基于数字孪生及BP神经网络的磨煤机诊断方法及系统

技术领域

本发明涉及磨煤机故障检测技术领域，具体涉及基于数字孪生及BP神经网络的磨煤机诊断方法及系统。

背景技术

火电厂是一种由锅炉机组、汽轮机及发电机等设备组成，以将燃料燃烧时的化学能依次转换为热能、机械能，进而转换为电能的发电厂。实际发电过程中，所述燃料多为煤，相应的锅炉机组则为燃煤锅炉机组。此时，为了提高火电厂的燃煤效率，还在燃煤锅炉机组前增加了磨煤机以将原煤磨成煤粉并输送给燃煤锅炉。

基于降低火电厂发电成本考虑，需要尽量减少相应设备故障，并避免故障下的设备宕机。其中，对于燃煤锅炉机组的故障统计分析表明，磨煤机的少煤、堵煤或断煤是导致燃煤锅炉机组异常的主要原因。但受磨煤机运行环境复杂性影响，磨煤机的运行状态往往具有较大的不确定性，因此在实际生成中并无法基于第一参数变化对其进行运行状态进行有效监测。此时，只有当燃煤锅炉故障发生进行排查维修时，才可对确认相应的磨煤机故障；而此时相应的成本损失已然造成。

发明内容

本发明目的在于提供基于数字孪生及BP神经网络的磨煤机诊断方法及系统，以改善现有技术中无法对磨煤机运行状态有效监控从而无法有效避免相应成本损失的技术问题。

为达成上述目的，本发明提出如下技术方案：

基于数字孪生及BP神经网络的磨煤机诊断方法，包括：

构建与磨煤机相映射的孪生模型；其中，控制方程包括：一次风温度动态微分方程、一次风流量动态微分方程、出口风粉混合物温度动态微分方程、原煤动态微分方程、煤粉动态微分方程及磨煤机电流方程；所述孪生模型的输入量包括：各所述控制方程中作为自变量的物理参数，输出量包括与磨煤机运行相应的第一参数，及由孪生模型仿真的第二参数；其中，所述第一参数包括：电流、一次风流量、一次风温度、给煤量及出口温度；所述第二参数包括：内部空气温度平均值、内部空气温度标准差、内部空气温度最大值及内部空气温度最小值；

依据所述孪生模型与所述磨煤机间的数据交互得到所述孪生模型的各所述输出量，并对比孪生模型输出的各所述第一参数的值与自磨煤机采集的各所述第一参数的值以迭代优化所述孪生模型，进而得到目标孪生模型；

基于所述目标孪生模型仿真获取若干训练样本，并以预测准确率大于预设阈值为目标对BP神经网络预测模型进行迭代训练，进而得到目标预测模型；

使所述目标孪生模型获取磨煤机的实时参数作为输入量以输出各所述输出量，并基于所述目标孪生模型输出的各所述第一参数的值与磨煤机输出的各所述第一参数的值的对比以确认所述目标孪生模型与磨煤机运行一致时，将所有所述输出量输入至所述目标预测模型以对磨煤机进行故障预测。

进一步的，所述构建与磨煤机相映射的孪生模型，包括：

基于磨煤机的结构参数、材料参数及尺寸参数构建几何模型；

为所述几何模型添加物理接口及各所述控制方程以构建物理模型；其中，所述物理接口用于进行输入量的输入，各所述输入量由与磨煤机的数据交互获取，或由仿真获取；

为所述物理模型添加约束规则以构建所述孪生模型；其中，所述约束规则包括：一次风流量约束、一次风温度约束、磨煤机出口温度范围约束、存煤量约束、出口煤粉细度约束。

进一步的，所述基于所述目标孪生模型输出的各所述第一参数的值与磨煤机输出的各所述第一参数的值的对比以确认所述目标孪生模型与磨煤机运行一致，包括：

获取基于所述目标孪生模型输出的各所述第一参数的值的集合S

判断

反之则确认磨煤机未发生超出所述目标孪生模型内任一约束规则的故障时，基于所述磨煤机对所述目标孪生模型重新优化。

进一步的，包括：

所述一次风温度动态微分方程为：

其中，T

所述一次风流量动态微分方程为：

其中，T

所述出口风粉混合物温度动态微分方程为：

其中，C

所述原煤动态微分方程为：

其中，

所述煤粉动态微分方程为：

其中，W

所述磨煤机电流方程为：

I＝K

其中，I为磨煤机电流，K

进一步的，所述基于所述目标孪生模型仿真获取若干训练样本，并以预测准确率大于预设阈值为目标对BP神经网络预测模型进行迭代训练，进而得到目标预测模型，包括：

设定所述BP神经网络预测模型的输出量为故障类型；其中，所述故障类型包括：少煤故障、堵煤故障及出口温度高故障；

设定所述BP神经网络预测模型的输入节点数为9个，输出节点数为3个，隐含层节点数为10个。

进一步的，包括：

基于所述故障预测结果选择相应的维修策略；

依据所述维修策略对所述孪生模型的修正对其进行优化直至所述孪生模型故障恢复；

基于所述优化后的维修策略对所述磨煤机进行维修。

基于数字孪生及BP神经网络的磨煤机诊断系统，包括：

孪生模型构建模块，用于构建与磨煤机相映射的孪生模型；其中，控制方程包括：一次风温度动态微分方程、一次风流量动态微分方程、出口风粉混合物温度动态微分方程、原煤动态微分方程、煤粉动态微分方程及磨煤机电流方程；所述孪生模型的输入量包括：各所述控制方程中作为自变量的物理参数，输出量包括与磨煤机运行相应的第一参数，及由孪生模型仿真的第二参数；其中，所述第一参数包括：电流、一次风流量、一次风温度、给煤量及出口温度；所述第二参数包括：内部空气温度平均值、内部空气温度标准差、内部空气温度最大值及内部空气温度最小值；

孪生模型优化模块，用于依据所述孪生模型与所述磨煤机间的数据交互得到所述孪生模型的各所述输出量，并对比孪生模型输出的各所述第一参数的值与自磨煤机采集的各所述第一参数的值以迭代优化所述孪生模型，进而得到目标孪生模型；

预测模型优化模块，用于基于所述目标孪生模型仿真获取若干训练样本，并以预测准确率大于预设阈值为目标对BP神经网络预测模型进行迭代训练，进而得到目标预测模型；

实体故障预测模块，用于使所述目标孪生模型获取磨煤机的实时参数作为输入量以输出各所述输出量，并基于所述目标孪生模型输出的各所述第一参数的值与磨煤机输出的各所述第一参数的值的对比以确认所述目标孪生模型与磨煤机运行一致时，将所有所述输出量输入至所述目标预测模型以对磨煤机进行故障预测。

进一步的，包括：

几何模型构建模块，用于基于磨煤机的结构参数、材料参数及尺寸参数构建几何模型；

物理模型构建模块，用于为所述几何模型添加物理接口及各所述控制方程以构建物理模型；其中，所述物理接口用于进行输入量的输入，各所述输入量由与磨煤机的数据交互获取，或由仿真获取；

约束规则添加模块，用于为所述物理模型添加约束规则以构建所述孪生模型；其中，所述约束规则包括：一次风流量约束、一次风温度约束、磨煤机出口温度范围约束、存煤量约束、出口煤粉细度约束。

进一步的，包括：

数据获取模块，用于获取基于所述目标孪生模型输出的各所述第一参数的值的集合S

一致性判断模块，用于判断

目标孪生模型优化模块，用于在两者运行不一致，并确认磨煤机未发生超出所述目标孪生模型内任一约束规则的故障时，基于所述磨煤机对所述目标孪生模型重新优化。

进一步的，包括：

维修策略获取模块，用于基于所述故障预测结果选择相应的维修策略；

维修策略优化模块，用于依据所述维修策略对所述孪生模型的修正对其进行优化直至所述孪生模型故障恢复；

磨煤机维修模块，用于基于所述优化后的维修策略对所述磨煤机进行维修。

有益效果：

由以上技术方案可知，本发明的技术方案提供了一种基于数字孪生及BP神经网络的磨煤机诊断方法以改善现有技术在磨煤机故障监测中存在的缺陷。

发明人考虑到受磨煤机运行环境复杂性及运行状态不确定性影响，并无法从磨煤机实体角度进行磨煤机故障预警；因此从虚拟角度考虑借助相应的学习算法，基于其具有的自适应、自学习优势来实现复杂场景下磨煤机运行状态的预测。基于此考虑，本技术方案引入了BP神经网络预测模型，对其在磨煤机场景下进行针对性优化以获取一目标预测模型。而在所述BP神经网络预测模型训练过程中，考虑到训练过程中需要以实体磨煤机的故障状态作为监督，现有技术中随机算法获取训练样本的方法并不适用；考虑到磨煤机运行复杂性影响，现有的监督学习算法中惯用的基于历史数据库获取的训练样本并无法训练得到更优化的预测模型；同时，一些与磨煤机运行状态强相关并影响故障预测准确性的重要参数并无法通过部署于磨煤机上的传感器获取，也导致与磨煤机实体相应的历史数据库内的数据类型在BP神经网络预测模型优化时存在技术局限。因此本技术方案引入了数字孪生技术，构建了与磨煤机实体相映射的孪生模型。具体的，在所述孪生模型的构建过程中，考虑到在煤量异常和出口温度异常是常见的故障类型，而煤量异常表现为煤堵塞、断煤或少煤，多由风量不足导致，会反映在磨煤机电流上；出口温度异常多由异常热风口开度过大、煤初始湿度过低导致，会造成煤粉堵塞等。因此以一次风温度动态微分方程、一次风流量动态微分方程、出口风粉混合物温度动态微分方程、原煤动态微分方程、煤粉动态微分方程及磨煤机电流方程作为基本控制方程来控制整个孪生模型的运转；并以实际磨煤机运行可获取的电流、一次风流量、一次风温度、给煤量及出口温度(它们即为第一参数)，并引入了实际磨煤机运行不可获取却可由仿真输出的内部空气温度平均值、内部空气温度标准差、内部空气温度最大值及内部空气温度最小值(它们即为第二参数)同时作为孪生模型的输出量(也是BP神经网络预测模型训练时的训练样本，目标预测模型故障预测时的输入量)。进一步的，在孪生模型的优化过程中，直接以实际磨煤机的第一参数的值作为基准进行迭代训练，进而避免了重新引入新基准值时训练过程的复杂度，且有利于提高训练准确性。另一方面，在基于目标预测模型进行故障预测时，考虑到磨煤机的运行波动或机械磨损等，还在预测过程中基于磨煤机的第一参数的值对孪生模型进行实时监控以确保两者运行一致性，进而确保孪生模型的可靠性及目标预测模型的预测准确性。

由此可见，本技术方案以BP神经网络预测为核心，结合数字孪生技术，并考虑磨煤机的异常分析等，进而通过磨煤机、目标孪生模型及目标预测模型间的实时交互实现了磨煤机的故障预测，进而实现了火电厂的降本增效。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1为本实施例所述的磨煤机诊断方法的流程图；

图2为进行孪生模型构建的流程图；

图3为进行BP神经网络预测模型构建的流程图；

图4为判断目标孪生模型与磨煤机运行一致性的流程图；

图5为进行磨煤机维修时的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。

本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况，否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。

磨煤机故障是导致燃煤锅炉机组故障的主要原因之一。而受磨煤机运行环境及运行过程复杂性影响，无法在实际生产中通过运行状态预判可能发生的故障异常。从而导致可能发生的磨煤机故障无法有效避免，进而为火电厂的生产成本下降问题带来技术瓶颈。因此，本实施例旨在提供一种基于数字孪生及BP神经网络的磨煤机诊断方法，以改善现有技术在磨煤机运行监控中存在的上述缺陷。

下面结合附图，对本实施例公开的基于数字孪生及BP神经网络的磨煤机诊断方法作具体介绍。

如图1所示，所述方法包括：

步骤S102、构建与磨煤机相映射的孪生模型。

作为一种具体的实施方式，如图2所示，所述孪生模型的构建包括：

步骤S102.2、基于磨煤机的结构参数、材料参数及尺寸参数构建几何模型。

本步骤中，所述结构参数、尺寸参数基于规格说明书和实际测量获取，所述材料参数基于规格说明书获取。具体的，所述结构参数涉及的结构包括：变频驱动电机、旋转分离器、旋转叶片、密封风管路、中架体、加载架、一次风入口、磨辊、旋转喷嘴环、磨盘瓦、下架体、下架体密封环、行星齿轮减速机、电机、液压拉杆。

步骤S102.4、为所述几何模型添加物理接口及各所述控制方程以构建物理模型。

其中，所述物理接口用于进行输入量的输入，各所述输入量由与磨煤机的数据交互获取，或由仿真获取。

考虑到磨煤机的故障类型，将其分为煤量异常和出口温度过高两类。对于煤量异常，发生煤量异常的情况有两类：煤堵塞、断煤或少煤，故障主要由风量不足或传送装置故障导致。当断煤或少煤时，磨煤机电流相应减小；机器内部出现轻微煤堵塞时，磨煤机电流会相应增大。对于出口温度过高，引起出口温度过高的原因有一次热风口开度过大、煤的初始湿度过低等。磨出口温度过高可能造成煤粉堵塞，进而引起煤粉自燃或爆炸。

基于此考虑，设置所述控制方程包括：一次风温度动态微分方程、一次风流量动态微分方程、出口风粉混合物温度动态微分方程、原煤动态微分方程、煤粉动态微分方程及磨煤机电流方程。设置所述孪生模型的输入量包括：各所述控制方程中作为自变量的物理参数。设置输出量包括与磨煤机运行相应的第一参数，及由孪生模型仿真的第二参数。其中，所述第一参数包括：电流、一次风流量、一次风温度、给煤量及出口温度。所述第二参数包括：内部空气温度平均值、内部空气温度标准差、内部空气温度最大值及内部空气温度最小值。

具体的，各所述控制方程的表达式依次如下，其内也包含了所述孪生模型的各输入量。

所述一次风温度动态微分方程为：

其中，T

所述一次风流量动态微分方程为：

其中，T

所述出口风粉混合物温度动态微分方程为：

其中，C

所述原煤动态微分方程为：

其中，

所述煤粉动态微分方程为：

其中，W

所述磨煤机电流方程为：

I＝K

其中，I为磨煤机电流，K

步骤S102.6、为所述物理模型添加约束规则以构建所述孪生模型。

基于步骤S102.4中的控制方程设置所述约束规则包括：一次风流量约束、一次风温度约束、磨煤机出口温度范围约束、存煤量约束、出口煤粉细度约束。

通过步骤S102.2～步骤S102.6即实现了孪生模型的搭建，特别的，由于孪生模型的输出量中包括了不能直接从磨煤机采集获取的第二参数，而该类第二参数又与磨煤机的运行故障相关联，因此有利于提高后续BP神经网络预测模型的训练，及目标预测模型进行故障预测的准确性。

步骤S104、依据所述孪生模型与所述磨煤机间的数据交互得到所述孪生模型的各所述输出量，并对比孪生模型输出的各所述第一参数的值与自磨煤机采集的各所述第一参数的值以迭代优化所述孪生模型，进而得到目标孪生模型。

本步骤中由于直接以磨煤机中的第一参数的值作为优化目标，因此避免了引入新优化基准时的复杂性，且保证了孪生模型优化的准确性。

具体实施时，采用WiFi、5G、GPRS模块中的一种或至少两种组合进行两者间的数据交互。

磨煤机与孪生模型交互中，磨煤机属性集合可表示为A＝{a

作为一种可以选择的实施方式，对自磨煤机采集的各数据进行预处理以滤除偶发异常数据或空白数据等传送异常，提高数据交互有效性。

步骤S106、基于所述目标孪生模型仿真获取若干训练样本，并以预测准确率大于预设阈值为目标对BP神经网络预测模型进行迭代训练，进而得到目标预测模型。

作为一种具体的实施方式，结合图3所示，所述BP神经网络预测模型的优化包括：

步骤S106.2、设定所述BP神经网络预测模型的输出量为故障类型。

本步骤中，所述故障类型包括：少煤故障、堵煤故障及出口温度高故障。

步骤S106.4、设定所述BP神经网络预测模型的输入节点数为9个，输出节点数为3个，隐含层节点数为10个。

本步骤中考虑到，无限隐含层节点的神经网络可以逼近任何在映射区间内的连续函数，但隐含层节点增加会使神经网络结构更加复杂，计算工作量增加，训练时间延长。因此参考隐含层节点数的经验计算公式构建BP神经网络为9-10-3。

步骤S108、使所述目标孪生模型获取磨煤机的实时参数作为输入量以输出各所述输出量，并基于所述目标孪生模型输出的各所述第一参数的值与磨煤机输出的各所述第一参数的值的对比以确认所述目标孪生模型与磨煤机运行一致时，将所有所述输出量输入至所述目标预测模型以对磨煤机进行故障预测。

作为一种具体的实施方式，进行所述目标孪生模型与磨煤机运行一致判断时包括：

步骤S108.2、获取基于所述目标孪生模型输出的各所述第一参数的值的集合S

步骤S108.4、判断

步骤S108.6、反之则确认磨煤机未发生超出所述目标孪生模型内任一约束规则的故障时，基于所述磨煤机对所述目标孪生模型重新优化。

本步骤中，由于在故障预测过程中也同步采用磨煤机对目标孪生模型进行实时监控校准，进而提高了目标孪生模型的可靠性，及目标预测模型的预测结果准确性。

在具体实施时，当基于目标预测模型进行故障预测时，相应的目标孪生模型内的运行变化为：(1)模拟磨煤机少煤故障时，可设置故障原因为给煤管堵塞，给煤管堵塞时，磨煤机给煤量发生骤减，进入磨煤机内部的原煤量减少，导致磨煤机碾磨功率降低，磨内原煤和煤粉存量降低，磨出口煤粉流量与给煤量保持一致也降低，磨出口温度升高，导致冷风阀门开大，热风阀门关小，进而一次风温度降低使磨出口温度回落。(2)模拟磨煤机堵煤故障时，可设置故障原因为磨辊停止运行，原煤和煤粉之间的转化系数降为零，所以造成堵煤，当磨煤机堵煤故障发生时，磨煤机内原煤存量上升，出口煤粉量流量下降，导致给煤量反馈反而增大。磨煤机内一次风通道堵塞，导致磨煤机出口温度降低，冷风阀门反馈减小，热风阀门反馈增大，因为冷风阀门比热风阀门动作迅速，一次风流量先下降后升高。(3)模拟磨煤机出口温度过高时，可设置故障原因为热风阀门开度过大或冷风阀门开度过小导致冷热风失调，进而导致磨入口一次风温度过高，导致磨煤机出口温度过高，冷风阀门迅速开大，热风阀门减小开度，来降低一次风温度，以降低磨出口温度，但冷风阀门比热风阀门动作快，一次风流量先上升后下降。磨出口煤粉流量受一次风流量影响，先上升后下降。磨煤机电流受磨内存煤量影响降低。给煤量受出口煤粉流量影响，先降低后升高。

作为一种优选的实施方式，如图5所示，在确认故障后还进行如下步骤：

步骤S202、基于所述故障预测结果选择相应的维修策略。

步骤S204、依据所述维修策略对所述孪生模型的修正对其进行优化直至所述孪生模型故障恢复。

步骤S206、基于所述优化后的维修策略对所述磨煤机进行维修。

进而基于步骤S202～步骤S206实现了维修策略的选择及优化，提高了磨煤机维修校准的效率。

由上述可见，本实施例提供了一种磨煤机的故障预测方法，结合BP神经网络预测及数字孪生实现了磨煤机故障的有效预测，并在其中采用目标孪生模型进行BP神经网络预测模型的训练样本生成，提高样本获取的简单性，及所述BP神经网络预测模型的训练准确性。同时在故障诊断过程中，还对目标孪生模型基于磨煤机进行了实时监控调整，进而提高了预测的准确性。同时在确定故障后，还基于孪生模型实现了维修策略的选择及优化，以提高了磨煤机检修维护效果。从而在整体上降低了磨煤机故障所造成的成本损失，便于实现火电厂的降本提效。

上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读存储介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体，如调制的数据信号和载波。

这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。

在本实施例中，就提供了这样一种系统，该系统可以称为基于数字孪生及BP神经网络的磨煤机诊断系统。该系统包括：

孪生模型构建模块，用于构建与磨煤机相映射的孪生模型；其中，控制方程包括：一次风温度动态微分方程、一次风流量动态微分方程、出口风粉混合物温度动态微分方程、原煤动态微分方程、煤粉动态微分方程及磨煤机电流方程；所述孪生模型的输入量包括：各所述控制方程中作为自变量的物理参数，输出量包括与磨煤机运行相应的第一参数，及由孪生模型仿真的第二参数；其中，所述第一参数包括：电流、一次风流量、一次风温度、给煤量及出口温度；所述第二参数包括：内部空气温度平均值、内部空气温度标准差、内部空气温度最大值及内部空气温度最小值。

孪生模型优化模块，用于依据所述孪生模型与所述磨煤机间的数据交互得到所述孪生模型的各所述输出量，并对比孪生模型输出的各所述第一参数的值与自磨煤机采集的各所述第一参数的值以迭代优化所述孪生模型，进而得到目标孪生模型。

预测模型优化模块，用于基于所述目标孪生模型仿真获取若干训练样本，并以预测准确率大于预设阈值为目标对BP神经网络预测模型进行迭代训练，进而得到目标预测模型。

实体故障预测模块，用于使所述目标孪生模型获取磨煤机的实时参数作为输入量以输出各所述输出量，并基于所述目标孪生模型输出的各所述第一参数的值与磨煤机输出的各所述第一参数的值的对比以确认所述目标孪生模型与磨煤机运行一致时，将所有所述输出量输入至所述目标预测模型以对磨煤机进行故障预测。

该系统用于实现上述实施例中方法的步骤，已经进行说明的，在此不再赘述。

例如，所述系统还包括：

几何模型构建模块，用于基于磨煤机的结构参数、材料参数及尺寸参数构建几何模型。

物理模型构建模块，用于为所述几何模型添加物理接口及各所述控制方程以构建物理模型；其中，所述物理接口处的物理参数由与磨煤机的数据交互获取，或由仿真获取。

约束规则添加模块，用于为所述物理模型添加约束规则以构建所述孪生模型；其中，所述约束规则包括：一次风流量约束、一次风温度约束、磨煤机出口温度范围约束、存煤量约束、出口煤粉细度约束。

例如，所述系统还包括：

数据获取模块，用于获取基于所述目标孪生模型输出的各所述第一参数的值的集合S

一致性判断模块，用于判断

目标孪生模型优化模块，用于在两者运行不一致，并确认磨煤机未发生超出所述目标孪生模型内任一约束规则的故障时，基于所述磨煤机对所述目标孪生模型重新优化。

例如，所述系统还包括：

维修策略获取模块，用于基于所述故障预测结果选择相应的维修策略。

维修策略优化模块，用于依据所述维修策略对所述孪生模型的修正对其进行优化直至所述孪生模型故障恢复。

磨煤机维修模块，用于基于所述优化后的维修策略对所述磨煤机进行维修。

由于所述系统基于上述方法搭建，因此所述系统在进行磨煤机故障预测时，也将同时结合磨煤机、目标孪生模型及目标预测模型，有效降低了磨煤机的故障发生频率，有利于实现火电厂降本。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。