專利名稱：電站鍋爐煤粉濃度質量流量軟測量方法
技術領域：
本發(fā)明涉及一種鍋爐測量與信號處理，特別涉及一種電站鍋爐煤粉濃度
背景技術：
電站鍋爐燃燒過程中對煤粉濃度的動態(tài)監(jiān)測對于鍋爐安全正常運行至關重要。風粉混合物屬于氣固兩相流動。質量流量是描述氣固兩相流流動過程的一個重要流動參數(shù)。氣固兩相流流量的非接觸式測量方法主要有熱學法、電學法、衰減法、層析成像法和共振法等。
靜電法是電學法的一種。其測量的基本原理是煤在破碎過程和輸送過程中，煤粉粒子之間的相互碰撞、磨擦、分離，將帶有一定量的電荷并產(chǎn)生一定的電荷場，通過特制的感應傳感器時，在傳感器表面產(chǎn)生等量感應電荷，大量帶電煤粉在傳感器附近的移動，可以產(chǎn)生感應電流，感應電流的大小與煤粉量成正比關系。
由于粉體顆粒靜電化過程復雜，帶電量的大小和符號不僅與顆粒本身的屬性有關，而且與管道的材料和布置、顆粒在管道中的輸送條件等有關，因此靜電傳感器給出的僅僅是顆粒流量的相對值，定量建立顆粒質量流量、濃度與顆粒靜電量之間的機理模型尚需深入的理論與試驗研究。另外，煤粉氣固兩相流動過程中呈現(xiàn)出的不同流型也是影響靜電傳感器應用的一個重要因素，多數(shù)多相流量計都存在靈敏度分布不均勻性問題。靜電傳感器的輸出信號是非常復雜的隨機信號，含豐富的流動參數(shù)信息。其輸出信號的特征集與流量間并不存在確定的函數(shù)關系，信號集與質量流量之間是一個復雜的非線性映射。影響煤粉顆粒靜電因素較多，且氣固兩相管流截面上存在顆粒濃度分布曲線以及靜電傳感器的非線性傳感器機理，單純地從靜電傳感器輸出信號的有效值，不能準確獲得顆粒質量流量絕對測量值，只能給出相對指示值。
近些年發(fā)展起來的軟測量技術為復雜工業(yè)過程中難于用傳統(tǒng)儀表直接測量的參數(shù)，提供了一種有效的解決方法。軟測量技術也是未來多相流測試領域的一個重要發(fā)展方向。目前，對于軟測量模型大都基于單一模型進行建模，即對自變量區(qū)間(輔助變量)采用單一的函數(shù)關系擬合輸出，而未考慮數(shù)據(jù)組之間的聯(lián)系和差異，因此在有限的數(shù)據(jù)基礎上，建立的模型精度較低、魯棒性差。
軟測量模型是軟測量技術的核心，其強調的是通過輔助變量來獲得對主導變量的最佳估計。建模方法主要有機理建模、同歸分析、狀態(tài)估計、模式識別、人工神經(jīng)網(wǎng)絡、模糊數(shù)學、過程層析成像、相關分析和現(xiàn)代非線性信息處理技術。

發(fā)明內容
本發(fā)明是針對現(xiàn)有電站鍋爐煤粉濃度質量流量測量的精度低的問題，提出了一種電站鍋爐煤粉濃度質量流量軟測量方法，利用模糊數(shù)學，提出了基于分解合成的多模型加權平均的固相質量流量非線性軟測量模型，可有效地
減小了流型對多相流流量計測量精度的影響，提高了濃度測量準確性；基于靜電傳感技術和模糊規(guī)則的軟測量模型，可推廣到其他檢測原理的多相流參數(shù)測量上，系統(tǒng)結構簡單，易于實現(xiàn)。
本發(fā)明的技術方案為 一種電站鍋爐煤粉濃度質量流量軟測量方法，包括如下步驟
1) 測量信號預處理通過靜電傳感器獲得測量數(shù)據(jù)，經(jīng)降噪、濾波后，采用動態(tài)時窗模型，對測量數(shù)據(jù)進行平滑預處理；
2) 提取靜電傳感器輸出信號特征量在時域和頻域內對靜電傳感器輸出信號提取特征量，時域內靜電傳感器輸出信號提取有效值、均值、方差、偏度系數(shù)，頻域內提取熵和形狀因子；
3) 建立基于模糊規(guī)則的質量流量非線性軟測量模型建立一個多輸入單輸出的非線性系統(tǒng)模型，模糊規(guī)則的輸入向量為靜電傳感器輸出信號的特征向量；
4) 模型參數(shù)辨識過程利用模糊聚類算法將輸入數(shù)據(jù)進行空間分區(qū)，根據(jù)一組訓練數(shù)據(jù)來確定模型中的參數(shù)；
5) 局部子模型辨識每一區(qū)間上用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡辨識出一個子模型，再利用模糊推理將各子模型輸出加權求和得到顆粒質量流量的估計值。
所述步驟2)中的信號特征量選取時以對流動參數(shù)變化敏感為原則，確保能夠反映兩相流的流動特性。
所述步驟5)中的徑向基函數(shù)神經(jīng)網(wǎng)絡以函數(shù)逼近理論為基礎而構造一類前向學習網(wǎng)絡，通過對各種標準信號的處理和學習，將處理和學習過程以權值和閾值模式集中存儲和記憶在網(wǎng)絡中，在多維空間中尋找訓練數(shù)據(jù)的最佳擬合平面，從而實現(xiàn)信號特征到質量流量的非線性映射，實現(xiàn)了煤粉顆粒
本發(fā)明的有益效果在于本發(fā)明電站鍋爐煤粉濃度質量流量軟測量方法，給出顆粒質量流量絕對值的同時，也有效地將流型的影響融合到軟測量
模型中，提高了測量精度。


圖1是本發(fā)明電站鍋爐煤粉濃度質量流量軟測量方法中時窗函數(shù)模型示意
圖2是本發(fā)明電站鍋爐煤粉濃度質量流量軟測量方法中基于模糊規(guī)則的質量流量非線性軟測量模型示意圖3是本發(fā)明電站鍋爐煤粉濃度質量流量軟測量方法中局部子模型示意圖4是本發(fā)明電站鍋爐煤粉濃度質量流量軟測量方法中示意圖5是本發(fā)明電站鍋爐煤粉濃度質量流量軟測量方法中軟測量系統(tǒng)數(shù)據(jù)處理
流程圖。
具體實施例方式
考慮到在靜電傳感器空間靈敏場內，不同的顆粒分布對應的傳感器輸出信號不同，可對流動過程流型的變化及流型在線辨識并將其引入，對模型進行在線修正，可減少流型和傳感器非線性傳感機理對測量結果的影響，以提高靜電傳感器的測量精度。通過靜電傳感器獲得測量數(shù)據(jù)，經(jīng)降噪、濾波后，采用動態(tài)時窗模型，對測量數(shù)據(jù)進行平滑預處理，然后提取輸出信號的特征信息，考慮數(shù)據(jù)組之間的聯(lián)系和差異，建立不同聚類中心的軟測量模型，利用模糊聚類算法將輸入數(shù)據(jù)進行空間分區(qū)，每一區(qū)間上用徑向基函數(shù)
(RBF)神經(jīng)網(wǎng)絡辨識出一個子模型，再利用模糊推理將各子模型輸出加權求和得到顆粒質量流量的估計值。該模型減小了流型對測量結果的影響，從而提高測量精度。1、 測量信號預處理
靜電傳感器輸出信號隨機性很大，難以直接獲得煤粉質量流量直接信息，需經(jīng)過降噪、濾波、平滑等預處理過程。
建立時窗函數(shù)模型如圖l所示，對測量信號進行平滑濾波-時窗函數(shù)濾波信號輸出
脅一-，r
式中取^(,) = |>,， x,為采集的離散測量值數(shù)據(jù)點，w,為采集時間t內采樣的
'=0
靜電傳感器數(shù)據(jù)點的個數(shù)；時窗長度r可由程序界面動態(tài)設定。
2、 提取靜電傳感器輸出信號特征量-
在時域和頻域內對靜電傳感器輸出信號共提取6個特征量。時域內靜電傳感器輸出信號的統(tǒng)計特征包括有效值、均值、方差、偏度系數(shù)，頻域內提取熵和形狀因子。
有效值 一個數(shù)據(jù)采集周期T內的等效電壓值，表達式為式中x,為采集的離散數(shù)據(jù)點，N為采集數(shù)據(jù)點的個數(shù)。
均值；反應了波動信號中的直流成分。氣固兩相流動過程中，顆粒不僅在軸向運動，且在徑向上也會產(chǎn)生運動，甚至存在回流現(xiàn)象。靜電傳感器輸出信號并非一個均值為零的交流信號，其直流成分也反映了顆粒的流動特性，計算表達式為方差反映了測量數(shù)據(jù)的離散程度，計算表達式
偏度系數(shù)反映了以平均值為中心數(shù)據(jù)分布的不對稱程度，表達式為
為表征信號的功率譜密度函數(shù)分布特征，在頻域內提取了熵和形狀因子。信
號的概率密度函數(shù)定義為
《=# 式中^為對應第y個離散頻率的功率密度，J為功率譜分析 1>乂
中獲得離散頻率點的總數(shù)。信息熵標識功率譜密度分布測度
五一2X」g《 功率譜形狀因子定義如下
^丄j丄仏-》)2式中歹為功率譜的平均值，即》=^1>,
; J -1 y=1 _ 1戶i
基于不同的信息處理技術，如信息熵、混沌、分形理論及小波分析等， 所提取的信號特征是不同的，對于一個信號的表征也是多種多樣。本系統(tǒng)選 取時以對流動參數(shù)變化敏感為原則，確保能夠反映兩相流的流動特性。 3、建立基于模糊規(guī)則的質量流量非線性軟測量模型
建立一個多輸入單輸出的非線性系統(tǒng)模型如圖2所示，模糊規(guī)則的輸入 向量為靜電傳感器輸出信號的特征向量
非線性系統(tǒng)可以n條模糊規(guī)則的集合表示If xe(仏)，then jv, =/;<>) (i=l， 2，…，n) 式中(仏)表示第i個局部數(shù)據(jù)輸入?yún)^(qū)域，《,為聚類數(shù)據(jù)中心；n為模糊規(guī)則 數(shù)，即整個輸入向量空間所劃分的局部輸入?yún)^(qū)域數(shù)；少,是第i條規(guī)則對應的 輸出；乂(x)為對應的局部子模型。
基于模糊推理的整個非線性模型系統(tǒng)的輸出(即質量流量)
式中w,為輸入x屬于第i條規(guī)則的程度，可根據(jù)Gaussian Bells函數(shù)計算
式中9,為高斯函數(shù)的中心變量，S,為高斯函數(shù)的高度。 4、模型參數(shù)辨識過程
根據(jù)一組輸入、輸出的訓練數(shù)據(jù)來確定模型中的參數(shù)，即各局部數(shù)據(jù)輸
入?yún)^(qū)域的中心仏、高斯密度函數(shù)的寬度s,、局部輸出子模型y;(x)。
按照樣本相似性準則將整個樣本空間的輸入數(shù)據(jù)劃分到各個局部輸入?yún)^(qū) 域?？紤]到氣固兩相流流動過程，不同流動狀態(tài)之間的界限很難明確劃分， 且狀態(tài)間互相重迭，因而采用模糊C均值聚類(FCM)算法可更有效刻畫流動 狀態(tài)。
靜電傳感器輸出m組待聚類信號特征樣本，可用如下集合表示-
= {X!, X2 ，…,Xm }
集合中每個樣本點用含有6個濃度信號特征值的向量表示 [廢&,3^.AH五乂，^/] (J = l，…，mFCM根據(jù)指定的聚類數(shù)n，以樣本與聚類中心的距離為目標函數(shù)計算隸屬 度，實現(xiàn)對數(shù)據(jù)的分類。計算機程序編制時采用迭代算法，近似獲得目標函 數(shù)的最優(yōu)值，繼而獲得最優(yōu)聚類中心2 =[仏,^,1 ]和隸屬度矩陣 "=[ :U,y,,，""表示樣本集合中的元素x,.屬于第i個聚類的程度。 不同聚類中心仏.中的數(shù)據(jù)按照最大的隸屬原則進行確定。
S,計算公式= [ jX& -仏f (A -仏)]5
式中A("l,…，丄)為第i個聚類中的元素，L為第i個聚類中的樣本個數(shù)。 5、局部子模型辨識
采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡作為局部子模型的預估模型，如圖3所 示。徑向基函數(shù)網(wǎng)絡以函數(shù)逼近理論為基礎而構造一類前向學習網(wǎng)絡，通過 對各種標準信號的處理和學習，將處理和學習過程以權值和閾值模式集中存 儲和記憶在網(wǎng)絡中，在多維空間中尋找訓練數(shù)據(jù)的最佳擬合平面，從而實現(xiàn) 信號特征到質量流量的非線性映射，實現(xiàn)了煤粉顆粒質量流量的測量。
輸入層共6個特征輸入量，輸出層為煤粉顆粒質量流量。隱含層包含一系 列徑向函數(shù)，輸出層采用線性函數(shù)。選用高斯函數(shù)作為徑向基函數(shù)
式中X是6維輸入向量；c,是r個基函數(shù)中心，與x具有相同維數(shù)的向量； ^為第r個基函數(shù)的寬度。
輸入層實現(xiàn)從x — & W的非線性映射，輸出層實現(xiàn)從^(x) ■> /(x)的線性
映射，即/(x) = ^A(x) + "。式中氣是隱層節(jié)點個數(shù)，^是第r個隱層單 元到輸出層單元的連接權值；"。是輸出層單元的閾值。RBF網(wǎng)絡學習過程分成兩個階段先根據(jù)各局部區(qū)域訓練樣本利用減聚
類學習算法確定隱層神經(jīng)元數(shù)目Nn 、徑向基函數(shù)的中心值c一徑向基函數(shù)寬
度 ，然后隱層參數(shù)確定后輸出層的連接權",由訓練樣本通過監(jiān)督的誤差校 正學習算法確定。
進一步說明，舉例建立鍋爐風粉在線監(jiān)測系統(tǒng)如圖4所示，系統(tǒng)由信號 測量系統(tǒng)、信號采集系統(tǒng)、數(shù)據(jù)組態(tài)處理及終端顯示及接口 4個部分組成。
以上海某電廠3#鍋爐為監(jiān)測對象。系統(tǒng)測點包括煤粉濃度測點4個、熱
風溫度測點4個、 一次風速動壓測點4個，系統(tǒng)對C層磨煤機給粉系統(tǒng)12 路信號進行數(shù)據(jù)采集。
煤粉濃度測量由基于靜電荷測量原理的EDC-TM煤粉測量傳感器、EDC-QM前置轉換模塊、EDC-D15專用模塊電源構成。EDC-TM煤粉測量傳感器經(jīng)前 置轉換模塊EDC-QM送至數(shù)據(jù)采集系統(tǒng)。數(shù)據(jù)處理以及上位機系統(tǒng)組態(tài)采用 力控PcAuto組態(tài)工具實現(xiàn)。
濃度傳感器靜電感應電流經(jīng)放大處理后通過特殊屏蔽同軸電纜輸出至 EDC-QM前置轉換模塊進行處理，轉換為儀表行業(yè)通用的4 20mA電流信號， 然后送至DY系列遠程I/O進行數(shù)據(jù)采集，并轉換成0 100測量值。
如圖5所示流程圖，通過多次試驗，改變系統(tǒng)負荷，改變總輸送粉量和 風量，通過試驗記錄多組數(shù)據(jù)獲得訓練樣本。原始測量值信號隨機性較大， 經(jīng)過超前、滯后濾波及動態(tài)時窗濾波，提取信號特征值，進入模糊推理。
實際應用模糊C均值算法進行聚類時，聚類個數(shù)n的確定非常重要。聚 類個數(shù)n增多，模型精度不一定高，其中一個主要原因是由于總的訓練樣本 一定時，n增大導致局部模型訓練樣本數(shù)減小，局部模型辨識精度變差。經(jīng)實驗計算發(fā)現(xiàn)，局部輸入?yún)^(qū)域取4時，模型的辨識精度較高。實際比照分析 表明，應用基于模糊規(guī)則的多模型軟測量方法可有效地減小了流型對多相流 流量計測量精度的影響，提高了濃度測量準確性。
權利要求
1、一種電站鍋爐煤粉濃度質量流量軟測量方法，包括如下步驟1)測量信號預處理通過靜電傳感器獲得測量數(shù)據(jù)，經(jīng)降噪、濾波后，采用動態(tài)時窗模型，對測量數(shù)據(jù)進行平滑預處理；2)提取靜電傳感器輸出信號特征量在時域和頻域內對靜電傳感器輸出信號提取特征量，時域內靜電傳感器輸出信號提取有效值、均值、方差、偏度系數(shù)，頻域內提取熵和形狀因子；3)建立基于模糊規(guī)則的質量流量非線性軟測量模型建立一個多輸入單輸出的非線性系統(tǒng)模型，模糊規(guī)則的輸入向量為靜電傳感器輸出信號的特征向量；4)模型參數(shù)辨識過程利用模糊聚類算法將輸入數(shù)據(jù)進行空間分區(qū)，根據(jù)一組訓練數(shù)據(jù)來確定模型中的參數(shù)；5)局部子模型辨識每一區(qū)間上用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡辨識出一個子模型，再利用模糊推理將各子模型輸出加權求和得到顆粒質量流量的估計值。
2、 根據(jù)權利要求l所述電站鍋爐煤粉濃度質量流量軟測量方法，其特征在 于所述步驟2)中的信號特征量選取時以對流動參數(shù)變化敏感為原則，確 保能夠反映兩相流的流動特性。
3、 根據(jù)權利要求1所述電站鍋爐煤粉濃度質量流量軟測量方法，其特征在 于所述步驟5)中的徑向基函數(shù)神經(jīng)網(wǎng)絡以函數(shù)逼近理論為基礎而構造一 類前向學習網(wǎng)絡，通過對各種標準信號的處理和學習，將處理和學習過程以 權值和閾值模式集中存儲和記憶在網(wǎng)絡中，在多維空間中尋找訓練數(shù)據(jù)的最佳擬合平面，從而實現(xiàn)信號特征到質量流量的非線性映射，實現(xiàn)了煤粉顆粒 質量流量的測量。
全文摘要
本發(fā)明涉及一種電站鍋爐煤粉濃度質量流量軟測量方法，利用模糊數(shù)學，提出了基于分解合成的多模型加權平均的固相質量流量非線性軟測量模型，可有效地減小了流型對多相流流量計測量精度的影響，提高了濃度測量準確性；基于靜電傳感技術和模糊規(guī)則的軟測量模型，可推廣到其他檢測原理的多相流參數(shù)測量上，系統(tǒng)結構簡單，易于實現(xiàn)。
文檔編號G01F1/86GK101464172SQ200810044158
公開日2009年6月24日 申請日期2008年12月22日 優(yōu)先權日2008年12月22日
發(fā)明者成貴學, 曹絳敏, 潘衛(wèi)國, 王文歡 申請人:上海電力學院