1.本发明涉及机械故障诊断技术领域，尤其是一种电站引风机喘振快速溯源方法。
背景技术：2.电站引风机通过抽吸烟气维持烟气的正常流通，稳定炉膛负压，是保证机组安全经济运行的重要辅机设备。引风机在运行过程中，由于锅炉启停或烟道局部阻力的突升，有可能会在瞬间发生流量和压头不稳定地反复周期性变化的现象，即喘振。喘振在对风机内部造成巨大冲击的同时，也会使风机和大容量管路耦合成具有周期性的弹性空气动力系统，严重时可形成共振，对整个机组设备和建筑造成重大破坏。
3.喘振是引风机运行中常见的故障，在喘振案例中，空气预热器堵灰等尾部烟道设备局部阻力增大导致的喘振占绝大多数比例。目前，喘振故障原因的定位一般要通过机组调停对引风机及风烟系统进行全面的检查，找到结垢或积灰严重的设备，通过彻底清理消除故障。这需要耗费大量的人力物力，会造成一定的经济损失，且故障溯源的效率不高，有时需要反复检查。研究表明，机组不同区域阻力增大导致的喘振因所形成的弹性空气动力系统的不同具有不同的特性。这种与空间范围有关的特性可以通过在尾部烟道不同位置布置多个高频压力测点实现信息捕捉，并通过频谱分析进行反映。
4.现有的喘振故障识别方法的目的大多为多为采集利用现场设备声信号、采用卷积神经网络对喘振声信号特征进行故障发生概率诊断而实现对风机喘振故障进行诊断，此类方法无需在风机上安装传感器，通过模型优化通常能达到较高的诊断准确率。但此类方法无法真正实现对喘振源的溯源，无法实现对引起喘振的阻力异常事件进行快速排除和确定。
技术实现要素：5.针对现有技术的不足，本发明提供一种电站引风机喘振快速溯源方法，目的是通过对引风机喘振分门别类实现故障的快速溯源，提高故障诊断效率，降低喘振损失。
6.本发明采用的技术方案如下：
7.一种电站引风机喘振快速溯源方法，包括：
8.构建喘振故障库：搭建机组运行仿真模型，划分喘振源区，进行喘振仿真试验，得到共s个故障类别的、包含r个相关参数数据的n条样本，对所有样本添加故障标签构建成喘振故障库，所述故障类别与各喘振源区阻力异常引起的喘振一一对应；
9.确定关键参数：从r个相关参数中选出k个有利于喘振溯源的关键参数，构成c
rk
种参数组合，针对每种参数组合，将样本划分训练集和验证集；
10.数据预处理：将喘振故障库中的数据进行预处理，将每条样本中k个关键参数的时域数据分别转换为频谱的二维特征图，获得k个关键参数的二维特征图集；
11.喘振溯源模型训练与验证：以所述二维特征图集为输入，以s个故障类别的概率分布为输出，进行卷积神经网络模型训练与验证；
12.针对机组新发生的喘振获取测点数据，测点位置分别对应获取k个关键参数的位置，对测点数据进行预处理，获得各测点数据的二维特征图，将其输入训练好的卷积神经网络模型，输出s个故障类别的概率分布，所得概率最大的故障类别即为喘振溯源结果。
13.进一步技术方案为：
14.所述将喘振故障库中的数据进行预处理，将每条样本中k个关键参数的时域数据分别转换为频谱的二维特征图，包括：
15.通过快速傅里叶变换得到样本中每个关键参数的时域数据幅频序列的频谱图{(fj,aj)}i,k，其中，f为频率，a为幅值，j为幅频序列的序号，j＝1,2,3,
···
,m，i为样本序号，i＝1,2,3,
···
,n，k为关键参数的序号，k＝1,2,3,
···
,k；
16.将所有关键参数的频谱幅值进行归一化，获得每个关键参数的频谱幅值序列x，x为包含m
·
n个元素的一维序列：
17.将频谱幅值序列x排列成矩阵形式的二维特征图t，对应关系表达式：
18.t[i,j]＝x[(i-1)
·
b+j]
[0019]
上式表示将二维特征图t的第i行第j列的值t[i,j]对应到频谱幅值序列x的第i
·
j个元素，i＝1,2,3,
···
,a，a为二维特征图的行数，j＝1,2,3,
···
,b，b为二维特征图的列数。
[0020]
所述卷积神经网络模型包括特征提取层、过渡层和分类层，所述特征提取层包括前后连接的两个提取单元，每个提取单元包括卷积层、激活层和池化层，所述过渡层为展平层以及两层全连接层，在第一层全连接层之后添加有激活层和dropout层，所述分类层以softmax为激活函数，softmax函数将各节点的输入值转换为数值在[0,1]内，并以概率分布的形式进行输出，softmax函数表达式如下：
[0021][0022]
上式中，zi代表过渡层第i个节点的输出值，s为故障类别数。
[0023]
所述卷积神经网络模型的损失函数j(w)为：
[0024][0025]
上式中，w代表模型参数，s为故障类别数，p(x)为样本x的真实故障概率分布，也即热独编码后的故障标签，q(x)为模型输出的故障概率分布。
[0026]
所述r个相关参数包括机组关键设备的进出口压力。
[0027]
所述k个关键参数包括scr出口和引风机出口的压力。
[0028]
本发明的有益效果如下：
[0029]
本发明提出了引风机喘振的分类依据，通过仿真建立喘振故障库并构建喘振溯源模型，基于高频压力测点的实时数据实现喘振快速溯源，简化了通过逐一检查设备确定喘振成因的复杂流程。
[0030]
本发明提出利用傅里叶变化提取喘振的频域特征，以频域特征为主要分类依据。通过构建二维特征图，可实现各类喘振特征的初步提取。利用傅里叶变换的频域特征表达能力和卷积神经网络的特征提取能力实现喘振溯源，能快速锁定故障范围，减小喘振带来的损失，有利于电站的智慧化运行。
[0031]
本发明提出利用卷积神经网络融合多测点(对参数)的频域特征信息进行喘振溯源，突破了人工分析特性和手动提取特征的局限性，实现了端到端的故障诊断。能够以较低的成本快速确定喘振故障成因，保证喘振消除的及时性，充分发挥了数据驱动方法的优势，具有一定的工程价值。
[0032]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
[0033]
图1是本发明实施例的方法流程图。
[0034]
图2是本发明实施例一个关键参数的原始信号、信号频谱图以及二维特征图。
[0035]
图3是本发明实施例的喘振溯源模型对训练集喘振样本特征提取后的可视化图像。
[0036]
图4是本发明实施例的喘振溯源模型对新发生喘振的溯源分类结果。
具体实施方式
[0037]
以下结合附图说明本发明的具体实施方式。
[0038]
参见图1，本技术的一种电站引风机喘振快速溯源方法，包括：
[0039]
构建喘振故障库：搭建机组仿真模型，划分喘振源区，进行喘振仿真试验，得到共s个故障类别的、包含r个相关参数数据的n条样本，对所有样本添加故障标签构建成喘振故障库，所述故障类别与各喘振源区阻力异常引起的喘振一一对应；
[0040]
确定关键参数：从r个相关参数中选出k个有利于喘振溯源的关键参数，构成c
rk
种参数组合，针对每种参数组合，将样本划分训练集和验证集；
[0041]
数据预处理：将喘振故障库中的数据进行预处理，将每条样本中k个关键参数的时域数据分别转换为频谱的二维特征图，获得k个关键参数的二维特征图集；
[0042]
喘振溯源模型训练与验证：以所述二维特征图集为输入，以s个故障类别的概率分布为输出，进行卷积神经网络模型的训练与验证；
[0043]
针对机组新发生的喘振获取测点数据，测点位置分别对应获取k个关键参数的位置，对测点数据进行预处理，获得各测点数据的二维特征图，将其输入训练好的卷积神经网络模型，输出s个故障类别的概率分布，所得概率最大的故障类别即为喘振溯源结果。
[0044]
本技术的电站引风机喘振快速溯源方法，根据引风机喘振的特性构建喘振故障库，并充分利用了傅里叶变换频域特征表达和cnn端到端学习的能力，可以实现喘振关键信息记录、测点信息融合、特征自动提取以及喘振快速溯源。
[0045]
近年来以cnn为代表的深度学习方法在故障诊断领域得到了广泛研究，该方法相比于专家系统和传统机器学习方法具有更强的特征提取能力、更高的效率和更高的准确率。本技术将深度学习应用于喘振溯源问题，针对实时喘振，使用同样的特征图构建方法处理多测点数据，并利用已训练的模型完成喘振溯源。能够以较低的成本快速确定喘振故障成因，保证喘振消除的及时性，充分发挥了数据驱动方法的优势，具有一定的工程价值。
[0046]
以下以具体实施例进一步说明本技术的电站引风机喘振快速溯源方法，包括以下步骤：
[0047]
(1)构建喘振故障库：
[0048]
利用高级过程仿真软件apros搭建机组模型，包括锅炉尾部烟道系统模型，验证模型的稳态精度和动态精度，保证模型全工况仿真准确性。
[0049]
定义喘振类别，由于锅炉尾部烟道上不同区域阻力异常引起喘振具有不同的特性。将尾部烟道围绕关键设备划分成数个喘振源区，如scr区域、空预器区域等，每个源区阻力异常引起的喘振记为不同类别，共有s类。
[0050]
基于仿真模型，在各个喘振源区设置不同大小的异常阻力，得到n条喘振样本。针对每条样本，获取喘振标签，并记录各个关键设备的进出口压力共计r个参数p1～pr，构建喘振故障库。apros允许的最高数据输出频率为1mhz，结合高频压力传感器的选型以同样的频率读取apros数据。
[0051]
(2)确定关键参数：
[0052]
从r个参数中选出k个有利于喘振溯源的关键参数，k个关键参数的组合数为种。基于每种参数组合，将喘振故障库中的样本划分为训练集与验证集。
[0053]
(3)喘振数据预处理：
[0054]
从喘振故障库中导出喘振数据进行处理，通过快速傅里叶转换(fft)、频谱幅值归一化和重新排列，将每条故障样本中k个关键参数p1～pk的时域数据分别转换为频谱的二维特征图t1～tk，具体包括：
[0055]
针对n条样本，使用fft得到样本中每个参数pk时域数据序列的频谱图{(fj,aj)}i,k，其中：f为频率，a为幅值，j为幅频序列的序号，j＝1,2,3,
···
,m，i为样本序号，i＝1,2,3,
···
,n；k为所述关键参数的序号，k＝1,2,3,
···
,k。
[0056]
记参数pk频谱幅值的数据集为xk＝[x
k,1
,
…
x
k,n
]
t
，将k个关键参数的频谱幅值均进行归一化，频谱幅值的归一化方法如下：
[0057][0058]
x
k,i
＝{aj}
i,k
，x
k,max
、x
k,min
分别为xk在每列取最大值和最小值得到的行向量；
[0059]
将归一化后的频谱幅值序列x排列成矩阵形式的二维特征图t，特征图第i行第j列的值t[i,j]对应x第i
·
j个元素，具体对应关系可以表示为下式：
[0060]
t[i,j]＝x[(i-1)
·
b+j]
[0061]
上式中，i＝1,2,3,
···
,a，a为特征图的行数；j＝1,2,3,
···
,b，b为特征图的列数
[0062]
(4)喘振溯源模型训练与验证：
[0063]
构建卷积神经网络模型，以多测点的二维特征图t1～tk为多输入通道数据，以s类故障的概率分布为输出，概率最大的类别即为喘振溯源结果。利用训练集训练模型并使用验证集验证模型精度，具体步骤为：
[0064]
确定神经网络构成：构建的卷积神经网络包括特征提取层、过渡层和分类层，特征提取层为2组前后连接的卷积层、激活层和池化层。过渡层为展平层以及2层全连接层，在第1层全连接层之后添加激活层和dropout层，以防止过拟合。分类层以softmax为激活函数，softmax函数将各节点的输入值转换为数值在[0,1]内，并以概率分布的形式进行输出，softmax函数表达式如下：
[0065][0066]
上式中，zi代表过渡层第i个节点的输出值，s为故障类别数。
[0067]
明确模型损失，记s类喘振的故障标签为1～s，使用热独编码将故障标签转化为二进制的形式，如下所示：
[0068][0069]
使用交叉熵作为损失函数j(w)：
[0070][0071]
上式中，w代表模型参数，s为故障类别数，p(x)为样本x的真实故障概率分布，也即热独编码后的故障标签，q(x)为模型输出的故障概率分布。
[0072]
训练与验证，设定学习率、迭代次数、每层的通道数以及卷积核的尺寸和移动步长等模型超参数。本领域技术人员可理解，模型输入层的通道数等于关键参数数目k，输出层共有s个节点。使用训练集转化的特征图训练模型，通过前向传播计算模型损失，利用adam算法更新网络参数。训练完成后，使用测试集转化的特征图验证模型精度。
[0073]
经过数据预处理与模型训练后验证喘振溯源精度，设置模型验证的精度阈值为th，在保证精度的前提下选择最小的k。
[0074]
(5)测点安装与喘振溯源：
[0075]
对应k个关键参数，在锅炉尾部烟道相应位置安装高频压力测点进行实验。根据实验结果，k个高频测点至少包括scr出口压力和引风机出口压力。针对新发生的喘振，获取测点数据，应用同样数据预处理方法，将得到的多测点二维特征图输入已训练的模型，实现喘振快速溯源。
[0076]
以下以具体实例说明本实施例的预测方法的有效性。
[0077]
以某燃煤发电机组为研究对象搭建仿真模型，在仿真软件平台上进行喘振仿真实验，得到n种工况下各类喘振的样本，基于仿真数据检验本方法的有效性。
[0078]
具体步骤包括如下：
[0079]
1)构建喘振故障库：
[0080]
搭建了该机组仿真模型，该机组尾部烟道共有6台关键设备，将尾部烟道划分为6个区域并分别设置阻力异常形成喘振样本，喘振标签也按喘振诱因所在区域分为6类。整理喘振样本构建喘振故障库，样本采样频率为100hz，采样时间为120s。
[0081]
将样本划分为训练集、验证集与测试集，比例为(n-2):1:1，将测试集视为实时喘振数据。
[0082]
2)确定关键参数：
[0083]
经过数轮实验，确定以scr出口、引风机出口2个关键参数为数据源，准确率在99％以上，故取k＝2。
[0084]
3)喘振数据预处理：
[0085]
从喘振故障库中导出喘振数据进行处理，通过fft、频谱幅值归一化和重新排列，将每个样本中两个关键参数p1和p2的时域数据转换为频谱二维特征图。参考频谱图中的有效频率范围，将二维特征图的行数a和列数b均设为48，对应的频率范围为0～19.19hz。图2中(a)、(b)、(c)所示分别为某样本中关键参数p2的原始信号、频谱图以及生成的二维特征图。
[0086]
4)喘振溯源模型训练与验证：
[0087]
构建卷积神经网络模型，所建模型的详细结构如表1所示。以2个关键参数的二维特征图t1和t2作为多输入通道数据，利用喘振样本对模型进行训练。设置学习率为0.001，训练轮数为64，采用批次训练，批大小为16。
[0088]
表1 cnn模型结构
[0089][0090]
图3为模型对输入数据进行特征提取后，过渡层输出值的t-sne可视化结果，可以看到，各类故障在3维空间能够被很好地区分。
[0091]
5)测点安装与喘振溯源：
[0092]
假设已经在机组scr出口以及引风机出口安装了高频压力测点，将测试集视为新发生的喘振。针对新的喘振采用同样数据预处理方法得到二维特征图，将2个测点二维特征图输入已训练的模型实现故障诊断。图4为测试集18个喘振样本溯源结果的混淆矩阵。可见预测标签(故障分布)与真实标签(故障分布)吻合准确率达到了100％，证明了本实施例方法的有效性。
[0093]
本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用
于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种电站引风机喘振快速溯源方法，其特征在于，包括：构建喘振故障库：搭建机组运行仿真模型，划分喘振源区，进行喘振仿真试验，得到共s个故障类别的、包含r个相关参数数据的n条样本，对所有样本添加故障标签构建成喘振故障库，所述故障类别与各喘振源区阻力异常引起的喘振一一对应；确定关键参数：从r个相关参数中选出k个有利于喘振溯源的关键参数，构成种参数组合，针对每种参数组合，将样本划分训练集和验证集；数据预处理：将喘振故障库中的数据进行预处理，将每条样本中k个关键参数的时域数据分别转换为频谱的二维特征图，获得k个关键参数的二维特征图集；喘振溯源模型训练与验证：以所述二维特征图集为输入，以s个故障类别的概率分布为输出，进行卷积神经网络模型训练与验证；针对机组新发生的喘振获取测点数据，测点位置分别对应获取k个关键参数的位置，对测点数据进行预处理，获得各测点数据的二维特征图，将其输入训练好的卷积神经网络模型，输出s个故障类别的概率分布，所得概率最大的故障类别即为喘振溯源结果。2.根据权利要求1所述的电站引风机喘振快速溯源方法，其特征在于，所述将喘振故障库中的数据进行预处理，将每条样本中k个关键参数的时域数据分别转换为频谱的二维特征图，包括：通过快速傅里叶变换得到样本中每个关键参数的时域数据幅频序列的频谱图{(f
j
,a
j
)}
i,k
，其中，f为频率，a为幅值，j为幅频序列的序号，j＝1,2,3,
···
,m，i为样本序号，i＝1,2,3,
···
,n，k为关键参数的序号，k＝1,2,3,
···
,k；将所有关键参数的频谱幅值进行归一化，获得每个关键参数的频谱幅值序列x，x为包含m
·
n个元素的一维序列：将频谱幅值序列x排列成矩阵形式的二维特征图t，对应关系表达式：t[i,j]＝x[(i-1)
·
b+j]上式表示将二维特征图t的第i行第j列的值t[i,j]对应到频谱幅值序列x的第i
·
j个元素，i＝1,2,3,
···
,a，a为二维特征图的行数，j＝1,2,3,
···
,b，b为二维特征图的列数。3.根据权利要求1所述的电站引风机喘振快速溯源方法，其特征在于，所述卷积神经网络模型包括特征提取层、过渡层和分类层，所述特征提取层包括前后连接的两个提取单元，每个提取单元包括卷积层、激活层和池化层，所述过渡层为展平层以及两层全连接层，在第一层全连接层之后添加有激活层和dropout层，所述分类层以softmax为激活函数，softmax函数将各节点的输入值转换为数值在[0,1]内，并以概率分布的形式进行输出，softmax函数表达式如下：上式中，z
i
代表过渡层第i个节点的输出值，s为故障类别数。4.根据权利要求1所述的电站引风机喘振快速溯源方法，其特征在于，所述卷积神经网络模型的损失函数j(w)为：
上式中，w代表模型参数，s为故障类别数，p(x)为样本x的真实故障概率分布，也即热独编码后的故障标签，q(x)为模型输出的故障概率分布。5.根据权利要求1所述的电站引风机喘振快速溯源方法，其特征在于，所述r个相关参数包括机组关键设备的进出口压力。6.根据权利要求1所述的电站引风机喘振快速溯源方法，其特征在于，所述k个关键参数包括scr出口和引风机出口的压力。
技术总结本发明涉及一种电站引风机喘振快速溯源方法，包括：针对划分喘振源区的机组模型进行喘振仿真试验，得到多个故障类别的包含r个相关参数数据的n条样本，对所有样本添加故障标签构建成喘振故障库；从r个相关参数中选出K个有利于喘振溯源的关键参数，针对每种参数组合将样本划分训练集和验证集；将每条样本中关键参数的时域数据转换为频谱的二维特征图；以二维特征图为输入以故障类别的概率分布为输出，进行卷积神经网络训练与验证；针对机组新发生的喘振获取K个关键参数位置对应的测点数据的二维特征图，输入网络模型得到故障类别概率分布，概率最大的故障类别为喘振溯源结果。能快速锁定故障范围减小喘振带来的损失，有利于电站的智慧化运行。站的智慧化运行。站的智慧化运行。
技术研发人员：司风琪 曹贺 金生祥 董云山
受保护的技术使用者：东南大学
技术研发日：2022.07.21
技术公布日：2022/11/1
