基于大数据的多尺度状态监测方法及应用

发表时间:2020/12/7   来源:《中国电业》2020年7月20期   作者:郭强1、苗宏2、董伟波2、冯宝泉1、梁满仓2
[导读] 随着我国科技技术的发展,当前现代化工业体系结构日益复杂且系统的集成度较高,这对系统的可靠性提
        郭强1、苗宏2、董伟波2、冯宝泉1、梁满仓2
        2.内蒙古京隆发电有限责任公司;1、北京京能能源技术研究有限责任公司   北京市   100022

        摘要:随着我国科技技术的发展,当前现代化工业体系结构日益复杂且系统的集成度较高,这对系统的可靠性提出了更高的要求,企业在生产过程中开始逐渐重视机电设备的状态监测技术。在基于大数据背景下信息系统数据仓库中以数据驱动状态的监测体系得到了良好的应用,本文中首先探究了基于大数据多尺度状态监测的基本理论方法,然后结合多尺度状态监测法在ZGM113型中速磨煤机磨辊磨损监测工作中的应用,简要地论述了多尺度状态监测在机电设备中的适用范围,进而为控制优化设备运行提供些许技术依据。
        关键词:大数据;多尺度状态;监测方法;理论依据
        引言
        随着当前我国科学技术的高速发展,在我国工业生产中众多新型设备加入了当前的工业生产体系中,这便促进了我国工业体系的快速发展。但随之而来的是工业系统结构日益复杂且工业生产中所使用的设备数量大幅度增长,导致部分设备在运行中出现故障的概率成倍增加,对我国的工业生产造成了极大的损失。因此当前在工业生产中对机电设备的运行状态进行评估,并采用有效的方式通过预制维修来代替计划检修,减少机电设备在运行过程中发生故障的机率,降低企业在生产中出现的损失。
        当下多尺度状态监测技术是实现机电设备预制维修和故障快速反应的基础,在监测过程中通过对状态参数中的某一组描述对象或系统当前的运行状态进行评估,再通过对机电设备的特征信号进行监测、检查、处理、评价、分析,就可以判断机电设备在运行过程中是否处于正常运行状态,并预测机电设备的劣化程度,这一功能也使得多尺度动态监测技术受到越来越多企业的关注,通过该技术便可以为系统的正常运行提供技术依据。
        一、基于大数据多尺度状态监测的基本理论方法
        1.大数据多尺度状态监测中的数据建模方法
        大数据多尺度状态监测中的数据建模,需要依据神经网络来模拟出人脑活动的数学模型,该数学模型通过误差反向传播算法、单级感知器学习算法、单级神经网络电子线路模拟等,就可以将现代工业生产中的众多设备组合成复杂的多变量对象,进而建立起精确的数学统计模型。在该数学模型中通过统计分析和机理分析,再选择合适的输入变量,便可以在此模型基础上研究复杂对象的自身特性,为系统的运行优化提供依据。
        2.小波变换及自适应时频窗
        小波变换及自适应时频窗是进行大数据多尺度状态监测中的主要计算方法,通过对已知模型中的相关数据进行分析,便可以建立出小波函数。借助小波函数良好的时频局部特性,便可以绘制出正负交替的振荡波形,该函数可以在时频空间中形成一个位置和形状随意变化的矩形频窗,进而准确地判断出多尺度状态下的数据特性。
        二、多尺度状态监测法在磨煤机磨辊磨损监测中的应用
        1.磨煤机磨辊磨损过程机理分析
        磨煤机是电厂在运行中最重要的辅助机电设备之一,磨煤机在运行中与锅炉带负荷能力和炉内燃烧稳定性有着密切的联系,通过对磨煤机的运行状态进行研究,对企业的经济发展有着重要意义的影响。磨煤机中的磨辊是该机器最主要的易磨损件,磨辊在运行过程中会长期承受来自于原煤的摩擦磨损,同时高应力的接触疲劳会导致磨辊在运行过程中的有效寿命只有三至四个月。


        当前将多尺度状态监测法应用于磨煤机磨辊中,需要对磨煤机磨辊的机理及特性进行分析。在电场中所应用的磨煤机通常为中速磨煤机,该类型磨煤机磨辊磨损机理主要以疲劳磨损为主,疲劳磨损是导致磨辊在运行过程中出现损耗的最直接原因。在有关调查研究中显示,磨煤机磨辊的磨损与机器工作中的多种因素息息相关,并且与这些因素呈现出明显的非线性特性。对磨煤机磨辊产生磨损的主要因素有磨料的特性、磨煤机运行工况、磨辊接触形式、磨辊的材质,其中磨辊的材质又包括磨辊制造工艺、化学元素配比、表面强度等。
        2.磨煤机磨辊磨损过程多尺度特性
        磨煤机磨辊在运行过程中出现的磨损问题,具有着多尺度的特性。这主要源于磨煤机在运行中是一个输入输出多尺度的系统,而磨辊磨损在运行过程中便会受到磨煤机多尺度特性的影响,从而具备多尺度特性;磨煤机中磨料的可磨性变化也呈现多尺度特性,例如磨煤机在夏季或冬季运行时,由于原煤中的水分会出现不同性质的凝结,这便会导致原煤的表面硬度随着气温的降低而随之提高,这就会造成磨煤机磨辊磨损速度随着季节性的变化而出现周期性改变;电场混煤在燃烧过程中,所使用的煤质极易发生变化,若磨煤机在工作中做研磨的磨料硬度发生快速变化,这就会导致磨损速度呈现出中高频率的波动;磨煤机在运行过程中会受到载荷的影响,电厂运维人员通常会每隔3~5个月,对磨煤机加载力进行调整,在调整的过程中磨煤机磨辊磨损速度就会呈现出周期性的突变。通常磨煤机出力变化会引起载荷波动,进而导致磨煤机磨辊磨损速度出现小幅的高频波动。
        根据上述调查可以得知,ZGM113型中速磨煤机磨辊在运行过程中所受到的影响因素较多,并且磨损过程具有一定的多尺度特性。其主要规律如下,磨煤机磨辊磨损速度变化不一,并且在运行中存在着高频扰动,磨煤机磨辊磨损程度总体呈现出低频、缓慢信号;磨煤机磨辊在运行过程中其磨损程度会随着时间的推移而发生周期性变化,通常磨煤机磨辊磨损情况可以通过横轴为时间、纵轴为磨损的二维空间图体现。
        3.磨煤机磨辊磨损的状态监测
        在对磨煤机磨辊磨损状态进行监测的过程中,主要采用点检法进行监测,这种检测方法在使用过程中会加大检修人员的负担,同时检修人员在对磨煤机状态监测结果进行判断时还存在着较大的人为主观因素。
        因此在磨煤机磨辊磨损的状态检测中采用多尺度状态监测技术,就可以根据磨煤机磨辊磨损情况建立机理模型,根据磨煤机磨辊碾磨压力、磨辊磨粒硬度、磨角等相关参数建立模型图,再通过对磨煤机的运行特性进行机理分析,便可以判断出磨煤机在怎样的功率下会出现不同的磨损程度。在模型分析中可以将磨煤机的内部划分为研磨区域、磨盘中心区域、粗粉分离区、细粉分离区和风粉混合区,各个区域之间可以根据能量平衡和物质平衡的方式建立出微分方程。在对磨煤机磨辊磨损状态进行监测中,可以假设磨辊研磨过程中的加载率不变且进入磨煤机的原煤颗粒直径大小不变,此时计算磨煤机的功率变化,就可以直接反映出破碎矩阵的变化,通过该变化即可以判断磨煤机磨辊磨损程度。此外,可以将神经网络功能中的非线性拟合技术应用于磨煤机磨辊磨损模型研究中,在研究中可以发现磨煤机功率时效性较差且采样速率低,进而难以满足状态监测中的实时性要求。同时随着磨辊磨损的加剧,磨煤机在运行中的耗电情况越发严重,在通过确定磨一次风量、磨一次风温、磨出口压力、一次风差压等模型输出量,通过计算数据建立模型电流神经网络模型,对磨煤机运行过程中的各个变量关系进行区分,便可以帮助运维人员准确判断磨煤机在运行过程中的工作状态,提高磨煤机运行效率。
        三、结束语
        本文中所论述的多尺度状态监测方法主要基于大数据的框架下开展研究,该监测方法通过多尺度分解最优信息状态监测信号,进而从其他分解尺度来判断机电设备的运行工况异常,借助其他尺度的信息作为监测补充,进而丰富机电设备的状态监测结果,有利于对设备进行维护,提高设备的使用质量。
参考文献
[1]刘吉臻,刘继伟,曾德良,etal.大数据多尺度状态检测方法在磨损检测的应用[J].仪器仪表学报,2017(01):180-186.
[2]刘继伟,曾德良,刘吉臻,etal.多尺度状态监测方法在灰污监测中的应用[J].热能动力工程,2013,028(006):590-595.
投稿 打印文章 转寄朋友 留言编辑 收藏文章
  期刊推荐
1/3
转寄给朋友
朋友的昵称:
朋友的邮件地址:
您的昵称:
您的邮件地址:
邮件主题:
推荐理由:

写信给编辑
标题:
内容:
您的昵称:
您的邮件地址: