面向磨煤機組故障診斷的聚類粗化圖模型

摘要： 磨煤機組是火力發電廠的重要設備之一，為了保證生產過程的安全性和穩定性，提出一種基于聚類粗化圖卷積神經網絡（CC-GCN）的故障診斷方法。首先通過KNN算法在原始故障樣本之間建立圖結構并轉換成圖樣本，然后利用譜聚類將圖樣本壓縮成多級粗化圖，并分別對每一級別的粗化圖進行卷積操作以及特征的融合，最后基于圖分類方法對故障樣本進行故障診斷。在磨煤機組的兩組不同運行狀態的數據集上進行仿真實驗，結果表明該方法不僅能有效提高故障診斷的精度，還能顯著降低模型的運行時間。

關鍵詞： 圖卷積神經網絡（GCN）;譜聚類;故障診斷;圖分類;磨煤機組

中圖分類號： TP391.5;TH133.3文獻標識碼： A

Clustering Coarsening Graph Model for Fault Diagnosis of Coal Mill Group

DENG Zhongyi

（East China Electric Power Test and Research Institute， China Datang Corporation Science and Technology Research Institute Co Ltd， Hefei 230011， China）

Abstract：The coal mill group is one of the important equipment in thermal power plants. To ensure the safety and stability of the production process， a fault diagnosis method named clustering coarsening graph convolution neural network （CC-GCN） is proposed in this paper. Firstly， the graph structure is established between the original fault samples by KNN algorithm and converted into graph samples. Then， spectral clustering is used to compress the graph samples into multi-level coarsening graphs， and convolution operations and feature fusion are performed for each level of coarsening graph respectively. Finally， fault diagnosis is performed on the fault samples based on the graph classification method. Simulation experiments are carried out on two sets of data sets with different operation conditions of the coal mill group， and the results show that this method can not only effectively improve the accuracy of fault diagnosis， but also significantly reduce the running time of the model.

Keywords： graph convolution neural network （GCN）； spectrum clustering； fault diagnosis； graph classification， coal mill group

0 引言

隨著科技的進步與先進技術的發展，風能發電、水能發電、核能發電等新能源發電技術相繼出現，使得傳統的火力發電所占的市場份額比例有所下降，但是火力發電仍占據著全國總發電量的70%以上［1］。在火力發電系統中，磨煤機組由于長時間高負荷運轉且工作環境具有多樣性，經常會出現各種不同的故障，從而會引發設備安全、生產率下降等問題。因此，如何對磨煤機組的運行狀態進行有效診斷，是保證火力發電系統安全穩定運行的前提條件，也是智能化電網發展的重要方向。

傳統的故障診斷主要是基于專家經驗［2］以及模型驅動的方法［3］，由于相關的專家知識具有一定的主觀性并且設備的精確數學模型也難以建立，特別是對于結構復雜的磨煤機組來說，所以傳統的故障診斷方法已經無法滿足現代電廠中磨煤機組智能運維的需要。數據驅動方法由于其強大的數據學習和分析能力，近年來在工業界和學術界備受關注，基于數據驅動模型的故障預測與診斷方法層出不窮，例如Yin等［4］運用誤差反向傳播神經網絡和粒子群算法優化的PSO-BP方法對城軌列車進行故障預測。在針對磨煤機組進行故障檢測與診斷方面，Li等［5］通過分析磨煤機的相關參數來確定故障的主要變量，針對性地提出了一種基于BP神經網絡的FPGA方法，對故障進行診斷和預警。但是當面對高維、非歐幾里得結構化故障數據時，基于數據驅動的方法往往會出現模型訓練時間長、診斷性能不佳甚至失效等問題。

隨著圖像處理單元（Graphic Processing Unit，GPU）計算能力的迅速提高，大量的深度學習方法相繼被提出，來解決數據驅動模型的診斷性能不佳的問題。例如Hu等［6］通過仿真模型和多SAE算法，提出了一種基于模擬故障樣本的故障診斷方法，實現了磨煤機系統的故障識別與診斷。為了更好地提取數據的空間特征，圖卷積神經網絡（Graph Convolutional Network，GCN）在深度學習的基礎之上，通過卷積相鄰節點的信息來更新自身的特征，例如Gao等［7］提出了一種基于有限元法仿真的對抗生成網絡，生成測試故障樣本的新樣本用于軸承故障檢測。Li等［8］提出了一種多感受野圖卷積網絡，可以學習來自不同感受野的特征，并融合學習到的特征作為增強的特征來進行故障診斷。然而，許多深度學習方法（如GCN，SAE等算法）對于大規模樣本數據的訓練仍然具有挑戰性，一方面隨著網絡層數的增加，算法的計算復雜度呈指數級增長，另一方面當面對大量樣本數據時，需要很大的內存空間來存儲計算整個圖結構。

因此，本文提出了一種新的聚類粗化圖卷積神經網絡（Clustering Coarsening Graph Convolutional Network，CC-GCN）模型來進行磨煤機組故障的診斷。首先通過KNN算法在原始故障樣本之間建立圖結構并轉換成圖樣本，該過程大大減少了模型存儲計算所需的內存空間，緊接著利用譜聚類算法對每一個圖樣本數據中的節點進行聚類并壓縮，可以得到圖樣本數據的多級粗化圖，同時對每一級別的粗化圖進行圖卷積操作以及特征融合，這在一定程度上降低了計算復雜度，從而減少了模型運行的時間成本，然后利用提取的特征信息對故障樣本數據進行分類，并通過交叉熵損失函數對模型進行參數的迭代更新。最后，在磨煤機組的兩組不同運行狀態的數據集上進行仿真實驗，結果表明：本文提出的故障診斷方法與基線方法相比，不僅能有效提高故障診斷的精度，還能顯著降低模型的運行時間。

1 相關理論基礎

1.1 圖卷積神經網絡模型

GCN模型是將CNN模型推廣到圖結構數據中，可以有效地提取非歐幾里得數據的特征。對于一個具有節點特征的無向圖，可以表示為G=V，E，A，X，其中V={vi}ni=1和X={xi}ni=1分別表示節點集和特征矩陣。E為邊集，A∈Rn×n為鄰接矩陣，可以定義為

ai，j=1，節點vi與vj連接0，節點vi與vj不連接

在GCN模型中，節點i在第m次圖卷積之后的特征表示為h（m+1）i，即節點i的原始輸入特征為h1i=xi，若模型中的卷積層數為M，則h（M+1）i為節點i的輸出特征。節點i在GCN模型中的卷積運算可以表示為

其中，AGGm為一個通用的聚合函數，Ni為節點i的鄰域。從網絡的角度來看，節點i的嵌入h（M+1）i的計算是節點特征以自底向上的方式在樹中的傳播，其中根是節點i本身，第m層上的節點是i的m階鄰居。

1.2 譜聚類算法

譜聚類是一種從圖論中演化出來的聚類算法［9］，該方法只需要數據之間的相似度矩陣，就可以達到聚類的目的，因此與其他聚類算法相比，可以有效處理稀疏樣本數據，并且該算法由于使用了降維，在處理高維數據聚類問題時的復雜度也比其他聚類算法低。譜聚類算法是將進行分類的所有樣本數據看作空間中的節點，該算法的主要流程為：

3 實驗分析

3.1 數據描述

本文的實驗數據集采集自華東某電力公司集團磨煤機組的實際運行過程，其鍋爐采用中速磨正壓直吹式制粉系統，每爐配6臺MP265G中速磨煤機，燃用設計煤種時5臺運行，1臺備用，設計煤粉細度R90=20%。主燃燒器布置在水冷壁的前后墻上，每層8只燃燒器對應一臺磨煤機，SOFA燃燒器布置在主燃燒器區上方的水冷壁的前后墻上，以實現分級燃燒降低NOx排放。本文主要收集了該磨煤機組處于100%（磨煤機組在2020年12月份的運行數據）和33%（磨煤機組在2020年5月份的運行數據）的不同健康狀態下的兩組數據集，故障數據每1秒采集一次數據（包含172個傳感器變量），共收集到磨煤機組軸承溫度上升、一次風機油泵振動異常、磨煤機組振動大等32種故障（見表1）。

3.2 實驗設置

故障診斷模型中的每個節點是每秒收集的172個變量數據，每個圖樣本數據是由n=20個節點樣本構成，圖樣本數據的結構是由KNN算法所得（τ=5）。由于采集的數據有限，構建的圖樣本所含節點數較少，故對圖樣本數據進行L=3級粗化，提取得到圖樣本的一維特征，每級粗化圖的節點數分別為20、8、1，其中2級粗化圖的節點是由1級粗化圖的節點聚類（K=8）所得。

故障診斷模型的迭代次數為200次，第一層圖卷積將特征維度從172維變成256維，第二層圖卷積將特征維度從256維變成128維，第一個全連接層將特征維度從128維變成64維，第二個全連接層將特征維度從64維變成32維。

3.3 實驗結果分析

對磨煤機組處于100%（狀態1）和33%（狀態2）的兩種健康狀態下的數據集分別進行了故障診斷，并將其在現有的深度學習算法（GCN、SGCN［12］、ChebyNet［13］、HoGCN［14］、GraphSage［15］）得到的診斷結果與加入聚類粗化操作之后的診斷結果進行對比。

如表2所示，可以發現加入聚類粗化的操作會有效提高故障診斷的精度（Acc），在兩個不同健康狀態的磨煤機組數據集，效果最差的HoGCN算法分別可以提高17%和20%左右，效果最好的ChebyNet算法分別可以提高2%和5%左右。同時如圖3所示，可以發現加入聚類粗化操作也會減少模型的運行時間成本，對于不同數據集的不同算法都可以降低10%左右的運行時間成本，其中橙色表示無聚類粗化操作的圖分類模型，綠色表示進行聚類粗化操作的圖分類模型。

以CC-GCN算法為例，分別展示了兩組磨煤機組數據集中的每一類故障的Acc值，如圖4所示，在兩個數據集中，與GCN算法的分類結果相比，CC-GCN算法中大部分故障的Acc值都更高，其中單個故障的Acc值最大可以提高30%左右，只有少數故障的Acc值是較之稍低的，但這可能是由于數據隨機劃分以及模型參數的隨機性導致的。

以CC-GCN算法為例，分別展示了兩組磨煤機組數據集的分類結果的T-SNE可視化圖，如圖5所示，其中圖5a和圖5b為狀態1的數據集分類前后的T-SNE可視化圖，圖5c和圖5d為狀態2的數據集分類前后的T-SNE可視化圖。從圖5中可以明顯地發現兩個狀態的原始數據無序分布在特征空間中，沒有某一類別的數據特征是分布在一起或者分布接近的，都是所有類別的數據特征交叉在一起。但是在通過模型對原始數據進行特征提取和融合后的嵌入數據的可視化結果中，可以發現相同類別的數據特征是相近的，比較集中的，不同類別的數據特征也有明顯的間隔，說明本文所提的CC-GCN算法可以獲得更好的故障診斷性能，可以達到預期的診斷效果。

3.4 參數靈敏度分析

在GCN和CC-GCN算法中，利用KNN算法構建樣本數據之間的連邊時，其中連邊數τ（取值為2至8）可能會對故障的Acc值產生一些影響。如圖6所示，連邊數對GCN算法的影響較大，不同的取值所對應的Acc值的波動較大，最大的相差15%左右，而對于CC-GCN算法的影響較小，Acc值的波動在2%左右，所以加入聚類粗化操作的算法穩定性相對較高。

在所有加入聚類粗化操作的算法中，每次利用譜聚類算法進行聚類的數量（K）是需要提前設定的，而K的設定（取值為4到10）對故障診斷的Acc值會產生一定的影響。如圖7所示，在展示的5種算法中，聚類數對CC-HoGCN的影響較大，Acc值的波動在5%左右，而其他4種算法的波動比較小，最大的在2%左右，最小的為CC-ChebyNet算法，Acc值幾乎沒有變化。

4 結語

本文針對磨煤機組的故障診斷提出了一種基于聚類粗化圖卷積神經網絡的磨煤機組故障診斷方法，該方法在將原始的樣本數據轉換成圖樣本數據之后，使用聚類算法對圖樣本進行壓縮，形成多級粗化圖，然后分別進行卷積以及特征融合。通過在真實的磨煤機組數據集上進行試驗，結果表明，該方法不僅可以有效提高故障診斷的分類精度（Acc），還可以減少模型的運行時間成本以及模型存儲計算所需的內存空間。本文僅僅考慮磨煤機組上的數據集，并且受限于獲得的磨煤機組的數據樣本，所以當實驗數據集充分時，可以考慮將構成圖樣本數據的樣本數擴大，形成更多的粗化圖來提取更豐富的特征進行故障的診斷，同時也可以考慮將該模型推廣到其他的數據集上進行故障診斷。

參考文獻：

［1］郭悅. 基于遷移學習的磨煤機狀態監測與故障診斷研究［D］. 北京：華北電力大學，2021.

GUO Y. Study on condition monitoring and fault diagnosis of coal mill based on transfer learning［D］. Beijing： North China Electric Power University， 2021.

［2］袁杰，王福利，王姝，等.基于D-S融合的混合專家知識系統故障診斷方法［J］.自動化學報，2017，43（9）：1580－1587.

YUAN J， WANG F L， WANG S， et al. A fault diagnosis approach by D-S fusion theory and hybrid expert knowledge system［J］. Acta Automatica Sinica， 2017， 43（9）：1580－1587.

［3］池闊，康建設，張星輝，等.基于匹配穩態隨機共振的軸承故障診斷方法［J］.復雜系統與復雜性科學，2019，16（2）：85－94.

CHI K， KANG J S， ZHANG X H， et al. Bearing fault diagnosis based matched-stable stochastic resonance［J］. Complex Systems and Complexity Science， 2019， 16（2）：85－94.

［4］尹懷仙，王凱，張鐵柱，等.基于PSO-BP神經網絡的城軌列車轉向架輪對軸箱故障預測［J］.復雜系統與復雜性科學，2015，12（4）：97－103.

YIN H X， WANG K， ZHANG T Z， et al. Fault prediction based on PSO-BP neural network about wheel and axle box of bogie in urban rail train［J］. Complex Systems and Complexity Science， 2015， 12（4）：97－103.

［5］LI J T， YUAN Z， MA B Y. Research on fault diagnosis model of coal mills based on FPGA［C］//2021 China Automation Congress.Kunming，China： IEEE， 2021： 2704－2709.

［6］HU Y， PING B Y， ZENG D， et al. Research on fault diagnosis of coal mill system based on the simulated typical fault samples［J］. Measurement， 2020， 161： 107864.

［7］GAO Y， LIU X Y， XIANG J. FEM simulation-based generative adversarial networks to detect bearing faults［J］. IEEE Transactions on Industrial Informatics， 2020， 16（7）： 4961－4971.

［8］LI T F， ZHAO Z B， SUN C， et al. Multireceptive field graph convolutional networks for machine fault diagnosis［J］. IEEE Transactions on Industrial Electronics， 2020， 68（12）： 12739－12749.

［9］VON LUXBURG U. A tutorial on spectral clustering［J］. Statistics and Computing， 2007， 17（4）： 395－416.

［10］ SHI J B， MALIK J. Normalized cuts and image segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）： 888－905.

［11］ HY T S， NGUYEN V B， TRAN-THANH L， et al. Temporal multiresolution graph neural networks for epidemic prediction［DB/OL］. ［2022－08－20］. https：//arxiv.org/pdf/2205.14831v1.pdf.

［12］ WU F， SOUZA A， ZHANG T Y， et al. Simplifying graph convolutional networks［DB/OL］. ［2022－08－20］. https：//arxiv.org/pdf/1902.07153.pdf.

［13］ DEFFERRARD M， BRESSON X， VANDERGHEYNST P. Convolutional neural networks on graphs with fast localized spectral filtering［DB/OL］. ［2022－08－20］. https：//arxiv.org/pdf/1606.09375.pdf.

［14］ MORRIS C， RITZERT M， FEY M， et al. Weisfeiler and leman go neural： higher-order graph neural networks［DB/OL］. ［2022－08－20］. https：//arxiv.org/pdf/1810.02244.pdf.

［15］ HAMILTON W， YING Z， LESKOVEC J. Inductive representation learning on large graphs［DB/OL］. ［2022－08－20］. https：//arxiv.org/pdf/1706.02216.pdf.

（責任編輯 耿金花）

收稿日期： 2022－11－09；修回日期： 2022－11－28

基金項目： 基于機器學習算法電站輔機故障診斷及狀態分析研究技術項目（DTKYY－2021－0104）。

第一作者： 鄧中乙（1982－），男，江蘇宿遷人，博士，正高級工程師，主要研究方向為智能發電設備智能巡檢及智能預警診斷。