【技術實現步驟摘要】
本專利技術屬于磨煤機故障仿真，尤其涉及一種火電廠磨煤機故障樣本生成方法、系統及裝置。
技術介紹
1、磨煤機在火電廠制粉系統中占有舉足輕重的地位。但磨煤機工藝機理復雜、工況多變，在運行過程中往往會出現各種故障。一旦發生故障將會直接影響著鍋爐燃燒的穩定性，進而影響整個火電機組的運行狀態引發非計劃停機，給火電廠帶來較大經濟損失甚至發生安全事故。因此磨煤機的故障監測診斷對火電機組的正常運行至關重要。目前對磨煤機故障監測診斷的方法大致分為兩個方向，一個是利用磨煤機的運行機理建立機理模型進行分析，由于磨煤機工藝機理復雜在建模過程中往往會對模型進行簡化，且有些參數為經驗型參數，這會造成機理模型與實際數據存在偏差的情況；另一個是利用機器學習和統計學相關知識建立黑箱或灰箱模型進行診斷，然而這種方法往往需要大量運行過程中的故障數據進行分析與訓練，在實際生產過程中是很難收集到足夠多、覆蓋范圍廣的樣本的。
2、現有技術通常直接采用機理模型對磨煤機進行故障預警，但機理模型在建模過程中往往會進行一些簡化，且機理模型中通常會包含一些經驗參數，這使得在針對不同種類或不同規格的磨煤機建立的模型輸出結果與實際運行數據存在一定的誤差，影響故障類型的判斷；而另一種方式是通過機器學習相關知識建立灰度模型，這需要大量故障生產數據的支持，在設備實際運行過程中很難收集到足夠多的故障數據樣本。
技術實現思路
1、本專利技術的目的在于克服現有技術缺陷，提出了一種火電廠磨煤機故障樣本生成方法、系統及裝置。
2、
3、建立磨煤機動態數學模型；
4、將動態數學模型中待辨識參數的問題轉化為帶有約束的非線性優化問題；
5、利用歷史運行數據通過差分進化算法實現參數的辨識，得到結果與實際運行數據更接近的機理模型；
6、利用機理模型生成故障數據后，與實際運行故障數據混合，得到虛擬故障訓練集和測試集，通過訓練集對生成式對抗網絡進行訓練，再通過測試集進行驗證得到滿足精度要求的生成器；
7、采用訓練好的生成器，生成指定類型的故障樣本數據。
8、優選的，所述磨煤機動態數學模型包括：磨煤機入口一次風流量和溫度模型、磨煤機內原煤量和煤粉量模型和磨煤機出口溫度模型；其中，
9、所述磨煤機入口一次風流量和溫度模型滿足以下動態微分方程：
10、
11、其中，t1、t2分別為一次風由風門到磨煤機入口的流量慣性時間和溫度慣性時間，表示對一次風流量wair求一階導數，表示對磨煤機入口一次風溫度tin求一階導數，tl、th分別為冷、熱一次風的溫度，ul、uh分別為冷風閥門和熱風閥門的開度，cl、ch分別為冷、熱一次風的比熱容，cin為磨煤機入口一次風比熱容，分別為冷、熱風閥門的最大流量；
12、所述磨煤機內原煤量和煤粉量模型滿足以下動態微分方程：
13、
14、wc＝kcnc
15、wpf＝kpfmpfδp
16、i＝k1mpf+k2mc+k3
17、其中，分別表示對磨煤機內原煤質量mc和煤粉質量mpf求一階導數，wc為原煤給煤量，wpf為吹出煤粉流量，kconv為原煤碾磨生成煤粉的轉化系數，kc為比例系數，nc為給煤機轉速，kpf為煤粉流量比例系數，δp為一次風差壓,i為磨煤機電流，k1、k2、k3為系數；
18、所述磨煤機出口溫度模型滿足以下動態微分方程：
19、
20、qin＝qair+qrc+qmac+qseal+qle
21、qout＝qairseal+qδm+qpf+qloss
22、其中，表示對磨煤機出口風粉混合物的溫度tout求一階導數，qin、qout分別為單位時間內輸入和輸出磨煤機的總熱量，mmetal為磨煤機內參與熱交換的金屬質量，cmix為煤和金屬設備的平均比熱容，qair、qrc分別為密封風和漏入冷風所傳遞的熱量，qairseal為一次風和密封風從磨煤機輸出的熱量，qδm為原煤水分蒸發所消耗的熱量，qpf為加熱燃料所消耗的熱量，qloss為設備散熱損失的熱量。
23、優選的，所述動態數學模型中的待辨識的參數包括：冷、熱風閥門的最大流量和一次風由風門到磨煤機入口的流量慣性時間t1和溫度慣性時間t2，原煤碾磨生成煤粉的轉化系數kconv，煤粉流量比例系數kpf，系數k1、k2和k3，以及磨煤機內參與熱交換的金屬質量mmetal。
24、優選的，所述將動態數學模型中待辨識參數的問題轉化為帶有約束的非線性優化問題；包括：
25、將冷風閥門和熱風閥門的開度ul和uh及原煤給煤量wc作為模型的輸入參數，一次風流量wair、磨煤機出口風粉混合物的溫度tout和吹出煤粉流量wpf作為輸出參數，設給定操作條件為c，需辨識條件為d，輸出條件為y，機理模型為h，將辨識問題描述為：
26、y＝h(c,d)
27、轉化為帶有約束的非線性優化問題：
28、
29、di,min≤di≤di,max
30、其中，f為目標值，ys為實際運行輸出數據，ym為模型輸出數據，i為需辨識變量數量，di為第i個需辨識的變量，di,min和di,max分別第i個需辨識的變量最小值和最大值，利用磨煤機歷史運行數據，通過差分進化算法對參數進行辨識。
31、優選的，所述利用歷史運行數據通過差分進化算法實現參數的辨識，得到結果與實際運行數據更接近的機理模型；包括：
32、step1：初始化種群，隨機生成n×d大小的矩陣作為初始化種群，其中n為種群規模，d與待辨識變量數相同；
33、step2：變異操作，選取種群中兩個不同的個體，將其向量縮放后與待變異個體進行向量合成；
34、step3：交叉操作，對第g代種群及其對應的變異中間體進行個體間的交叉操作；
35、step4：選擇操作，利用貪婪算法選擇進入下一代種群的個體；
36、step5：判斷是否滿足結束條件，判斷為否，轉至step2；否則，轉至step6；
37、step6：輸出辨識參數：冷、熱風閥門的最大流量和一次風由風門到磨煤機入口的流量慣性時間t1和溫度慣性時間t2，原煤碾磨生成煤粉的轉化系數kconv，煤粉流量比例系數kpf，系數k1、k2和k3，以及磨煤機內參與熱交換的金屬質量mmetal，進而得到機理模型。
38、優選的，所述生成式對抗網絡包括生成器g和鑒別器d，其中，
39、所述生成器g和鑒別器d均為三層神經網絡，結構相反，包括輸入層、隱含層和輸出層；訓練過程包括：
40、生成器g利用隨機生成種子作為輸入生成與虛擬故障訓練集相同維度的數據，并利用鑒別器d的比較損失來更新生成器g；
41、鑒別器d接收一對來自生成器g的數據和本文檔來自技高網...
【技術保護點】
1.一種火電廠磨煤機故障樣本生成方法，包括：
2.根據權利要求1所述的火電廠磨煤機故障樣本生成方法，其特征在于，所述磨煤機動態數學模型包括：磨煤機入口一次風流量和溫度模型、磨煤機內原煤量和煤粉量模型和磨煤機出口溫度模型；其中，
3.根據權利要求2所述的火電廠磨煤機故障樣本生成方法，其特征在于，所述動態數學模型中的待辨識的參數包括：冷、熱風閥門的最大流量和一次風由風門到磨煤機入口的流量慣性時間T1和溫度慣性時間T2，原煤碾磨生成煤粉的轉化系數Kconv，煤粉流量比例系數Kpf，系數K1、K2和K3，以及磨煤機內參與熱交換的金屬質量Mmetal。
4.根據權利要求3所述的火電廠磨煤機故障樣本生成方法，其特征在于，所述將動態數學模型中待辨識參數的問題轉化為帶有約束的非線性優化問題；包括：
5.根據權利要求4所述的火電廠磨煤機故障樣本生成方法，其特征在于，所述利用歷史運行數據通過差分進化算法實現參數的辨識，得到結果與實際運行數據更接近的機理模型；包括：
6.根據權利要求1所述的火電廠磨煤機故障樣本生成方法，其特征在于，所述生成式
7.一種火電廠磨煤機故障樣本生成系統，其特征在于，所述系統包括：機理模型與參數辨識模塊和故障樣本生成模塊，其中，
8.一種火電廠磨煤機故障樣本生成裝置，包括存儲器、處理器及存儲在存儲器上的計算機程序，其特征在于，所述處理器執行所述計算機程序以實現權利要求1所述方法的步驟。
...【技術特征摘要】
1.一種火電廠磨煤機故障樣本生成方法，包括：
2.根據權利要求1所述的火電廠磨煤機故障樣本生成方法，其特征在于，所述磨煤機動態數學模型包括：磨煤機入口一次風流量和溫度模型、磨煤機內原煤量和煤粉量模型和磨煤機出口溫度模型；其中，
3.根據權利要求2所述的火電廠磨煤機故障樣本生成方法，其特征在于，所述動態數學模型中的待辨識的參數包括：冷、熱風閥門的最大流量和一次風由風門到磨煤機入口的流量慣性時間t1和溫度慣性時間t2，原煤碾磨生成煤粉的轉化系數kconv，煤粉流量比例系數kpf，系數k1、k2和k3，以及磨煤機內參與熱交換的金屬質量mmetal。
4.根據權利要求3所述的火電廠磨煤機故障樣本生成方法，其特征在于，所述將動態數學...
【專利技術屬性】
技術研發人員：趙賀，魏良宵，李欣芮，邵珠鵬，李宇泰，陶帥，王燊，趙欣然，
申請(專利權)人：國家電投集團數字科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。