供熱鍋爐用燃氣調(diào)壓器故障診斷方法范文

本站小編為你精心準備了供熱鍋爐用燃氣調(diào)壓器故障診斷方法參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要:根據(jù)供熱鍋爐用燃氣調(diào)壓器特性，對調(diào)壓器出口壓力數(shù)據(jù)進行分析，繪制出壓力云圖以及雷達圖，對疑似故障案例進行專家判定。采用支持向量機方法進行故障診斷。利用經(jīng)驗?zāi)B(tài)分解方法對數(shù)據(jù)進行特征化處理，作為機器學(xué)習(xí)的輸入量，專家判定結(jié)果作為輸出量，尋找合適的診斷算法來建立二者之間的聯(lián)系，實現(xiàn)智能故障診斷。采用10折交叉驗證與粒子群優(yōu)化算法相結(jié)合的方法來優(yōu)化向量機分類器參數(shù)，建立支持向量機診斷模型，實現(xiàn)鍋爐用燃氣調(diào)壓器故障診斷。

關(guān)鍵詞:經(jīng)驗?zāi)B(tài)分解;燃氣調(diào)壓器;故障診斷;支持向量機;交叉驗證;粒子群優(yōu)化

1概述

北京燃氣集團和北京建筑大學(xué)已在民用燃氣調(diào)壓器故障診斷領(lǐng)域取得一定的成果［1］，供熱鍋爐用燃氣調(diào)壓器與一般民用燃氣調(diào)壓器的產(chǎn)品類型和運行條件存在顯著差別。供熱鍋爐用戶燃氣調(diào)壓器負擔(dān)的用氣設(shè)備數(shù)量少、單臺用氣量大，存在調(diào)壓器冬季運行瞬時供氣量日變化率大、供氣量階躍變化等特點，采用民用燃氣調(diào)壓器的診斷方法與實際偏差過大。本文旨在研究適用于供熱鍋爐用燃氣調(diào)壓器的診斷算法，構(gòu)建相應(yīng)預(yù)警模型，實現(xiàn)安全預(yù)警。

2燃氣調(diào)壓器故障數(shù)據(jù)準備

2．1故障類型調(diào)研調(diào)研國內(nèi)主要的廠商、燃氣企業(yè)，了解到目前常用的供熱鍋爐用燃氣調(diào)壓器運行管理、維護保養(yǎng)方式等基本情況;邀請相關(guān)專家進行討論，總結(jié)供熱鍋爐用燃氣調(diào)壓器的主要故障類型包括關(guān)閉壓力高、用氣高峰壓力低、喘振。根據(jù)發(fā)生故障的可能性大小又分為預(yù)警(需要計劃性檢修)和報警(需要立即檢修)［2］。鍋爐用燃氣調(diào)壓器的主要參數(shù)為進口壓力、出口壓力以及溫度，經(jīng)過北京燃氣集團燕山實驗室的模擬實驗測定，出口壓力影響因素比重最高，故本文將以出口壓力作為判斷故障的依據(jù)。

2．2采集監(jiān)測數(shù)據(jù)根據(jù)調(diào)研分析以及現(xiàn)場踏勘的情況，選取14個調(diào)壓站進行歷史數(shù)據(jù)分析以及實時數(shù)據(jù)記錄。這些調(diào)壓站分布于北京市不同地區(qū)，負擔(dān)不同負荷的供熱鍋爐的調(diào)壓，具有一定的代表性，能夠反映出目前北京市供熱鍋爐用調(diào)壓器的總體情況。本文所用數(shù)據(jù)分為歷史監(jiān)測數(shù)據(jù)與現(xiàn)場實時采集數(shù)據(jù)兩類:歷史監(jiān)測數(shù)據(jù)為北京市10個調(diào)壓站連續(xù)6～13個月的進出口壓力;現(xiàn)場實時采集數(shù)據(jù)來自于4個示范站，自2017年3月至9月連續(xù)7個月的進出口壓力。

2．3故障案例積累通過對監(jiān)測數(shù)據(jù)整理發(fā)現(xiàn)，個別日期的數(shù)據(jù)異常不一定代表出現(xiàn)故障，需要對比分析整月情況來綜合判定。故筆者將14個調(diào)壓站的各月出口壓力都繪制了一份出口壓力云圖，見圖1。圖1中色標表示出口壓力，相應(yīng)的單位為kPa。將疑似故障日期的數(shù)據(jù)提取出來，繪制成行業(yè)通用故障診斷形式———故障單日雷達圖。

3支持向量機

3．1核函數(shù)的選擇鑒于調(diào)壓器為復(fù)雜的綜合機械體，單純依靠對出口壓力的分析并不能準確進行故障診斷，以下用機器學(xué)習(xí)的方法來模擬專家的判定。所采用的學(xué)習(xí)方法為支持向量機(SupportVectorMachine，簡稱SVM)，SVM是將輸入向量通過某種非線性映射到一個高維特征空間，然后建立一個分類超平面進行樣本分類的算法［3］。支持向量機是采用Matlab中的軟件包及部分自主編程。將前文中的80d數(shù)據(jù)EMD分解得到的能量矩作為輸入量，專家判定結(jié)果(以隸屬度表示)作為輸出結(jié)果，用SVM來尋找輸入與輸出之間的內(nèi)在邏輯。選用合適的核函數(shù)能夠降低過程中的計算量，目前常用的核函數(shù)主要有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)(RBF)、Sigmoid核函數(shù)。本文通過改變支持向量機網(wǎng)絡(luò)的核函數(shù)，對80d故障數(shù)據(jù)進行診斷判斷。

3．2參數(shù)尋優(yōu)交叉驗證(CrossValidation)避免了選取的參數(shù)只在固定的訓(xùn)練驗證集最優(yōu)，不能達到很好的推廣性能，可以通過不斷改變訓(xùn)練集和驗證集，充分利用有限的樣本數(shù)據(jù)訓(xùn)練核參數(shù)g和懲罰參數(shù)C，提高尋優(yōu)性能［6－7］。本文考慮樣本容量及計算效率確定交叉重復(fù)度為10，即采用10折交叉驗證，對模型進行參數(shù)優(yōu)化和訓(xùn)練性能評價。粒子群優(yōu)化算法(ParticleSwarmOptimization，簡稱PSO)是一種基于種群的隨機優(yōu)化技術(shù)，尋優(yōu)過程等效為搜尋空間中粒子的方位。PSO先隨機初始化一群粒子，再經(jīng)迭代獲得最優(yōu)解。選用粒子群優(yōu)化算法對SVM中的核參數(shù)g和懲罰參數(shù)C進行優(yōu)化，以SVM的交叉驗證精度作為優(yōu)化目標，尋找最佳的參數(shù)值［8］。本文最終確定采用10折交叉驗證與粒子群優(yōu)化相結(jié)合(記作10－CV－PSO)的方法優(yōu)化分類器參數(shù)，同時將匯總的80d疑似故障樣本數(shù)據(jù)，按照4∶1的比例劃分為訓(xùn)練驗證集和測試集，訓(xùn)練驗證集又按照10折交叉驗證的方法分為訓(xùn)練集和驗證集，對SVM分類器進行訓(xùn)練驗證，達到提高分類器分類準確率的目的。其具體實施步驟如下:①初始化所有粒子群，PSO粒子的初始位置以及初始速度隨機生成。②通過粒子的目標函數(shù)來計算各個粒子的適應(yīng)度值，然后計算粒子適應(yīng)度。再根據(jù)適應(yīng)度大小來初始化全局極值和個體自身極值。③迭代開始，進化代數(shù)t=1時，根據(jù)粒子群速度和位置迭代公式，為種群進行更新。④當?shù)螖?shù)達到最大條件時，停止更新粒子的位置和速度，得出最優(yōu)參數(shù);若沒有達到停止條件，則將繼續(xù)重復(fù)循環(huán)操作步驟②～④。PSO算法選擇種族規(guī)模為20，學(xué)習(xí)因子為1，適應(yīng)度函數(shù)選用10折交叉驗證，最大進化代數(shù)為100代。粒子的交叉驗證精度隨著迭代次數(shù)的增大而逐漸增大，并最終達到最大值，此時經(jīng)粒子群算法優(yōu)化驗證精度達到最大值所對應(yīng)的懲罰參數(shù)C和核參數(shù)g為全局最優(yōu)解。

4結(jié)論

通過對調(diào)壓站歷史數(shù)據(jù)的分析，繪制出全月出口壓力云圖，能夠更為快速、有效確定出調(diào)壓器疑似故障數(shù)據(jù)，在此基礎(chǔ)上積累得到大量故障案例進行機器學(xué)習(xí)，得到以下結(jié)論:①基于經(jīng)驗?zāi)B(tài)分解(EMD)算法得到能量矩，作為模型的特征向量，提高了數(shù)據(jù)信號的非平穩(wěn)性，提升模型訓(xùn)練的效率。相比輸入單一出口壓力數(shù)據(jù)，診斷的準確率大大提高，由此可確認EMD與支持向量機(SVM)相結(jié)合方法的可行性。②將26位專家對80d若干臺調(diào)壓器的診斷結(jié)論分別作為獨立結(jié)果進行訓(xùn)練，增加模型訓(xùn)練的數(shù)據(jù)量，減小了誤判概率，進一步提高SVM模型預(yù)測結(jié)果的準確率。③采用10折交叉驗證與粒子群優(yōu)化相結(jié)合的方法，尋找到最優(yōu)參數(shù)，極大提高了診斷的準確率。

參考文獻:

［1］劉旭海，郝學(xué)軍．高中壓燃氣調(diào)壓器安全預(yù)警技術(shù)研究［J］．煤氣與熱力，2017，27(3):B17－B21．

［2］安小然，郝學(xué)軍，徐鵬．中低壓燃氣調(diào)壓器安全預(yù)警技術(shù)的優(yōu)化實例［J］．煤氣與熱力，2017，27(4):B21－B25．

［3］艾娜．支持向量機與人工神經(jīng)網(wǎng)絡(luò)［J］．山東理工大學(xué)學(xué)報(自然科學(xué)版)，2015(5):45－49．

［4］楊旗．人體步態(tài)及行為識別技術(shù)研究［M］．沈陽:遼寧科學(xué)技術(shù)出版社，2014:12－15．

［6］劉一鷗．基于支持向量機的設(shè)備故障診斷研究［J］．電子設(shè)計工程，2016(22):60－73．

［7］紀昌明．基于網(wǎng)格搜索和交叉驗證的支持向量機在梯級水電系統(tǒng)隱隨機調(diào)度中的應(yīng)用［J］．電力自動化設(shè)備，2014(4):125－131．

［8］裴飛．粒子群優(yōu)化核極限學(xué)習(xí)機的變壓器故障診斷［J］．計算機工程與設(shè)計，2015(5):327－331．

作者：薛欽櫪1；郝學(xué)軍1；吳波2；齊曉琳2；何少平2 單位：1．北京建筑大學(xué)，2.北京市燃氣集團有限責(zé)任公司