基于果蝇优化算法的斗轮堆取料机异常状态检测方法_齐乐乐.pdf

dianzi yuanqijian yu xinxijishu 电 子 元 器 件 与 信 息 技 术46|基于果蝇优化算法的斗轮堆取料机 异常状态检测方法齐乐乐华电曹妃甸重工装备有限公司，河北唐山，063200摘要：目前对于斗轮堆取料机异常状态检测存在检测精度较低的问题，现提出基于果蝇优化算法的斗轮堆取料机异常状态检测方法。通过对斗轮堆取料机的在线监测数据进行预处理，得到参数特征数据集，利用优化后的果蝇算法构建出斗轮堆取料机异常状态检测模型，实现对斗轮堆取料机的精准检测。最后通过对比实验，建立斗轮堆取料机仿真模型，利用两种检测方法对模型异常状态进行检测，通过实验可得出提出的检测方法在检测精度上要优于传统的异常状态检测方法的结论，为研究同类型的异常状态检测方法提供积极的借鉴意义。关键词：果蝇优化算法；斗轮堆取料机；异常状态检测中图分类号:TP301.6文献标志码:ADOI:10.19772/ki.2096-4455.2023.1.011 0引言斗轮堆取料机作为火力发电厂的核心输煤设备，主要负责煤的挖取和堆存，属于大型装卸机械，在工作过程中会存在突发故障的情况，因此针对斗轮堆取料机异常状态的检测研究十分必要1。由于斗轮堆取料机的工作环境通常是灰尘量较大的煤场，因此很容易出现积灰过多导致元器件出现短路的情况。除此之外，由于斗轮堆取料机的工作周期较长，机器长时间处于振动状态容易出现端子松动的情况，松动程度过大会引发电线短路，甚至会烧毁核心部件，导致设备停止运行，对斗轮堆取料机的运行效率与使用寿命产生不利的影响2。因此需要对斗轮堆取料机设备进行定期的维护，从而减小出现故障的风险。传统的斗轮堆取料机设备维护方法主要包括主电源维护、电器柜内部维护、外部电机维护以及外部传感器维护。通过对设备进行定期检查，判定设备是否处于正常工作状态，以此保障整个电厂的稳定运行。该维护手段具有一定的可行性，但存在较多弊端，例如人力成本过高、排查时间过长、安全隐患较大、较为依赖操作人员的个人技术与经验等。随着发电产业的不断发展，斗轮堆取料机的数量和规模也在不断扩大，传统的故障维护手段已经难以满足斗轮堆取料机的检测需求，因此需要开发智能化的检测方法，旨在提高检测精度和效率，缩短检测时间，对异常状态进行迅速识别，实现对斗轮堆取料机的高效检测。果蝇算法由于具备搜索效率高、操作简便等优势，被广泛应用在各种工程领域当中。因此可以将果蝇算法进行针对性优化，将其与斗轮堆取料机检测技术结合，为提高检测效率与精度提供帮助3。1斗轮堆取料机数据预处理斗轮堆取料机属于大型高效装卸器械，其内部构造较为复杂，故障特征的组成因素也存在较大的差异4。因此为便于对斗轮堆取料机的异常状态进行更好的检测，需对斗轮堆取料机的在线监测数据进行预处理，主要包括辅助变量的选取、数据归一化处理以及参数特征提取，具体处理步骤如下。作者简介：齐乐乐，男，汉族，河南安阳，中级工程师，本科，研究方向：机械制造工程。电 子 元 器 件 与 信 息 技 术|47电子元器件与材料根据斗轮堆取料机的内部构成，选取带式输送功率、斗轮转数、回转支承磨损程度、驱动装置回转速度、直流电动机运行功率、液压驱动压力、尾车运行功率等相关参数作为辅助变量，通过利用监测装置提取以上参数，构建原始数据集5。由于各个斗轮堆取料机参数之间数量级差异较大，为了提高后续果蝇优化算法对机械参数的处理速度，需要对该参数进行归一化处理，设输入的斗轮堆取料机参数为x，具体数据归一化公式如下：=xX（1）其中，X代表参数对应的归一化数据，代表斗轮堆取料机原始数据集的平均值，代表斗轮堆取料机原始数据集的标准差，其中，X的取值范围为0,1。为避免斗轮堆取料机原始数据集中的最大数据与最小数据对整体结果造成较大影响，需要对参数的最大值与最小值进行二次处理，具体公式如下：minmaxminXXXiXX=（2）其中，X代表对归一化数据进行二次处理所得到的数据，minX代表斗轮堆取料机原始数据集中的最小值，maxX代表斗轮堆取料机原始数据集中的最大值，i代表原始数据集中的样本个数，取值范围为正整数。上述经过归一化处理后的数据在数量级差异上有了较为明显的改善，有利于后续果蝇算法对其进行更高效的处理6。在得到归一化的斗轮堆取料机参数数据后，需要对该数据进行参数特征提取，为后续的异常状态检测模型提供数据支持，具体提取步骤如下。首先将二次处理后的数据X组建为数据集，定义数据集内部样本个数为n，则有：12,.nXXXX=（3）利用VMD分解方法对斗轮堆取料机参数进行分解，首先定义分解模态数为K，斗轮堆取料机的所有数据参数进行分组，每组数据记为mV，其中m代表每组数据中的参数数量7。采用VMD分解方法对分组后的数据mV进行分解，具体分解公式如下：mVMDVVKX=（4）其中，VMDV代表分解后的特征参量，将该数据集放入新的特征参量F中，即可得到关于斗轮堆取料机参数特征数据集：12,.VMDVMDVMDnFVVV=（5）根据上述计算步骤即可完成对斗轮堆取料机运行辅助参数的选取，对数据进行归一化处理并得到最终的斗轮堆取料机参数特征数据集，为后续的异常状态检测提供数据支持。2基于果蝇优化算法构建异常状态检测模型果蝇算法的基本原理在于通过利用迭代搜寻的方式寻找最优值，由于其具备运算参数较少且易于运算的优点，被广泛应用于各种工程领域中，果蝇算法的具体原理如图1所示。随机初始果蝇群体位置设定果蝇个体利用嗅觉搜寻食物的随机方向与距离搜索食物位置-估计个体与原点之间的距离-计算味道浓度判定值计算个体位置的味道浓度计算果蝇群体中味道浓度的极大值是否为浓度最大值果蝇群体利用视觉确定食物位置否是开始结束图 1果蝇算法原理图根据上述原理，对果蝇算法进行优化，具体优化步骤如下：首先对输入参数进行初始化，定义果蝇群体规模为N，最高迭代次数为MAX，果蝇群体的具体位置为_Xaxis和_Yaxis。对果蝇个体利用嗅dianzi yuanqijian yu xinxijishu 电 子 元 器 件 与 信 息 技 术48|觉搜寻食物的随机方向和距离进行设定，具体表达式如下：_()iXXaxisRand=+（6）_()iYYaxisRand=+（7）其中，()Rand代表果蝇飞行距离长度，也可表示为迭代步数长度。其次对果蝇个体与原点之间的距离进行计算，并计算出个体浓度气味判定值，具体公式如下：22iiiDistXY=+（8）1iiSDist=（9）其中，iDist代表果蝇个体与原点之间的距离，iS代表个体气味浓度判定值8。利用浓度判定函数Funciton对浓度判定值进行求解，得出果蝇个体气味浓度，并对浓度极大值求解，具体公式如下：()iiSmellFunciton S=（10）max()iSmellIndexSmell=bestbest（11）其中，iSmell代表果蝇个体的气味浓度，SmellIndexbestbest代表果蝇群体中气味最浓的果蝇。其次对果蝇群体中气味最浓的果蝇气味浓度值以及位置坐标进行确定，并使果蝇群体向该坐标靠近，具体表达式如下：SmellbestSmell=best（12）_()XaxisXIndex=best（13）_()YaxisYIndex=best（14）最后不断执行上述步骤，直到寻求到最佳的果蝇浓度位置。考虑到原有算法的搜寻能力具有一定的限制，这里对搜索距离进行控制，通过设定搜索半径，增添步长控制因子，使算法的搜索能力得到提升，对（6）式与（7）式进行改进，改进结果如下：_()kiXXaxisaRand=+（15）_()kiYYaxisaRand=+（16）其中，a代表搜索步长控制因子，k代表从搜索开始到结束经历的迭代次数之和，通过对搜索距离进行改进，可以极大提高算法的搜索精度。根据上述步骤即可完成对果蝇算法的优化，将优化后的算法与上文提到的斗轮堆取料机参数特征数据集进行结合，构建斗轮堆取料机异常状态检测模型。异常状态检测模型的构建原理为，通过验证斗轮堆取料机健康状态模型的绝对误差，得出异常状态下的标准值，从而构建出异常状态检测模型，具体构建步骤如下。首先对斗轮堆取料机健康标准状态进行确定，通过对斗轮堆取料机监测数据进行分析，确定斗轮堆取料机处于健康标准状态下的机械参数。然后利用优化后的果蝇算法，针对斗轮堆取料机参数特征数据集进行搜寻，搜寻出最能反映斗轮堆取料机健康状态的敏感特征参数，具体表达式如下：_()FFXaxisXIndex=best（17）其中，()FXIndexbest代表最能反映斗轮堆取料机健康状态的敏感特征参数，XF代表斗轮堆取料机参数特征。则可建立出斗轮堆取料机健康状态模型c(t)，模型表达式如下：()()Fc tf Xt=（18）其中，t代表运行时刻。通过对斗轮堆取料机健康状态模型进行验证，可得出模型参数误差值，具体公式如下：()()()EA tc tr t=（19）()()()()Ec tr tRtr t=|（20）1()NAPEEiMRt=（21）其中，()EA t代表斗轮堆取料机健康状态模型预测值和实际值之间的绝对误差，()ERt代表相对误差，APEM代表相对误差的平均值。则可通过将斗轮堆取料机监测数据代入健康模型来计算出斗轮堆取料机的实际健康度，以此构建出异常状态检测模型，具体表达式如下：()()1()APEr tH tMc t=（22）其中，()H t代表t时刻内斗轮堆取料机的健康度，若该数值低于预设数值，则说明此刻斗轮堆取料机处于异常状态。电 子 元 器 件 与 信 息 技 术|49电子元器件与材料综上，通过果蝇算法提取出斗轮堆取料机的敏感特征参数，再基于该参数建立斗轮堆取料机异常状态检测模型，对斗轮堆取料机的实际健康度进行判定，实现对异常状态的检测。至此，基于果蝇优化算法的斗轮堆取料机异常状态检测方法设计完成。3实验环节为了更好地说明提出的基于果蝇优化算法的斗轮堆取料机异常状态检测方法在检测精准度上优于传统的检测方法，在理论方面设计完成后，构建实验环节，对该检测方法的实际检测效果进行分析。3.1实验环境为提高实验结果的准确性，本次实验选取了某种常规的斗轮堆取料机异常状态检测方法作为对比对象，实验对象具体参数如表1所示。表 1大型斗轮堆取料机运行参数属性参数堆料能力800t/h取料能力800t/h轨上堆高12m轨下堆高1.0m回转半径40m轨距7m供电方式安全滑触线供电电压380V供电频率50Hz走行距离85m最大工作风压56.4V/m2斗轮转速8.5r/min针对以上运行参数，利用 Machining仿真软件建立大型斗轮堆取料机的仿真模型，建立3组不同的异常状态模型，利用两种状态异常检测方法模型进行检测。同时通过对该斗轮堆取料机的历史监测数据的获取，组建基础数据集，作为两种检测方法的原始数据集。3.2实验结果利用本文提出的异常状态检测方法，针对基础数据集构建斗轮堆取料机参数特征数据集，针对优化后的果蝇算法，设定果蝇的飞行距离为-5,5，将果蝇种群数目设定为25。设定迭代次数为50，最大迭代次数为150，针对斗轮堆取料机参数特征数据集进行搜寻，搜寻范围为0.001,500，针对搜寻的斗轮堆取料机健康状态的敏感特征参数，构建斗轮堆取料机异常状态检测模型，得到斗轮堆取料机的预估健康值，通过对比预测值与实际值之间的误差来判定异常状态检测方法的有效性，得出检测方法误差结果如表2所示。表 2检测方法误差对比检测方法实验标准P1P2P3P4本文检测方法误差/%2.562.432.120识别时间/s1.081.061.121.03传统检测方法误差/%5.438.416.752.37识别时间/s4.673.795.764.25上述检测结果中，P1-P3代表3种不同的模拟异常状态，P4代表正常状态。根据上述实验结果可知，检测方法在对不同类型的异常状态检测时，其最终的检测误差与识别时间也有所不同。传统的检测方法在误差上数值较大，最高误差可达到8.41%，误差平均值为5.74%，并且对于正常运行状态下的斗轮堆取料机也出现了较大的检测误差。同时检测方法对于异常