基于数字孪生的工业锅炉故障诊断方法

本发明工业锅炉故障诊断，具体涉及一种基于数字孪生的工业锅炉故障诊断方法。

背景技术：

1、工业锅炉是一种重要的能源转换设备，其长期处于高温、高压环境中，并且工业锅炉具有过程变量多、耦合性强等特点，一旦发生故障将严重危害生命财产安全。在长期运行中，工业锅炉可能会受到多种因素的影响，如水质变化、燃料品质、燃烧系统磨损等，这些因素都可能导致锅炉效率下降，影响其运行成本和环保性。

2、为了确保锅炉的安全运行，系统监测和故障诊断变得尤为关键。传统的故障诊断方法主要基于模型、专家知识和信号处理来识别和诊断设备故障。这些方法过度依赖于设备复杂的结构和物理化学过程，因此对于结构简单的设备诊断效果较好。然而锅炉耦合参数多、运行工况复杂。随着自动化技术的发展，锅炉的复杂程度不断增加，传统的方法对于工业锅炉的故障诊断精度在不断降低。随着设备监测数据和计算能力的提高，基于数据的智能故障诊断方法已广泛应用于设备故障诊断。代表性方法包括卷积神经网络(cnn)、支持向量机(svm)、随机森林(rf)以及多种方法的混合。

3、深度学习是一种新颖的智能方法，可以从原始信号中自主提取有效特征，而无需依赖人工进行特征提取。目前，深度学习技术已广泛应用于语音分类、语言翻译、图像分类等领域，并取得了巨大成功。而深度学习在故障诊断领域也取得了长足的进步，此类技术可以根据原始监测数据对机械设备的运行健康状况进行诊断。cui等人提出了一种基于pca算法的锅炉再热器故障诊断预警系统，以确定系统温度变化的影响因素及其相应的权重。li等人等人提出了一种基于联体神经网络(snn)的增压锅炉小样本故障诊断框架，引入变量分析和两个筛选过程，对模型进行高效训练。khalid等人提出了一种基于机器学习的模型，集成了最优传感器选择方案来分析锅炉水冷管泄漏，所提模型能够成功检测水墙管泄漏并具有高精度的效果。wu等人提出了一种基于混合核主成分分析概率神经网络模型的故障监测与诊断方法，有效提高了高压加热器系统的故障诊断精度，保证了火电机组的安全稳定运行。

4、然而训练深度学习诊断模型需要大量包含所有可能故障情况的标记故障数据，在实际运行中，工业锅炉故障数据的采集和记录往往受到时间、成本和可行性的限制。因此，故障数据的获取受到多种因素的限制，使得上述诊断算法在数据缺失的情况下，不能进行充分的训练，导致性能下降。

技术实现思路

1、为了克服已有技术的不足，本发明提供了一种提高数字孪生体模型实时状态检测和故障诊断结果的时效性的基于数字孪生的工业锅炉故障诊断方法，通过建立与物理实体高度契合的工业锅炉数字孪生模型，运行虚拟孪生体模型得到大量高度贴合实际的仿真数据，并与深度学习相结合，最终为解决工业锅炉故障诊断问题提出了一种有效的方法，有较好的实用价值。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于数字孪生的工业锅炉故障诊断方法，包括如下步骤：

4、步骤1，建立锅炉数字孪生模型；

5、步骤2，使用构建的数字孪生模型模拟锅炉的各种故障状态；

6、步骤3：将故障数据分割为训练集和测试集，然后对步骤2得到的特征数据进行预处理；

7、步骤4：构建具有物理约束的对抗生成网络pcgan；

8、步骤5：利用从数字孪生模型导出的数据来训练pcgan，实现工业锅炉故障诊断。

9、进一步，所述步骤1中，构建锅炉数字孪生模，数字孪生模型包含物理实体pe、虚拟模型ve、服务ss、数据dd与连接cn五大部分，表达为以下形式：

10、mdt＝(pe,ve,ss,dd,cn)

11、其中：物理实体是数字孪生五维模型的构成基础，由物理空间中的锅炉本身、传感器和执行器物理实体组成，锅炉本体作为参数和运行数据的提供源，利用计算机技术和各类传感器实时感知锅炉的运行参数和环境信息；虚拟实体是物理实体的数字虚拟实体，包括几何模型、物理模型、行为模型和规则模型，这些模型能从多时间尺度、多空间尺度对pe进行描述与刻画；数据包括pe数据，ve数据，ss数据，知识数据及融合衍生数据，pe数据包括体现物理实体规格、功能、性能、关系的物理要素属性数据与反映物理实体运行状况、实时性能、环境参数、突发扰动的动态过程数据；ve数据包括ve相关数据,如几何尺寸、装配关系几何模型相关数据；连接实现数字孪生模型各部分数据与信息的交互；最后通过数字孪生模型实现对锅炉故障诊断的服务内容；

12、1.1：使用3ds max软件构建工业锅炉的三维模型；

13、1.2：将构建的锅炉三维模型加载到unity 3d软件中，构建锅炉数字孪生模型；

14、1.3：在锅炉数字孪生模型中添加虚拟传感器，获得在虚拟环境中锅炉数字孪生模型运行状态数据，即仿真数据；

15、1.4：将获得的锅炉数字孪生模型的仿真数据与物理实体的运行状态数据相比较，判断出锅炉数字孪生模型与物理实体的相似度，不断调整数字孪生模性的参数使其满足预设的精度要求。

16、再进一步，所述步骤2中，使用构建的数字孪生模型模拟锅炉的各种故障状态；确定可能发生的各种故障模式，例如管道堵塞、传感器故障、控制系统失效、燃烧不完全；在数字孪生模型中引入模拟故障所需的变化，通过修改传感器的输入值、调整控制逻辑、模拟设备部件的损坏或性能下降，这些变化会导致模型输出的变化，反映出锅炉在不同故障状态下的运行行为。

17、更进一步，所述步骤3中，将故障数据分割为训练集和测试集，然后对步骤2得到的特征数据进行预处理，对预处理后的数据进行数据的最大-最小值标准化处理，获得规范化的数据集将数据归一化处理；

18、在原始数据集中，各个时序数据的量纲存在差异，且数值范围相差较大，如果直接将这些数据用于模型训练，可能会降低模型学习非线性特征的能力，为了取消各维数据之间的数量级差别，避免因为输入输出数据数量级差别大而造成网络预测误差过大，对数据进行归一化处理，将其缩放到[0,1]区间，以确保模型训练的稳定性和有效性，采用最小最大规范化对数据进行归一化，计算公式为：

19、

20、其中x为样本值，min(x)为样本中最小的值，max(x)为样本中最大的值。

21、所述步骤4中，构建具有物理约束的对抗生成网络pcgan，pcgan通过将锅炉的数值模型嵌入到生成器损失函数中，在生成器的结构中添加了锅炉的物理方程来约束生成的数据符合物理规律，该物理损失项充当网络中的正则化项，以强化训练过程该物理损失项导致生成器生成具有物理方程约束的数据，通过生成器生成的数据馈送到鉴别器d，鉴别器d由两部分组成，一部分由一个三层bp神经网络组成，另一部分由基于sae的深度神经网络组成，过程如下：

22、4.1构建锅炉的数值模型；

23、1)炉膛模型

24、炉膛也叫燃烧室，锅炉的炉膛的作用是组织燃料燃烧所需的空间，承担着炉膛内交换热量的任务，保证锅炉出口烟气的温度冷却到受热面允许的程度，其质量、能量守恒方程如下：

25、

26、式中vfur为炉体体积，ρg为炉膛烟气平均密度，df为进入炉膛的燃料质量流量，da为进入炉膛的空气质量流量，dg为炉膛出口烟气流量，hg为炉膛出口烟气比焓，qf为单位质量燃料燃烧产生的热量，ha为压缩空气的比焓，qrad为辐射传热，qcom为对流传热，

27、辐射传热方程、对流传热方程如下：

28、

29、qcon＝aconhcon(tfg-tw)

30、式中εfur为炉膛发射率，σ为黑体辐射常数，hrad为辐射换热面积，tfg为烟气平均温度，tw为加热管壁面平均温度，αcon为烟气冲刷管束时的对流换热系数，hcon为对流管束换热面积；

31、2)水冷壁模型

32、在水冷壁中，由省煤器中流出的工质汽化为水蒸气，然后流出水冷壁出口即微过热点，此过程满足能量和质量平衡方程如下：

33、

34、式中vl为锅炉水冷壁的容积，gg为给水流量，hin为入口焓值，ρ1为水冷壁中工质的平均密度，μ1为水冷壁中工质的平均焓值，gjian为水冷壁出口即微过热点的工质流量，hjian为水冷壁出口焓值，q1为水冷壁工质单位时间的吸热量；

35、3)过热器模型

36、过热器是锅炉另一重要设备，根据过热器的运行机理，过热器中的工质满足质量、能量、动量平衡方程分别如下：

37、

38、式中vs为过热器内蒸汽体积，ρs为过热器蒸汽平均密度，us为过热器蒸汽平均焓值，gj为减温水流量，gt为主蒸汽流量，ht为主蒸汽流量，qs为过热器内蒸汽单位时间的吸热量，pjian为微过热点蒸汽压力，pt为主蒸汽压力，ks为过热器管道的阻力系数；

39、4)燃烧系统模型

40、燃烧系统由于包含制粉系统、烟风系统和炉膛燃烧等环节，通常具有一定的延时和惯性，从燃烧率指令发出到实际可以产出煤量用迟延环节表示：

41、μb＝qg×e-τs

42、式中μb为燃烧率指令，qg为给煤机给煤量，τ为制粉系统的延迟时间，与磨负荷成反比的关系；

43、磨煤机中的碾磨机构用一阶惯性环节来描述：

44、

45、式中qb为磨煤机的出粉量，c为惯性时间。m为机内的存煤量；

46、进一步，磨煤机的质量平衡方程由下式表示：

47、

48、综上，制粉系统表示为：

49、

50、假设煤种与燃烧品质稳定，燃烧率指令与燃烧环节的吸热量呈比例关系

51、q＝k×qb

52、因此可得燃烧系统的传递函数为：

53、

54、在燃煤燃烧过程中会释放出热量q，这里的热量将会在燃烧控制系统中分为两部分并各有用途，第一部分q1将进入水冷壁将其中的工质加热变成水蒸气；第二部分热量qs则会进入过热器加热其中的工质；

55、在这个过程之中，q＝q1+qs，存在一个比例系数k，q1＝kq，qs＝(1-k)q。实际工况中q会波动，但比例系数k不会发生变化，水冷壁与过热器吸热的比例基本保持恒定；

56、4.2构建生成器；

57、创建一个生成器网络，其架构中嵌入了物理信息神经网络pinn，在生成器的结构中添加了锅炉的物理方程来约束生成的数据符合物理规律，pinn是在给定输入给水流量、水冷壁出口温度参数的情况下，以较小的数据集和较高的精度生成相应的数据；引入物理知识的概念后，可以更直观地考虑输入参数与输出数据之间的关系；将带有标签的数据输入到pinn中，然后输出同样带有标签的数据；

58、物理信息损失函数输入到模型中会产生残差，这个残差表示额外的物理损失，使输出在一定程度上满足物理模型的约束。总的损失函数通常是神经网络限制的均方误差和附加的物理损失项的组合；

59、g的损失函数采用以下形式：

60、lgen＝ladv+lmse

61、式中lmse为mse损失，ladv为对抗性损失，两种损失函数如下：

62、

63、

64、式中n是数据的数量,xi、yi、分别是输入数据、真实数据和生成数据；

65、4.3构建判别器；

66、鉴别器由一个一维卷积网络1-dcnn和一个基于sae的深度神经网络组成；

67、首先，输入的数据先进入到1-dcnn网络，并进行优化来最大化1-dcnn网络的鉴别能力，然后，利用原始数据集x建立一个基于dnn的故障诊断网络。故障数据集如下所示：

68、x＝[xnormal,xreal]

69、式中，xnormal表示大样本量故障类别样本集，xreal表示小样本量故障类别样本集，基于sae的深度神经网络(dnn)可以通过如下方程构建：

70、net＝feedforward(θ1,θ2,...θz；n1,n2,...nn；x)

71、其中n是深度神经网络的层数；n1,n2,···,nn分别为深度神经网络各层隐藏层神经元的数量，θ1＝[w1,b1],θ2＝[w2,b2],···,θn＝[wn,bn]分别表示深度神经网络各层上的网络参数，ae堆叠的dnn用于从不平衡数据集中提取特征，dnn提取的特征可以表示为：

72、hn＝σ(wn…(σ(w1x+b1))+b2))+…+bn)

73、使用hn作为softmax分类器的输入，训练有素的softmax可以成为一个很好的故障诊断模型。

74、所述步骤5中，利用从dt模型导出的数据来训练pcgan，过程如下：

75、5.1训练判别器；

76、1)首先训练1-dcnn，训练的流程如下：新样本xfake被标记为0，原始样本xreal被标记为类别标签1，把新样本和原始样本输入判别器中，输出相应的真假信息和类别信息；此后，输出的真实性被标记为dreal和dfake，通过最小化所提出的训练模型的损失函数，可以完成判别器1-dcnn的训练，交叉熵损失函数的计算公式如下：

77、

78、其中n是样本xreal的数量，m是生成样本xfake的数量；

79、2)将故障数据集x作为输入来训练基于dnn的故障诊断判别器，同时逐步更新网络参数，提高故障诊断能力，流程表示为：

80、netdnn(n)＝train(netdnn(n-1),x(n))

81、式中netdnn(n)是第n次训练后的判别器网络，netdnn(n-1)是第n-1个判别器网络；

82、5.2训练生成器；

83、生成的样本xfake的标签设置为1并馈送到鉴别器，错误判定真实性标签为0，表明新生成的样本不能被鉴别器通过，然后调整生成器的训练，对生成器网络参数进行优化，生成器的训练表示为：

84、netg(n)＝train(netg(n-1),lgen)

85、其中netg(n)是第n次训练后的生成器网络，netg(n-1)是第n-1个生成器网络，lgen是生成器的损失函数。

86、所述方法还包括以下步骤：

87、步骤6：通过测试样本验证所述的pcgan的优越性，并与其他故障诊断方法进行比较。

88、优选的，所述步骤6中，利用训练样本集对诊断模型进行训练，用测试集进行故障诊断测试，于测试和训练的样本按1:2进行分割，通过算法对比验证所以方法的有效性与优越性；考虑的锅炉状态六种，分别是炉膛负压故障、水冷壁出口压力故障、过热器超温故障、水冷壁出口温度故障、给水泵出水压力故障和无故障，将所提出的方法与其他算法进行对比，验证所述的pcgan在诊断准确度上的有效性和优越性。

89、本发明的有益效果主要表现在：

90、(1)本发明构建了有效的工业锅炉数字孪生物理模型，结合物理实体的动态建模来模拟其运行，实现对物理实体准确的、虚实同步的数字化表示，从而提高数字孪生体模型实时状态检测和故障诊断结果的时效性；通过指定相应的物理属性参数，模型可以准确生成反映实际系统状态运行的模拟数据，提高深度学习模型的性能。

91、(2)本发明提出基于数字孪生的工业锅炉故障诊断方法，其最大的特点为在锅炉故障数据质量差或者稀缺的情况下，可以生成锅炉的故障数据，仅靠少量的故障数据即可进行故障诊断。相比于传统的故障诊断方法，所提出的故障诊断模型可以达到较高的故障诊断准确率。