(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111640085.6 (22)申请日 2021.12.2 9 (71)申请人 中国大唐集团科 学技术研究总院有 限公司华 东电力试验研究院 地址 236000 安徽省合肥市高新区创新大 道666号赛为智能大厦 申请人 大唐锅炉压力容器 检验中心有限公 司 (72)发明人 潘存华　王远鑫　张科　周福　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 叶濛濛 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于BPNN模型和自适应阈值的磨煤机故障 预警方法和系统 (57)摘要 本发明提供了一种基于BPNN模型和自适应 阈值的磨煤机故障预警方法， 包括， S1： 采集磨煤 机运行过程中的故障相关的目标变量和磨煤机 运行的状态变量； S2： 计算状态变量与目标变量 的相关系数， 保留相关性满足要求的状态变量； S3： 将保留的状态变量及目标变量输入BPNN模 型， 进行模型训练； S4： 将待识别的状态变量输入 训练后的模型内， 获得目标变量预测值， 计算目 标向量残差自适应数值， 进行故障判断。 本发明 的优点在于： 通过相关系数保留对目标变量影 响 较大的状态变量， 降低数据运算量， 然后训练得 到BPNN模型并将进行目标变量的预测， 基于预测 结果计算自适应残差结果， 并在自适应残差超 过 预设阈值时， 认为将发生与目标变量对应的故障 情况。 权利要求书3页 说明书8页 附图2页 CN 114492938 A 2022.05.13 CN 114492938 A 1.一种基于BPN N模型和自适应阈值的磨煤 机故障预警方法， 其特 征在于： 包括， S1： 采集磨煤 机运行过程中的故障相关的目标变量和磨煤 机运行的状态变量； S2： 计算状态变量与目标变量的相关系数， 保留相关性满足要求的状态变量； S3： 将保留的状态变量及目标变量输入BPN N模型， 进行模型训练； S4： 将待识别的状态变量输入训练后的模型内， 获得目标变量预测值， 计算目标向量残 差自适应数值， 进行故障判断。 2.根据权利要求1所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法， 其 特征在于： 还 包括对采集的目标变量和状态变量进行归一 化处理的步骤， 公式为， 其中， xmin表示历史数据 中变量最小值， xmax表示历史数据中变量最大值， x表示输入变 量值， x归 一表示归一 化结果。 3.根据权利要求1所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法， 其 特征在于： 所述计算状态变量与目标变量的相关系数为皮尔逊相关系数， 计算方法为， 其中， Xα， α ＝1， 2， …， A表示第α 个目标变量， Yβ， β ＝1， 2， …， B表示第β 个状态变量， 表示 数学期望， D()为方差， 为标准差， COV()为协方差 。 4.根据权利要求3所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法， 其 特征在于： 保留所述状态变量的相关性要求为相关系数大于预设阈值或根据相关系数降序 选择预设数量个 状态变量。 5.根据权利要求1所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法， 其 特征在于： 所述训练BPN N模型的方法为， 步骤i： 将保留的状态变量作为BPNN模型的输入， 建立输入矩阵x[1]＝[N， 5]， 其中N表示 状态变量的个数； 步骤ii： 随机初始化权重矩阵w[1]＝[5， 8]， b[1]＝[1， 8]， a[1]＝x[1]w[1]+b[1]， 其中8为第 一隐含层节点数量， z[1]＝sigmod(a[1])， sigmod函数如下 所示： 将第一隐含层的输出z[1]作为第二隐含层输入参数， 隐含层共4层， 隐含层节点数分别 为8， 8， 4， 4； 步骤iii： 获取第四隐含层的输出z[4]， 输出变量为1， 以z[4]作为输入变量重复步骤ii计 算输出层输出目标变量的预测值 使用L2范数损失函数计算输出向量与目标变量实际值y 的损失， 计算公式为，权　利　要　求　书 1/3 页 2 CN 114492938 A 2步骤iv： 根据损失值S更新各隐含层w[i]、 b[i]， 其中α 为超参数学习率， 通过人工定义， 完成更新后， 重 复步骤ii ‑步骤iv迭代n次， 计算 目标变量预测值 的均方根 误差MSE， 6.根据权利要求2所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法， 其 特征在于： 所述进行故障判断的方法为， 对待识别的状态变量和对应的目标变量进行归一化处理， 然后输入训练后的模型中， 得到目标变量的预测值， 计算自适应阈值的方法为， εN＝ μN‑1±z δN‑1#(8) 其中 μN‑1为前N‑1数量的残差 ε均值， δN‑1为前N‑1数量的残差 ε方差， z为超参数正整数。 7.根据权利要求1所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法， 其 特征在于： 所述磨煤机的故障包括磨本体振动幅度超限异常和轴承温度超高异常， 与故障 相关的目标变量包括轴承X方向振动量、 轴承Y方向振动量、 输入轴轴承第一温度和输入轴 轴承第二温度， 其中输入轴 轴承第一温度和输入轴 轴承第二温度为 不同位置检测的温度； 所述状态变量包括电流(A)、 给煤量(t/h)、 进口风压(KPa)、 磨煤机差压(KPa)、 进口风 温(℃)、 出口风温(℃)、 进口风量(t/h)、 负荷(MW)、 第一粉管风速(m/s)、 第二粉管风速(m/ s)、 第三粉管风速(m/s)、 第四粉管风速(m/s)、 磨本体CO浓度(ppm)、 密封风压(KPa)、 密封风 一次风差 压(KPa)和磨辊加载油压 。 8.一种基于BPN N模型和自适应阈值的磨煤 机故障预警系统， 其特 征在于： 包括， 数据采集模块： 采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变 量； 状态变量选择模块： 计算状态变量与目标变量的相关系数， 保留相关性满足要求的状 态变量； 模型训练模块： 将保留的状态变量及目标变量输入BPN N模型， 进行模型训练； 故障判断模块： 将待识别的状态变量输入训练后的模型内， 获得目标变量预测值， 计算 目标向量残差自适应数值， 进行故障判断。 9.一种电子处理设备， 其特征在于： 包括至少一个处理器和存储有至少一个执行程序 的存储装置， 当所述至少一个执行程序被所述至少一个处理器执行， 所述至少一个处理器 实现如权利要求1 ‑7任一项所述的方法。权　利　要　求　书 2/3 页 3 CN 114492938 A 3