肖洪闖，葛曉霞，李 揚

(南京工程學院，能源與動力工程學院，江蘇 南京 211167)

0 概 述

目前，我國的能源結(jié)構(gòu)仍以火電機組為主。在提倡環(huán)保節(jié)能的趨勢下，迫切地需要加強故障診斷方面的研究，以提高機組運行的可靠性和經(jīng)濟效益。凝汽器是火電機組中重要的輔助設(shè)備，其工作性能對機組的運行安全與經(jīng)濟性有著很大的影響。若凝汽器的真空度過低，將使排汽溫度上升，造成低壓缸排汽口的熱變形，引起轉(zhuǎn)子中心的偏移，嚴重時還會引發(fā)設(shè)備振動。此外，當真空度下降時，若欲確保機組出力不變，必須增加進汽量，將導致軸向推力的增加，影響機組的安全運行。隨著機組容量的不斷增大，設(shè)備發(fā)生故障時危害性也在增加。目前，很多機組的凝汽器在發(fā)生故障后，均需依據(jù)運行人員的經(jīng)驗進行判斷，如果凝汽器發(fā)生故障，運行人員因經(jīng)驗不足而不能及時解決，將使相關(guān)設(shè)備遭到不同程度的損壞。嚴重時，甚至會使故障范圍進一步擴大，威脅機組的安全運行。因此，研究高效智能的診斷方法，及時診斷凝汽器故障，具有十分重要的意義。神經(jīng)網(wǎng)網(wǎng)絡具有突出的自組織、自學習能力，早已應用于故障診斷領(lǐng)域。近年來，不斷有研究學者對常規(guī)神經(jīng)網(wǎng)絡進行改進，以提高網(wǎng)絡的訓練速度[1-2]。采用廣義回歸神經(jīng)網(wǎng)絡建立凝汽器故障診斷模型，可使診斷速度更快、泛化能力更強?，F(xiàn)以某電廠凝汽器故障為例，驗證GRNN診斷模型的有效性。

1 凝汽器智能故障診斷技術(shù)

凝汽器的故障原因多且復雜，故障與故障征兆之間有著很強的模糊性。因而采用傳統(tǒng)的故障診斷方法，難以準確建立凝汽器故障的診斷模型。隨著近年來人工智能技術(shù)的不斷發(fā)展，新型的智能診斷方法已開始運用于工業(yè)領(lǐng)域，相比于傳統(tǒng)的故障診斷方法，采用智能診斷方法時，不需要建立被診對象精確的數(shù)學模型，所以，診斷的效率高。典型的智能診斷方法，主要有證據(jù)理論、神經(jīng)網(wǎng)絡、模糊診斷、專家系統(tǒng)等方法。

不同的智能診斷方法其特點也不相同。專家系統(tǒng)是依賴專家在某領(lǐng)域的知識，根據(jù)專家在知識庫中建立的規(guī)則進行邏輯推理及匹配，但系統(tǒng)缺乏自學的能力。當知識庫的獲取或匹配較為困難時，診斷推理就不完善，往往使診斷結(jié)果不可靠。模糊診斷方法較為簡單，診斷速度快，但是診斷準確率與隸屬度函數(shù)的建立有很大關(guān)系。在實際操作中，因影響凝汽器的因素較多，故障與故障征兆之間的關(guān)系十分復雜，需花費大量時間，才能建立正確的隸屬度函數(shù)。神經(jīng)網(wǎng)絡具有自學和自組的能力，在故障診斷領(lǐng)域得到了廣泛應用。神經(jīng)網(wǎng)絡的診斷模型，既不存建立隸屬度函數(shù)的問題，又沒有選取專家系統(tǒng)知識庫的困擾。

2 廣義回歸神經(jīng)網(wǎng)絡的結(jié)構(gòu)

廣義回歸神經(jīng)網(wǎng)絡(GRNN)是徑向基神經(jīng)網(wǎng)絡中的一種，由輸入層、模式層、求和層和輸出層組成。廣義回歸神經(jīng)網(wǎng)絡的結(jié)構(gòu)，如圖1所示。相比于BP神經(jīng)網(wǎng)絡，GRNN神經(jīng)網(wǎng)絡需人為設(shè)置的參數(shù)更少，最大程度地降低了人為主觀因素的影響，并且在小樣本學習中，GRNN的收斂速度更快，學習能力更強。

圖1 廣義回歸神經(jīng)網(wǎng)絡結(jié)構(gòu)

(1)

通過x和y的觀測樣本進行非參數(shù)估計，得到具體的概率密度函數(shù)，其表達式為：

(2)

在式(2)中，變量n和p分別表示樣本數(shù)目和給定變量x的數(shù)據(jù)維數(shù)；變量Xi是對變量x進行觀測后的所得值，變量Yi是對變量y進行觀測后的所得值；δ表示GRNN中的光滑因子。

聯(lián)立式(2)、式(1)，得到式(3)：

(3)

在GRNN神經(jīng)網(wǎng)絡中，輸入已確定的樣本，其權(quán)值及網(wǎng)絡結(jié)構(gòu)是確定的，因此，模型訓練就是調(diào)整δ的取值，δ值較大，則網(wǎng)絡輸出值，就是相當于所有樣本變量的平均值。若δ值較小，那么對于訓練樣本以內(nèi)的數(shù)據(jù)預測的精度是非常高，但對訓練樣本以外的數(shù)據(jù)預測效果是很差的。

3 應用實例

3.1 凝汽器故障征兆與征兆參數(shù)

凝汽器故障類型及故障征兆參數(shù)有很多，根據(jù)現(xiàn)場運行人員經(jīng)驗并參考文獻[3]的研究結(jié)果，選取了凝汽器常發(fā)生的11種故障。分別設(shè)置了故障征兆的編號，設(shè)備循環(huán)水泵嚴重故障為A1、后軸封供汽中斷為A2、凝汽器滿水為A3、真空系統(tǒng)管路破裂為A4、真空系統(tǒng)不嚴密為A5、凝結(jié)水泵故障為A6、凝汽器銅管破裂為A7、低壓加熱器銅管破裂為A8、凝汽器銅管臟污 為A9、凝汽器銅管堵塞為A10、抽氣器工作不正常為A11。這些故障將與13種故障征兆相對應，因此，分別設(shè)置凝汽器真空度為X1、循環(huán)水泵電機電流為 X2、循環(huán)水泵出口壓力為X3、轉(zhuǎn)子脹差為X4、凝結(jié)水泵出口壓力為X5、凝結(jié)水泵電機電流為X6、凝結(jié)水的導電率為X7、低壓加熱器水位為X8、凝汽器冷卻水的溫升為X9、凝汽器端差為 X10、凝結(jié)水過冷度為X11、抽氣器抽出的空氣溫度與冷卻水進口溫度之差為X12、凝汽器抽氣口至抽氣器進口之間的壓差為X13。

3.2 故障征兆知識庫

因為凝汽器故障與故障征兆之間具有模糊性，在進行神經(jīng)網(wǎng)絡故障診斷前，需將故障征兆作模糊化處理。以模糊子集{急劇增大、緩慢增大、正常、緩慢減小、急劇減小}描述征兆參數(shù)的變化狀態(tài)，每個模糊狀態(tài)對應的子集量化值，為{0、0.25、0.5、0.75、1}，由此，建立凝汽器典型故障征兆的知識庫，如表1所示。

3.3 診斷實例

神經(jīng)網(wǎng)絡應用于故障診斷的實質(zhì)，就是要完成故障與故障征兆之間的非線性映射。以1表示故障發(fā)生，0表示故障未發(fā)生。則故障診斷模型輸出為11維向量，每個維度對應1種故障類型。通過不斷調(diào)整權(quán)值與閾值，學習或獲取訓練樣本中的故障知識。當診斷模型的訓練完成后，將故障征兆參數(shù)作為神經(jīng)網(wǎng)絡的輸入值，即可得到診斷結(jié)果。通常，根據(jù)最大隸屬度規(guī)則，判斷發(fā)生對應的故障類型。此次試驗是在MatlabR2014b計算軟件上實現(xiàn)的。在GRNN模型的δ選取中，當δ大于0.2，以訓練樣本進行測試，診斷效果較差。當δ小于等于0.1時，診斷效果較好。因此，最終將GRNN模型的δ取為0.1。

從相關(guān)文獻資料[5-8]中，提取了4個故障實例，并利用GRNN診斷模型進行測試。將故障征兆參數(shù)模糊化后輸入GRNN診斷模型，獲得4個診斷結(jié)果。實例1的診斷結(jié)果為A5，是真空系統(tǒng)不嚴密。實例2的診斷結(jié)果為A2，是后軸封供汽故障。實例3的診斷結(jié)果為A2，是后軸封供汽中斷。實例4的診斷結(jié)果為A10，是凝汽器銅管堵塞。4個診斷結(jié)果均與現(xiàn)場設(shè)備故障的原因相一致，顯示了GRNN診斷模型的有效性。

3.4 模型對比和分析

為了驗證GRNN診斷模型的突出性能，將GRNN網(wǎng)絡模型與Elman神經(jīng)網(wǎng)絡模型、BP神經(jīng)網(wǎng)絡模型進行對比和分析。在Elman神經(jīng)網(wǎng)絡的參數(shù)設(shè)置中，學習率為0.005、目標誤差為0.000 1、最大迭代次數(shù)為1 000，輸入層到隱含層的傳遞函數(shù)為tansig，隱含層到輸出層的傳遞函數(shù)為logsig，隱含層神經(jīng)元個數(shù)，為27。在BP神經(jīng)網(wǎng)絡的參數(shù)設(shè)置中，學習率為0.005、目標誤差為0.000 1、最大迭代次數(shù)為1 000，輸入層到隱含層的傳遞函數(shù)為tansig，隱含層到輸出層傳遞函數(shù)為logsig，訓練函數(shù)為traingdx，動量因子設(shè)為0.9，學習率增長比率因子為1.05，學習率降低比率因子為0.7。3種診斷模型的診斷結(jié)果，如表2所示。

表1凝汽器故障征兆知識庫

故障編號征兆參數(shù)X1X2X3X4X5X6X7X8X9X10X11X12X13A10.000.000.000.750.500.500.250.251.000.250.250.750.75A20.000.750.750.250.500.500.250.250.50.750.750.250.75A30.500.750.750.751.001.000.250.250.250.250.250.750.75A40.000.750.750.750.500.500.250.250.251.001.000.250.75A50.250.750.750.750.500.500.250.250.500.750.750.250.75A60.250.750.750.750.000.000.250.250.250.750.750.250.75A70.250.750.750.751.001.000.750.250.500.750.750.250.75A80.250.750.750.751.001.000.250.750.500.750.750.250.75A90.250.750.750.750.500.500.250.250.250.750.250.750.75A100.250.750.750.750.500.500.250.250.750.750.250.750.75A110.250.750.750.750.500.500.250.250.500.750.750.250.25

表23種模型診斷結(jié)果對比

實例模型A1A2A3A4A5A6A7A8A9A10A111GRNN00001000000BP00.00650.00030.00060.92680.02880.00140.00870.00020.00620.0023Elman0.02360.00320.007700.98430.02000000.00210.03352GRNN01000000000BP0.08090.684500.383300.00520.00320.00400.002200.0076Elman0.065210.89320.00260.000200.00020.32700.05010.05280.00040.00353GRNN01000000000BP0.10690.70090.00010.162600.00520.00030.00060.01340.00220.0079Elman0.17440.89040.00040.000100.00140.02470.00340.002300.00194GRNN0000000000.94120.0588BP0.00410.00270.00010.034100.00030.018900.22190.00230.0082Elman0.11590.04850.0007000.00150.02920.00270.06240.03330.0023

從表2的診斷結(jié)果可知，在前3個故障實例診斷中，3種診斷模型均能準確診斷出故障，并且，Elman神經(jīng)網(wǎng)絡診斷發(fā)現(xiàn)故障的概率高于BP神經(jīng)網(wǎng)絡、GRNN神經(jīng)網(wǎng)絡診斷發(fā)現(xiàn)故障的概率高于Elman神經(jīng)網(wǎng)絡。在診斷實例4中，BP和Elman均未能準確診斷出故障A10，而GRNN診斷發(fā)生A10故障的概率為0.9412，與現(xiàn)場故障的診斷結(jié)果一致。因此，GRNN神經(jīng)網(wǎng)絡的診斷模型，相比于另外2種診斷模型的診斷精度更高，泛化能力更強，更加適合電廠凝汽器故障的診斷。

4 結(jié) 語

選取凝汽器典型故障及故障征兆集，采用GRNN神經(jīng)網(wǎng)絡，建立了凝汽器故障的診斷模型。通過故障實例，驗證了GRNN診斷模型的有效性。經(jīng)對比，GRNN神經(jīng)網(wǎng)絡的診斷速度快，故障剝離能力更強。