大数据多尺度状态检测方法在磨损检测的应用

随着生产过程自动化、信息化、规模化发展，对设备安全性、可靠性的要求亦随之提高，状态检测的地位越来越重要。

目前对状态检测方法的研究主要集 中在 3个方向 ：基于解析模型的方法 ，适于机理过程认知较为深入的对象；基于定性模型的方法 ，适于与系统故障诊断相结合，对异常数据进行处理；基于过程历史数据的收稿日期：2012-06 Received Date：2012-06基金项目：国家科技支撑计划(2011BAAO4B03)资助项目方法-o ，适于基于数据的分析。

得益于信息化的深入，大数据的存在使基于过程历史数据的状态检测方法越发受到关注，对大数据的多尺度分析，克服了传统时域分析以及频域分析的不足，已经成为研究热点。

本文基于大数据，以磨煤机磨辊磨损的状态检测为例，针对具有缓变性、低信噪比特点的对象，提出-种异步信息融合的多尺度状态检测方法。该方法首先建立对象的动态基准模型和稳态基准模型，将基准模型预测值与实际值比较构成残差序列，而后通过信息粒化，将动态残差与稳态残差第 1期 刘吉臻 等 ：大数据多尺度状态检测方法在磨损检测的应用 181组成信息粒并进行异步信息融合，获得残差的最优估计，最后对融合残差进行多尺度分析，将最优分解尺度的重构信号作为状态检测结果反映状态参数的变化。

2 基于大数据的异步信息融合算法2.1 状态检测的基准模型基准模型是指利用设备完全维修后-段时间的运行数据建立、可以反映设备输入输出关系的模型，其目的在于构建对象变量、参数的对应准则。当系统状态发生改变时，将系统可测信息与基准模型提供的参考信息进行比较，从而产生残差，然后对残差进行分析和处理达到状态检测的目的。

系统状态变化，如磨损、老化等，会引起参数摄动，改变其惯性时间、延迟时间、比例系数等。以文献[8]建立的 c.E碗式磨煤机为例，其模型为：； - F (1)F6 M / 6 (2)： Fsg -( -主 )- (3)F (4)P KMgl (5)式中： 为不同直径的煤在磨中心区的质量；。 不同颗粒直径的煤占研磨区煤量的比重，∑。 l； 、F 、F分别为从给煤机、分离区、分配区到中心区的煤量；F 为从中心区到研磨区的煤量； 为煤在中心区的停留时间；、 分别为从研磨区到分离区以及从分离区到研磨区的煤量； 第i种直径的煤粒在研磨区的累积质量；F反映了第 i种直径的煤粒被磨辊碾压破碎量；B 为破碎矩阵；P 为研磨第i中直径的煤粒的磨煤机功耗；K、， 为系数。

若假设只有-种直径的煤粒并忽略磨煤机分离区、分配区向中心区及研磨区的回煤量，当磨辊磨损使破碎矩阵变为曰AB时，磨煤机功率 P变为： Tb 1碡赫vto(1 Br ABr (s )[s 、- 6- 6)]其与基准模型的残差可以表示为：△P K(6)即残差的变化撒于B、AB、7I 三者之间的关系。

可见，在动态过程中，系统状态变化会使基于可测信息与参考信息的动态残差充满不确定性，进而影响状态检测的结果。若仅建立对象的稳态基准模型，尽管不存在上述问题 ，但浪费了大量富含信息的数据，且稳态工况出现时间的随机性也大大增加了状态检测的难度。

因此，本文提出的方法同时建立了对象的动态基准模型与稳态基准模型，利用异步数据融合的方法，对其进行分析处理。

2.2 状态检测基准模型的建立基准模型的目的在于为状态检测提供参考信息，它不是对象的完备模型，不必反映与状态检测无关的系统信息。因此基准模型输入输出参数应根据状态检测目的灵活选取 。

磨煤机是电厂重要的辅机，对电厂经济、安全运行有重要影响，磨辊磨损的检测是实现磨煤机预知维修的难点 。

磨煤机功耗可以反映磨辊的磨损程度，功耗越高磨损越大，但其与磨出力相关性极大，且磨辊的磨损具有长期性、累积性和缓变性的特点，由磨损造成的功耗改变会淹没在众多噪声中，难以直接观测。采用本文提出的方法，可以实现磨辊磨损的状态检测。

若假设磨煤机电压及功率因数不变，则可用磨煤机电流代替。历史数据表明，磨煤机电压波动在 ±2%内，可基本认为不变。在此基础上假设磨煤机功率因数为定值，根据磨煤机电流计算的功耗与磨煤机实际功耗绝对平均误差为 2.06%，如图 1所示。因此采用磨煤机电流信号代替功耗，并不影响分析结果的准确性。

62- 2- 620 40 60 80 100 120图 1 功耗的绝对平均误差Fig.1 Mean absolute eITor of power consumption尽管文献[8]建立了 C-E深碗式磨煤机机理模型，但破碎矩阵的计算十分复杂 ，且当前电厂混煤燃烧 ，煤质多变，使其几乎不可能精确计算。神经网络具有良好的非线性拟合能力，适合复杂对象的建模。由于大数据的存在，建立基于神经网络的磨煤机电流基准模型避免了破碎矩阵的复杂计算。

建模参数的选取应以相关分析和机理分析为基础，如表1所示，此外由于现场隋况复杂多变，还应考虑实际情况辅以适当的修正。例如磨出口压力与-次风差压反映了流动阻力，正常晴况下随给煤量的增加而增大。当磨煤机入口煤量- 定的情况下，差压的增加意味着-次风携带了更多的煤△8△88r88△-182 仪 器 仪 表 学 报 第 3 4卷粉，降低了煤粉重磨率，进而降低了磨煤机电流。经过对大量数据筛选，选择磨煤机出力、磨-次风量、-次风温、磨出口压力与-次风差压作为神经网络的输入 。

表 l 运行数据相关分析Table 1 Operation data correlation analysis新Ih-]/m时inA仃 1. O00 0 O.7O5 4 -O.047 O-O.O67 O-O.192 O-0.185 0时l司/min电流/A 0.705 4 1.000 0 0.385 9 0.215 5-0.334 3-0.016 0出力-. . . . 1 . 0.4910 047 0 0 385 9 1 000 0 0 8 7 0 0 298 0 0 - /(t·h )- 次风量-. .21 . .0o . 0.4910 067 0 0 5 5 0 817 0 1 0 0 0 298 0 0 /(t·h )- 次风- O.192 O-0.334 3 O.298 0 O.298 0 1.000 0 0.245 0温 (℃)荠压/kPa-0.185 0-0.016 0 0.491 0 0.491 0 0.245 0 1.000 0建模数据采用更换磨辊后正常运行 1周，即 10 080组数据作为训练样本，采用更换磨辊后第8天的1 440组数据作为检验样本。

建模精度可由均方根误差反映，如式(8)所示：r --------------- E ：/∑[s ( ) ( )] (8)式中：s 为模型计算值，S 为实际值。

本文采用单隐层 BP神经网络，建立如图2(a)所示磨煤机电流动态基准模型，其建模误差与预测误差如表2所示，图3为检验样本模型预测值与实际值比较 。

～ - 次风量 - -----]嚣j 蝴 出力- 基准模型I～差压. I：出力 电流：- 复 型(a)动态基准模型 (b)稳态基准模型(a)Dynamic reference model (b)Steady state reference model图2 磨煤机基准模型Fig.2 Reference model for coal pulverizer表2 磨煤机标准功耗预测模型均方根误差Table 2 RM SE of standard power consumption predictionmodel for coal pulverizer时间/min图3 模型预测值与实际值比较Fig.3 The comparison of model predictedvalues and actual values从动态基准模型的建模样本和检验样本中提取稳态工况建立磨煤机电流稳态基准模型，模型采用单隐层 BP神经网络，如图2(b)所示。每个稳态工况的参数取其均值作为-个样本点。稳态工况的判断条件为在-定时间内，系统满足如下条件：f( (k)- (后-1))

2.3 基于大数据的异步融合算法基于上述建立的稳态基准模型和动态基准模型提供的参考信息，与系统的可测信息比较，可以获得反映对象状态变化的稳态残差和动态残差。

稳态残差存在时间上的随机性，但可以更好地反映对象的状态变化；动态残差存在不确定性，但包含更为丰富的信息。对二者进行信息融合取长补短，可以获得更加理想的融合残差。

首先利用信息粒化的思想，将数据序列分为数个信息粒，每个信息粒由相邻两个或数个稳态残差及对应时间的动态残差组成。通过信息粒化，以海量性为特征的大数据串行处理转变为对数个信息粒的数据并行处理，大大提高了运行效率，降低了计算时间。

对每个信息粒，利用卡尔曼滤波器对稳态残差和动态残差进行融合。得益于数字计算技术的进步，卡尔曼滤波器被广泛的应用，它由-系列递归公式描述，提供了- 种高效可计算的方法估计过程的状态。

假设离散时间过程可以由如下离散随机差分方程描述：X Ax-lBu-l w- 1 (10)z ：Hx V (11)式中：.， 和 分别为过程激励噪声和观测噪声。则卡尔曼滤波器可以表示为：iA Bu -1 (12) AP A Q (13)卯 如 锝卯《穗 唧嚣蝼避第 l期 刘吉臻 等：大数据多尺度状态检测方法在磨损检测的应用 183KkP 日 (胛 日 R) (14)X (Z -Hx[) (15)P (，- 日) (16)对于每个信息粒，动态残差和稳态残差可以看作 2种不同的传感器对融合残差进行异步观测的结果。通过回归分析，利用稳态残差可以建立起融合残差的状态方程。由于稳态残差噪声小 ，因此可以认为过程激励噪声的协方差矩阵为-较小常数。

观测噪声通常处于高频段，其协方差可以由动态残差小波系数细节部分估算出来，如式(17)所示：RCOY(W(S，err)，W(5，err)) (17)式中：W(S，err)代表动态残差 err第s尺度上小波的细节分量的重构。

基于式(10)～(17)获得的融合残差既为稳态残差和动态残差的最优估计。若残差状态方程为非线性形式，则可使用扩展卡尔曼滤波器，算法流程与上述-致。

以磨煤机磨辊磨损状态检测为例，图4(a)、(b)分别为基于2.2节建立的动态基准模型与稳态基准模型产生的残差，利用式(11)～(17)获得的融合残差如图5所示。

蠢- 52 3 4 5 6 (×l0 )时问/min(a)动态残差(a)Dynamic residuals2 000 4 000 6 000 8 000 l0 000 12 000时问/min(b)稳态残差(b)Steady state residuals图4 系统与基准模型残差Fig.4 Residuals between historical data and reference model1 50鑫- 15- 2Ol 2. ，3 4 5 6(×l0 )时间/min图5 融合残差Fig.5 Fusion residuals其中某-信息粒的融合算法参数如表3所示。

表3 融合算法参数Table 3 Parameters of fusion algorithm参数状态方程QR(k)： ( -1)0.040 90.00o 010.908 43 基于小波变换的多尺度状态检测方法3.1 小波变换的基本原理由于系统未建模因素的影响以及多种复杂噪声的存在，融合残差难以直接反映出对象状态参数的变化。如图5所示的融合残差中无法观测到磨煤机磨辊的磨损状态。

噪声往往存在于数据的高频分量中。小波变换具有多分辨率特胜，可以在几乎不损失能量的前提下将信号分解成携带不同频带信息的简单分支，被广泛用于电泵、电路等的故障诊断 、信号特征提取 、数据压缩等领域 ，取得了良好的效果。利用小波变换的多分辨率特性，可以将反映系统状态参数变化的信息从融合误差中提取出来。

小波分析是在傅里叶分析的基础上发展起来的，作为时频分析方法，小波分析有着许多本质性的进步，它提供了-种 自适应的时域和频域同时局部化的分析方法 ，能够聚焦到信号时段和频段的任意细节。

对于-个能量有限函数.厂(t)，满足l厂(t)( (R)，则它的连续小波变换为：(a，b)≤l厂(t) (18)· ∞(t)≥I t) 6(t)dt (19)1 ， 。 ， 、函数系 ( ) ( )中，。>0为尺度因子； 4a 、 ab∈R为平移因子； (t)为母小波。 (t)由 (t)经过尺度伸缩与时间平移生成，为小波基函数。通过尺度因子a和平移因子 b的变化 ，小波窗沿时间轴移动，在不同的尺度上对整个时间轴上的函数进行分析。

本文采用基于多分辨率分析的2进制离散小波变换Malat算法，该方法利用正交小波基将信号分解为不同尺度的各个分量，原始信号依次通过小波分解得到不同尺度下的低频分量系数 和高频分量系数cD 。该分解过程如图6所示。

图6 小波分解示意图Fig.6 Schematic diagram of wavelet decomposition184 仪 器 仪 表 学 报 第 3 4卷每次分解后得到的低频分量A(k)和高频分量D(k)所包含的频带范围为：D( )：[2 ” ，2-Z] (20)A(k)：[0，2 p” ]3.2 基于小波变换的多尺度状态检测方法利用小波变换的方法对残差进行多尺度分解 ，可以将融合残差分解到不同的频带上，根据对象的特征，可以提取最优分解尺度上的信息作为状态检测的结果。

以磨煤机磨辊磨损状态检测为例，对图5进行多尺度分解 ，由于其属于缓变过程 ，因此对融合残差进行低频重构，结果如图7所示。

≤·警-·f×10 、图7 小波多尺度分析低频重构结果Fig.7 Lowequency reconstruction result for waveletmulti-scale analysis从图7可以看出，随着分解尺度的提高，融合残差的变化趋势越来越明显。

3.3 多尺度分析最优分解尺度的确定最优分解尺度的选择对状态检测结果有极其重要的影响，分解尺度过低难以消除噪声，反之则会损失大量有用信息，还会出现假频，严重影响状态检测的准确性。

香农熵作为数据不确定性的度量，其定义如下：H(x)-∑Pilog2P (21)式中：p P( )，XX ，X：，，X 是论域 的-个划分。

香农熵反映了数据的不确定性，数据提供的信息量越大则其不确定性也越大，反之亦然。利用小波变换的方法对融合残差进行分析，随着分解尺度的提高，其重构数据的不确定性越来越低，即所含信息量会随着分解尺度的提高而逐渐减少。当尺度 i的香农熵满足下式时：H( )< (22)dH( )H( -。)-H( ) (23)d H( )dH( )-d日( )< d (24)则称尺度 i为融合残差的最优分解尺度。

以磨煤机磨辊磨损检测的融合残差为例，其不同尺度的香农熵及香农熵的 1、2阶导数如图8(a)、(b)、(c)所示(c)香农熵2阶导数(c)Second derivative Shannon entrop图8 融合残差多尺度分析的香浓熵及其导数Fig.8 Shannon entropy of fusion residual multi-scaleanalysis and its derivative分别取 6， ：0.Ol，则融合误差的最优分解尺度为 l3。

4 基于大数据的多尺度状态检测方法在磨煤机磨辊磨损检测中的应用采用本文提出方法，基于大数据对磨煤机磨辊磨损进行状态检测，利用磨煤机电流的融合残差反映磨辊磨损，并定义其小波分解第 13尺度的近似分量重构为磨辊磨损系数，作为状态检测的结果 ，如图9(a)所示。

： 二2 3 4时间/rain(a)重构的融合残羞爵问，min (x1 )(b)磨出口压力与-次风差压fb)Diference between mill outlet and primary air pressures图 9 重构的融合残差及磨出口压力与-次风差压Fig.9 Reconstructed fusion residuals and the differencebetween mill outlet and primary air pressures从图9(a)中可以看出，重构的融合残差随着磨辊运行时间的增加呈上升趋势，将其作为磨辊磨损系数可以反映出其磨损程度。

在磨煤机总运行时间的1/3处，磨损系数突然降至0以下，其原因在于磨煤机磨出口压力与-次风差压由于第1期 刘吉臻 等：大数据多尺度状态检测方法在磨损检测的应用 185未知原因突然增加约 1倍，如图9(b)所示，-次风携带煤粉能力增强，相当于变相降低了磨煤机功耗。

可以看出，现场情况复杂，本文提出的方法不仅能检测状态参数的变化 ，还能反映出异常运行工况对状态参数的影响。

与滑动均值法等基于时间序列的分析方法相比，本文提出的方法避免了滑动窗口过大造成时间严重滞后的影响，此外对象的动态特性也得以保留。

5 结 论本文针对信噪比低、变化缓慢这类具有磨损特性的对象，提出基于大数据的多尺度状态检测方法，利用海量历史数据，采用异步信息融合算法构造中间参数，借助多尺度分析从构造的参数中提取状态检测信息，并以磨煤机磨辊磨损的状态检测为例，对算法进行了验证。

实例分析表明，通过本文方法构建的磨辊磨损指数，可以反映出磨辊的磨损程度以及异常运行工况对状态参数的影响，证明了算法的有效性，克服了传统时域分析方法存在严重时间滞后的问题，为设备预知维修、提高经济性、安全性等提供技术依据。