火电机组磨煤机典型故障预警技术及应用

摘要：一般而言，火电机组磨煤机运行环境十分恶劣，在整个运行过程当中，故障频发。在对火电机组磨煤机典型故障预警技术的分析与应用下，能够有效提高火电机组运行安全。基于此，本文就将针对火电机组磨煤机典型故障预警技术及其应用展开详细的分析与探讨。

关键词：磨煤机;故障预警; DBSCAN 聚类;半监督学习方法;

中图分类号：TM315

引言

火力发电是现在电力发展的主力军，在当前社会运转下，循环经济环境作为主流，在提高火电技术的同时，也考虑电力对于环境的影响以及对不可再生能源的影响，发电厂可谓是社会不可缺少的能源供应基地。在火电厂中，火电机组磨煤机的结构十分复杂，并且其运行环境相当恶劣，在日常的工作运行中多变的状况时有发生，以至于故障频发。目前，对于磨煤机典型故障预警技术方面的研究较少，需要在实践与分析当中一步一步的探寻。

一、火电机组磨煤机典型故障潜在特性分析

火电机组磨煤机典型故障可以分为设备故障以及工艺类故障。设备故障涵盖磨煤机震动、风管堵才磨煤机、出力不足、磨煤机漏粉、主轴承过热、磨煤机自燃及静压轴承油压产生异常状态;而在工艺类故障中，涵盖磨煤机满煤、磨煤机断煤、磨煤机自燃现象以及风管堵塞故障，这些都归属于运行参数偏离正常值所引发的故障。而在这之中，火电机组磨煤机断煤故障与自燃故障是最为典型的两大故障。

1.火电机组磨煤机断煤故障分析

火电机组磨煤机断煤故障产生的原因多半是由于落煤管或者是给煤管发生了堵塞现象，当出现给煤机断煤、一次风管堵塞、一次风量过小时，这样的情况都会造成磨煤机出现断煤故障。在磨煤机内存煤量不断降低时，就会导致磨煤机发生断煤故障。故障产生的整个环节中，少量湿煤无法吸入一次风中过大量的热，从而引发磨煤机出口上方的温度不断增高。当系统自动运转时，给煤机的运转速度不断增高，但是进煤量却不断降低，一次风量伴随给煤机转速的信号持续增长，最终导致排粉机功能消耗过大，而磨煤机中的煤料却少之又少，最终能源消耗过大，断煤故障随即产生。

2.火电机组磨煤机自燃故障分析

火电机组磨煤机自燃故障中，磨煤机的出口温度增高，导致磨煤机产生自燃故障。造成磨煤机出口温度增高的主要原因有;磨煤机出现断煤，导致磨煤机无法有效吸入一次风热量，磨煤机的入口热风堆积过多、冷风与热风的比例失调等。当磨煤机已经产生自然故障之后，磨煤机出口温度不断增长，系统内部运行时，热风门开度关至到零的状态，冷风门就会全部打开，以至于一次风流量不断降低，磨煤机出入口差压与风压下降。

二、半监督学习方法的磨煤机典型故障预警技术

基于火电机组磨煤机典型故障预警技术，提出半监督学习方法的磨煤机故障预警技术，主要是应用DBSCAN聚类方法来构建出磨煤机的故障预警模型，结合集成机器学习算法来实现磨煤机典型故障的预警，并有效对剩余可应用时间进行详细的估算。

此外，该技术方法中包括从历史数据中选择与磨煤机运作状态相符合的历史数据，涵盖相似数据，还会对数据采取标准化预设处理，按照运行日志与运行的经验，选择磨煤机多种故障的历史数据进行对比，随后选用DBSCAN聚类算法对历史数据进行聚

类分析，需要结合不同的故障状态数据，标出排序，即故障发生的时间线。

1.数据标准化分析处理

在此次数据标准化的分析处理中，选择z-score的标准化数据预设处理方法，其中对涵盖的m个样本所蕴含的特征xi进行抽取，计算均值与标准差，随后根据公式将数据的映射条件释放的新的范围中，可列举公式：

2.DBSCAN聚类磨煤机故障分析

DBSCAN聚类算法可以算是一种基于密度的聚类方法，参照不同的数据样本在样本独有空间内分析数据的紧密程度，并将样本划分为不同簇，这样的方式聚类的十分迅速，能够有效处理各类异常的数据信息。

在DBSCAN聚类算法的应用中，首先要参照拟定的领域参数∈与MinPts来找出所在内容中心的所有核心对象，随后可选择随机核心对象作为基础出发点，探索出密度达标的样本，最后生成聚类簇，直至核心对象均匀的被访问到。

另外，磨煤机的绝大部分故障都存在一个逐渐发展的过程，如果故障的特征较为薄弱，那么磨煤机的相关环节参数就开始逐渐转向正常运行的数值，现在有绝大多数的故障预警技术，更偏向于研究故障的监控与检测，面向不同故障的类型和设备的剩余可用时间缺少细致和系统的研究，对于磨煤机产生的不同故障条件，设备整個过程，其参数、空间、时间都潜在一定的差别。当考虑到故障发展一般要经过一定的时间周期，就可利用不同故障发展过程中的不同演变趋势，对故障的类型以及设备剩余可用时长进行估算。可在历史数据库中选择磨煤机正常运行状态与故障状态下的历史数据，在选择适合变量并进行标准化分配的数据进行详细处理，利用地DBSCAN聚类对故障数据展开故障分离，随后经过不同故障阶段的划分，对于每个故障环节所分配的序类进行排列，有效统计出设备在不同阶段的剩余可用时长。

3.集成机器学习算法的预警模型

集成机器学习算法技术也称为随机森林，主要是基于决策树的一种方法，在传统的决策树选择划分属性时，主要是在当前节点的d个属性集合中挑选一个最为优质的决策树。在应用集成机器学习算法时，根据决策树的每个节点，以节点属性集合，随机选择一个包括k个属性的子集，在根据数据分析从子集中挑选一个最为优质的属性用于后续的分类。

此外，在对比单分类器时，集成机器学习算法中具有泛化能力以及高质量的准确程度，相比于其他的集成分类器而言，集成机器学习算法更为简单、灵活，并且其有关数据技术的计算量较小。

经过DBSCAN聚类对磨煤机的历史数据进行研究和分析，获取到了带有类别标记的历史数据。采用集成机器学习算法，对带有类别标记的历史数据进行了分类学习，有效区分不同标记下的数据，并对新的数据采取预测和分类。通过集成机器学习算法，对实时数据展开了详细的预测和分类，能够判断出磨煤机在当前运行状态下的不同变化趋势，这种趋势的测算和评估，可建立预警模型，从模型中分析性能测试数据的最终验证结果，在结果中给出故障预测，可进一步的对设备的剩余可用时间进行计算。如果故障预警系统给出的状态评估与运行人员所判断的不相同，需要重新建立新的故障预警模型。

三、磨煤机典型故障预警技术的应用

1.仿真试验应用

在仿真试验的应用中以某100mw火电机组的历史数据为例，从该历史数据中提取与磨煤机运行过程有关的参数，文章上述所提出的各种方法进行应用后，选取和故障相关的变量，具体结果参数详见表1，故障数据集合的基本信息详见表2。

在对历史数据提取的过程中，要选择磨煤机在正常状态下与故障状态下运行的数据，该数据的提取年限在一年以内，提取采样时间为1s。

面对仿真试验的整个环节中，根据上表描述，将I组正常运行数据与Ⅲ组故障数据作为训练数据的集合，并建立有效的预警技术模型，将断煤故障Ⅲ数据测试数据的集合当训练数据集合占据数据集合的84%，需要建立磨煤机故障预警技术模型。而测试数据集合占据数据集合的16%.需要采用评价估测的预警技术模型。

2.磨煤机运行状态的DBSCAN聚类

DBSCAN聚类相关的参数∈和MinPts并没有相互通用的确定方法，需要按照所分析数据的基本特征进行选择。其中，MinPts的取值一旦很小就会产生很多的簇，这就可以应用ln（n）进行确定，并且n是数据的点数，通过这些聚类线索分析磨煤机运行状态属于正常还是故障即可。

与此同时，在故障数据的集中整合中，最终簇类数是9，用类标记序列来描述各种故障的类标记分配状态，在这之中异常数据I类类标记为-1，正常运行数据1类被标记为0，断煤故障I数据3类标记序列是1、2、3排序，断煤故障II数据是3类标记序列则是1、6、7，自然故障数据为2类标记序列数是4和5。同时，较为细致的统计各种故障下设备剩余可用时长与各类数据所涵盖的样本，通过样本的聚类结果获悉磨煤机的断没故障或自燃故障情况。

结束语：综上所述，针对火电机组磨煤机典型故障预警技术主要利用DBSCAN方法对磨煤机故障进行详细的聚类分析，能够有效将磨煤机发生故障的整个过程划分为不同类别，便于阐述故障发展的不同阶段，利用半监督学习方法将很好的观察到磨煤机在运行中的故障状态，在通过仿真试验中的技术应用，了解火电机组磨煤机典型故障在不同阶段的变化趋势，根据预警故障状态有效应对故障带来的损坏和影响。

参考文献：

[1]孙同敏.基于ISAE的磨煤机故障预测与诊断方法研究[J].煤炭工程，2021，53（05）：148-155.

[2]冯普锋，张宝国，吴家伟，高宪宾，刘行行.电厂磨煤机故障智能监测系统的设计与实现[J].电子元器件与信息技术，2020，4（11）：115-116.

[3]陈星宇.基于多元状态估计的中速磨煤机运行状态诊断和故障预警研究[D].浙江大学，2021.

[4]牛玉广，李晓彬，张佳辉.基于多元状态估计与自适应闽值的电站辅机故障预警[J].动力工程学报，2019，39（09）：717-724.

[5]邱天，許杨旸.磨煤机缓变故障预警研究[A].中国自动化学会.2018中国自动化大会（CAC2018）论文集[C].中国自动化学会：中国自动化学会，2018：6.

王昕（1986.10.8），男，汉族，宁夏吴忠，本科，工程师，中国神华能源股份有限公司惠州热电分公司，研究方向：火电机组智慧运行