电站磨煤机作为锅炉燃烧制粉系统的核心设备，其工作状况对整个电厂系统运行的安全和经济性具有重要的影响。在火力发电机组等效非计划停运的所有影响因素中，磨煤机故障是主要原因之一，其故障直接影响了锅炉机组运行稳定性、燃烧经济性和机组出力。因此，研究磨煤机的故障诊断具有重要意义[1]。

随着互联网的快速发展，OTA企业间竞争加剧，阶段性的价格战降低了用户出行成本。在线支付方式的便利性以及新生代消费群体对于在线消费习惯的养成都对在线自助游的发展起到的助推作用。此外，随着社交媒体对于现代人生活的影响逐渐加深，旅游者对于旅游出行的经历分享，成为满足消费者的社交满足感的方式之一，旅游者对于在线旅游消费积极性变高。

综合菌核萌发实验和离体叶片实验，防治效果较好的是ax2和DH20。将之前筛选到的ax2和DH20作为供试菌，进行盆栽向日葵菌核病的防治效果比较。ax2和DH20两株供试拮抗菌发酵原液处理土壤的不同用量对向日葵菌核病均表现出一定的防治效果，结果见表1。从表1可见，ax2的防治效果更好一些，其中100 mL发酵原液处理土壤防效最高，达88.23%。

由于火电厂磨煤机运行环境的复杂性，磨煤机的故障过程中存在着不确定性:同一故障类型表现为多种不同的故障征兆；往往不同故障类型也可能产生不同的故障征兆；不同故障征兆之间往往也存在相互关联的关系。传统的故障诊断方法往往很难取得理想的效果[2]。

近年来，在机器学习领域中备受瞩目的支持向量回归机(SVR)在许多领域得到了成功的应用，显示出巨大的优越性：SVR计算的复杂度与训练样本变量的维数无关，能有效解决高维问题。目前广泛使用的统计故障诊断方法包括主元分析法(PCA)、Fisher判别分析法(FDA)和独立成分分析法(ICA)[3]。这些方法都是线性降维方法，即假设变量之间满足线性相关关系，可通过降维和提取独立变量来实现故障诊断；但对于磨煤机这种复杂过程，变量之间往往呈现出强耦合性和非线性关系，需采用非线性方法对磨煤机进行故障诊断[4-6]。因此，笔者采用SVR对火电厂数据进行预测。

1　预测模型

1.1 标准化处理

采用标准分数对数据进行处理，可以反映一个数据距离平均数的相对标准距离，公式如下：

式中：为xt,i的预测值。

(1)

式中：xij为第i条数据的第j个测试特征。

通过式(1)对数据进行标准化之后消除了量纲对数据的影响，原始数据低于平均值的时候为负数，高于平均值的时候为正数。标准化后的每一列数据的平均值为0，方差为1，而且近似服从正态分布。

1.2 基于频率分布的一阶向前差分去噪法

因为数据的差分值反映了数据的波动情况，笔者研究了设备各个指标的一阶向前差分绝对值的频率直方分布图，发现差分绝对值小的部分频率高,差分绝对值大的地方频率却很低, 因此差分绝对值比较大的部分所对应的数据更容易是异常数据。算法的基本思想是：

(1) 对序列依次计算相邻两点间的向前差分ci和距离di。

ci=xi+1-xi

(2)

di=|xi+1-xi|, i=1,…,n-1

(3)

式中：xi为第i条测试数据。

综上所述，中地装(北京)科学技术研究院有限公司研发了一套满足3000 m地热水井施工的先进的电传动JDR-30DB型主绞车，本文对该绞车进行简单的介绍。

(2) 对从大到小进行排序，取前百分之一个数据记为记dmin=e[(n-1)/100]，设ei=dj，则dj-1≥dmin 且cjcj-1<0，可得出xj异常；dj-1≤dmin， dj-2≥dmin且cjcj-2<0，可得出xj、xj-1异常。类似还可以判断xj至xj-s-1都异常的情况。

王述银告诉我，哥哥临走前还惦记我到医院看他的那份人情，委托他将亲手炒制的茶叶送给我，一再说，他的愿望不能实现了。

(3) 线性插值补全。

这种方法既可以找出孤立异常点还可以找出连续s个点以内的异常段，去掉的异常点用线性插值补全。

对后世影响最为深远的当属另造新词原则。尽管丁韪良认为只有既无法草率回避又不能轻易借助中文固有语汇来表达的外来概念，才被迫另造新词，即所谓“其文义或有疑难之处，余偶加注释以发明之”(王健2001：161)，但正是这些中外译员绞尽脑汁创制的全新术语如“公法”“主权”“权利”“法院”等，推动了近代中国的法律变革。

设去除的异常点为xi+1，xi+2,…,xi+s(s≥1)，则由线性插值法得出去除的异常点补全后对应的点为：

(4)

1.3 SVR模型

SVR采用结构风险最小化原则，通过适当的非线性变换将输入空间变换到一个高维特征空间，把在这个特征空间中寻找线性回归最优超平面归结为求解凸规划问题，并求得全局最优解。SVR具有很好的泛化能力。

在SVR中，通常采用如下的ε不敏感损失函数，即

(5)

式中：f(x)为学习函数；(x,y)为训练样本；ε为拟合精度。

传统的绘图方式是采用单缓冲技术，而要解决图形界面开发过程中刷新图像时遇到的闪烁、抖动问题，需依靠双缓存方式下的双缓冲图形刷新技术来实现。

SVR的目标是寻找一个函数f(x)=ωTφ(x)+b(φ(x)为x到高维空间的非线性映射函数；ω为学习函数的广义参数；b为分类阈值)，使得它与所有训练点的实际输出yi的背离尽可能不超过ε，同时函数尽可能平坦。当误差小于ε时，对其不予考虑，只考虑大于ε的误差，多出的误差通常用松弛因子ζi和ζi*表示。

给定训练样本(xi,yi)(i=1,2,…,l)，其中xi∈Rm, yi∈R。根据结构风险最小化准则，SVR模型的优化目标为：

约束条件为：

式中：C为用于控制对超出ε的样本的惩罚程度。

共现矩阵呈对称性，非对角线上的数值指代两关键词同时出现在同一篇文献中的频次。通常而言，词篇矩阵(即关键词出现于文献中的次数高低)不能精准揭示论文研究主题，但若两个关键词同时出现于同一篇文献中便可大致推断该论文的研究方向，也能依据两两关键词共现频数寻觅论文研究热点[14]。导入高频关键词至Bicomb 2.0，频次阈值设置为≥3(3≤F≤54)，形塑一个22×22的共现矩阵。见表3。

SVR模型的一个重要概念是核函数，由Mercer定理可得，核函数K(xi，xj)和φ(x)满足：

求出αi和αi*(i=1,…,l)后，偏置项b的求取方法为：当0<αi<C时，不等式变成了等式ωTφ(xi)+b-yi=-ε；当0<αi*<C时，不等式变成了等式ωTφ(xi)+b-yi=ε，从而求得b。

(6)

原始优化问题可以转化为对偶问题：

对应的KKT(Karush-Kuhn-Tucker)条件为：

黄酮类化合物是一种重要的植物生物活性成分，具有抗心脑血管疾病、抗衰老、抗氧化、消炎、镇痛、免疫调节和降血糖等多种功效[15]。仙草黄酮类化合物的主要成分为槲皮素[16]，具有祛痰、止咳、平喘等功效。冯国金等[17]利用高效液相色谱法测定仙草的槲皮素含量为0.18 mg/g。

约束条件为：

当所有的拉格朗日算子αi和αi*满足KKT条件时，解是最优的。

由KKT条件可以看出：当αi=0且αi*=0时，训练点(xi,yi)是位于ε带子区域(f(x)±ε)之内(包括边界)；当0<αi<C或0<αi*<C时，训练点(xi,yi)恰好位于ε带子区域(f(x)±ε)的边界上；当αi=C或αi*=C时，训练点(xi,yi)是位于ε带子区域(f(x)±ε之外(包括边界)。αi，αi*不可能同时非零。

传统的语言观认为，语言的结构和意义是对客观世界的镜像反映，语言符号与现实世界有直接的对应关系。认知语言学承认客观世界的现实性，承认语言的形成离不开客观现实，但更强调人的认知在语言形成过程中的作用，认为语言不能直接反映客观现实，语言所反映的现实是经由人的认知加工过的现实。由于人的认知能力的局限性，认知世界和客观世界不会完全对应，因此，反映认知世界的语言与客观世界也不完全对应。

K(xi,xj)=φ(xi)·φ(xj)

通过SVR模型可得到回归函数如下：

(7)

式中：βi为系数，βi=αi-αi*(i=1,…,l)。

2　预测参数选取及评估方法

训练样本数据采集于某电厂320 MW机组磨煤机的实际生产过程。输入参数为磨煤机的电动机电流、润滑油温度、油位变化、减速润滑油温、油箱油温、左侧轴承温度1、左侧轴承温度2、右侧轴承温度1、右侧轴承温度2、油箱油位、小牙轮轴承温度1和小牙轮轴承温度2共12个参数。选取一年的数据作为试验数据，共8 000。

由表4可知，长大纵坡试验段路面施工完成后，其渗水系数、平整度、压实度平均值分别为83.0ml/min、1.14/mm、98.01%，三种检测指标均能够满足规范要求，长大纵坡试验段路面施工质量良好。

图1　磨煤机油箱油温的数据异常点

12个指标的数据剔除情况见表1。笔者为了消除量纲对数据的影响，避免个别特殊变量在故障诊断中占主要地位，对原始数据进行了标准化处理。

表1　训练样本数据中各指标中异常数据的个数

指标123456789101112异常指标数452772577641105615062

3　仿真试验及结果

3.1 设备数据多变量时间序列的相空间重构

假设某一设备的训练样本是M维多变量时间序列{x1,x2,…,xN}，xi=(x1i,x2i,…,xMi)，N表示样本个数。根据时间延迟的思想，多变量时间序列延迟相空间重构的相点为：

(8)

和mi为延迟时间和嵌入维数。设置τi=1(i=1,…,M), m1=m2=…=mM。令m=m1+m2+…+mM，当嵌入维数足够大时，则存在映射fi∶Rm→R，使得：

(9)

映射fi即为前面所叙述的根据SVR所得出的预测函数。

3.2 SVR训练及预测

为了验证相空间重构与SVR模型磨煤机故障预测的性能，研究通过在Matlab平台上的仿真试验对所提的方法进行评估。文献[7]认为径向基函数在处理非线性样本时比线性函数好，而多项式核函数因其参数较多，且当其阶次较高时会导致数值计算困难，将消费大量资源和时间，所以笔者采用通用径向基函数作为SVR模型的核函数，C=10，宽度系数σ=0.1。

在试验中，分别对12维数据进行训练，得到相应的预测模型，再对测试样本进行预测。图2为以磨煤机油箱油温的训练结果。从图2中可以看出：磨煤机油箱油温的预测值和真实值之间的误差较小，各维参数训练后的最大均方根误差为8.76。图3为测试数据中磨煤机油箱油温的预测结果。

图2　训练样本中真实值、预测值及误差

图3　测试数据中真实值、预测值及误差

由图3可见：预测值与真实值基本吻合，预测效果较好，测试集所有维度的最大均方根误差为0.8。预测结果表明提出的基于SVR数据预测方法可以达到预期效果。采用这种SVR预测方法，将磨煤机运行的历史数据作为样本进行训练，获得训练模型，再将从分布式控制系统(DCS)采集的特征参数输入模型进行实时的预测，通过预测值与真实值之间的比对，可为电站磨煤机故障实时监测与预测提供一种重要的手段。

实际上数据的采集往往不完整，导致数据缺失的因素有很多，例如传感器故障、通信线路及人为等因素都会导致一些数据的不完整[5]。采用一阶向前差分去噪法对训练样本进行了异常数据剔除和缺失数据修补。图1为样本数据中磨煤机油箱油温的数据剔除情况。

3.3 模型评价

为了评估模型的逼近能力，采用均方根误差XRMSE进行评价，其计算公式如下：

(10)

式中：yt*为yt的逼近值。

为了评价模型的预测效果，采用均方根相对误差XRMSRE进行评价，其计算公式如下：

(11)

1.3 测试项目与方法 样品测试分析由国土资源部合肥矿产资源监督检测中心完成，测试项目包括As、Cd、Cr、Cu、Ni、Hg、Pb和Zn元素。各分析方法的检出限、精密度和准确度满足《多目标区域地球化学调查规范(1：250000)》(DZ/T 0258—2014)要求。其中As和Hg用王水溶解后，采用原子荧光光谱法分析；Cd、Cu和Ni用HCl-HNO3-HF-HClO4溶解后，Cd采用电感耦合等离子质谱法分析，Cu和Ni采用电感耦合等离子体发射光谱法分析；Cr、Pb和Zn用粉末压片法处理后，采用X荧光光谱法分析；pH采用电位法测试。

训练集的最大均方根误差为8.76，测试集的最大均方根误差为0.8(见表2)，均满足预测要求。

表2　各指标训练和测试结果均方根误差

指标训练集XRMSE测试集XRMSRE10．380120．370238．760．4240．200150．580．8060．230171．260380．210290．3501100．2602110．3501122．2502

4　结语

为了满足大型机组的安全经济运行，笔者提出一种基于相空间重构和SVR的在线估计和监测方法。通过现场设备实时采集的数据，采用SVR实现对设备的实时动态建模，能够实时对参数进行预测，发现异常实现故障早期预警。通过某电厂320 MW机组的数据仿真，验证了该磨煤机状态监测方法的准确性和有效性。基于相空间重构和SVR的磨煤机故障诊断模型，为电站磨煤机故障实时诊断与预测提供了一种重要的手段，具有快速和适应范围广等优点。

侯大同的爷爷，去哪儿找？即使这一片还有他爷爷辈的，恐怕脑子也不灵光了。侯大同想了想，那时候的菜还真长得旺。

参考文献：

[1] 杨雁梅. 电站磨煤机状态监测与故障诊断的研究[D]. 北京: 北京交通大学, 2007.

然而另一方面，随着程朱理学在南宋后期的流行及被定为官方正统学说，女性的生存空间受到更大幅度地挤压，女子以修德为主而不宜作诗文的观念普遍流行。较之唐宋及前代女性相对开放与宽松的创作环境有所改变，此时期出现了一些反对女子进行诗文创作的言论，以至于女诗人自身也逐渐开始反思，并有意压抑自己的创作冲动，以合乎“女德”。元代才女孙淑自幼学诗，有《绿窗遗稿》，所为诗歌均有清新雅丽之风，但她时常焚弃诗稿，因为“词翰非所事也”[注]胡文楷编著，张宏生等增订《历代妇女著述考》(增订本)，第71页。。孙淑抑制诗思的行为是自觉对自我进行道德规训的结果，这一行为使其将自己纳入理学所规定的常规女性的日常生活轨道。

[2] 陈斌源, 朱军. 基于径向基函数神经网络的中速磨煤机故障诊断[J]. 发电设备, 2011, 25(5): 323-326.

[3] 纪舜尧. 主元分析在电厂故障诊断中的应用[D]. 北京: 华北电力大学, 2014.

[4] 刘定平, 叶向荣, 陈斌源, 等. 基于核主元分析和最小二乘支持向量机的中速磨煤机故障诊断[J]. 动力工程, 2009, 29(2): 155-158.

[5] 韩平, 王天堃, 孟永毅. 基于LS-SVM的一次风机振动在线监测及故障预警研究[J]. 机电工程, 2016, 33(5): 629-632.

[6] 韩中合, 焦宏超, 徐搏超, 等. 基于EEMD样本熵和SVM的振动故障诊断研究[J]. 汽轮机技术, 2015, 57(6): 457-460.

[7] LIN H T, LIN C J. A study on sigmoid kernels for SVM and the training of non-PSD Kernels by SMO-type Methods[J]. Submitted to Neural Computation, 2003,27(1):15-23.