本站小編為你精心準備了供熱鍋爐用燃氣調壓器故障診斷方法參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要:根據供熱鍋爐用燃氣調壓器特性，對調壓器出口壓力數據進行分析，繪制出壓力云圖以及雷達圖，對疑似故障案例進行專家判定。采用支持向量機方法進行故障診斷。利用經驗模態分解方法對數據進行特征化處理，作為機器學習的輸入量，專家判定結果作為輸出量，尋找合適的診斷算法來建立二者之間的聯系，實現智能故障診斷。采用10折交叉驗證與粒子群優化算法相結合的方法來優化向量機分類器參數，建立支持向量機診斷模型，實現鍋爐用燃氣調壓器故障診斷。

關鍵詞:經驗模態分解;燃氣調壓器;故障診斷;支持向量機;交叉驗證;粒子群優化

1概述

北京燃氣集團和北京建筑大學已在民用燃氣調壓器故障診斷領域取得一定的成果［1］，供熱鍋爐用燃氣調壓器與一般民用燃氣調壓器的產品類型和運行條件存在顯著差別。供熱鍋爐用戶燃氣調壓器負擔的用氣設備數量少、單臺用氣量大，存在調壓器冬季運行瞬時供氣量日變化率大、供氣量階躍變化等特點，采用民用燃氣調壓器的診斷方法與實際偏差過大。本文旨在研究適用于供熱鍋爐用燃氣調壓器的診斷算法，構建相應預警模型，實現安全預警。

2燃氣調壓器故障數據準備

2．1故障類型調研調研國內主要的廠商、燃氣企業，了解到目前常用的供熱鍋爐用燃氣調壓器運行管理、維護保養方式等基本情況;邀請相關專家進行討論，總結供熱鍋爐用燃氣調壓器的主要故障類型包括關閉壓力高、用氣高峰壓力低、喘振。根據發生故障的可能性大小又分為預警(需要計劃性檢修)和報警(需要立即檢修)［2］。鍋爐用燃氣調壓器的主要參數為進口壓力、出口壓力以及溫度，經過北京燃氣集團燕山實驗室的模擬實驗測定，出口壓力影響因素比重最高，故本文將以出口壓力作為判斷故障的依據。

2．2采集監測數據根據調研分析以及現場踏勘的情況，選取14個調壓站進行歷史數據分析以及實時數據記錄。這些調壓站分布于北京市不同地區，負擔不同負荷的供熱鍋爐的調壓，具有一定的代表性，能夠反映出目前北京市供熱鍋爐用調壓器的總體情況。本文所用數據分為歷史監測數據與現場實時采集數據兩類:歷史監測數據為北京市10個調壓站連續6～13個月的進出口壓力;現場實時采集數據來自于4個示范站，自2017年3月至9月連續7個月的進出口壓力。

2．3故障案例積累通過對監測數據整理發現，個別日期的數據異常不一定代表出現故障，需要對比分析整月情況來綜合判定。故筆者將14個調壓站的各月出口壓力都繪制了一份出口壓力云圖，見圖1。圖1中色標表示出口壓力，相應的單位為kPa。將疑似故障日期的數據提取出來，繪制成行業通用故障診斷形式———故障單日雷達圖。

3支持向量機

3．1核函數的選擇鑒于調壓器為復雜的綜合機械體，單純依靠對出口壓力的分析并不能準確進行故障診斷，以下用機器學習的方法來模擬專家的判定。所采用的學習方法為支持向量機(SupportVectorMachine，簡稱SVM)，SVM是將輸入向量通過某種非線性映射到一個高維特征空間，然后建立一個分類超平面進行樣本分類的算法［3］。支持向量機是采用Matlab中的軟件包及部分自主編程。將前文中的80d數據EMD分解得到的能量矩作為輸入量，專家判定結果(以隸屬度表示)作為輸出結果，用SVM來尋找輸入與輸出之間的內在邏輯。選用合適的核函數能夠降低過程中的計算量，目前常用的核函數主要有線性核函數、多項式核函數、徑向基核函數(RBF)、Sigmoid核函數。本文通過改變支持向量機網絡的核函數，對80d故障數據進行診斷判斷。

3．2參數尋優交叉驗證(CrossValidation)避免了選取的參數只在固定的訓練驗證集最優，不能達到很好的推廣性能，可以通過不斷改變訓練集和驗證集，充分利用有限的樣本數據訓練核參數g和懲罰參數C，提高尋優性能［6－7］。本文考慮樣本容量及計算效率確定交叉重復度為10，即采用10折交叉驗證，對模型進行參數優化和訓練性能評價。粒子群優化算法(ParticleSwarmOptimization，簡稱PSO)是一種基于種群的隨機優化技術，尋優過程等效為搜尋空間中粒子的方位。PSO先隨機初始化一群粒子，再經迭代獲得最優解。選用粒子群優化算法對SVM中的核參數g和懲罰參數C進行優化，以SVM的交叉驗證精度作為優化目標，尋找最佳的參數值［8］。本文最終確定采用10折交叉驗證與粒子群優化相結合(記作10－CV－PSO)的方法優化分類器參數，同時將匯總的80d疑似故障樣本數據，按照4∶1的比例劃分為訓練驗證集和測試集，訓練驗證集又按照10折交叉驗證的方法分為訓練集和驗證集，對SVM分類器進行訓練驗證，達到提高分類器分類準確率的目的。其具體實施步驟如下:①初始化所有粒子群，PSO粒子的初始位置以及初始速度隨機生成。②通過粒子的目標函數來計算各個粒子的適應度值，然后計算粒子適應度。再根據適應度大小來初始化全局極值和個體自身極值。③迭代開始，進化代數t=1時，根據粒子群速度和位置迭代公式，為種群進行更新。④當迭代次數達到最大條件時，停止更新粒子的位置和速度，得出最優參數;若沒有達到停止條件，則將繼續重復循環操作步驟②～④。PSO算法選擇種族規模為20，學習因子為1，適應度函數選用10折交叉驗證，最大進化代數為100代。粒子的交叉驗證精度隨著迭代次數的增大而逐漸增大，并最終達到最大值，此時經粒子群算法優化驗證精度達到最大值所對應的懲罰參數C和核參數g為全局最優解。

4結論

通過對調壓站歷史數據的分析，繪制出全月出口壓力云圖，能夠更為快速、有效確定出調壓器疑似故障數據，在此基礎上積累得到大量故障案例進行機器學習，得到以下結論:①基于經驗模態分解(EMD)算法得到能量矩，作為模型的特征向量，提高了數據信號的非平穩性，提升模型訓練的效率。相比輸入單一出口壓力數據，診斷的準確率大大提高，由此可確認EMD與支持向量機(SVM)相結合方法的可行性。②將26位專家對80d若干臺調壓器的診斷結論分別作為獨立結果進行訓練，增加模型訓練的數據量，減小了誤判概率，進一步提高SVM模型預測結果的準確率。③采用10折交叉驗證與粒子群優化相結合的方法，尋找到最優參數，極大提高了診斷的準確率。

參考文獻:

［1］劉旭海，郝學軍．高中壓燃氣調壓器安全預警技術研究［J］．煤氣與熱力，2017，27(3):B17－B21．

［2］安小然，郝學軍，徐鵬．中低壓燃氣調壓器安全預警技術的優化實例［J］．煤氣與熱力，2017，27(4):B21－B25．

［3］艾娜．支持向量機與人工神經網絡［J］．山東理工大學學報(自然科學版)，2015(5):45－49．

［4］楊旗．人體步態及行為識別技術研究［M］．沈陽:遼寧科學技術出版社，2014:12－15．

［6］劉一鷗．基于支持向量機的設備故障診斷研究［J］．電子設計工程，2016(22):60－73．

［7］紀昌明．基于網格搜索和交叉驗證的支持向量機在梯級水電系統隱隨機調度中的應用［J］．電力自動化設備，2014(4):125－131．

［8］裴飛．粒子群優化核極限學習機的變壓器故障診斷［J］．計算機工程與設計，2015(5):327－331．

作者：薛欽櫪1；郝學軍1；吳波2；齊曉琳2；何少平2 單位：1．北京建筑大學，2.北京市燃氣集團有限責任公司