CN116393217A - 一种钢球磨煤机料位的智能监测方法 - Google Patents
一种钢球磨煤机料位的智能监测方法 Download PDFInfo
- Publication number
- CN116393217A CN116393217A CN202310182885.0A CN202310182885A CN116393217A CN 116393217 A CN116393217 A CN 116393217A CN 202310182885 A CN202310182885 A CN 202310182885A CN 116393217 A CN116393217 A CN 116393217A
- Authority
- CN
- China
- Prior art keywords
- coal mill
- time
- real
- material level
- value
- 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
Links
- 239000003245 coal Substances 0.000 title claims abstract description 300
- 239000000463 material Substances 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 52
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 31
- 239000010959 steel Substances 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 239000000843 powder Substances 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims description 56
- 238000012937 correction Methods 0.000 claims description 32
- 238000010606 normalization Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010298 pulverizing process Methods 0.000 abstract description 9
- 238000000227 grinding Methods 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C17/00—Disintegrating by tumbling mills, i.e. mills having a container charged with the material to be disintegrated with or without special disintegrating members such as pebbles or balls
- B02C17/18—Details
- B02C17/1805—Monitoring devices for tumbling mills
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Food Science & Technology (AREA)
- Disintegrating Or Milling (AREA)
- Crushing And Grinding (AREA)
Abstract
本申请涉及钢球磨煤机料位检测技术领域，特别是涉及一种钢球磨煤机料位的智能监测方法。包括：获取磨煤机历史运行数据，建立磨煤机料位模型；获取磨煤机实时运行数据生成预处理数据，根据预处理数据和磨煤机料位模型生成磨煤机实时料位值；根据磨煤机实时料位值设定磨煤机运行参数，并根据磨煤机实时料位值判断是否生成预警指令通过智能融合技术，融合磨煤机进出口压差、轴承振动、磨煤机电流等指标，建立磨煤机料位模型，通过神经网络学习，调整网络各层的权值矩阵使其达到最优化，从而实现对钢球磨煤机料位准确测量。根据磨煤机实时料位对实时的磨煤机转速和单位时间给粉量进行调整，使磨煤料位达到最佳值，优化磨煤机出力、降低制粉电耗。
Description
技术领域
本申请涉及钢球磨煤机料位检测技术领域，特别是涉及一种钢球磨煤机料位的智能监测方法。
背景技术
钢球磨机属于一种高能耗、低效率的设备。据统计球磨机用电量占发电厂用电量的15％～25％是电厂的耗电大户之一。中速磨煤机制粉***磨煤单耗一般在10kW·h/t左右，中储式制粉***钢球磨煤机磨煤单耗在20kW·h/t左右，而双进双出钢球磨煤机磨煤单耗通常在25～30kW·h/t。
以钢球磨煤机是多变量、非线性、强耦合、大延迟对象不仅特性复杂且变量时变缓慢。球磨机料位也就这样是一个受诸多因素影响的呈现复杂关系的变量。到目前为止，国内外已有不少学者用单一信号等效模拟料位实现料位的软测量有压差法、噪声法、功率法、油压法、气压差动法、应变法、轴承振动法等，但是目前所采取的这些传统软测量的方法来测量球磨机料位都是通过单一信号等效模拟料位，具有不真实性差、精度低、可信度小的缺点。
发明内容
本申请的目的是：为解决上述技术问题，本申请提供了一种钢球磨煤机料位的智能监测方法，旨在实现对钢球磨煤机料位准确测量，优化磨煤机出力、降低制粉电耗。
本申请的一些实施例中，通过智能融合技术，融合磨煤机进出口压差、轴承振动、磨煤机电流等指标，建立磨煤机料位模型，通过神经网络学习，调整网络各层的权值矩阵使其达到最优化，从而实现对钢球磨煤机料位准确测量。
本申请的一些实施例中，根据磨煤机实时料位对实时的磨煤机转速和单位时间给粉量进行调整，并根据预设时间节点进行周期性修正，使磨煤料位达到最佳值，优化磨煤机出力、降低制粉电耗。
本申请的一些实施例中，提供了一种钢球磨煤机料位的智能监测方法，包括：
获取磨煤机历史运行数据，建立磨煤机料位模型；
获取磨煤机实时运行数据生成预处理数据，根据所述预处理数据和所述磨煤机料位模型生成磨煤机实时料位值；
根据所述磨煤机实时料位值设定磨煤机转速，并根据所述磨煤机实时料位值判断是否生成预警指令。
本申请的一些实施例中，获取磨煤机历史运行数据时，包括：
根据磨煤机运行数据种类预设直接评价类数据和间接评价类数据；
获取直接评价类数据历史运行值，通过归一化处理生成直接评价历史数据包；
获取间接评价类数据历史运行值，通过数值变换和归一化处理生成间接评价历史数据包；
所述直接评价历史数据包和所述间接评价历史数据包内数据处于同一区间。
本申请的一些实施例中，所述建立磨煤机料位模型时，包括：
根据所述直接评价类历史数据包和所述间接评价类历史数据，建立LSTM模型；
设定寻优参数，神经元数量，学习率和训练迭代次数；
初始化PSO参数，并设定粒子的适应度函数；
比较粒子的适应度值，生成个体最优位置和全局最优位置，修正最优适应度值；
判断是否当前迭代次数值是否为最大迭代次数值，若所述当前迭代次数值为所述最大迭代次数值，生成最优参数，并根据所述最优参数训练所述LSTM模型，建立磨煤机料位模型；
若所述当前迭代次数不是所述最大迭代次数，则继续比较粒子适应度值。
本申请的一些实施例中，获取磨煤机实时运行数据生成预处理数据，包括：
获取直接评价类数据，通过归一化处理生成直接评价实时数据包；
获取间接评价类数据，通过数值变换和归一化处理生成间接评价实时数据包；
所述间接评价实时数据包和所述间接评价实时数据包内数据处于同一区间。
本申请的一些实施例中，通过数值变换和归一化处理生成间接评价实时数据包时，包括：
获取磨煤机轴承竖直方向振动加速度a1，根据预设处理函数生成磨煤机轴承振动速度a2；
所述磨煤机轴承竖直方向振动加速度a1和所述磨煤机轴承振动速度a2通过相位变换生成磨煤机轴承振动信号有效值；
所述磨煤机轴承振动信号有效值通过归一化处理生成磨煤机轴承振动实时评价值。
本申请的一些实施例中，根据所述实时料位值设定磨煤机转速时，包括：
预设磨煤机料位矩阵B，设定B(B1，B2，B3，B4)，其中，B1为预设第一磨煤机料位，B2为预设第二磨煤机料位，B3为预设第三磨煤机料位，B4为预设第四磨煤机料位，且B1＜B2＜B3＜B4；
预设磨煤机转速矩阵C，设定C(C1，C2，C3，C4)，其中，C1为预设第一磨煤机转速，C2为预设第二磨煤机转速，C1为预设第一磨煤机转速，C1为预设第一磨煤机转速，且C1＜C2＜C3＜C4；
获取磨煤机实时料位值b，根据所述磨煤机实时料位值b设定磨煤机实时转速值c；
若B1＜b＜B2，设定磨煤机实时转速值c为预设第一磨煤机转速C1，即c＝C1；
若B2＜b＜B3，设定磨煤机实时转速值c为预设第二磨煤机转速C2，即c＝C2；
若B3＜b＜B4，设定磨煤机实时转速值c为预设第三磨煤机转速C3，即c＝C3；
若b＞B4，设定磨煤机实时转速值c为预设第四磨煤机转速C4，即c＝C4。
本申请的一些实施例中，根据所述实时料位值设定磨煤机转速时，还包括：
预设修正时间节点，获取当前修正时间节点的磨煤机实时料位值；
根据当前修正时间节点的磨煤机实时料位值生成下一时间节点的磨煤机预计料位值b2；
获取下一时间节点的实时料位值b3，根据所述下一时间节点的预计料位值与实时料位值b3之间的差值绝对值d修正磨煤机实时转速c。
本申请的一些实施例中，所述根据所述下一时间节点的预计料位值b2与实时料位值b3之间的差值绝对值d修正磨煤机实时转速c时，包括：
预设差值矩阵D，设定D(D1，D2，D3，D4)，其中，D1为预设第一差值，D2为预设第二差值，且D1＜D2；
预设修正系数矩阵N，设定N(n1，n2，n3，n4)，其中，n1为预设第一修正系数，n2为预设第二修正系数，n3为预设第三修正系数，n4为预设第四修正系数，且n1＜n2＜1＜n3＜n4；
当b2＞b3时，根据差值绝对值d设定实时修正系数n；
若d＜D1，不修正磨煤机实时转速c；
若D1＜d＜D2，设定n＝n3，修正后磨煤机实时转速c1＝n3＊Ci；
若d＞D2，设定n＝n4，修正后磨煤机实时转速c1＝n4＊Ci；
当b2＜b3时，根据差值绝对值d设定实时修正系数n；
若d＜D1，不修正磨煤机实时转速c；
若D1＜d＜D2，设定n＝n2，修正后磨煤机实时转速c1＝n2＊Ci；
若d＞D2，设定n＝n1，修正后磨煤机实时转速c1＝n1＊Ci。
本申请的一些实施例中，根据所述磨煤机实时料位值判断是否生成预警指令时，包括：
若当前时间节点的预计料位值和实时料位值的差值d＞D1时，设定当前时间节点为异常节点；
获取异常节点数量m，若所述异常节点数量m大于预设异常节点数量阈值M1时，生成预警指令。
本申请的一些实施例中，根据所述磨煤机实时料位值判断是否生成预警指令时，包括：
预设料位安全区间(D5，D6)，其中D5＜D1，D6＞D4；
获取磨煤机实时料位值d，若d＜D5或d＞D6时，生成预警指令。
本申请实施例一种钢球磨煤机料位的智能监测方法与现有技术相比，其有益效果在于：
通过智能融合技术，融合磨煤机进出口压差、轴承振动、磨煤机电流等指标，建立磨煤机料位模型，通过神经网络学习，调整网络各层的权值矩阵使其达到最优化，从而实现对钢球磨煤机料位准确测量。
根据磨煤机实时料位对实时的磨煤机转速和单位时间给粉量进行调整，并根据预设时间节点进行周期性修正，使磨煤料位达到最佳值，优化磨煤机出力、降低制粉电耗。
附图说明
图1是本申请实施例优选实施例中一种钢球磨煤机料位的智能监测方法的流程示意图；
图2是本申请实施例优选实施例中建立磨煤机料位模型的流程示意图。
具体实施方式
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
如图1－图2所示，本申请实施例优选实施例的一种钢球磨煤机料位的智能监测方法，包括：
S101：获取磨煤机历史运行数据，建立磨煤机料位模型；
S102：获取磨煤机实时运行数据生成预处理数据，根据预处理数据和磨煤机料位模型生成磨煤机实时料位值；
S103：根据磨煤机实时料位值设定磨煤机运行参数，并根据磨煤机实时料位值判断是否生成预警指令。
具体而言，获取磨煤机历史运行数据时，包括：
根据磨煤机运行数据种类预设直接评价类数据和间接评价类数据；
获取直接评价类数据历史运行值，通过归一化处理生成直接评价历史数据包；
获取间接评价类数据历史运行值，通过数值变换和归一化处理生成间接评价历史数据包；
直接评价历史数据包和间接评价历史数据包内数据处于同一区间。
具体而言，直接评价类数据包括：进出口压差、磨煤机电流、磨煤机给煤量；
间接评价类数据包括：磨煤机振动指标
具体而言，建立磨煤机料位模型时，包括：
根据直接评价类历史数据包和间接评价类历史数据，建立LSTM模型；
设定寻优参数，神经元数量，学习率和训练迭代次数；
初始化PSO参数，并设定粒子的适应度函数；
比较粒子的适应度值，生成个体最优位置和全局最优位置，修正最优适应度值；
判断是否当前迭代次数值是否为最大迭代次数值，若当前迭代次数值为最大迭代次数值，生成最优参数，并根据最优参数训练LSTM模型，建立磨煤机料位模型；
若当前迭代次数不是最大迭代次数，则继续比较粒子适应度值。
可以理解的是，上述实施例中，通过智能融合技术，融合磨煤机进出口压差、轴承振动、磨煤机电流等指标，建立磨煤机料位模型，通过神经网络学习，调整网络各层的权值矩阵使其达到最优化，从而实现对钢球磨煤机料位准确测量。
本申请实施例优选实施例中，获取磨煤机实时运行数据生成预处理数据，包括：
获取直接评价类数据，通过归一化处理生成直接评价实时数据包；
获取间接评价类数据，通过数值变换和归一化处理生成间接评价实时数据包；
间接评价实时数据包和间接评价实时数据包内数据处于同一区间。
具体而言，磨煤机数据归一化处理：采用标准化(Min－Max Normalization)方法也称为离差标准化，是对历史数据的线性变换，使结果min－max值映射到[0～1]之间。设Xmin和Xmax分别是指标X的最小值和最大值，最大最小归一化是将X的每一个原始值x通过线性化的方法变换为区间[0，1]的值Xmorm，转换函数如下：
其中Xmax为样本数据的最大值，Xmin为样本数据的最小值。
具体而言，通过数值变换和归一化处理生成间接评价实时数据包时，包括：
获取磨煤机轴承竖直方向振动加速度a1，根据预设处理函数生成磨煤机轴承振动速度a2；
磨煤机轴承竖直方向振动加速度a1和磨煤机轴承振动速度a2通过相位变换生成磨煤机轴承振动信号有效值；
磨煤机轴承振动信号有效值通过归一化处理生成磨煤机轴承振动实时评价值。
具体而言，磨煤机振动指标为间接指标，间接指标需要经过数值变换，利用加速度振动传感器检测球磨机振动的加速度信号，将所检测的信号乘以一个系数，可以得到加速度值。本测量方法一个重要指标为磨煤机振动信号，球磨机的工作现场条件比较恶劣，其采样信号不可避免地受到程度不同的噪声的污染影响测量准确度，所以必须对其信号进行标准化处理。采用智能可变幅自适应滤波方法来采集振动信号，使采样点振幅信号更加趋于时间序列上的期望值，同时滤掉测量信号中过大的峰值。
具体而言，将磨煤机轴承振动分解为垂直和水平两个方向的振动，可以只拾取垂直方向的振动量作为轴承振动的反应。由于磨煤机的振动模式属于随机振动，它的变化规律不能用确定的时间函数描述，但其运动特性服从一定的统计规律，最基本的特性有均值、均方值及方差等，所以轴振能量可由功率的有效值表示，即
其中，A为常数，a为加速度，v为速度。
即轴振功率可以通过振动加速度及速度的测量计算得出。具体测量方法是，在磨煤机前轴瓦上以压电加速度传感器拾取垂直方向的加速度信号，由积分电路求取速度信号，经相位变换及相应的合成运算后，得到基本的轴振功率有效值，再经归一化和标准化处理，得到磨煤机轴承振动信号有效值。
本申请实施例优选实施例中，根据磨煤机实时料位值设定磨煤机运行参数时，包括：
预设磨煤机料位矩阵B，设定B(B1，B2，B3，B4)，其中，B1为预设第一磨煤机料位，B2为预设第二磨煤机料位，B3为预设第三磨煤机料位，B4为预设第四磨煤机料位，且B1＜B2＜B3＜B4；
预设磨煤机转速矩阵C，设定C(C1，C2，C3，C4)，其中，C1为预设第一磨煤机转速，C2为预设第二磨煤机转速，C1为预设第一磨煤机转速，C1为预设第一磨煤机转速，且C1＜C2＜C3＜C4；
获取磨煤机实时料位值b，根据磨煤机实时料位值b设定磨煤机实时转速值c；
若B1＜b＜B2，设定磨煤机实时转速值c为预设第一磨煤机转速C1，即c＝C1；
若B2＜b＜B3，设定磨煤机实时转速值c为预设第二磨煤机转速C2，即c＝C2；
若B3＜b＜B4，设定磨煤机实时转速值c为预设第三磨煤机转速C3，即c＝C3；
若b＞B4，设定磨煤机实时转速值c为预设第四磨煤机转速C4，即c＝C4。
具体而言，根据磨煤机实时料位值设定磨煤机运行参数时，还包括：
预设磨煤机单位时间给煤量矩阵F，设定F(F1，F2，F3，F4)，其中，F1为预设第一磨煤机单位时间给粉量，F2为预设第二磨煤机单位时间给粉量，F3为预设第三磨煤机单位时间给粉量，F4为预设第四磨煤机单位时间给粉量，且F1＜F2＜F3＜F4；
根据磨煤机实时料位值b设定磨煤机实时单位时间给粉量f；
若B1＜b＜B2，设定实时磨煤机实时单位时间给粉量f为预设第一磨煤机单位时间给粉量F1，即f＝F1；
若B2＜b＜B3，设定实时磨煤机实时单位时间给粉量f为预设第二磨煤机单位时间给粉量F2，即f＝F2；
若B3＜b＜B4，设定实时磨煤机实时单位时间给粉量f为预设第三磨煤机单位时间给粉量F3，即f＝F3；
若b＞B4，设定实时磨煤机实时单位时间给粉量f为预设第四磨煤机单位时间给粉量F4，即f＝F4。
可以理解的是，上述实施例中，根据磨煤机实时料位对实时的磨煤机转速和单位时间给粉量进行调整，并根据预设时间节点进行周期性修正，使磨煤料位达到最佳值，优化磨煤机出力、降低制粉电耗。
本申请实施例优选实施例中，根据实时料位值设定磨煤机转速时，还包括：
预设修正时间节点，获取当前修正时间节点的磨煤机实时料位值；
根据当前修正时间节点的磨煤机实时料位值生成下一时间节点的磨煤机预计料位值b2；
获取下一时间节点的实时料位值b3，根据下一时间节点的预计料位值与实时料位值b3之间的差值绝对值d修正磨煤机实时转速c。
具体而言，根据下一时间节点的预计料位值b2与实时料位值b3之间的差值绝对值d修正磨煤机实时转速c时，包括：
预设差值矩阵D，设定D(D1，D2，D3，D4)，其中，D1为预设第一差值，D2为预设第二差值，且D1＜D2；
预设修正系数矩阵N，设定N(n1，n2，n3，n4)，其中，n1为预设第一修正系数，n2为预设第二修正系数，n3为预设第三修正系数，n4为预设第四修正系数，且n1＜n2＜1＜n3＜n4；
当b2＞b3时，根据差值绝对值d设定实时修正系数n；
若d＜D1，不修正磨煤机实时转速c；
若D1＜d＜D2，设定n＝n3，修正后磨煤机实时转速c1＝n3＊Ci；
若d＞D2，设定n＝n4，修正后磨煤机实时转速c1＝n4＊Ci；
当b2＜b3时，根据差值绝对值d设定实时修正系数n；
若d＜D1，不修正磨煤机实时转速c；
若D1＜d＜D2，设定n＝n2，修正后磨煤机实时转速c1＝n2＊Ci；
若d＞D2，设定n＝n1，修正后磨煤机实时转速c1＝n1＊Ci。
具体而言，根据当前的给煤量和磨煤机转速和当前料位，和历史运行数据对下一时间间隔内的工作量进行预估，当实际料位值与预估值之间的存在较大差值时，说明当前的磨煤机运行存在问题，应及时对磨煤机的运行参数进行修正，使磨煤料位达到最佳值，优化磨煤机出力、降低制粉电耗。
本申请实施例优选实施例中，根据磨煤机实时料位值判断是否生成预警指令时，包括：
若当前时间节点的预计料位值和实时料位值的差值d＞D1时，设定当前时间节点为异常节点；
获取异常节点数量m，若异常节点数量m大于预设异常节点数量阈值M1时，生成预警指令。
具体而言，当异常时间节点较多时，说明磨煤机在多个运行周期内存在问题，当异常节点的数量超过阈值时，及时发送预警指令，提醒检修人员及时进行检修，避免磨煤机发生故障。
根据本申请的第一构思，通过智能融合技术，融合磨煤机进出口压差、轴承振动、磨煤机电流等指标，建立磨煤机料位模型，通过神经网络学习，调整网络各层的权值矩阵使其达到最优化，从而实现对钢球磨煤机料位准确测量。
根据本申请的第二构思，根据磨煤机实时料位对实时的磨煤机转速和单位时间给粉量进行调整，并根据预设时间节点进行周期性修正，使磨煤料位达到最佳值，优化磨煤机出力、降低制粉电耗。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。
Claims (10)
1.一种钢球磨煤机料位的智能监测方法，其特征在于，包括：
获取磨煤机历史运行数据，建立磨煤机料位模型；
获取磨煤机实时运行数据生成预处理数据，根据所述预处理数据和所述磨煤机料位模型生成磨煤机实时料位值；
根据所述磨煤机实时料位值设定磨煤机运行参数，并根据所述磨煤机实时料位值判断是否生成预警指令。
2.如权利要求1所述的钢球磨煤机料位的智能监测方法，其特征在于，获取磨煤机历史运行数据时，包括：
根据磨煤机运行数据种类预设直接评价类数据和间接评价类数据；
获取直接评价类数据历史运行值，通过归一化处理生成直接评价历史数据包；
获取间接评价类数据历史运行值，通过数值变换和归一化处理生成间接评价历史数据包；
所述直接评价历史数据包和所述间接评价历史数据包内数据处于同一区间。
3.如权利要求2所述的钢球磨煤机料位的智能监测方法，特征在于，所述建立磨煤机料位模型时，包括：
根据所述直接评价类历史数据包和所述间接评价类历史数据，建立LSTM模型；
设定寻优参数，神经元数量，学习率和训练迭代次数；
初始化PSO参数，并设定粒子的适应度函数；
比较粒子的适应度值，生成个体最优位置和全局最优位置，修正最优适应度值；
判断是否当前迭代次数值是否为最大迭代次数值，若所述当前迭代次数值为所述最大迭代次数值，生成最优参数，并根据所述最优参数训练所述LSTM模型，建立磨煤机料位模型；
若所述当前迭代次数不是所述最大迭代次数，则继续比较粒子适应度值。
4.如权利要求1所述的钢球磨煤机料位的智能监测方法，其特征在于，获取磨煤机实时运行数据生成预处理数据，包括：
获取直接评价类数据，通过归一化处理生成直接评价实时数据包；
获取间接评价类数据，通过数值变换和归一化处理生成间接评价实时数据包；
所述间接评价实时数据包和所述间接评价实时数据包内数据处于同一区间。
5.如权利要求4所述的钢球磨煤机料位的智能监测方法，其特征在于，通过数值变换和归一化处理生成间接评价实时数据包时，包括：
获取磨煤机轴承竖直方向振动加速度a1，根据预设处理函数生成磨煤机轴承振动速度a2；
所述磨煤机轴承竖直方向振动加速度a1和所述磨煤机轴承振动速度a2通过相位变换生成磨煤机轴承振动信号有效值；
所述磨煤机轴承振动信号有效值通过归一化处理生成磨煤机轴承振动实时评价值。
6.如权利要求1所述的钢球磨煤机料位的智能监测方法，其特征在于，根据所述磨煤机实时料位值设定磨煤机运行参数时，包括：
预设磨煤机料位矩阵B，设定B(B1，B2，B3，B4)，其中，B1为预设第一磨煤机料位，B2为预设第二磨煤机料位，B3为预设第三磨煤机料位，B4为预设第四磨煤机料位，且B1＜B2＜B3＜B4；
预设磨煤机转速矩阵C，设定C(C1，C2，C3，C4)，其中，C1为预设第一磨煤机转速，C2为预设第二磨煤机转速，C1为预设第一磨煤机转速，C1为预设第一磨煤机转速，且C1＜C2＜C3＜C4；
获取磨煤机实时料位值b，根据所述磨煤机实时料位值b设定磨煤机实时转速值c；
若B1＜b＜B2，设定磨煤机实时转速值c为预设第一磨煤机转速C1，即c＝C1；
若B2＜b＜B3，设定磨煤机实时转速值c为预设第二磨煤机转速C2，即c＝C2；
若B3＜b＜B4，设定磨煤机实时转速值c为预设第三磨煤机转速C3，即c＝C3；
若b＞B4，设定磨煤机实时转速值c为预设第四磨煤机转速C4，即c＝C4。
7.如权利要求6所述的钢球磨煤机料位的智能监测方法，其特征在于，根据所述磨煤机实时料位值设定磨煤机运行参数时，还包括：
预设磨煤机单位时间给煤量矩阵F，设定F(F1，F2，F3，F4)，其中，F1为预设第一磨煤机单位时间给粉量，F2为预设第二磨煤机单位时间给粉量，F3为预设第三磨煤机单位时间给粉量，F4为预设第四磨煤机单位时间给粉量，且F1＜F2＜F3＜F4；
根据所述磨煤机实时料位值b设定磨煤机实时单位时间给粉量f；
若B1＜b＜B2，设定实时磨煤机实时单位时间给粉量f为预设第一磨煤机单位时间给粉量F1，即f＝F1；
若B2＜b＜B3，设定实时磨煤机实时单位时间给粉量f为预设第二磨煤机单位时间给粉量F2，即f＝F2；
若B3＜b＜B4，设定实时磨煤机实时单位时间给粉量f为预设第三磨煤机单位时间给粉量F3，即f＝F3；
若b＞B4，设定实时磨煤机实时单位时间给粉量f为预设第四磨煤机单位时间给粉量F4，即f＝F4。
8.如权利要求7所述的钢球磨煤机料位的智能监测方法，其特征在于，根据所述实时料位值设定磨煤机转速时，还包括：
预设修正时间节点，获取当前修正时间节点的磨煤机实时料位值；
根据当前修正时间节点的磨煤机实时料位值生成下一时间节点的磨煤机预计料位值b2；
获取下一时间节点的实时料位值b3，根据所述下一时间节点的预计料位值与实时料位值b3之间的差值绝对值d修正磨煤机实时转速c。
9.如权利要求8所述的钢球磨煤机料位的智能监测方法，其特征在于，所述根据所述下一时间节点的预计料位值b2与实时料位值b3之间的差值绝对值d修正磨煤机实时转速c时，包括：
预设差值矩阵D，设定D(D1，D2，D3，D4)，其中，D1为预设第一差值，D2为预设第二差值，且D1＜D2；
预设修正系数矩阵N，设定N(n1，n2，n3，n4)，其中，n1为预设第一修正系数，n2为预设第二修正系数，n3为预设第三修正系数，n4为预设第四修正系数，且n1＜n2＜1＜n3＜n4；
当b2＞b3时，根据差值绝对值d设定实时修正系数n；
若d＜D1，不修正磨煤机实时转速c；
若D1＜d＜D2，设定n＝n3，修正后磨煤机实时转速c1＝n3＊Ci；
若d＞D2，设定n＝n4，修正后磨煤机实时转速c1＝n4＊Ci；
当b2＜b3时，根据差值绝对值d设定实时修正系数n；
若d＜D1，不修正磨煤机实时转速c；
若D1＜d＜D2，设定n＝n2，修正后磨煤机实时转速c1＝n2＊Ci；
若d＞D2，设定n＝n1，修正后磨煤机实时转速c1＝n1＊Ci。
10.如权利要求9所述的钢球磨煤机料位的智能监测方法，其特征在于，根据所述磨煤机实时料位值判断是否生成预警指令时，包括：
若当前时间节点的预计料位值和实时料位值的差值d＞D1时，设定当前时间节点为异常节点；
获取异常节点数量m，若所述异常节点数量m大于预设异常节点数量阈值M1时，生成预警指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310182885.0A CN116393217A (zh) | 2023-02-24 | 2023-02-24 | 一种钢球磨煤机料位的智能监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310182885.0A CN116393217A (zh) | 2023-02-24 | 2023-02-24 | 一种钢球磨煤机料位的智能监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116393217A true CN116393217A (zh) | 2023-07-07 |
Family
ID=87009313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310182885.0A Pending CN116393217A (zh) | 2023-02-24 | 2023-02-24 | 一种钢球磨煤机料位的智能监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116393217A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334666A (zh) * | 2008-07-15 | 2008-12-31 | 西安艾贝尔科技发展有限公司 | 双进双出钢球磨煤机直吹式制粉***优化控制方法 |
| DE102010040724A1 (de) * | 2010-09-14 | 2012-03-15 | Siemens Aktiengesellschaft | Ermittlung des Mahlgrades eines Mahlgutes, insbesondere eines Erzes, in einer Mühle |
| CN106179629A (zh) * | 2016-07-09 | 2016-12-07 | 青岛大学 | 一种双层桶壁的研磨化工机械*** |
| CN107297269A (zh) * | 2017-08-29 | 2017-10-27 | 柴庆宣 | 钢球磨煤机料位的控制方法 |
| CN108579929A (zh) * | 2018-04-26 | 2018-09-28 | 东南大学 | 一种基于rbf神经网络预测控制的双进双出球磨机控制***及控制方法 |
| WO2020052413A1 (zh) * | 2018-09-11 | 2020-03-19 | 京东数字科技控股有限公司 | 火力发电机组燃烧控制优化方法、装置及可读存储介质 |
| CN111881120A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种锅炉智能运行优化方法 |
| CN112052551A (zh) * | 2019-10-25 | 2020-12-08 | 华北电力大学（保定） | 一种风机喘振运行故障识别方法及*** |
| CN112934451A (zh) * | 2021-02-02 | 2021-06-11 | 浙江浙能技术研究院有限公司 | 一种稀土电机变速调节降低中速磨煤机磨煤单耗的节能控制方法 |
| CN113537160A (zh) * | 2021-09-13 | 2021-10-22 | 天津中新智冠信息技术有限公司 | 球磨机负荷测量方法、装置、电子设备和介质 |
| CN113843039A (zh) * | 2021-07-21 | 2021-12-28 | 国能信控互联技术有限公司 | 一种基于人工智能的磨煤机开关机智能运行优化方法 |
| CN217646535U (zh) * | 2022-05-12 | 2022-10-25 | 华能曲阜热电有限公司 | 一种磨煤机钢球自动更转装置 |
| US20220358356A1 (en) * | 2021-04-21 | 2022-11-10 | International Business Machines Corporation | Computerized methods of forecasting a timeseries using encoder-decoder recurrent neural networks augmented with an external memory bank |
-
2023
- 2023-02-24 CN CN202310182885.0A patent/CN116393217A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101334666A (zh) * | 2008-07-15 | 2008-12-31 | 西安艾贝尔科技发展有限公司 | 双进双出钢球磨煤机直吹式制粉***优化控制方法 |
| DE102010040724A1 (de) * | 2010-09-14 | 2012-03-15 | Siemens Aktiengesellschaft | Ermittlung des Mahlgrades eines Mahlgutes, insbesondere eines Erzes, in einer Mühle |
| CN106179629A (zh) * | 2016-07-09 | 2016-12-07 | 青岛大学 | 一种双层桶壁的研磨化工机械*** |
| CN107297269A (zh) * | 2017-08-29 | 2017-10-27 | 柴庆宣 | 钢球磨煤机料位的控制方法 |
| CN108579929A (zh) * | 2018-04-26 | 2018-09-28 | 东南大学 | 一种基于rbf神经网络预测控制的双进双出球磨机控制***及控制方法 |
| WO2020052413A1 (zh) * | 2018-09-11 | 2020-03-19 | 京东数字科技控股有限公司 | 火力发电机组燃烧控制优化方法、装置及可读存储介质 |
| CN112052551A (zh) * | 2019-10-25 | 2020-12-08 | 华北电力大学（保定） | 一种风机喘振运行故障识别方法及*** |
| CN111881120A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种锅炉智能运行优化方法 |
| CN112934451A (zh) * | 2021-02-02 | 2021-06-11 | 浙江浙能技术研究院有限公司 | 一种稀土电机变速调节降低中速磨煤机磨煤单耗的节能控制方法 |
| US20220358356A1 (en) * | 2021-04-21 | 2022-11-10 | International Business Machines Corporation | Computerized methods of forecasting a timeseries using encoder-decoder recurrent neural networks augmented with an external memory bank |
| CN113843039A (zh) * | 2021-07-21 | 2021-12-28 | 国能信控互联技术有限公司 | 一种基于人工智能的磨煤机开关机智能运行优化方法 |
| CN113537160A (zh) * | 2021-09-13 | 2021-10-22 | 天津中新智冠信息技术有限公司 | 球磨机负荷测量方法、装置、电子设备和介质 |
| CN217646535U (zh) * | 2022-05-12 | 2022-10-25 | 华能曲阜热电有限公司 | 一种磨煤机钢球自动更转装置 |
Non-Patent Citations (8)
| Title |
|---|
| 保罗;郭旭琦;乔铁柱;阎高伟;: "改进LSTM神经网络在磨机负荷参数软测量中的应用", 中国矿山工程, no. 03, 20 June 2017 (2017-06-20), pages 77 - 80 * |
| 刘福国;: "基于数据挖掘的钢球磨煤机运行特性建模和优化", 煤炭学报, no. 05, 15 May 2010 (2010-05-15), pages 37 - 46 * |
| 沙亚红;常太华;常建平;: "球磨机负荷检测方法综述", 现代电力, no. 04, 30 August 2006 (2006-08-30), pages 66 - 69 * |
| 艾红;赵大伟;: "数据融合在球磨机料位检测中的应用", 信息技术, no. 07, 25 July 2010 (2010-07-25), pages 138 - 140 * |
| 陈旭;楼波;: "基于音频信号控制策略的磨煤机存煤量控制的应用", 电站辅机, no. 03, 30 September 2007 (2007-09-30), pages 46 - 48 * |
| 陈蔚;贾民平;王恒;: "基于信息融合的球磨机料位分级与检测研究", 振动与冲击, no. 06, 25 June 2010 (2010-06-25), pages 140 - 143 * |
| 陶泯;李英;汪思义;: "BP神经网络在磨煤机料位监测中的应用", 热力发电, no. 09, 25 September 2006 (2006-09-25), pages 37 - 46 * |
| 鲍教旗;贾国栋;安建军;刘浩;公培雪;程春艳;朱兰荣;闫卫国;: "智能算法PLC与DCS通讯实现", 仪器仪表用户, no. 03, 8 March 2018 (2018-03-08), pages 141 - 143 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN111291514B (zh) | 一种风电机组疲劳寿命的快速预测的方法 | |
| CN102768115A (zh) | 一种风电机组齿轮箱健康状态实时动态监控方法 | |
| CN103912448A (zh) | 一种区域风电场机组功率特性监测方法 | |
| CN106704103B (zh) | 一种基于叶片参数自学习的风电机组功率曲线获取方法 | |
| CN102022263A (zh) | 用以调节风轮机中部件警报水平的方法和*** | |
| US11680556B2 (en) | Methods and systems of advanced yaw control of a wind turbine | |
| CN112994101B (zh) | 基于神经网络的风电场发电功率后评估及监测方法 | |
| CN113535765A (zh) | 一种基于工业互联网的智慧工厂远程实时监测调控云平台 | |
| CN110544003B (zh) | 一种基于温度预测的风电场风电机组变频器状态评价方法 | |
| CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
| CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
| CN110107441A (zh) | 水轮机在线诊断预测*** | |
| CN111916803A (zh) | 一种基于云智能监控和边缘计算的燃料电池*** | |
| CN112431726A (zh) | 一种风电机组齿轮箱轴承状态监测方法 | |
| CN109583075A (zh) | 基于温度参数预测的永磁直驱风力机服役质量评价方法 | |
| CN111472930B (zh) | 演化风速计算方法及基于该方法的前馈统一变桨控制方法 | |
| CN113153633A (zh) | 一种风电机组风向仪静态偏差校准方法 | |
| CN114580852B (zh) | 基于工业大数据的水泵挡水板清理实时提醒*** | |
| CN114997309A (zh) | 给水泵故障预警方法及装置 | |
| CN117575373B (zh) | 一种基于大数据的设备能耗监测分析方法及*** | |
| CN116393217A (zh) | 一种钢球磨煤机料位的智能监测方法 | |
| CN116557230A (zh) | 一种风电场机组功率异常在线评估方法及*** | |
| CN113177187A (zh) | 基于长短期记忆神经网络的等效激光雷达风速计算方法 | |
| CN111780149B (zh) | 火力发电厂制粉***设备状态远程诊断方法 |
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 |