本發(fā)明涉及磨煤機的故障診斷方法
技術(shù)領(lǐng)域：
，尤其涉及一種中速磨煤機振動故障診斷方法。
背景技術(shù)：
：磨煤機振動大是對機組安全穩(wěn)定運行危害非常大的一類故障，振動大故障的發(fā)生會引發(fā)一系列的問題：1)磨煤機本體各連接部件松動；2)磨煤機基礎(chǔ)振動大可能引發(fā)汽泵振動加大；3)拉桿密封損壞，發(fā)生漏粉甚至是導(dǎo)致拉桿斷裂。而導(dǎo)致磨煤機振動大故障的發(fā)生也包含很多可能的原因：1)磨煤機斷煤；2)磨盤襯瓦斷裂；3)磨內(nèi)進異物(三塊居多)；4)磨輥磨損嚴重等。而經(jīng)過調(diào)查發(fā)現(xiàn)，目前中速磨煤機均未安裝磨煤機振動測點，所以對磨煤機振動大故障進行診斷則需要從其他相關(guān)參數(shù)入手。技術(shù)實現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是提供一種中速磨煤機振動故障診斷方法，所述診斷方法具有診斷準確度高、測試效果好的特點。為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是：一種中速磨煤機振動故障診斷方法，其特征在于所述方法包括如下步驟：(1)建立磨煤機電流預(yù)測模型，得出磨煤機電流預(yù)測值，將磨煤機電流實際值與磨煤機電流預(yù)測值做差，得到磨煤機電流殘差序列；(2)對電流殘差序列進行小波包故障特征提取，對提取出的故障特征采用最小二乘支持向量機分類器進行故障分類。進一步的技術(shù)方案在于：步驟(1)中以經(jīng)過數(shù)據(jù)預(yù)處理的磨煤機進出口差壓、給煤機給煤量、磨入口一次風(fēng)量和磨出口溫度作為磨煤機電流預(yù)測模型的輸入，以BP神經(jīng)網(wǎng)絡(luò)預(yù)測得到一個電流預(yù)測信號，以磨煤機電流實際值與磨煤機電流預(yù)測值做差，以得到的磨煤機電流殘差序列信號表征磨煤機振動。進一步的技術(shù)方案在于：對構(gòu)造的磨煤機振動信號，采用三層小波包分解，提取磨煤機振動8個頻帶的能量比為特征量，通過最小二乘支持向量機分類器 法進行故障的診斷。進一步的技術(shù)方案在于：電流預(yù)測模型的建立過程如下：步驟(1)BP神經(jīng)網(wǎng)絡(luò)初始化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為四輸入一輸出，八個隱層節(jié)點，即輸入節(jié)點n＝4，隱層節(jié)點l＝8，輸出節(jié)點m＝1；X1為磨出口風(fēng)壓；X2為給煤機給煤量；X3為磨入口一次風(fēng)量；X4為磨出口溫度；Y為磨煤機預(yù)測電流；輸入層、隱層和輸出層之間的連接權(quán)值分別為ωij，ωjk，初始化隱含層閾值為a，輸出層閾值為b，設(shè)定學(xué)習(xí)速率為η；步驟1)網(wǎng)絡(luò)初始化inputWeights＝net.IW{1,1}；％輸入層與隱含層之間的連接權(quán)值inputbias＝net.b{1}；％隱含層閾值layerWeights＝net.LW{2,1}；％隱含層與輸出層之間的連接權(quán)值layerbias＝net.b{2}；％輸出層閾值步驟2)設(shè)置訓(xùn)練參數(shù)net.trainParam.show＝50；訓(xùn)練顯示間隔net.trainParam.lr＝0.01；學(xué)習(xí)步長net.trainParam.mc＝0.9；動量項系數(shù)net.trainParam.epochs＝3000；最大訓(xùn)練次數(shù)net.trainParam.goal＝1e-5；最小均方誤差步驟(2)隱含層輸出計算根據(jù)輸入向量X，輸入層與隱含層之間的連接權(quán)值ωij以及隱含層閾值a，計算隱含層輸出H；Hj=f(Σi=1nωijxi-aj),j=1,2,...,l]]>式中，n輸入節(jié)點數(shù)(n＝4)，l為隱含層節(jié)點數(shù)(l＝8)，f為隱含層激勵函數(shù)，本文選用tansig激勵函數(shù)；f(x)=21+e-2x-1;]]>步驟(3)輸出層計算根據(jù)隱含層輸出H，連接權(quán)值ωjk和閾值b，計算神經(jīng)網(wǎng)絡(luò)預(yù)測輸出OOk=Σj=1lHjωjk-bk,k=1;]]>步驟(4)誤差計算根據(jù)網(wǎng)絡(luò)預(yù)測輸出O和期望輸出Y，計算網(wǎng)絡(luò)預(yù)測誤差eek＝Ok-Ykk＝1步驟(5)權(quán)值更新根據(jù)網(wǎng)絡(luò)預(yù)測誤差e更新網(wǎng)絡(luò)連接權(quán)值ωij，ωjkωij=ωij+ηHj(1-Hj)x(i)Σk=1mωjkek,i=1,2,...,4;j=1,2,...,8]]>ωjk＝ωjk+ηHjekj＝1,2,…,8；k＝1式中，η為學(xué)習(xí)速率；步驟(6)閾值更新根據(jù)網(wǎng)絡(luò)預(yù)測誤差e更新網(wǎng)絡(luò)節(jié)點閾值a，baj=aj+ηHj(1-Hj)Σk=1mωjkek,j=1,2,...,8]]>bk＝bk+ekk＝1步驟(7)判斷算法迭代次數(shù)是否達到最大訓(xùn)練次數(shù)或是否達到最小均方差，若未達到，則返回步驟(2)，若達到，則訓(xùn)練結(jié)束；步驟(8)以磨出口風(fēng)壓X1、給煤機給煤量X2、磨入口一次風(fēng)量X3、磨出口溫度X4作為訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸入信號，預(yù)測正常的磨煤機預(yù)測電流信號Y。采用上述技術(shù)方案所產(chǎn)生的有益效果在于：所述方法首先對磨煤機振動進行故障特征分析，得出磨煤機電流是磨煤機振動故障分析的重要監(jiān)測參數(shù)，隨后通過歷史數(shù)據(jù)的相關(guān)性從分析篩選出了磨出口風(fēng)壓、給煤機給煤量、磨入口 一次風(fēng)量和磨出口溫度四個輔助變量，以這四個輔助變量來預(yù)測電流，并用實測電流與預(yù)測電流作差，取磨煤機電流殘差序列構(gòu)造磨振動量的方法，對磨電流殘差序列進行三層小波包分解，獲得8個頻帶的能量比，統(tǒng)計分析兩種故障的能量比，得出磨輥磨損嚴重和磨內(nèi)進異物兩種故障的特征量區(qū)分明顯，即將八個頻帶的能量比作為磨煤機振動大故障診斷的特征量，采用最小二乘向量機對樣本進行分類訓(xùn)練、測試，實例驗證測試效果較好，表明該方法能有效分離導(dǎo)致的磨煤機振動大的兩種原因。附圖說明下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。圖1是信號s(k)三層小波分解過程圖；圖2是磨煤機振動構(gòu)造模型圖；圖3是采用三層分解的小波包分解樹結(jié)構(gòu)圖；圖4是線性可分情況下二維輸入空間中最優(yōu)超平面的幾何結(jié)構(gòu)圖；圖5是磨煤機振動大故障診斷模型圖；圖6是給煤機給煤量原始數(shù)據(jù)與預(yù)處理后數(shù)據(jù)時域圖；圖7是預(yù)測磨煤機電流與實測磨煤機電流對照圖；圖8是磨煤機振動大樣本1磨實際電流值與磨預(yù)測電流及其差值時域圖；圖9是振動大樣本2磨實際電流值與磨預(yù)測電流及其差值時域圖；圖10正常情況下電流殘差序列各頻帶能量比；圖11是磨輥磨損大導(dǎo)致振動大情況下電流殘差序列各頻帶能量比；圖12進異物導(dǎo)致振動大情況下電流殘差序列各頻帶能量比；圖13是本發(fā)明中使用的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。具體實施方式下面結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明的一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。在下面的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以采用其他不同于在此描述的其它方式來實施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實施例的限制。如圖2和5所示，總體的，本發(fā)明公開了一種中速磨煤機振動故障診斷方法，所述方法包括如下步驟：(1)建立磨煤機電流預(yù)測模型，得出磨煤機電流預(yù)測值，將磨煤機電流實際值與磨煤機電流預(yù)測值做差，得到磨煤機電流殘差序列；(2)對電流殘差序列進行小波包故障特征提取，對提取出的故障特征采用最小二乘支持向量機分類器進行故障分類。步驟(1)中以經(jīng)過數(shù)據(jù)預(yù)處理的磨煤機進出口差壓、給煤機給煤量、磨入口一次風(fēng)量和磨出口溫度作為磨煤機電流預(yù)測模型的輸入，以BP神經(jīng)網(wǎng)絡(luò)預(yù)測得到一個電流預(yù)測信號，以磨煤機電流實際值與磨煤機電流預(yù)測值做差，以得到的磨煤機電流殘差序列信號表征磨煤機振動，對構(gòu)造的磨煤機振動信號，采用三層小波包分解，提取磨煤機振動8個頻帶的能量比為特征量，通過最小二乘支持向量機分類器法進行故障的診斷。電流預(yù)測模型的建立過程如下：步驟(1)BP神經(jīng)網(wǎng)絡(luò)初始化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為四輸入一輸出，八個隱層節(jié)點，即輸入節(jié)點n＝4，隱層節(jié)點l＝8，輸出節(jié)點m＝1；如圖13所示，X1為磨出口風(fēng)壓；X2為給煤機給煤量；X3為磨入口一次風(fēng)量；X4為磨出口溫度；Y為磨煤機預(yù)測電流；輸入層、隱層和輸出層之間的連接權(quán)值分別為ωij，ωjk，初始化隱含層閾值為a，輸出層閾值為b，設(shè)定學(xué)習(xí)速率為η；步驟1)網(wǎng)絡(luò)初始化inputWeights＝net.IW{1,1}；％輸入層與隱含層之間的連接權(quán)值inputbias＝net.b{1}；％隱含層閾值layerWeights＝net.LW{2,1}；％隱含層與輸出層之間的連接權(quán)值layerbias＝net.b{2}；％輸出層閾值步驟2)設(shè)置訓(xùn)練參數(shù)net.trainParam.show＝50；訓(xùn)練顯示間隔net.trainParam.lr＝0.01；學(xué)習(xí)步長net.trainParam.mc＝0.9；動量項系數(shù)net.trainParam.epochs＝3000；最大訓(xùn)練次數(shù)net.trainParam.goal＝1e-5；最小均方誤差步驟(2)隱含層輸出計算根據(jù)輸入向量X，輸入層與隱含層之間的連接權(quán)值ωij以及隱含層閾值a，計算隱含層輸出H；Hi=f(Σi=1nωijxi-ai),j=1,2,...,8]]>式中，l為隱含層節(jié)點數(shù)，f為隱含層激勵函數(shù)，本文選用tansig激勵函數(shù)；f(x)=21+e-2x-1;]]>步驟(3)輸出層計算根據(jù)隱含層輸出H，連接權(quán)值ωjk和閾值b，計算神經(jīng)網(wǎng)絡(luò)預(yù)測輸出OOk=Σj=1lHjωjk-bk,k=1;]]>步驟(4)誤差計算根據(jù)網(wǎng)絡(luò)預(yù)測輸出O和期望輸出Y，計算網(wǎng)絡(luò)預(yù)測誤差eek＝Ok-Ykk＝1步驟(5)權(quán)值更新根據(jù)網(wǎng)絡(luò)預(yù)測誤差e更新網(wǎng)絡(luò)連接權(quán)值ωij，ωjkωij=ωij+ηHj(1-Hj)x(i)Σk=1mωjkek,i=1,2,...,4;j=1,2,...,8]]>ωjk＝ωjk+ηHjekj＝1,2,…,8；k＝1式中，η為學(xué)習(xí)速率；步驟(6)閾值更新根據(jù)網(wǎng)絡(luò)預(yù)測誤差e更新網(wǎng)絡(luò)節(jié)點閾值a，baj=aj+ηHj(1-Hj)Σk=1mωjkek,j=1,2,...,8]]>bk＝bk+ekk＝1步驟(7)判斷算法迭代次數(shù)是否達到最大訓(xùn)練次數(shù)或是否達到最小均方差，若未達到，則返回步驟(2)，若達到，則訓(xùn)練結(jié)束；步驟(8)以磨出口風(fēng)壓X1、給煤機給煤量X2、磨入口一次風(fēng)量X3、磨出口溫度X4作為訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸入信號，預(yù)測正常的磨煤機預(yù)測電流信號Y。磨煤機電流預(yù)測模型：(1)數(shù)據(jù)小波降噪處理：一般從熱工測量現(xiàn)場采集的數(shù)據(jù)，由于儀表本身以及環(huán)境因素的影響，都不可避免的會影響到數(shù)據(jù)精度，進而增加建模的難度、降低模型的精確度。基于上述對火電廠熱工測量數(shù)據(jù)的認識，為了保證模型能夠較為準確的反映實際情況，本文針對測量數(shù)據(jù)進行降噪預(yù)處理。含噪聲的一維信號s(k)的模型可以表示成如下的形式：s(k)＝f(k)+ε·e(k),k＝0,1,…,n-1(1)式中s(k)—含噪信號；f(k)—有用信號；e(k)—噪聲信號；ε—噪聲信號偏差。實際分析中，有價值的信號通常表現(xiàn)為低頻信號或是一些比較平穩(wěn)的信號，而噪聲信號則通常表現(xiàn)為高頻信號。所以降噪的過程可按如下方法進行處理：對信號s(k)進行小波分解得到低頻系數(shù)cA1、cA2、cA3和高頻系數(shù)cD1、cD2、cD3，通過一定方式求得閾值，然后對小波的高頻系數(shù)進行處理，再對信號進行重構(gòu)即可達到降噪的目的。抑制信號中噪聲部分的同時并恢復(fù)出有用信號f(k)，即完成對信號s(k)的降噪，三層小波分解分解過程如圖1所示。一般而言，基于小波分析的一維信號降噪過程可按如下三個步驟進行：①信號的小波分解。確定小波基和小波分解的層數(shù)N，對含噪信號s(k)進行N層小波分解，得到高、低頻系數(shù)。②閾值量化小波分解高頻系數(shù)。對各尺度下的高頻系數(shù)選擇適當(dāng)?shù)拈撝祷蜷撝岛瘮?shù)進行閾值量化處理。③小波重構(gòu)。依據(jù)小波分解系數(shù)最高分辨率層的低頻系數(shù)和經(jīng)過閾值量化處理的各層高頻系數(shù)進行小波重構(gòu)。(2)數(shù)據(jù)歸一化歸一化是一種數(shù)據(jù)的無量綱化處理方法，它使物理系統(tǒng)數(shù)值的絕對值變成一種相對值的關(guān)系，能有效簡化計算，縮小量值。對原始數(shù)據(jù)進行歸一化處理，把數(shù)據(jù)變成(0，1)之間的小數(shù)。它有線性函數(shù)轉(zhuǎn)化、對數(shù)函數(shù)轉(zhuǎn)化、反正切函數(shù)轉(zhuǎn)化等方式，其中線性函數(shù)轉(zhuǎn)化如式(2)所示：x0=x-xminxmax-xmin---(2)]]>其中x，x0分別為歸一化前后的值，xmax和xmin為觀測的最大值和最小值。(3)輔助變量篩選根據(jù)運行經(jīng)驗，磨煤機電流的變化能夠反映磨煤機振動的狀況。故障點前磨煤機電流變化平緩，故障點后磨煤機電流變化劇烈，運行異常分析記錄為磨煤機振動大。假若不發(fā)生振動大故障，在負荷變化不大的前提下，可以推測磨煤機電流應(yīng)該像故障點前一樣平緩變化，那么實際的磨煤機電流值與正常狀態(tài)下的電流值之間的殘差就是因為振動大故障導(dǎo)致的磨煤機電流變化。從磨煤機系統(tǒng)的眾多參數(shù)中進行篩選出磨煤機進出口差壓、給煤機給煤量、磨入口一次風(fēng)量和磨出口溫度來表征磨煤機電流，表1、表2為五個參數(shù)振動大故障點前12小時正常和故障點后1小時異常運行數(shù)據(jù)相關(guān)性分析。表1運行數(shù)據(jù)相關(guān)性分析(正常)表2運行數(shù)據(jù)相關(guān)性分析(異常)對比表1和表2可得，磨煤機電流與其他四個參數(shù)在正常運行情況下呈較高的相關(guān)度(>0.408)，而在異常情況下磨煤機電流與其他四個參數(shù)呈較低的相關(guān)度(<0.126)，磨煤機電流與磨煤機進出口差壓、給煤機給煤量、磨入口一次風(fēng)量、磨出口溫度四個參數(shù)在正常和異常兩種情況下的相關(guān)性差異正好能夠表征磨煤機電流，故選擇該四種參數(shù)作為輔助變量來表征磨煤機電流。磨煤機振動量構(gòu)造：(1)建立磨煤機電流預(yù)測模型：以磨煤機進出口差壓、給煤機給煤量、磨入口一次風(fēng)量和磨出口溫度作為磨煤機電流預(yù)測模型的輸入，構(gòu)建四輸入一輸出單隱層的BP神經(jīng)網(wǎng)絡(luò)模型。(2)磨煤機振動量構(gòu)造：將實測的磨煤機電流值與預(yù)測電流值作差，以磨煤機電流殘差序列表示磨煤機振動量，并對殘差序列進行信號分析，實現(xiàn)磨煤機振動故障的診斷。圖2中，磨煤機電流殘差序列由磨煤機電流實際值減去磨煤機電流預(yù)測值得來?；谛〔ò治龊妥钚《酥С窒蛄繖C的磨煤機振動故障診斷：對構(gòu)造的 磨煤機振動量(即磨煤機電流殘差序列)進行小波包故障特征提取，對提取出的故障特征采用最小二乘支持向量機分類器進行故障分類。小波包分析理論及其分解、重構(gòu)算法：小波包分析是小波分析的拓展延伸，是將頻帶進行多層次劃分，對多分頻分析無法細分的頻帶進一步分解，并能夠根據(jù)被分析信號的特征，自適應(yīng)地選擇合適的頻帶，使之與信號頻譜相匹配，從而提高了時頻的分辨率。確定小波包分解的層數(shù)需要考慮具體信號和對特征參數(shù)的要求，三層分解的小波包分解樹結(jié)構(gòu)如圖3所示。在多分辨率分析中，表明多分辨率分析時按照不同的尺度因子j把Hilbert空間L2(R)分解為所有子空間Wj(j∈Z)的正交和。其中Wj為小波函數(shù)ψ(t)的小波子空間。對小波子空間Wj按照二進制進行頻率的進一步細分，從而實現(xiàn)頻率分辨率的提高。將尺度子空間Vj和小波子空間Wj用一個新的子空間統(tǒng)一來表征，由小波分析中可用的分解統(tǒng)一為Uj+10=Uj0+Uj1,j∈Z---(3)]]>定義子空間是函數(shù)un(t)的閉包空間，而是u2n(t)的閉包空間，令un(t)滿足式(4)的雙尺度方程u2n(t)=2Σk∈Zh(k)un(2t-K)u2n+1(t)=2Σk∈Zg(k)un(2t-K)---(4)]]>式中，g(k)＝(-1)kh(1-k)。由X＝AS構(gòu)造的序列{un(t)(n∈Z+)}稱為基函數(shù)u0(t)＝(t)確定的正交小波包。當(dāng)n＝0時，u0(t)和u1(t)分別為尺度函數(shù)φ(t)和小波基函數(shù)ψ(t)，因{un(t)(n∈Z)}是正尺度函數(shù)φ(t)的正交小波包，它構(gòu)成L2(R)的規(guī)范正交基。{un(t)(n∈Z)}是關(guān)于hk的小波包族，設(shè)則可表示為gjn(t)=Σldlj,nun(2jt-1)---(5)]]>由Uj+10=Uj0+Uj1,j∈Z]]>可知，小波包分解就是將分解為與小波包分解算法是由求與dlj,2n=Σhk-2ldkj+1,ndlj,2n+1=Σgk-2ldkj+1,n---(6)]]>小波包重構(gòu)算法是由與求{dlj+1,n}=Σk[hk-2ldkj,2n+gk-2ldkj,2n+1]---(7)]]>小波包分析故障特征提?。河梢陨戏治隹梢钥闯?，對于振動這一非平穩(wěn)信號，小波包變換具有不可比擬的優(yōu)點，它具有多維多分辨率分析的特點，能將任何信號細分解到相應(yīng)的頻帶里，用每個頻帶里信號含有的能量來反映設(shè)備的狀態(tài)，且每個頻帶能量對于總能量的占比也因工作狀態(tài)的不同而不同。本文利用利用基于正交濾波器算法的小波包分解故障信號的相關(guān)頻段，直接利用各頻段成分能量比的變化來作為信號的特征量。以信號的三層小波包分解為例，具體分解步驟如下：(1)首先對給定待分析信號進行三層小波包分解，分別提取第三層從低頻到高頻共八個頻帶的信號特征。(2)對小波分解系數(shù)重構(gòu)，提取個頻帶范圍的信號，以Sj(j＝0,1,…,7)表示第3層各節(jié)點的重構(gòu)信號，則總信號S可表示為S=Σj=17Sj---(8)]]>(3)求信號各頻帶的能量總和。設(shè)各頻帶信號Sj(j＝0,1,…,7)。對應(yīng)能量為Ej(j＝0,1,…,7)，則有Ej=Σk=0n|xjk|2---(9)]]>式中，xjk(j＝0,1,…,7；k＝0,1,…,n)表示重構(gòu)信號Sj的時間域離散點的幅值。(4)構(gòu)造特征向量。由于系統(tǒng)出現(xiàn)不同故障時，各頻帶內(nèi)信號能量也發(fā)生相應(yīng)變化，因此，以能量比構(gòu)造故障的特征向量。特征向量T構(gòu)造如下T{E0,E1,…,E7}(10)這些在不同尺度下分解得到不同頻帶的序列，其相互之間不但是正交的、能量守恒的，而且序列還包含了大量的非平穩(wěn)故障信息，對非平穩(wěn)故障可以準確合理的進行故障特征提取。支持向量機：支持向量機法是一種基于結(jié)構(gòu)風(fēng)險最小化原理，以統(tǒng)計學(xué)習(xí)VC維理論為基礎(chǔ)的一種學(xué)習(xí)算法，根據(jù)有限樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷。針對樣本數(shù)量有限的問題，具備良好的推廣能力，有限訓(xùn)練樣本求得的解，在進行測試求解時仍能取得良好的效果。線性可分:在線性可分的情況下，通過構(gòu)建一個超平面作為決策面來實現(xiàn)分類，要求該決策面不僅能夠?qū)⑺杏?xùn)練樣本進行正確分類，還要使訓(xùn)練樣本中離分類面最近的點到分類面距離最大。圖4為線性可分情況下二維輸入空間中最優(yōu)超平面的幾何結(jié)構(gòu)圖，其中：實心點和空心點分別代表兩種不同樣本；H為分類線；H1，H2分別為過各類中離分類線最近的樣本點且平行于分類線的直線，它們之間的距離稱為分類間隔。假設(shè)給定的樣本集為{(xi,yi)}i＝1,…,N，其中：xi∈Rd,yi∈{1,-1}。xi是n維向量，如果xi屬于樣本一類，則記為yi＝1，否則記為yi＝-1。經(jīng)過歸一化處理，分類線H與H1，H2的方程總可以表示為H:wx+b＝0H1:wx-b＝1(11)H2:wx-b＝-1式中w為法向量，b為偏置量。H1，H2上的點距分類線H的距離均為D＝1/||w||2，分類間隔為使分類間隔最大相當(dāng)于是||w||2最小，被誤判的風(fēng)險就最小，因此，求最優(yōu)分類線可以描述為下面的二次規(guī)劃問題。minΦ(w,b)=12||w||2]]>s.t.yi(wxi+b)-1≥0(12)(i＝1,2,…,l)可以將上述二維最優(yōu)分類線的推導(dǎo)過程自然擴展到多維情況下最優(yōu)超平面的推導(dǎo)過程，這時H，H1，H2由二維分類線變?yōu)槎嗑S超平面，超平面H1，H2上的點被稱為支持向量，這些點唯一地確定了一個最優(yōu)的分類面H。利用拉格朗日優(yōu)化方法可以把上述求解最優(yōu)分類面問題轉(zhuǎn)化為其對偶問題，即在約束條件對ai求解下列函數(shù)的最大值Q(a)=Σi=1lai-12Σi,j=1laiajyiyj(xixj)---(13)]]>其中：ai為原問題中與每個約束條件式(13)對應(yīng)的拉格朗日乘子。這是一個不等式約束下的二次函數(shù)尋優(yōu)問題，存在惟一解。根據(jù)Kuhn-Tucker條件，這個優(yōu)化問題的解需滿足：ai(yi(wxi+b)-1)＝0(i＝1,2,…,l)(14)求解上述問題后得到的最優(yōu)分類函數(shù)是：f(x)=sgn{(wx)+b}=sgn{Σi=1mai*(xix)+b}---(15)]]>其中：m表示求和；b是分類閾值；sgn()為符號函數(shù)。由泛函理論可知，高維空間的內(nèi)積總可以在輸入空間找到一個滿足條件的核函數(shù)K(x,x')，因此并不需要知道非線性映射的具體形式。支持向量機在二維空間能夠很好進行分類，但是無法直接求解高維特征空間的點積，而是用原空間的核函數(shù)來代替它。上述最優(yōu)分類函數(shù)為f(x)=sgn{(wx)+b}=sgn{Σi=1mai*yiK(xix)+b}---(16)]]>根據(jù)此函數(shù)輸出的正負(一般設(shè)置為±1)來判別樣本所屬的類別。根據(jù)不同類別的核函數(shù)選擇來構(gòu)造不同類型的支持向量機。線性不可分：在遇到非線性情況時，超平面無法解決分類問題，只能通過提高特征空間的維數(shù)來進行分類。首先非線性SVM依據(jù)先驗的非線性映射條件將待分類向量xi映射到一個高維特征空間(Hilbert空間)中，然后在此高維空間中構(gòu)建最優(yōu)超平面。為了避免在高維特征空間中進行復(fù)雜的運算，采用核函數(shù)(KernelFunction)在向量之間只作點積運算。其中核函數(shù)K須滿足：因此，對于線性不可分，只需要作一個非線性映射將xi映射到高維特征空間，然后在高維特征空間進行線性分類，這樣分類超平面變?yōu)椋阂胨沙谝蜃应蝘≥0和錯誤懲罰常數(shù)C>0來解決某些樣本不能被正確分類的問題。于是優(yōu)化問題式(12)重新描述為：min(12||w||2+CΣi=1Nξi),i=1,...,N---(19)]]>將式(17)轉(zhuǎn)化為拉格朗日函數(shù)最小值問題：式中αi,γi≥0是拉格朗日乘子。式(20)中的極值滿足如下條件：∂∂bL=0→Σi=1Nαiyi=0---(22)]]>∂∂ξiL=0→C-αi-γi=0---(23)]]>同理，求出最優(yōu)解w*、b*后，可以得到分類判別函數(shù)：f(xi)＝sgn{[w*K(xi,xj)]+b*}(25)常用的核函數(shù)有：線性核、高斯徑向基核和多項式核，它們分別如下K(x,xj)＝x·xj(26)K(x,xj)=exp(-||x-xj||22σ2)---(27)]]>K(x,xj)＝(x·xj+1)d,d＝1,…,N(28)支持向量機多類分類器支持向量機都屬于二值分類，但往往實際情況是故障類型可能有很多種，需要進行多類分類。通常利用二值分類方法構(gòu)造多個二類分類器，通過求解多個分類器而獲得多類分類問題的最優(yōu)解。給定訓(xùn)練樣本集{(xi,yi)}i＝1,…,N由多類樣本組成，xi是n維向量，yi＝1,2,3,…,k表示xi屬于第k類樣本。尋找一個決策函數(shù)f(yi)＝sgn{[(w·xi)]+b}(29)支持向量機的多分類算法主要有：“一對多”方法、“一對一”方法、基于二叉樹的多類分類方法等，由于本文只需要實現(xiàn)二分類，故不在此詳細介紹支持向量機的多分類方法。基于最小二乘支持向量機分類器：最小二乘支持向量機是基本SVM的一種擴展延伸，采用平方項作為優(yōu)化指標，并用等式約束條件代替基本SVM的不等式約束條件，即將原二次規(guī)劃問題轉(zhuǎn)化為線性方程組的求解問題，降低了計算復(fù)雜性，比基本SVM更簡捷、收斂速度更快，并可獲得更高的精度。樣本集{(xi,yi)}i＝1,…,N由兩類樣本組成，xi是n維向量，如果xi屬于樣本一類，則記為yi＝1，否則記為yi＝-1。分類超平面f(x)＝wTΦ(x)·+b,wT∈Rn,b∈R(30)其中Φ(x)為非線性函數(shù)，wT為權(quán)向量，b為偏置常量。最小二乘支持向量機的目標最優(yōu)化函數(shù)為：minw,b,eJ(w,b,e)=12wTw+γΣi=1N12ei2---(31)]]>s.t:yi(wTΦ(xi)+b)＝1-e其中ei為松弛因子，γ為正規(guī)化參數(shù)。將原空間中的樣本依照核函數(shù)Φ(x)映射到高維特征空間，使之成為高維特征空間中的一個向量，以解決線性不可分的問題，用拉格朗日法求解如式(32)：L(w,b,e,α)-Σi=1Nαi{yi[wTΦ(xi)+b]-1+ei}---(32)]]>其中α是拉格朗日乘子。根據(jù)優(yōu)化條件：∂L∂w=0→w=Σi=1NαiΦ(x)---(33)]]>∂L∂b=0→Σi=1Nαi=0---(34)]]>∂L∂ei=0→αi=γiei---(35)]]>∂L∂αi=0→wTΦ(x)·+b+ei-yi=0---(36)]]>可得：0yTyΩ+γ-1Ibα=0r1---(37)]]>其中y＝[y1,y2,…,yN]T,Ω＝ZZT,Z=[y1Φ(x1)···yNΦ(xN)],1r=[1···1]N×1T,]]>α＝[α1…αN]。由式(30)可得最小二乘支持向量機分類器的模型：f(x)=sgn(Σi=1NwiΦ(xi)Φ(x)+b)---(38)]]>其中，Φ(x)是核函數(shù)，常用的核函數(shù)有：線性核、高斯核和多項式核。磨煤機振動大故障診斷模型:基于以上分析，得出磨煤機振動大故障診斷的模型，如圖5所示。磨煤機振動故障診斷實例：①數(shù)據(jù)預(yù)處理對預(yù)處理采集到的現(xiàn)場原始數(shù)據(jù)。如圖6所示為給煤機給煤量原始數(shù)據(jù)和預(yù)處理后的數(shù)據(jù)對比，經(jīng)過數(shù)據(jù)預(yù)處理后，局部范圍內(nèi)降低了信號的噪聲干擾，有利于準確建模，其中黑色為原始數(shù)據(jù)，灰色為預(yù)處理后的數(shù)據(jù)。②建模建立給煤機給煤量、磨入口一次風(fēng)量、磨進出口差壓和磨出口風(fēng)壓四個輸入量，磨煤機電流一個輸出量，單隱層的BP神經(jīng)網(wǎng)絡(luò)模型，隱層神經(jīng)元個數(shù)為8，以十小時(36000組)的數(shù)據(jù)為訓(xùn)練樣本，隨后一個小時(3600組)數(shù)據(jù)作為檢測樣本，建模精度由均方誤差MSE反映。將經(jīng)過預(yù)處理的數(shù)據(jù)導(dǎo)入模型訓(xùn)練檢測。圖7為模型檢測樣本的磨煤機電流實際值和預(yù)測值之間對照圖。圖中預(yù)測電流與實測電流變化趨勢一致。③導(dǎo)入故障樣本將引起故障的兩類原因的12個樣本(各6個)導(dǎo)入模型，圖8-9所示為兩種原因?qū)е碌哪ッ簷C振動大的典型電流差值時域圖。圖8中，電流差值信號呈無規(guī)則的變化，磨輥在磨內(nèi)經(jīng)過長時間的運行， 特別是在運行時長接近檢修周期時，會發(fā)生磨輥磨損嚴重導(dǎo)致磨煤機振動大的故障，磨輥的磨損呈內(nèi)凹型，每一段的磨損并不規(guī)則，與磨盤襯瓦的間隙也不規(guī)律，在碾磨的時候產(chǎn)生不規(guī)則的振動，電流差值也呈無規(guī)則變化趨勢，與設(shè)備異常分析內(nèi)容相符。圖9可看出，磨煤機電流差值呈一峰一谷的變化趨勢，且峰谷之間時間約為12.5s，此樣本的故障為磨煤機進異物導(dǎo)致磨振動大。運行經(jīng)驗可知，運行實際中，磨煤機進異物導(dǎo)致振動大，磨電流呈峰-谷規(guī)則變化；從產(chǎn)生機理方面，磨內(nèi)進異物，如鐵塊，夾在磨輥與襯板之間，每經(jīng)過一段時間會與一個磨輥產(chǎn)生較大的摩擦，磨電流亦出現(xiàn)增-降的過程，與此同時產(chǎn)生較為規(guī)律的振動。由上述分析可知，文中提出的電流差值能較為準確的反映出磨煤機振動大的實際故障特征。④磨煤機振動大特征量提取截取故障發(fā)生后第一段512s的磨煤機電流差值信號數(shù)據(jù)，對數(shù)據(jù)進行小波包分析，采用db1小波進行三層小波包分解，生成(3，0)-(3，7)共8個小波包，因為高頻部分分解時會發(fā)生頻帶翻轉(zhuǎn)，所以發(fā)生4次頻帶翻轉(zhuǎn)，其頻帶分布順序為01326754。以下為正常、磨輥磨損大導(dǎo)致振動大和進異物導(dǎo)致振動大三種情況的各頻帶能量比。對比圖10、圖11與圖12可以明顯分別出三種不同的狀態(tài)，表明該方法得到的頻帶能量比特征明顯，可以作為分類的特征量。⑤建立樣本集定義磨輥磨損大導(dǎo)致的磨煤機振動大為故障類型一，定義進異物導(dǎo)致的磨煤機振動大為故障類型二，統(tǒng)計18個樣本的特征量，見表3，表4。表3故障類型一特征量樣本集表4故障類型二特征量樣本集⑥診斷分類各取兩類樣本集中前6個樣本為訓(xùn)練樣本導(dǎo)入到最小二乘支持向量機進行學(xué)習(xí)，將剩下3個樣本作為檢測樣本，輸出結(jié)果為：表5測試樣本測試結(jié)果表中，共有6個測試樣本，有5個分類正確，正確分類率達到83.3％，故障類型二的樣本8分類錯誤，其余的均正確分類。詳細查看運行故障異常分析得出，該振動大故障檢查出兩種原因，進異物和磨盤襯瓦斷裂，導(dǎo)致該樣本分類錯誤。所述方法首先對磨煤機振動進行故障特征分析，得出磨煤機電流是磨煤機振動故障分析的重要監(jiān)測參數(shù)，隨后通過歷史數(shù)據(jù)的相關(guān)性從分析篩選出了磨出口風(fēng)壓、給煤機給煤量、磨入口一次風(fēng)量和磨出口溫度四個輔助變量，以這四個輔助變量來預(yù)測電流，并用實測電流與預(yù)測電流作差，取磨煤機電流殘差序列構(gòu)造磨振動量的方法，對磨電流殘差序列進行三層小波包分解，獲得8個頻帶的能量比，統(tǒng)計分析兩種故障的能量比，得出磨輥磨損嚴重和磨內(nèi)進異物兩種故障的特征量區(qū)分明顯，即將八個頻帶的能量比作為磨煤機振動大故障診斷的特征量，采用最小二乘向量機對樣本進行分類訓(xùn)練、測試，實例驗證測試效果較好，表明該方法能有效分離導(dǎo)致的磨煤機振動大的兩種原因。當(dāng)前第1頁1 2 3