供热锅炉用燃气调压器故障诊断方法范文

本站小编为你精心准备了供热锅炉用燃气调压器故障诊断方法参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

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判定。采用支持向量机方法进行故障诊断。利用经验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，专家判定结果作为输出量，寻找合适的诊断算法来建立二者之间的联系，实现智能故障诊断。采用10折交叉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:经验模态分解;燃气调压器;故障诊断;支持向量机;交叉验证;粒子群优化

1概述

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取得一定的成果［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别。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

2．1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断故障的依据。

2．2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6～13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7个月的进出口压力。

2．3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，需要对比分析整月情况来综合判定。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

3．1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，以下用机器学习的方法来模拟专家的判定。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，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，专家判定结果(以隶属度表示)作为输出结果，用SVM来寻找输入与输出之间的内在逻辑。选用合适的核函数能够降低过程中的计算量，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(RBF)、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断。

3．2参数寻优交叉验证(CrossValidation)避免了选取的参数只在固定的训练验证集最优，不能达到很好的推广性能，可以通过不断改变训练集和验证集，充分利用有限的样本数据训练核参数g和惩罚参数C，提高寻优性能［6－7］。本文考虑样本容量及计算效率确定交叉重复度为10，即采用10折交叉验证，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，寻优过程等效为搜寻空间中粒子的方位。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的交叉验证精度作为优化目标，寻找最佳的参数值［8］。本文最终确定采用10折交叉验证与粒子群优化相结合(记作10－CV－PSO)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，按照4∶1的比例划分为训练验证集和测试集，训练验证集又按照10折交叉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，达到提高分类器分类准确率的目的。其具体实施步骤如下:①初始化所有粒子群，PSO粒子的初始位置以及初始速度随机生成。②通过粒子的目标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自身极值。③迭代开始，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。④当迭代次数达到最大条件时，停止更新粒子的位置和速度，得出最优参数;若没有达到停止条件，则将继续重复循环操作步骤②～④。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折交叉验证，最大进化代数为100代。粒子的交叉验证精度随着迭代次数的增大而逐渐增大，并最终达到最大值，此时经粒子群算法优化验证精度达到最大值所对应的惩罚参数C和核参数g为全局最优解。

4结论

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，得到以下结论:①基于经验模态分解(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。②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。③采用10折交叉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。

参考文献:

［1］刘旭海，郝学军．高中压燃气调压器安全预警技术研究［J］．煤气与热力，2017，27(3):B17－B21．

［2］安小然，郝学军，徐鹏．中低压燃气调压器安全预警技术的优化实例［J］．煤气与热力，2017，27(4):B21－B25．

［3］艾娜．支持向量机与人工神经网络［J］．山东理工大学学报(自然科学版)，2015(5):45－49．

［4］杨旗．人体步态及行为识别技术研究［M］．沈阳:辽宁科学技术出版社，2014:12－15．

［6］刘一鸥．基于支持向量机的设备故障诊断研究［J］．电子设计工程，2016(22):60－73．

［7］纪昌明．基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用［J］．电力自动化设备，2014(4):125－131．

［8］裴飞．粒子群优化核极限学习机的变压器故障诊断［J］．计算机工程与设计，2015(5):327－331．

作者：薛钦枥1；郝学军1；吴波2；齐晓琳2；何少平2 单位：1．北京建筑大学，2.北京市燃气集团有限责任公司