(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 202211250351.9 (22)申请日 2022.10.13 (71)申请人 华北电力大 学 地址 102206 北京市昌平区北农路2号 申请人 华能集团技 术创新中心有限公司 　 西安热工 研究院有限公司 (72)发明人 杨婷婷　高乾　王月明　吕游　 樊启祥　李浩千　王默　王林　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 专利代理师 张文宝 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/00(2012.01)G06Q 50/04(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于深度学习卷积神经网络的磨煤机 故障预警方法 (57)摘要 本发明公开了属于磨煤机状态监测与故障 预警技术领域的一种基于深度学习卷积神经网 络磨煤机故障预警方法， 通过 获取磨煤机历史正 常工作状态的测点参数数据、 选取与磨煤机堵煤 故障相关测点参数数据作为输入变量， 建立CNN ‑ LSTM‑Attention故障预警模型， 并进行在线训 练； 获取CNN ‑LSTM‑Attention故障预警模型所得 到的预测值ym与实际值y之间的残差序列， 通过 滑动窗口法 处理得到平均 偏离度序列； 采用核密 度估计法计算平均偏离度序列的概率密度函数。 本发明通过对历史数据进行建模， 用算法挖掘出 磨煤机设备在正常运行时的规律， 避免各指标间 的相互影 响， 结果相对从而实现对磨煤机的故障 预警。 权利要求书3页 说明书7页 附图2页 CN 115496188 A 2022.12.20 CN 115496188 A 1.一种基于深度学习卷积神经网络的磨煤机故障预警方法， 其特征在于， 包括以下步 骤： 步骤1， 获取磨煤 机历史正常工作状态的测点 参数数据， 构成训练数据集； 步骤2， 选取与所述磨煤 机堵煤故障相关的几个测点 参数数据， 作为建模变量； 步骤3， 对历史数据集进行 数据预处 理； 步骤4， 以故障相关的测点参数作为输入变量， 建立CNN ‑LSTM‑Attention网络模型， 并 进行在线训练； 步骤5， 获取所述CNN ‑LSTM‑Attention网络模型所得到的预测值ym与实际值y之间的偏 离度序列error＝y‑ym， 并通过滑动窗口法处 理该序列； 步骤6， 采用核密度估计法计算偏离度序列的概率密度函数， 并通过计算逆累积积分函 数， 得到置信区间α， 从而得到故障预警阈值。 2.根据权利要求1所述的基于深度学习卷积神经网络磨煤机故障预警方法， 其特征在 于， 所述步骤1从火电厂D CS系统取得磨 煤机正常工作时的测点参数数据集包括磨 煤机一段 正常运行时间内所有参数的动态变化情况， 该参数数据集的长度至少为 1周内的运行数据， 该运行数据间隔至多为1mi n。 3.根据权利要求1所述的基于深度学习卷积神经网络磨煤机故障预警方法其特征在 于， 所述步骤2中的建模变量包括： 磨煤机电流、 瞬时给煤量、 磨煤机出口风粉混合物压力、 磨煤机出口风粉混合物温度、 磨 煤机进口一次风压力、 磨 煤机进口一次风温度、 磨煤机进口 一次风风量。 4.根据权利要求1所述的基于深度学习卷积神经网络磨煤机故障预警方法， 其特征在 于， 所述步骤3对历史数据集进行 数据预处 理具体包括以下步骤： 步骤S31、 将步骤2中所 得训练数据集进行 数据清洗， 去掉异常数据和空白数据； 步骤S32、 对进行了数据清洗后的训练数据集进行归一 化处理； 步骤S33、 将归一 化后的数据集 转化为有监督数据， 用来训练CN N‑LSTM网络模型。 5.根据权利要求4所述的基于深度学习卷积神经网络磨煤机故障预警方法， 其特征在 于， 所述步骤S32中， 对训练数据集进行归一 化处理的公式如式(1)所示： Xscaled＝Xstd*(max‑min)+min，        (2)， 式(1)、 (2)中， 将训练数据集中某段测点参数的时间序列数据记为Xi(t)＝[Xi(t1),Xi (t2)......Xi(tn)]， 式中， i为第几个测点， t为第几个时刻； X为该列中某一元素， Xmin为该列 数据的最小值， Xmax为该列数据的最大值， Xstd为归一化处理的中间变量， (max， min)为归一 化处理所设置的归一 化范围的区间， Xscaled为归一化处理后的数据。 6.根据权利要求4所述的基于深度学习卷积神经网络磨煤机故障预警方法， 其特征在 于， 所述步骤S 33中， 将数据集转化为可供训练的有监督数据， 具体为， 将某段测点参数的时 间序列数据记为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]， 将该时间序列数据根据时刻前移一 个单位， 得到Xi(t‑1)＝[Xi(t0),Xi(t1)......Xi(tn‑1)]， 将Xi(t‑1)作为LSTM ‑CNN网络模型 的输入， 将Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]作为LSTM ‑CNN网络模型的输出， 以此CNN ‑ LSTM‑Attention网络模型实现对多维时间序列数据的预测。权　利　要　求　书 1/3 页 2 CN 115496188 A 27.根据权利要求1所述的基于CNN ‑LSTM‑Attention的磨煤机故障预警方法， 其特征在 于， 所述步骤4建立CN N‑LSTM‑Attention网络模型， 并进行在线训练包括以下步骤： 步骤S41、 构建CNN ‑LSTM‑Attention故障预警模型结构， 包括CNN ‑LSTM‑Attention网络 结构设计、 激活函数的选择、 模型权 重初始化； 步骤S42、 对CNN ‑LSTM‑Attention故障预警模型进行编译包括学习目标、 优化算法以及 模型评价指标的设定； 步骤S43、 对CNN ‑LSTM‑Attention故障预警模型进行训练及超参数调试， 包括训练集、 测试集和验证集的划分， 网络超参数的调节。 8.根据权利要求7所述的基于深度学习卷积神经网络磨煤机故障预警方法， 其特征在 于， 所述步骤S42中学习目标包括： 某段测点参数的时间序列数据为Xi(t)＝[Xi(t1),Xi(t2)......Xi(tn)]， 设共有m个测点 参数， 则将所有测点参数序列视为一个n*m的矩阵Xr*m， 该矩阵Xr*m通过CNN进行特征提取， 先 通过64个filter进行特征提取， 之后通过Relu函数进行激活， 接着通过max ‑pooling进行池 化处理， 最后加入了概率为0.3的dropout防止过拟合， 将最后输出的一段序列作为后面 LSTM的输入； 通过CNN进行特征提取得到一段具有时间依赖性的序列， 之后， 将这一段具有时间依赖 性的序列按照时间顺序输入到LSTM中作为每个时间步的输入， 该LSTM层的激活函数选择 Relu函数； 在所述LSTM层后面接一个Attenton层， Attention层通过保留LSTM编码器对输入序列 的中间输出结果， 并对这些输入进行选择性的学习， 且在模型输出时将输出序列与之进行 关联。 在Attention层后连接一全连接层， 最终得到所述CNN ‑LSTM‑Attention故障预警模型 的预测输出， 所述全连接层的输出变量个数等于 输入变量， 激活函数选择Sigmo id。 9.根据权利要求7所述的基于深度学习卷积神经网络磨煤机故障预警方法， 其特征在 于， 所述步骤S42中优化算法包括： 将优化算法选择为Adam算法， 算法参数被设置为lr＝ 0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1*10‑8,其中lr为学习率， beta_1为一阶矩 估计的指数衰减率， beta_2为 二阶矩估计的指数衰减率， epsi lon为防止除0参数； 将所述CNN ‑LSTM‑Attention故障预警模型的训练指标表示为均方误差函数MSE,如 式 (3)所示： 将所述CNN ‑LSTM‑Attention故障预警模型的评价指标表示为均方根误差RMSE、 平均百 分比误差 MAPE和相关系数R2， 如式(4) ‑(6)所示： 权　利　要　求　书 2/3 页 3 CN 115496188 A 3