Finalizacija algoritma za estimaciju stanja radnih kola mlinova
Ova projektna aktivnost počela je prvog meseca projekta i trajala je ukupno 15 meseci, do marta 2020. Osnovni cilj je da se razvije algoritam koji će analizom akustičkih signala snimljenih u okolini rotacionog aktuatora da proceni stanje radnih kola tih mašina. Konkretno, procena se vrši da bi se ustanovilo da li su komponente radnih kola zdrave ili istrošene, odnosno cilj je da se proceni trenutak kada je neophodno obaviti remont i zameniti istrošene komponente.
U termoelektranama podsistem za mlevenje uglja je izuzetno važan, a najveću ulogu u tom procesu imaju mlinovi koji se nalaze u okviru kotlovskog postrojenja.Ventilatorski mlinovi funkcionišu tako što se udarne ploče, koje se nalaze unutar mlina, rotiraju oko centra i, pomocu sile udara i trenja, melju ugalj u veoma sitnu prašinu. Primera radi, u termoelektrani Kostolac A1 osnovna frekvencija rotacije radnog kola je 12.5 Hz i postoji 10 udarnih ploča unutar mlina. Udarne ploče unutar mlinova se vremenom troše i potrebno ih je servisirati u proseku na svakih 1200-1500 radnih sati (oko 8 radnih nedelja). U suprotnom se ugalj u mlinu sve lošije melje i potrebno je više vremena za dostizanje optimalne veličine mlevenih čestica.
Sistem za snimanje zvučnih signala sa ventilatorskog mlina predstavljen je na slici ispod. U toku svake sesije snimanja mikrofon je postavljan na istu poziciju, na udaljenosti od nekoliko milimetara od mlina. Akustički signali su snimani sa AKG C451 mikrofonom i frekvencijom odabiranja od 48 kHz, sa rezolucijom od 24 bita. Potrebno je napomenuti da je snimanje akustičkih signala izvršeno u prostoru sa jako izraženim zvučnim zagađenjem, pošto se veliki broj mašina nalazi u neposrednoj blizini mesta na kome je merenje vršeno. Mikrofon je usmeren ka mlinu i postavljen na bočnoj strani kako bi se minimizirao uticaj okoline i motora koji pokreće mlin i kako bi zvučni potpis samih ploča maksimalno došao do izražaja.
Finalni cilj ove aktivnosti je razvoj i verifikacija algoritma za estimaciju stanja vantilatorskog mlina, imajući na umu tri veoma važna ograničenja: 1) algoritam mora da funkcioniše u realnom industrijskom okruženju koje je podložno jakim zvučnim kontaminacijama; 2) potrebno je da može da se jednostavno adaptira za estimaciju stanja širokog spektra rotacionih aktuatora; 3) algoritam bi trebao da bude računski jednostavan kako bi mogao da se implementira jednostavnim mikrokontrolerskim uređajem. Imajući u vidu sve ove zahteve wavelet transformacija se nameće kao idealan alat za analizu signala i izdvajanje relevantnih informacija iz njega.
Wavelet transformacija je slična Furijeovoj transformaciji, samo umesto predstave signala preko kompleksnih sinusoida, kao što je to slučaj kod Furijeove transformacije, wavelet transformacija prikazuje signale koristeći skalirane i translirane verzije vremenski ograničenih, oscilatornih talasića (wavelet-a). Wavelet transformacija je dobar alat ne samo za analizu karakterističnog zvučnog potpisa snimanog mlina, već i za detekciju stanja u kome se trenutno nalazi.
Finalni algoritam za estimaciju stanja ventilatorskog mlina se sastoji od tri koraka. Prvo ide pretprocesiranje gde se dugačak akustički snimak deli na kraće segmete koji traju 45 s i udaljeni su 15 s jedan u odnosu na drugi. U ovom koraku se vrši decimacija gde se frekvencija odabiranja smanji sa 48 kHz na 4.8 kHz. Sledeći korak je izdvajanje obeležja u vidu snage koeficijenata sa svakog nivoa DWT dekompozicije. Na ovaj način svaki akustički snimak se reprezentuje pomoću 7 obeležja dobijenih pomoću DWT. Poslednji korak u ovom algoritmu je sama klasifikacija za koju je primenjena feedforward neuralna mreža sa dva sloja i po 5 neurona u svakom sloju. Neuralna mreža se obučava na taj način da na izlazu prijavljuje vrednost ‘1’ kada su udarne ploče zdrave, a vrednost ‘-1’ kada su istrošene. Slika ispod prikazuje detaljne i aproksimativne koeficijente nivoa 6 DWT (cd6 i ca6) pokazujući da nam je intuicija bila tačna, odnosno u ovom dvodimenzionalnom prostoru obeležja slučajevi u kome je radno kolo zdravo i istrošeno su jasno separabilni.
Klasifikacija se vrši primenom neuralne mreže zbog njihove jednostavne implementacije i sposobnosti da aproksimiraju kontinualne matematičke funkcije. Zadatak estimacije stanja kod rotacionih aktuatora se ustvari svodi na detekciju nivoa istrošenosti komponenata u samoj mašini, a to je najčešće kontinualna metrika. Neuralna mreža je obučena na taj način da kada prepozna istrošeno stanje mlina na izlazu daje vrednost ‘-1’, zdravo stanje mlina prepoznaje sa izlazom ‘1’, a na sredini životnog veka radnih kola neuralna mreža će da vrati izlaz ‘0’. Obučavanje je vršeno koristeći 75 snimaka (30 za zdrave ploče, 30 za istrošene i 15 za ploče koje se nalaze na sredini radnog veka), svako od njih je dugačak po 45 sekundi.
Testiranje neuralne mreže je obavljeno koristeći akustičke signale merene svim režimima rada ventilatorskih mlinova. Za jednostavniju verifikaciju algoritma, snimci su podeljeni u 5 kategorija:
- Nove uradne ploče: između 0 i 20 radnih dana, kada je istrošenost minimalna,
- Većinski zdrave udarne ploče: između 20 i 30 radnih dana, kada trošenje materijala počinje da se ispoljava,
- Delimično istrošene udarne ploče: između 30 i 40 radnih dana, kada su ploče na sredini svog radnog veka,
- Većinski istrošene udarne ploče: između 40 i 50 radnih dana, kada je količina istrošenosti značajna, ali su udarne ploče i dalje funkcionalne,
- Potpuno istrošene udarne ploče: između 50 i 60 radnih dana, kada je količina istrošenosti toliko velika da počinje da se meša sa standardnim funkcionisanjem mlina. Kada radna kola dođu u ovu kategoriju, remont je neophodan.