[发明专利]一种基于机器学习的风粉在线测量方法

权利要求书

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即炉侧压力变送器和磨侧压力变送器，用来实时监测管道内的静压力；其中，其中一台压力变送器安装在靠近锅炉燃烧器喷口处且满足距离上游弯管有3倍管径、下游弯管有5倍管径的位置；另一台压力变送器安装在与上一台压力变送器有至少一个直角弯，且能够满足距离上游弯管有3倍管径、下游弯管有5倍管径的位置；

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n个参数，其中各参数用x₁、x₂…x_n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)；将步骤3中样本数据的各参数划分m个数据中心，即将样本数据参数划分为m个区间，按照下式确定第m个数据中心在第p个工况下的系数：

w_m(p)＝w_m(p-1)+λ[z(p)-F(p-1)]×y_m(p)

式中，w_m(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；按照下式确定拟合目标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w_m(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：实时采集炉侧压力变送器的测量值、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在线测量方法，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。

3.根据权利要求1所述的一种基于机器学习的风粉在线测量方法，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在线测量方法，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。