详情

原文传递一种基于机器学习的风粉在线测量方法

专利名称：	一种基于机器学习的风粉在线测量方法
摘要：	一种基于机器学习的风粉在线测量方法，通过试验获得样本数据，通过径向基神经网络算法对样本进行学习训练，得到模型参数；判断学习训练结果，然后通过在线模型导入并计算，得到实时测量值，即进行煤粉输粉管道速度及浓度的实时计算；判断实时测量结果：验证实时计算结果，如果符合要求则结束计算。本发明应用径向基神经网络算法建立数据模型，通过机器学习的计算拟合，得到煤粉输粉管道的风速、浓度等流动参数，为锅炉状态监测提供了可靠数据。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京华电天仁电力控制技术有限公司
发明人：	张国瑞;王继明;翟海龙;谷薇;戴维;冯贾华
专利状态：	有效
申请日期：	2019-03-07T00:00:00+0800
发布日期：	2019-05-31T00:00:00+0800
申请号：	CN201910170365.1
公开号：	CN109827879A
代理机构：	北京智绘未来专利代理事务所(普通合伙)
代理人：	张红莲
分类号：	G01N15/06(2006.01);G;G01;G01N;G01N15
申请人地址：	100039 北京市海淀区西四环中路16号院1号楼
主权项：	1.一种基于机器学习的风粉在线测量方法，其特征是，该方法包括以下步骤：步骤1：分析制粉系统的特点，确定影响煤粉输粉管道风速、浓度的各参数，同时在煤粉输粉管道上安装两台压力变送器，用来实时监测管道内的静压力；步骤2：进行制粉系统性能试验并记录试验数据，所述试验数据包括试验测量得到的煤粉输粉管道中的一次风速及浓度，以及在试验中记录步骤1中所安装的压力变送器的测量值以及磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力参数值；步骤3：将步骤2中的试验数据作为样本数据,样本数据包括步骤2中用试验测量得到的煤粉输粉管道中的速度及浓度以及在试验中记录的步骤1中的安装的压力变送器的测量值、磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力等n个参数，其中各参数用x1、x2…xn表示，同时将试验得到的煤粉输粉管道的速度及浓度数据分别作为拟合的目标值，此处用z(p)表示，p表示为第p个工况；步骤4：应用机器学习算法建立模型并对样本数据学习训练，得到拟合目标的函数表达式F(p)；步骤5：判断F(p)与z(p)两者的差，当[z(p)-F(p)]/z(p)的绝对值在预定精度范围内则学习结果可用，所求得的wm(p)即为模型参数，否则返回步骤4调整神经网络学习率λ重新进行学习训练，直到[z(p)-F(p)]/z(p)的绝对值在预定精度范围内，然后进入步骤6；其中，若z(p)为风速的试验测量值，则所求的模型即为风速测量模型，所求的参数即为风速模型参数；如果z(p)为浓度的试验测量值，则所求的模型即为浓度测量模型，所求的参数即为浓度模型参数；步骤6：在测量计算站中搭建风速、浓度计算模型，并导入步骤5中的模型参数；步骤7：实时采集新安装的炉侧压力变送器的测量值、新安装的磨侧压力变送器的测量值以及磨煤机一次风入口压力、一次风挡板开度、磨煤机料位差压、磨煤机瞬时给煤量、磨煤机入口一次风量、一次风母管压力等参数数据，通过步骤6搭建的搭建风速、浓度计算模型，计算煤粉输粉管道的一次风速及煤粉浓度；将计算结果与步骤2中一次风速及煤粉浓度值试验值进行比较，如果误差在预定的误差阈值范围内，即拟合的计算值与步骤2中的试验值的差占试验值的比例在预定的误差阈值范围内，则认为结果可用，否则返回步骤2，重新调整试验工况；直到计算结果与步骤2中一次风速及煤粉浓度值试验值在设定精度范围内。 2.根据权利要求1所述的一种基于机器学习的风粉测量方法，其特征是：在步骤1中，所述的压力变送器为静压型压力变送器，在煤粉输粉管道直角弯的两侧安装两个压力变送器；每一个压力变送器安装位置应满足距离上游直角弯处超过5倍管道直径，且距离下游的直角弯处超过3倍管道直径。 3.根据权利要求1所述的一种基于机器学习的风粉测量装置和方法，其特征是：在步骤2中，所述制粉系统性能试验应根据GB/T 10184-2015《电站锅炉性能试验规程》、DL/T 467-2004《电站磨煤机及制粉系统性能试验》制定。 4.根据权利要求1所述的一种基于机器学习的风粉测量装置和方法，其特征是：在步骤3中，不同的工况以磨煤机的出力来区分的，包括通过调整磨煤机的风量或者煤量，以取得不同的工况。 5.根据权利要求1所述的一种基于机器学习的风粉测量装置和方法，其特征是：在步骤4中，采用了径向基函数神经网络算法获得拟合目标的函数表达式F(p)及模型参数。 6.根据权利要求1或5所述的一种基于机器学习的风粉测量装置和方法，其特征是：在步骤4中，应用机器学习算法建立模型并对样本数据学习训练具体包括以下内容： 4.1 首先将步骤3中样本数据的各参数划分m个数据中心，数据中心可以根据参数的范围来确定，各参数均需划分成m个数据中心； 4.2 将样本数据的各参数数值与划分的数据中心值进行差值计算，定义中间输入变量ym； y1(p)＝(x1－x11)2+(x2－x21)2+...+(xn－xn1)2 · · · ym(p)＝(x1－x1m)2+(x2－x2m)2+...+(xn－xnm)2 上式中，p表示第p个工况，其中xnm表示参数xn的第m个数据中心； 4.3 根据上述划分的数据中心，定义对应数据中心的系数，用wm表示，其表达式为： wm(p)＝wm(p-1)+λ[z(p)-F(p-1)]×ym(p) 式中，wm(p)表示第m个数据中心在第p个工况下的系数，λ表示神经网络学习率，为一设定常数； 4.4 根据下式计算拟合目标的函数表达式F(p)为： 7.根据权利要求6所述的一种基于机器学习的风粉测量装置和方法，其特征是：在4.1中，所划分的m个数据中心须覆盖该参数的所有范围；所述数据中心可以等分，亦可以不等分。 8.根据权利要求1所述的一种基于机器学习的风粉测量装置和方法，其特征是：在步骤5中，所述预定精度是指拟合的目标值z(p)与得到拟合目标的函数表达式F(p)之间的相对差[z(p)-F(p)]/z(p)的绝对值在5％以内。 9.根据权利要求1所述的一种基于机器学习的风粉测量装置和方法，其特征是：在步骤7中，所述预定的误差阈值为5％。 10.根据权利要求9所述的一种基于机器学习的风粉测量装置和方法，其特征是：在步骤7中，返回步骤2重新调整试验工况包括：通过细分工况、增加试验工况的数量。
所属类别：	发明专利