基于回声状态网络的磨煤机故障预警

张 进

(北京国电智深控制技术有限公司， 北京 102211)

在现代化工业技术的迅速发展下，火电设备不断走向大型化、集成化和自动化[1]。磨煤机作为火电机组重要的辅机之一，是电站锅炉制粉系统的核心设备，其运行状况直接影响锅炉的稳定运行[2]。电厂的总体性能和可靠性在很大程度上取决于机组的停机时间。如果没有煤粉用于燃烧，则会导致设备降负荷甚至停机。电厂无法产生电网所需的功率时，会导致经济损失，并影响电网信誉[3]。磨煤机运行在恶劣环境中时，会经常出现故障。目前，电厂为了保证稳定性与经济性，仍然主要采用计划检修。然而，传统的检修模式很难实现全面的状态监测和及时的故障预警，无法满足现代电力发展要求，磨煤机过高的运行负荷和故障率已然成为引人关注的问题[4]。因此，对磨煤机进行状态检测及故障预警对维持机组正常运行具有重要意义。

磨煤机的运行参数是典型的分布参数，具有很强的非线性和耦合性，对其系统动态特性进行研究具有很高的难度[5]。随着人工智能及神经网络技术的快速发展，设备运行监测与故障预警领域出现了新的研究热点，即基于数据驱动的建模方法逐渐优化和替代传统的建模方法，通过选取有效的设备特征参数作为神经网络训练的输入与输出数据，建立输入数据到参考输出数据之间的非线性映射关系。训练后的网络模型可用于设备的状态监测，并通过网络输出与实际输出的残差序列判断设备的运行状态，实现故障预警。

然而，传统的前馈神经网络算法具有结构复杂，容易陷入局部最优、收敛速度慢等问题，并且传统的前馈神经网络算法为了提高拟合效果，大多采用迭代的方法降低拟合误差，大大增加了建模的时间和计算量，这些问题限制了神经网络在实际工程应用中的表现。传统递归神经网络如循环神经网络(RNN)及长短期记忆网络(LSTM)都具有较好的时间序列学习能力，但其结构太过复杂且权值参数过多，导致采用梯度下降法学习的收敛速度很慢。减少隐含层的层数和节点数可以加快训练速度，却也影响了网络的使用效果。

JAEGER H[6]在2001年提出回声状态网络(ESN)，ESN是一种全新结构的递归神经网络，具有良好的短期记忆能力、快速的学习能力和强大的非线性拟合能力。ESN有一个具有许多稀疏神经元的储存池结构，在初始化之后，不调整输入层权值及储存池神经元间的权值，仅通过调整输出层权值来进行训练。刘颖等[7]通过改进的ESN实现高炉煤气生成量的预测。SKOWRONSKI M D等[8]将ESN用于自动语音识别且得到了更好的鲁棒性。SONG Q S等[9]提出基于ESN的负荷预测算法，能够获得比传统的前馈神经网络更准确的预测结果。

笔者提出了基于ESN的磨煤机断煤故障预警方法，利用ESN建立磨煤机正常运行模型，通过比较网络输出数据与实际输出数据得到残差，再通过小波分解分析残差实现磨煤机的断煤故障预警。

1 磨煤机断煤故障分析

1.1 运行参数

1.1.1 出口一次风温度

磨煤机出口一次风温度是监测磨煤机运行状况的重要参数，可反映磨煤机的干燥能力。过高的温度可能导致爆炸；过低的温度会影响煤粉的干燥，导致燃烧效率降低。磨煤机出口一次风温度主要受风煤比及原煤水分含量的影响：风煤比越大，干燥能力越强，出口一次风温度越高；原煤水分含量越高，需要的干燥风越多，出口一次风温度越低。

1.1.2 一次风进出口压差

磨煤机存煤量影响了磨煤机工作的经济性，也是影响磨煤机安全的重要参数，常用磨煤机进出口压差来表征和控制[10]。在一次风流量不变的情况下，磨煤机存煤量越多，一次风的流通阻力越大，出口一次风压力越低，一次风进出口压差越大。

1.2 断煤故障分析

磨煤机发生少煤或断煤故障时，磨煤机一次风进出口压差随即降低，少量的湿煤无法吸收一次风带来的过多热量，导致磨煤机出口一次风温度升高，磨煤机一次风进出口温差降低，热一次风门将自动关小，冷一次风门自动开大。由于磨辊和磨盘直接接触，金属间发生摩擦并使磨煤机出现机械振动[11]。

煤质对断煤的影响主要是原煤水分含量过高有可能导致落煤管堵塞，笔者通过部分输入输出特性来实现断煤故障的预警，即使没有煤质数据，也可较好地对断煤故障进行判断，而且目前没有办法对煤质实现实时监测，因此笔者在本文中不考虑煤质的变化。

1.3 实际数据分析

以某330 MW火电机组磨煤机为研究对象，图1为该磨煤机发生断煤故障时相关参数的变化趋势。

图1 磨煤机断煤故障中各参数变化趋势

由图1可见：磨煤机发生断煤故障时，磨煤机电流下降，出口一次风温度升高，热一次风门开度降低，冷一次风门开度增大，一次风流量先升高再降低，给煤量降低。

2 ESN算法模型

2.1 网络结构

ESN由输入层、储存池、输出层组成，其网络结构见图2。

Win—输入层到储存池连接的权值矩阵；W—储存池内部神经元连接的权值矩阵；Wback—输出层到储存池连接的权值矩阵；Wout—储存池到输出层连接的权值矩阵。

假设有K个输入节点，N个储存池节点，L个输出节点，则输入向量u(n)=[u1(n),…,uK(n)]，储存池状态向量为x(n)=[x1(n),…,xN(n)]，输出向量y(n)=[y1(n),…,yL(n)]，其中，n为迭代次数。

ESN的基本方程为：

x(n)=f(Woutu(n-1)+Wx(n-1)+

Wbacky(n-1))

(1)

y(n)=fout(Wout·[x(n);u(n)])

(2)

式中：f和fout分别为储存池神经元和输出层的激活函数，一般选择tanhx=(e2x-1)/(e2x+1)。在ESN中，Win、W、Wback均为训练前随机生成并且不再进行调整，Wout是唯一需要进行更新的矩阵。

2.2 主要参数

ESN的核心特点在于储存池，因此储存池的参数选择对网络的性能有很大的影响[12]。储存池可调整的主要参数有储存池节点数、谱半径、稀疏系数、输入单元尺度。

2.2.1 储存池节点数

储存池节点数反映网络拟合能力，节点越多，预测精度越高；但训练效率会降低，过多的节点还会导致过拟合现象。

2.2.2 谱半径

谱半径是W的最大特征值的绝对值，是影响网络稳定的重要参数。如何选取谱半径影响到网络的稳定性，一般将谱半径选为0.8～0.9。

2.2.3 稀疏系数

ESN的储存池神经元之间是稀疏连接的，在一般的神经网络中，N个神经元全连接的权值总数是N2；而ESN的连接总数远远小于N2。

2.2.4 输入单元尺度

输入层进入储存池之前需要乘以一个尺度因子，即输入单元尺度。由于激活函数的有效区间是有限的，因此需要通过输入单元尺度来将输入数据变换为需要的范围。

2.3 学习过程

2.3.1 网络初始化

网络初始化包括各个权值矩阵的初始化和储存池状态向量的初始化。Win和Wback为一定范围随机值的全连接矩阵；W要满足网络稳定性条件，即保证W的谱半径严格小于1。储存池状态向量可以设定为初始值全为0的状态。

2.3.2 更新储存池状态向量

将M个样本的数据进行处理后，根据式(1)更新网络的储存池记忆状态。第1步计算时，输出向量没有定义，将输出向量中的元素全部定义为0。

2.3.3 收集状态向量

由于网络初始状态为0状态，因此储存池的初期状态受初始权值矩阵的干扰，不从第1步开始收集，假设从第M0步开始收集储存池状态向量组成状态矩阵S=[X(M0),…,X(M)]T，其中，X(i)=[x(i);u(i)]T，同时收集相应的输出向量组成输出向量空间Y=[y(M0),…,y(M)]。

2.3.4 计算Wout

式(2)可简化为：

y(n)=fout(WoutX(n))

(3)

则fout的逆函数fout,inv为：

fout,inv(y(n))=WoutX(n)

(4)

式(4)代入S和Y，可得到：

Wout=[S-1fout,inv(Y)]T

(5)

3 基于ESN的磨煤机故障预警

笔者提出一种基于ESN的磨煤机故障预警方法。磨煤机发生断煤时，其输出参数会发生明显的变化，通过分析磨煤机输出参数的异常变化趋势即可实现磨煤机的断煤故障预警。

基于ESN的磨煤机故障预警方法分为2个部分：

(1)离线训练。离线部分采集磨煤机正常运行的历史数据，经过预处理后用于训练ESN模型，利用ESN建立磨煤机正常运行状态的输入输出模型。

(2)在线测试。在线部分将实时的输入数据经过预处理后送给训练好的ESN，再用预测输出数据与实际输出数据比较得到残差。当磨煤机发生故障时，磨煤机的实际输出数据与预测输出数据将出现较大的偏差，再利用小波分解分析残差实现故障的提前预警。

图3为基于ESN的磨煤机故障预警方法的流程图。

图3 基于ESN的磨煤机故障预警方法的流程图

4 结果与分析

4.1 模型训练

利用测试集数据验证模型准确性，结果见图4。以该机组为对象，选取7 000组磨煤机正常运行数据，数据采样时间为1 s，包含一天中不同时间段。为了方便ESN模型的计算，对数据进行预处理，将不同量纲的数据变换为0～1的标量作为ESN的训练数据。抽取5 000组数据作为训练数据，2 000组数据作为测试数据。选择入口一次风压力、入口一次风温度、一次风质量流量、热一次风门开度、冷一次风门开度、给煤质量流量，磨煤机电流作为输入数据，磨煤机出口一次风的温度和压力作为参考输出训练ESN。储存池节点数为100，稀疏系数为10%，激活函数为tanhx。

图4 实际值与预测值的对比

由图4可得：测试数据的预测值与实际值吻合度较好，说明基于ESN建立的模型是准确可靠的。

4.2 获取残差数据

选取500组故障数据进行测试，得到预测值与实际值的曲线见图5和图6。

图5 磨煤机出口一次风温度曲线

图6 磨煤机出口一次风压力曲线

由图5和图6可得：当磨煤机发生断煤故障时，磨煤机动态特性发生巨大改变，导致实际值与预测值之间出现极大偏差，可以表征出磨煤机故障。

4.3 小波分解及故障预警

利用小波分解处理残差，即可实现故障的早期预警，其原理为利用小波分解对残差进行趋势提取，通过曲线斜率检测突变点，正常运行工况下和发生故障工况下小波分析图像分别见图7和图8。

图7 正常工况小波分析图像

图8 发生故障工况小波分析图像

由图7与图8可得：当磨煤机发生断煤故障时，残差变大，残差曲线斜率出现异常突变。

选取k=0.05，并利用故障数据比较笔者所提出的方法的故障预警信号与实际断煤信号，具体见图9。由图9可得：基于ESN的磨煤机故障预警方法输出的故障预警信号能够稍微提前于电厂的实际断煤信号，可以实现故障的早期预警。

图9 电厂实际断煤信号与故障预警信号对比

5 结语

笔者基于ESN建立了磨煤机正常运行工况的输入输出模型，并通过仿真验证了模型的准确性和泛化性。在此基础上，通过比较预测输出数据与实际输出数据得到了残差，并通过小波分解残差实现了磨煤机的故障预警。仿真结果表明：基于ESN的磨煤机故障预警方法输出的故障预警信号能够稍微提前于电厂的实际断煤信号，可以实现故障的早期预警。