《供热锅炉用燃气调压器故障诊断方法.docx》由会员分享，可在线阅读，更多相关《供热锅炉用燃气调压器故障诊断方法.docx（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、供热锅炉用燃气调压器故障诊断方法摘要:根据供热锅炉用燃气调压器特性，对调压器出口压力数据进行分析，绘制出压力云图以及雷达图，对疑似故障案例进行专家断定。采用支持向量机方法进行故障诊断。利用经历模态分解方法对数据进行特征化处理，作为机器学习的输入量，专家断定结果作为输出量，寻找适宜的诊断算法来建立二者之间的联络，实现智能故障诊断。采用10折穿插验证与粒子群优化算法相结合的方法来优化向量机分类器参数，建立支持向量机诊断模型，实现锅炉用燃气调压器故障诊断。关键词:经历模态分解;燃气调压器;故障诊断;支持向量机;穿插验证;粒子群优化北京燃气集团和北京建筑大学已在民用燃气调压器故障诊断领域获得一定的成果
2、1，供热锅炉用燃气调压器与一般民用燃气调压器的产品类型和运行条件存在显著差异。供热锅炉用户燃气调压器负担的用气设备数量少、单台用气量大，存在调压器冬季运行瞬时供气量日变化率大、供气量阶跃变化等特点，采用民用燃气调压器的诊断方法与实际偏差过大。本文旨在研究适用于供热锅炉用燃气调压器的诊断算法，构建相应预警模型，实现安全预警。2燃气调压器故障数据准备21故障类型调研调研国内主要的厂商、燃气企业，了解到目前常用的供热锅炉用燃气调压器运行管理、维护保养方式等基本情况;邀请相关专家进行讨论，总结供热锅炉用燃气调压器的主要故障类型包括关闭压力高、用气高峰压力低、喘振。根据发生故障的可能性大小又分为预警(需
3、要计划性检修)和报警(需要立即检修)2。锅炉用燃气调压器的主要参数为进口压力、出口压力以及温度，经过北京燃气集团燕山实验室的模拟实验测定，出口压力影响因素比重最高，故本文将以出口压力作为判定故障的根据。22采集监测数据根据调研分析以及现场踏勘的情况，选取14个调压站进行历史数据分析以及实时数据记录。这些调压站分布于北京市不同地区，负担不同负荷的供热锅炉的调压，具有一定的代表性，能够反映出目前北京市供热锅炉用调压器的总体情况。本文所用数据分为历史监测数据与现场实时采集数据两类:历史监测数据为北京市10个调压站连续613个月的进出口压力;现场实时采集数据来自于4个示范站，自2017年3月至9月连续
4、7个月的进出口压力。23故障案例积累通过对监测数据整理发现，个别日期的数据异常不一定代表出现故障，需要比照分析整月情况来综合断定。故笔者将14个调压站的各月出口压力都绘制了一份出口压力云图，见图1。图1中色标表示出口压力，相应的单位为kPa。将疑似故障日期的数据提取出来，绘制成行业通用故障诊断形式故障单日雷达图。3支持向量机31核函数的选择鉴于调压器为复杂的综合机械体，单纯依靠对出口压力的分析并不能准确进行故障诊断，下面用机器学习的方法来模拟专家的断定。所采用的学习方法为支持向量机(SupportVectorMachine，简称SVM)，SVM是将输入向量通过某种非线性映射到一个高维特征空间，
5、然后建立一个分类超平面进行样本分类的算法3。支持向量机是采用Matlab中的软件包及部分自主编程。将前文中的80d数据EMD分解得到的能量矩作为输入量，专家断定结果(以从属度表示)作为输出结果，用SVM来寻找输入与输出之间的内在逻辑。选用适宜的核函数能够降低经过中的计算量，目前常用的核函数主要有线性核函数、多项式核函数、径向基核函数(BF)、Sigmoid核函数。本文通过改变支持向量机网络的核函数，对80d故障数据进行诊断判定。32参数寻优穿插验证(CrossValidation)避免了选取的参数只在固定的训练验证集最优，不能到达很好的推广性能，能够通过不断改变训练集和验证集，充分利用有限的样
6、本数据训练核参数g和惩罚参数C，提高寻优性能67。本文考虑样本容量及计算效率确定穿插重复度为10，即采用10折穿插验证，对模型进行参数优化和训练性能评价。粒子群优化算法(ParticleSwarmOptimization，简称PSO)是一种基于种群的随机优化技术，寻优经过等效为搜索空间中粒子的方位。PSO先随机初始化一群粒子，再经迭代获得最优解。选用粒子群优化算法对SVM中的核参数g和惩罚参数C进行优化，以SVM的穿插验证精度作为优化目的，寻找最佳的参数值8。本文最终确定采用10折穿插验证与粒子群优化相结合(记作10CVPSO)的方法优化分类器参数，同时将汇总的80d疑似故障样本数据，根据41
7、的比例划分为训练验证集和测试集，训练验证集又根据10折穿插验证的方法分为训练集和验证集，对SVM分类器进行训练验证，到达提高分类器分类准确率的目的。其详细施行步骤如下:初始化所有粒子群，PSO粒子的初始位置以及初始速度随机生成。通过粒子的目的函数来计算各个粒子的适应度值，然后计算粒子适应度。再根据适应度大小来初始化全局极值和个体本身极值。迭代开场，进化代数t=1时，根据粒子群速度和位置迭代公式，为种群进行更新。当迭代次数到达最大条件时，停止更新粒子的位置和速度，得出最优参数;若没有到达停止条件，则将继续重复循环操作步骤。PSO算法选择种族规模为20，学习因子为1，适应度函数选用10折穿插验证，
8、最大进化代数为100代。粒子的穿插验证精度随着迭代次数的增大而逐步增大，并最终到达最大值，此时经粒子群算法优化验证精度到达最大值所对应的惩罚参数C和核参数g为全局最优解。通过对调压站历史数据的分析，绘制出全月出口压力云图，能够更为快速、有效确定出调压器疑似故障数据，在此基础上积累得到大量故障案例进行机器学习，得到下面结论:基于经历模态分解(EMD)算法得到能量矩，作为模型的特征向量，提高了数据信号的非平稳性，提升模型训练的效率。相比输入单一出口压力数据，诊断的准确率大大提高，由此可确认EMD与支持向量机(SVM)相结合方法的可行性。将26位专家对80d若干台调压器的诊断结论分别作为独立结果进行训练，增加模型训练的数据量，减小了误判概率，进一步提高SVM模型预测结果的准确率。采用10折穿插验证与粒子群优化相结合的方法，寻找到最优参数，极大提高了诊断的准确率。