逊相关系数，选取与目标参数相关性高的参数使用LS-SVM算法回归目标参数，比对回归目标参数与当前目标参数，对回归参数设置阈值上下限，对比实时目标参数与阈值上下限区间，避免了经历不同变工况阶段辅机的运行状态会不同程度偏离正常状态造成的阈值区间失真。
本发明对中速磨煤机主要参数，如电流、进口风量、出口风压、出口温度、粉管风速、磨本体差压等，进行回归预测，预警诊断磨煤机除振动故障外多种故障(磨煤机断煤、堵磨、粉管漏粉等)。
与上述方法对应的，本发明还提供一种基于最小二乘支持向量机算法的中速磨煤机故障预警***，其特征在于，包括：
预处理模块，采集磨煤机历史数据，对数据进行标准化处理，根据皮尔逊相关***，选取与目标参数相关性大的参数；以磨煤机电流为例，采集磨煤机历史数据，对采集数据进行归一化处理，根据皮尔逊相关系数计算与磨煤机电流相关性较大的参数；
选取的磨煤机参数包括：电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、1粉管风速(m/s)、2粉管风速(m/s)、3粉管风速(m/s)、4粉管风速(m/s)、轴承x方向振动(mm)、磨辊温度1(℃)、磨辊温度2(℃)、磨辊温度3(℃)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)、磨辊加载油压反馈共计20项。
对采集历史数据各参数进行标准化处理，标准化公式如下：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
Figure BDA0003058718800000091
其中x(t)表示各参数t时刻的实际值，
Figure BDA0003058718800000092
为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
Figure BDA0003058718800000093
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
与电流相关性较大的参数包括：煤量、进口风压、出口风压、进口温度、负荷、密封风压、磨辊加载油压。
模型训练模块，将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；具体执行过程为：
以电流为目标值，煤量、进口风压、出口风压、进口温度、负荷、密封风压、磨辊加载油压为输入参数，以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
Figure BDA0003058718800000094
Figure BDA0003058718800000095
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
Figure BDA0003058718800000101
分别对ω，b，et，at求导等于0：
Figure BDA0003058718800000102
Figure BDA0003058718800000103
Figure BDA0003058718800000104
Figure BDA0003058718800000105
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
Figure BDA0003058718800000106
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；
Figure BDA0003058718800000107
为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
自适应阈值区间计算模块，将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；具体为：向训练好的LS-SVM模型输入实际输入值，回归实际电流值，根据回归结果，计算自适应阈值区间：
步骤31.根据当前输入参数，由公式
Figure BDA0003058718800000108
其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
判断模块，判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警，具体执行上述步骤4.
本发明还提供一种处理设备，包括至少一个处理器，以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述的方法。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于最小二乘支持向量机算法的中速磨煤机故障预警方法，其特征在于，包括以下步骤：
步骤1.采集磨煤机历史数据，对数据进行标准化处理，根据皮尔逊相关***，选取与目标参数相关性大的参数；
步骤2.将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；
步骤3.将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；
步骤4.判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警。
2.根据权利要求1所述的基于最小二乘支持向量机算法的中速磨煤机故障预警方法，其特征在于，所述步骤1具体为：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
Figure FDA0003058718790000011
其中x(t)表示各参数t时刻的实际值，
Figure FDA0003058718790000012
为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
Figure FDA0003058718790000013
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
3.根据权利要求2所述的基于最小二乘支持向量机算法的磨煤机故障预警方法，其特征在于，所述步骤2具体为：以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
Figure FDA0003058718790000014
Figure FDA0003058718790000015
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
Figure FDA0003058718790000016
分别对ω，b，et，at求导等于0：
Figure FDA0003058718790000021
Figure FDA0003058718790000022
Figure FDA0003058718790000023
Figure FDA0003058718790000024
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
Figure FDA0003058718790000025
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；
Figure FDA0003058718790000026
为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
4.根据权利要求3所述的基于最小二乘支持向量机算法的中速磨煤机故障预警方法，其特征在于，所述步骤3具体为：
步骤31.根据当前输入参数，由公式
Figure FDA0003058718790000027
其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
5.基于最小二乘支持向量机算法的中速磨煤机故障预警***，其特征在于，包括：
预处理模块，采集磨煤机历史数据，对数据进行归一化处理，根据皮尔逊相关***，选取与目标参数相关性大的参数；
模型训练模块，将选取历史参数录入LS-SVM算法进行训练，获取最佳回归结果模型；
自适应阈值区间计算模块，将各实际参数输入训练好的算法得到实际值回归结果，计算自适应阈值区间；
判断模块，判断实际值是否处于自适应阈值区间，连续设定时长超过自适应阈值区间认为参数出现异常，对异常状态进行预警。
6.根据权利要求5所述的基于最小二乘支持向量机算法的中速磨煤机故障预警***，其特征在于，所述预处理模块执行过程具体为：首先对采集历史数据各参数进行标准化处理，标准化公式如下：
Figure FDA0003058718790000031
其中x(t)表示各参数t时刻的实际值，
Figure FDA0003058718790000032
为各参数平均值，σx(t)为各参数方差；
计算磨煤机目标参数与各参数皮尔逊相关系数，计算公式如下：
Figure FDA0003058718790000033
其中，X为其他参数值，Y为目标参数值，Cov(X,Y)为X与Y的协方差，D(X)为X的方差，D(Y)为Y的方差。
7.根据权利要求6所述的基于最小二乘支持向量机算法的磨煤机故障预警方法，其特征在于，所述模型训练模块执行过程具体为：以yt为目标参数值，xt为其他参数输入LS-SVM进行训练：
Figure FDA0003058718790000034
Figure FDA0003058718790000035
采用Lagrange乘数法将原问题转化为单一参数，新问题如下：
Figure FDA0003058718790000036
分别对ω，b，et，at求导等于0：
Figure FDA0003058718790000041
Figure FDA0003058718790000042
Figure FDA0003058718790000043
Figure FDA0003058718790000044
根据上述条件可列出at与b线性方程组
yt T·at＝[0,0,0...,0]共N个，
Figure FDA0003058718790000045
共N个，
求解上述方程可得到at，b
其中γ为权重值，用于平衡寻找最优超平面和偏差量最小；
Figure FDA0003058718790000046
为xt自身内积；yk、yl，xk、xl代表历史数据分别在k时刻、l时刻的目标参数值与其他参数值，γ根据回归结果调整。
8.根据权利要求7所述的基于最小二乘支持向量机算法的中速磨煤机故障预警***，其特征在于，所述自适应阈值区间计算模块执行过程具体为：
步骤31.根据当前输入参数，由公式
Figure FDA0003058718790000047
其中K(xt,x当前)为历史输入参数与当前输入参数的内积；
步骤32.计算前K个预测值的平均值εK与方差δK，自适应阈值区间为[εK-zδK,εK+zδK]，其中Z为自选整数。
9.一种处理设备，其特征在于，包括至少一个处理器，以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
CN202110506800.0A 2021-05-10 2021-05-10 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及*** Pending CN113468798A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110506800.0A CN113468798A (zh) 2021-05-10 2021-05-10 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110506800.0A CN113468798A (zh) 2021-05-10 2021-05-10 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及***

Publications (1)

Publication Number Publication Date
CN113468798A true CN113468798A (zh) 2021-10-01

Family

ID=77870608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110506800.0A Pending CN113468798A (zh) 2021-05-10 2021-05-10 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及***

Country Status (1)

Country Link
CN (1) CN113468798A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492938A (zh) * 2021-12-29 2022-05-13 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 基于bpnn模型和自适应阈值的磨煤机故障预警方法和***
CN115097301A (zh) * 2022-06-22 2022-09-23 佛山众陶联供应链服务有限公司 一种陶瓷原料车间间歇式球磨机预警方法及***
CN117032120A (zh) * 2023-08-16 2023-11-10 广东超级龙节能环保科技有限公司 集成一体式空压站智能云控制***及控制方法
CN117111568A (zh) * 2023-10-24 2023-11-24 安联奇智(安徽)科技有限公司 基于物联网的设备监测方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492938A (zh) * 2021-12-29 2022-05-13 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 基于bpnn模型和自适应阈值的磨煤机故障预警方法和***
CN115097301A (zh) * 2022-06-22 2022-09-23 佛山众陶联供应链服务有限公司 一种陶瓷原料车间间歇式球磨机预警方法及***
CN117032120A (zh) * 2023-08-16 2023-11-10 广东超级龙节能环保科技有限公司 集成一体式空压站智能云控制***及控制方法
CN117111568A (zh) * 2023-10-24 2023-11-24 安联奇智(安徽)科技有限公司 基于物联网的设备监测方法、装置、设备及存储介质
CN117111568B (zh) * 2023-10-24 2024-01-19 安联奇智(安徽)科技有限公司 基于物联网的设备监测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113468798A (zh) 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及***
CN110298455B (zh) 一种基于多变量估计预测的机械设备故障智能预警方法
Cheliotis et al. Machine learning and data-driven fault detection for ship systems operations
CN110346160B (zh) 一种基于svr的磨煤机效率异常检测与诊断方法
CN111308991B (zh) 一种磨煤机运行故障识别方法及应用
CN109240244B (zh) 基于数据驱动的设备运行状态健康度分析方法及***
CN108681633B (zh) 一种基于状态参数的凝结水泵故障预警方法
CN113705924B (zh) 一种热控设备智能诊断方法和***
US8606544B2 (en) Methods and systems for detecting deviation of a process variable from expected values
EP3296822B1 (en) Model-plant mismatch detection using model parameter data clustering for paper machines or other systems
CN114757380B (zh) 一种火电厂故障预警***、方法、电子设备及存储介质
CN114595623A (zh) 一种基于XGBoost算法的机组设备基准值预测方法及***
CN110209144B (zh) 基于动静协同差异分析的两层实时监测与报警溯源方法
CN109345143B (zh) 智能风机运行状态评价方法、装置及风电机组
Abbasi et al. Development of predictive maintenance interface using multiple linear regression
CN113505497B (zh) 湿法烟气脱硫吸收塔浆液品质监测方法及***
Chesterman et al. Condition monitoring of wind turbines and extraction of healthy training data using an ensemble of advanced statistical anomaly detection models
CN113390641A (zh) 风烟***设备故障的智能预警与在线诊断方法及***
Yuan et al. Analysis of multivariable control performance assessment techniques
CN111679648B (zh) 一种基于高斯过程回归的多变量闭环控制回路性能评估方法
CN117193406A (zh) 一种脱硝***氨气压力在线监测及调整***
CN116756704A (zh) 一种利用风粉测量参数预测入炉煤量的方法
EP4033321B1 (en) System and method for performance and health monitoring to optimize operation of a pulverizer mill
CN115456041A (zh) 设备故障预警方法及装置、计算设备和存储介质
Qin et al. Application of fault diagnosis expert system in grinding process

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination