一种基于小波分解与重构和TCN-GRU-Self-Attention的磨煤机一次风量故障预警方法

本发明涉及火电机组健康管理技术的故障预警，具体来讲涉及一种基于小波分解与重构和tcn-gru-self-attention的磨煤机一次风量故障预警方法。

背景技术：

1、磨煤机作为燃煤电厂制粉系统中重要的辅机之一，长期处于恶劣的工作环境，其系统内部极易出现故障。磨煤机系统中一次风系统是保证煤粉输送和锅炉燃烧的重要系统，一次风量是一次风系统中最重要的参数，在磨煤机正常运行、机组稳定燃烧、风煤配比过程中起关键调节作用。因此，有必要对一次风量的故障进行预警，以保障一次风系统的正常运行。

2、目前，故障预警系统主要有基于机理模型的故障预警系统和基于数据驱动模型的故障预警系统。发电机组由于工况变化复杂，被控对象外界影响大，系统之间相互耦合导致机理建模的模型不能十分准确的匹配现场实际情况。随着大数据、人工智能等前沿技术不断进步，基于数据分析的设备故障诊断方法在燃煤机组故障预警与诊断方面取得良好效果，并得到快速发展。其主要有应用统计分析、神经网络、贝叶斯网络、聚类分析等方法对数据进行训练得到预测模型，实现故障预警。

技术实现思路

1、本发明的目的是提供一种基于小波分解与重构和tcn-gru-self-attention的磨煤机一次风量故障预警方法，可更为准确地预警磨煤机一次风量的故障，减少一次风量过高或过低对磨煤机运行产生的影响。根据某火电机组磨煤机的一次风量信号数据，对获取的一次风量信号数据进行预处理，并对数据进行归一化处理。采用小波分解与重构的快速算法mallet算法对一次风量的原始信号进行分解与重构。对原始信号分解得到1组一次风量的基本时间序列信号和n组噪声信号，再将该n+1组一次风量时间序列信号分别重构到原尺度上，得到n+1组在原尺度上的经过分解与重构处理的一次风量时间序列信号。对小波分解与重构后的一次风量时间序列信号进行归一化处理。采用滑动窗口对归一化后的n+1组时间序列信号进行划分后作为tcn-gru-self-attention网络的输入。选用贝叶斯优化算法对tcn-gru-self-attention网络的参数进行优化，构建tcn-gru-self-attention网络。采用构建完成的tcn-gru-self-attention网络模型对划分后的时间序列信号进行拟合得到模型的输出，作为一次风量的拟合值。采用js散度对tcn-gru-self-attention网络模型的一次风量输出值和真实值进行计算，得到当前时刻的一次风量健康度，根据健康度判断一次风量是否出现异常的趋势，若健康度低于设定值，即认为一次风量开始出现异常，从而进行故障预警。

2、本发明所采用的技术是，一种基于小波分解与重构和tcn-gru-self-attention的磨煤机一次风量故障预警方法，具体按照以下步骤实施：

3、获取某火电机组磨煤机的一次风量信号数据。

4、对获取的一次风量信号数据进行预处理。

5、预处理的数据通常为缺失数据和异常数据。

6、对于异常数据和缺失数据均使用均值插补法进行补全，均值插补法如下：

7、

8、其中x'i作为t时刻的期望平抑目标。其中，xi-1为需处理数据的前一个数据点，xi+1为需处理数据的后一个数据点，将需要处理数据的前后两个数据点取均值进行差补。

9、采用小波分解与重构的快速算法，即mallet算法，对一次风量信号进行分解与重构。

10、小波分解与重构具体流程为：

11、将一次风量原始信号的集合记为v0，将第i组截止到采样周期k为止得到的一次风量原始时间序列信号记为其中上标表示分解尺度。

12、对进行分解得到低一级的基本时间序列信号和噪声信号即：

13、

14、采用相同的步骤逐级分解，公式如下：

15、

16、其中为第i组截止到采样周期k为止得到的经j级分解后的一次风量近似信号；为第i组截止到采样周期k为止得到的经j级分解后的小波信号；为小波分解时低通滤波器的系数；为小波分解时高通滤波器的系数；j为分解的层数；t为离散采样点数。

17、得到经过n级小波分解后的近似信号和n组干扰信号

18、将经过n级小波分解的近似信号和n组干扰信号j＝1,2,…,n，分别重构到原尺度上，公式如下：

19、

20、其中为近似信号；为小波信号；h为小波重构时低通滤波器的系；g为小波分重构时高通滤波器的系数；j为分解的层数；t为离散采样点数。

21、对小波分解与重构后的一次风量信号数据进行归一化处理，归一化公式如下：

22、

23、其中xmin，xmax分别表示样本的最小值和最大值，ymin＝-1，ymax＝1。

24、采用滑动窗口对归一化后的n+1组信号沿时间轴进行划分，作为tcn-gru-self-attention网络的输入。

25、tcn网络是在卷积网络的基础上引入了膨胀卷积、因果卷积和残差块的跳跃连接三种特殊结构而构建的网络模型。其在训练时序数据过程中设置了严格的历史因果关系，有效解决了现有故障诊断算法存在的训练时序逻辑性不强的问题。

26、定义输入序列为{x0,x1,…,xt}，输出序列为{y0,y1,…,yt}，膨胀卷积的一般形式为：

27、

28、其中f为卷积滤波器；k为卷积核大小；d为扩张因子，表示卷积核的区间数；s-di为过去时间状态的卷积。

29、在tcn内相邻的两级之间采用残差块的跳跃连接。tcn有两层扩张的因果卷积和relu激活函数，其中卷积滤波器采用批处理归一化。

30、跳跃连接可表示为：

31、o＝activation(x+f(x))

32、此处activation表示激活函数，其中包括relu和sigmoid，此处设计的tcn中使用relu函数来连接残差块，计算公式如下：

33、fact(x)＝max(0,x)

34、gru网络可以将较长时间之前的信息输送给后面时间步长的神经元，能够有效捕捉长序列之间的关联，gru网络结构如下：

35、

36、其中w是权重矩阵，z表示更新门，r表示重置门，h表示状态，“*”表示按元素乘，σ表示sigmoid激活函数。

37、自注意力机制(self-attention)是一种将各个输入特征关联输出特征，使得每个输出特征包含输入特征的上下文关系的内注意力机制，具体如下：

38、self-attention的输入为上一层得到的特征图x∈rc×n，将x转换到特征空间域q，k，v去计算注意力，其中q(x)＝wqx，k(x)＝wkx，v(x)＝wvx，则：

39、

40、其中表示特征在合成区域j，i位置的关注程度，c是通道特征数量，n是特征图尺寸h×w。

41、自注意力层的输出为：

42、

43、其中wq，wk，wv，wɑ∈rc×n为权重矩阵。d为权重矩阵的维度。

44、将tcn、gru和self-attention网络连接构成tcn-gru-self-attention网络拓扑结构。

45、将tcn-gru-self-attention网络中tcn的滤波器数目、卷积核大小，gru的神经元数目作为贝叶斯优化算法的寻优对象。

46、通过贝叶斯优化器对网络超参数进行优化，具体流程如下：

47、初始化一个代理函数f(x)的先验分布，此处选择高斯过程作为先验。

48、选择若干组数据x＝{x1,x2,…,xn}，训练网络得到相应目标函数值y＝{y1,y2,…,yn}。

49、用代理函数f(x)来拟合所选择的x，y。

50、选择使得采集函数取最大值的数据点xt，即：

51、

52、获取其目标函数值yt，即：

53、yt＝f(xt)+εt

54、在目标函数c(x)中评估数据xt是否符合要求。

55、整合新数据点d1:t＝{d1:t-1,(xt；yt)}，更新代理函数f(x)，得到一个后验分布，作为下一个的先验分布。

56、将寻优得到的tcn-gru-self-attention网络中tcn层的滤波器数目、卷积核大小，gru层的神经元数目，代入tcn-gru-self-attention网络中，构建tcn-gru-self-attention网络拓扑结构。

57、将划分后的重构信号输入tcn-gru-self-attention网络模型中，得到模型拟合的一次风量值。

58、js散度为衡量两种不同概率分布相似性的指标。若将一段时间内的一次风量真实值作为一个基准分布，模型输出值的数据分布与基准分布之间的相似度越高，代表其健康程度越高；反之，分布之间的差异越大，说明健康度越低。

59、计算一次风量的模型输出值和真实值的js散度，js散度的计算公式如下：

60、

61、其中p(x)为分布p对应的概率密度函数；q(x)为分布q对应的概率密度函数；

62、根据过程量化指标中常用的指标函数建立健康度和js散度之间的关系。定义第l天一次风量的健康度指标hi是关于数据分布间相似度的指标函数，公式如下：

63、

64、其中b为形状参数，b>0。

65、通过上述健康度判断一次风量是否出现异常趋势。当模型健康度低于设定值时，则认为一次风量信号开始出现异常趋势，此时应该进行故障预警。