AI 在火电厂故障诊断中的应用

—— 锅炉燃烧脉动/火焰闪烁检测（炉膛压力频谱 + XGBoost）

一、故障场景与物理机制

1.1 炉膛压力——火焰稳定性的"气压计"

煤粉锅炉的炉膛是一个高约 60~80m、截面约 15×15m 的巨大燃烧室。数十个燃烧器喷出的煤粉-空气混合物在炉膛中心形成巨大的旋转火球，温度约 1400~1600°C。炉膛内维持微负压（约 -50~-100 Pa），由引风机连续抽出烟气维持。炉膛压力的波动可以直接反映火焰的稳定性。

正常运行时，炉膛压力在 ±50 Pa 范围内随机涨落——这是紊流燃烧的正常表现。但某些异常条件下——如煤质突然变差（挥发分降低、灰分增大）、某个燃烧器的二次风挡板卡涩导致配风不均匀——火焰开始间歇性地"喘气"：忽大忽小，周期通常在 2~10 Hz（每秒 2~10 次波动）。

这种周期性脉动有特定的物理机制——热-声耦合不稳定性（Rayleigh 准则）。当火焰热释放率与炉膛声压的相位差小于 90°时（热释放峰值与压力峰值重合），火焰能量驱动声波而非抑制声波——形成正反馈自激振荡。

1.2 火焰闪烁 vs 燃烧脉动——频率的二分

火焰闪烁（Flame Flicker）：频率较低（2~5 Hz），典型表现为局部燃烧不稳定——比如某个燃烧器的给粉管不畅，导致该燃烧器的火焰忽大忽小。炉膛压力波动在 ±100~200 Pa，但会在 2~5 Hz 频段产生可见的能谱峰。

燃烧脉动（Combustion Pulsation）：频率较高（5~10 Hz），整个炉膛的压力以相当高的幅值（±300~500 Pa）在 5~10 Hz 频率上振荡。原因通常是宏观燃烧的不稳定——过量空气系数偏离最佳值→整个火焰区的燃烧速率整体变化→驱动炉膛声学共振。这种全炉膛尺度的脉动极为危险——水冷壁管承受反复压力脉冲作用，疲劳寿命在数周内消耗殆尽。

1.3 三种状态的物理特征

1.4 时域波形对比——人眼看不见的规律

图1 炉膛压力时域波形对比

上图展示了三种状态下炉膛压力信号的 30 秒时域波形。稳定燃烧（蓝色）的波形看起来是"杂乱的噪音"——±50 Pa 的随机涨落，没有任何规律的周期。火焰闪烁（橙色）的波形中开始出现隐约的低频波动——但人眼很难从这个波形中判断"究竟是闪烁还是正常的随机波动"。燃烧脉动（红色）的波形出现了明显的低频包络——±350 Pa 的大幅摆动，周期约 0.1~0.2 秒（对应 5~10 Hz）。

核心洞察：时域波形中"人眼不可见的规律性"在频域中一目了然。正常波形的功率在各频率上均匀分布（白噪声），闪烁的能量集中在 2~5 Hz，脉动的能量集中在 5~10 Hz。XGBoost 的输入特征正是从这个频域差异中提取的。

二、传统检测方法的致命缺陷

最根本的缺陷：炉膛压力信号的时域波形看起来可能是"杂乱的噪音"——人眼无法分辨"正常紊流噪声"和"叠加了规律性脉动的噪声"。但频域中——前者的频谱是平坦的，后者的频谱在 2~5 Hz 或 5~10 Hz 有明显凸起。这是频域分析的经典优势——将时域中不可见的规律性提取到频域中。

三、AI 算法解决方案

3.1 为什么选择 XGBoost

这个场景的特征维度适中（9维）、三分类、数据量 1500 组。XGBoost 的正则化在"频率分界"上有特殊价值——闪烁和脉动的边界在 5 Hz 附近是人为定义的（物理上是连续的过渡）。L1+L2 双重正则化不强加人为的"闪烁<5Hz<脉动"分界，而是从训练数据中学习出最有判别力的频段分界点。

特征设计：炉膛压力信号的 30 秒采样（采样率 100Hz）被分割为时域统计量（标准差、峰峰值、峭度、偏度——反映波动的强度和形态）和频域能量比（5 个频段的能量占比——反映波动的频率结构）。

3.2 频谱对比——三类状态的频率指纹

图2 炉膛压力频谱对比

上图展示了三类状态的频谱。稳定燃烧（蓝色）的频谱在各频率上基本平坦——白噪声特征，所有频段能量均匀分布。火焰闪烁（橙色）在 2~5 Hz 频段出现明显凸起——这个凸起对应的正是"局部燃烧不稳定"导致的 2~5 Hz 压力脉动。燃烧脉动（红色）在 5~10 Hz 频段出现更尖锐的峰——频率更高、幅值更强，对应的是"全炉膛热-声耦合自激振荡"。

关键判据：闪烁的特征是"2~5 Hz 凸起"，脉动的特征是"5~10 Hz 凸起"。两者在频谱中的"主峰位置"不同——这是物理上最直接的分类依据。该特征被 XGBoost 自动编码为频段能量比——低频段（2~5 Hz）能量占比和中频段（5~10 Hz）能量占比。

3.3 XGBoost 训练

树数 150，深度 4，正则化 L1+L2。训练 1125 组/测试 375 组。

四、AI 解决方案的结论

4.1 分类准确率：100%

闪烁和脉动在频域特征中的能量分布差异极度显著——闪烁的低频（2~5Hz）能量占比 >40%，脉动的中频（5~10Hz）能量占比 >35%。这两个频段几乎没有重叠——"闪烁向左，脉动向右"。

图3 混淆矩阵

混淆矩阵显示测试集 375 组样本零误判——三个状态在频段能量特征上的可分离性达到了完美级别。正常、闪烁、脉动三者在对角线上各占 125 例，没有任何跨类误判。

4.2 各频段能量分布——三类状态的"频谱签名"

图4 各频段能量分布柱状图

上图以柱状图形式展示了三类状态在五个频段（超低频 <0.5Hz、低频 0.5~2Hz、中频 2~5Hz、高频 5~10Hz、超高频 >10Hz）中的平均能量分布。

正常（蓝色）：五个频段的能量近似均匀分布——各柱高度接近，没有突出的频段。这是白噪声的频谱特征——每个频率段的能量大致相同。

火焰闪烁（橙色）：中频段（2~5 Hz）的柱显著凸起——能量占比从正常的约 20% 升至 40%+。低频段也有所升高（闪烁的基频较低），但中频段是主导特征。

燃烧脉动（红色）：高频段（5~10 Hz）的柱明显凸起——能量占比从 15% 升至 35%+。全炉膛声学共振的频率更高，能量更集中在高频段。

物理直觉：这张图是三类状态的"频谱指纹"。三者在柱状图上的形状完全不同——正常是"平头"、闪烁是"中频凸起"、脉动是"高频凸起"。不需要理解复杂的频谱分析——看柱状图的"哪个柱子高"就能判断当前状态。

4.3 标准差 vs 峭度——时域统计量的辅助判据

图5 标准差 vs 峭度散点图

上图为时域特征"标准差"与"峭度"的散点图。标准差反映压力波动的强度（波动越大→标准差越大），峭度反映波动的形态（高斯分布≈3，有冲击尖峰→>3）。

正常（蓝色）聚集在左下角——低标准差（压力波动小）+ 低峭度（≈3，近似高斯分布）。火焰闪烁（橙色）向右扩散——标准差增大（波动变大）+ 峭度略升高（出现低频脉冲）。燃烧脉动（红色）向右上方大幅偏移——高标准差（±350 Pa）+ 高峭度（>5，脉动产生的规律性压力尖峰使峭度显著增大）。

归一化判据：如果只看标准差（X 轴）——正常和闪烁在 50~200 Pa 区间有部分重叠，仅标准差不足以完美区分。如果加上峭度（Y 轴）——正常峭度≈3，闪烁峭度≈3.5~4.5，脉动峭度≈5~8——二维联合判据的分离度远高于任何单一维度。

4.4 特征重要性——XGBoost 在"看"什么

图6 特征重要性排序

最重要的五个特征依次为：

1. **中频段能量比（2~5 Hz）——贡献 28%**：闪烁和脉动的分界特征。这个频段能量 >35% 强烈指向闪烁；<15% 指向正常或脉动。

2. **高频段能量比（5~10 Hz）——贡献 22%**：脉动的特征频段。这个频段能量 >30% 几乎确定是脉动；<10% 排除脉动。

3. **标准差（Std）——贡献 18%**：压力波动的总体强度。正常 <80 Pa，闪烁 100~200 Pa，脉动 >250 Pa。

4. **峭度（Kurtosis）——贡献 15%**：波动形态指标。脉动的规律性尖峰使峭度远离正常的高斯分布 ≈3，升至 5~8。

5. **低频段能量比（0.5~2 Hz）——贡献 11%**：辅助区分闪烁和脉动——闪烁的低频能量占比高于脉动。

关键发现：中频段（2~5 Hz）和高频段（5~10 Hz）两个频域特征合计贡献了 50% 的分类重要性——频域分析是燃烧脉动检测的核心，时域统计量是辅助验证。XGBoost 的特征权重分配完全符合物理直觉。

五、AI 解决方案的优势总结

核心价值：传统 DCS 只有"压力值"这一个维度——它不知道炉膛压力的波动包含了"频率"这个第二维度的信息。XGBoost 通过频段能量比特征，将时域中"看不见"的频率信息提取出来——"闪烁"和"脉动"的差异在频率维度上被完美分离。

附：代码复现

cd B02_燃烧脉动/code && python diagnosis_pipeline.py

可联系作者获取代码

炉膛声学共振的轴向基模：炉膛可视作三维声学谐振腔。矩形截面（15m×15m）的切向模态频率约 26.7 Hz（高于闪烁和脉动的特征频段，因此不被激发）。轴向模态频率 ，其中  m/s（热烟气声速）， m。基模（）的频率 ≈ 5.7 Hz——恰好落入燃烧脉动的核心频段。这就是为什么脉动以 5~10 Hz 为主——炉膛声学的轴向基模被热释放波激发。

Rayleigh 准则的积分形式：脉动发生的必要条件是 ——在一个振荡周期内，压力脉动与热释放脉动的乘积积分为正→火焰为声波提供净能量→自激振荡得以持续。XGBoost 虽然不直接计算这个积分，但它的"标准差"和"频段能量比"特征间接捕捉了满足 Rayleigh 准则的信号的统计特性——脉动的标准差更大、能量更集中在特定频段。

XGBoost L2 正则化的降噪价值：炉膛压力信号中偶尔出现的"冒泡"（偶然的落渣汽水共腾产生单次大尖峰）可能被误判为脉动。L2 正则化通过限制单特征的叶子权重上限（reg_lambda=1.0），防止这些单次大尖峰在树的某一节点产生极端的分裂增益——从而将单尖峰误判为持续的脉动序列。脉动在 30 秒窗口内表现为重复多次的压力脉冲——单脉冲和脉冲序列的统计特征在峭度和标准差上差异显著，L2 恰恰抑制了这种单脉冲的极端影响。