第 38 卷第 6 期2023 年 12 月Vol.38 No.6Dec. 2023电力学报JOURNAL OF ELECTRIC POWER文章编号：1005-6548（2023）06-0525-16 中图分类号：TM621.7 文献标识码：B 学科分类号：47040 DOI：10.13357/j.dlxb.2023.056开放科学（资源服务）标识码（OSID）：磨煤机故障检测与诊断方法综述王之武1，程智海1，孙康1，娄中发1，谢明红2，王迪1（1.上海电力大学能源与机械工程学院，上海 201306；2.贵州华电桐梓发电有限公司，贵州遵义 563200）摘要：磨煤机工艺机理复杂，工况多变，在运行过程中经常会出现各种故障状况，这些故障将直接影响锅炉的安全与稳定运行，因此磨煤机的安全问题一直备受关注。
为了确保锅炉的正常运行，准确地检测和诊断磨煤机故障显得尤为关键。
首先，简要介绍了低速磨煤机和中速磨煤机的工作原理与特性，并总结了磨煤机常见的故障类型及其对制粉系统的影响；接着，将现有磨煤机故障诊断方法归纳为定性分析和定量分析，并从定性和定量两个方面全面阐述了磨煤机故障检测与诊断的方法。
针对磨煤机故障诊断的各种方法，评述它们的优缺点，提出了结合或改善的方法；最后，根据实际磨煤机故障诊断的重点和难点，指出磨煤机故障诊断方法未来可能的发展方向和故障诊断系统应该具备的特点。
关键词：磨煤机；故障诊断；定量分析；定性分析Review of Fault Detection and Diagnosis Methods of Coal MillsWANG Zhiwu1，CHENG Zhihai1，SUN Kang1，LOU Zhongfa1，XIE Minghong2，WANG Di1（1.School of Energy and Mechanical Engineering， Shanghai University of Electrical Power， Shanghai 201306， China；2.Guizhou Huadian Tongzi Power Generation Co.， Ltd.， Zunyi 563200， China）Abstract：The process mechanism of the coal mill is complex， the working conditions are changeable， and vari⁃ous fault conditions often occur in the operation process， which will directly affect the safety and stable operation of the boiler， so the safety of the coal mill has always attracted much attention. In order to ensure the normal op⁃eration of the boiler， it is particularly critical to accurately detect and diagnose coal mill faults. Firstly， the work⁃ing principle and characteristics of low-speed coal mill and medium-speed coal mill are briefly introduced， and the common fault types of coal mill and their impact on the pulverizing system are summarized， and then the ex⁃isting fault diagnosis methods of coal mill are summarized into qualitative and quantitative analysis. The meth⁃ods of fault detection and diagnosis of coal mill are comprehensively expounded from both qualitative and quanti⁃tative aspects. In view of the various methods of coal mill fault diagnosis， the advantages and disadvantages of them are reviewed，and the methods of combining or improving are proposed.Finally，according to the key points and difficulties of the actual coal mill fault diagnosis， the direction of the future possible development of ＊收稿日期：2023-11-15作者简介：王之武（1996—），男，硕士研究生，从事磨煤机故障诊断方面的科研工作，2505768923@；程智海（1976—），男，博士，副教授，从事煤电机组动态优化控制技术等方面的科研工作，@；孙康（1998—），男，硕士研究生，从事锅炉数值模拟方面的科研工作，mn15245678@；娄中发（1993—），男，硕士研究生，从事磨煤机数值模拟方面的科研工作，m158********@；谢明红（1982—），男，本科，工程师，从事煤电机组运行方面的科研工作，306122842@；王迪（1998—），男，硕士研究生，从事化学法吸收二氧化碳方面的科研工作，962875082@。
第41卷第12期 2020年12月自动化仪表PROCESS AUTOMATION INSTRUMENTATIONVol.41 No. 12Dec. 2020基于C N N-L S T M的轴承故障智能诊断方法研究徐先峰，赵龙龙，夏振(长安大学电子与控制工程学院，陕西西安710064)摘要：针对轴承工况背景复杂、故障诊断难度大、威胁公共安全和社会经济等特点，利用深度学习方法对轴承故障进行分析和建模考虑轴承故障诊断对实时性、稳定性以及准确性的高要求特性，基于卷积神经网络（CNN) f彳动提取重要特征、训练速度快的优势，提取轴承故障信号的故障信息作为整体模型的输人。
提出了卷积-长短时记忆神经网络（CNN-LSTM)轴承故障诊断模型，建立一 种端到端的学习架构，实现轴承故障的智能诊断和分类。
使用凯斯西储大学（CWRU)轴承数据在Python搭建的keras框架仿真验证，结果显示所提故障诊断方法较传统方法准确率更高，模型的运行速度相较于长短时记忆网络（LSTM)轴承故障诊断方法更快，可以有 效解决对比模型的稳定性差、收敛速度慢的问题:实测结果验证了所建模型应用于轴承故障诊断领域的准确性和可行性，表明结合 深度学习建立轴承故障诊断模型必将成为轴承故障诊断行业的重要发展方向之一。
关键词：轴承故障;卷积神经网络;长短对记忆神经网络;故障分类;特征提取;智能诊断中图分类号：TH133.33 文献标志码：A D0I： 10. 16086/j. cnki. issn 1000-0380. 2020030015Research on Intelligent Fault Diagnosis Methodfor Bearings Based on CNN-LSTMX U X i a n f e n g,Z H A O L o n g l o n g,X I A Z h e n(College of Electronics and Control Engineering,Chang'an University,Xi' an 710064,China)A bstract ：In view of the characteristics of complex hearing operating conditions,difficulty in fault diagnosis and threats to public safety and social economy, the analysis and modeling are made for bearing faults by using deep learning. Considering the requirements of real-tim e,stability and accuracy of bearing fault diagnosis,based on the advantages of convolution neural network (C N N) ,in automatic extraction of important features and fast training speed are used as the input of the model to extract fault information of bearing fault signals. The convolutional neural network-long and short terim memory ( CNN-LSTM) bearing fault diagnosis model is proposed, and an end-to-end learning architecture is established to realize intelligent diagnosis and classification of l>earing faults. The bearing data of Case Western Reserve University ( CW RU) is simulated and verified in the keras framework built by Python. The results show that the proposed fault diagnosis method is more accurate than the traditional method,and the running speed of the model is faster compared to the long and short term memory (LSTM) neural network bearing fault diagnosis method, which can effectively solve the problems of poor stability and slow convergence speed of the comparison model. The tested results proved the accuracy and feasibility of the model used in the field of bearing fault diagnosis. The establishment of bearing fault diagnosis model combined with deep learning will become one of the important development directions of the bearing fault diagnosis industry.K eyw ords：Bearing fault; Convolutional neural network( CNN) ; Long and short term memory ( LSTM) neural network；Fault classification；Feature extraction；Intelligent diagnosis〇引言轴承作为旋转机械设备中广泛应用的关键部件之 一111,发生故障会导致设备停产，甚至造成人员伤亡21。
火电厂输煤系统智能化控制研究与应用张晓霞发布时间：2023-05-31T11:44:00.464Z 来源：《中国电业与能源》2023年6期作者：张晓霞[导读] 该论文研究了火电厂输煤系统的智能化控制，旨在提高煤炭输送效率和减少能源消耗。
论文首先介绍了传统的输煤系统控制方法存在的问题，如稳定性差、能源浪费等。
随后，论文详细探讨了智能化控制技术的原理和应用，包括物联网、数据挖掘和机器学习等。
最后，论文提出了一种基于模糊逻辑控制的智能化控制方案，并在实际的火电厂中进行了应用和测试。
陕西能源赵石畔煤电有限公司陕西榆林 719100摘要：该论文研究了火电厂输煤系统的智能化控制，旨在提高煤炭输送效率和减少能源消耗。
论文首先介绍了传统的输煤系统控制方法存在的问题，如稳定性差、能源浪费等。
随后，论文详细探讨了智能化控制技术的原理和应用，包括物联网、数据挖掘和机器学习等。
最后，论文提出了一种基于模糊逻辑控制的智能化控制方案，并在实际的火电厂中进行了应用和测试。
实验结果表明，该方案能够有效提高输煤系统的效率和稳定性，减少能源消耗，具有实用性和推广价值。
关键词：火电厂；输煤系统；智能化控制；模糊逻辑控制；能源消耗引言火电厂输煤系统一直是热门的研究领域之一。
随着科技的不断发展和应用，智能化控制技术已经成为了提高输煤系统效率和减少能源消耗的有力手段。
本文针对传统输煤系统控制方法存在的问题，提出了一种基于模糊逻辑控制的智能化控制方案，并在实际的火电厂中进行了应用和测试。
实验结果表明，该方案能够有效提高输煤系统的效率和稳定性，减少能源消耗，具有实用性和推广价值。
本文的研究成果将为火电厂输煤系统智能化控制领域的研究和应用提供参考。
一传统火电厂输煤系统的问题与挑战火电厂是目前我国主要的能源供应来源之一，而煤炭是火电厂最主要的燃料之一。
在火电厂的生产过程中，输煤系统扮演着至关重要的角色。
它的工作效率和稳定性不仅影响着火电厂的生产效率和经济效益，也直接关系到能源的消耗和环境的保护。
