劉斌 曹民

摘要：汽輪發(fā)電機(jī)組逐漸智能化，功能不斷增強(qiáng)，但不確定性因素和不確定性信息仍然大量存在。針對該問題，用概率神經(jīng)網(wǎng)絡(luò)（PNN）診斷汽輪發(fā)電機(jī)組故障。PNN優(yōu)點(diǎn)較多，機(jī)器學(xué)習(xí)算法簡易、方便訓(xùn)練，相比于傳統(tǒng)樣本處理方法，PNN可訓(xùn)練樣本并引入訓(xùn)練網(wǎng)絡(luò)，更好地確保診斷結(jié)果正確率與可信度。MATLAB仿真結(jié)果表明，PNN在保證診斷結(jié)果準(zhǔn)確的基礎(chǔ)上，速度更快、分類性能大幅提高，診斷效率也提高至98%。

關(guān)鍵詞：故障診斷;汽輪發(fā)電機(jī)組;神經(jīng)網(wǎng)絡(luò);概率神經(jīng)網(wǎng)絡(luò)

DOI：10.11907/rjdk.182871開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP301文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2019）010-0023-04

0引言

隨著科技及電力行業(yè)的迅速發(fā)展，機(jī)械硬件可靠性與實(shí)用性低、安全保障差等問題逐漸緩解，但汽輪機(jī)極易發(fā)生故障，從而造成嚴(yán)重危害，怎樣診斷并解決汽輪發(fā)電機(jī)組故障成為故障研究和診斷技術(shù)的重要課題。人工智能進(jìn)入大眾視野后，汽輪發(fā)電機(jī)組故障診斷方法由前期的人工診斷轉(zhuǎn)向更加自動化和智能化的方向。丹麥B&K公司推出狀態(tài)監(jiān)測與故障診斷系統(tǒng)B&K3450型COMPASS系統(tǒng)，既能檢測、記錄機(jī)器的異常情況，還可以進(jìn)行故障隔離等;王彬等提出一種基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法，結(jié)合油中氣體分析法，可對汽輪機(jī)進(jìn)行有效診斷;張冉等改進(jìn)BP（Back Propagation）網(wǎng)絡(luò)，將其應(yīng)用于汽輪機(jī)故障診斷，通過BP網(wǎng)絡(luò)參數(shù)調(diào)整，加快網(wǎng)絡(luò)收斂速度、減少迭代次數(shù)，提高了診斷準(zhǔn)確率;董立新等發(fā)現(xiàn)了一種模糊粗糙集數(shù)據(jù)挖掘方法，可從決策表中提取出診斷規(guī)則，為汽輪機(jī)提供有效的故障診斷。

本文提出基于概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Net-work，PNN）的診斷方法，PNN是建立在貝葉斯分類和Par-zen窗法上的一種并行算法，用線性學(xué)習(xí)算法解決非線性問題具有很大優(yōu)勢，可改進(jìn)BP網(wǎng)絡(luò)初始參數(shù)選取不當(dāng)引起的網(wǎng)絡(luò)發(fā)散現(xiàn)象，同時也不會出現(xiàn)BP網(wǎng)絡(luò)收斂于局部最小點(diǎn)的情況，PNN常收斂于最優(yōu)解，穩(wěn)定性大幅提高，收斂速度加快，因此診斷效率可進(jìn)一步提升。

1概率神經(jīng)網(wǎng)絡(luò)（PNN）模型

神經(jīng)網(wǎng)絡(luò)以神經(jīng)生物學(xué)為前提，是由許多人工神經(jīng)元（見圖1）構(gòu)成的網(wǎng)絡(luò)，它是一種將人類思維方式用數(shù)學(xué)模型抽象化，再體現(xiàn)為人腦思維的并行處理網(wǎng)絡(luò)，是人腦功能特性的體現(xiàn)。該網(wǎng)絡(luò)既有數(shù)值數(shù)據(jù)分析的普遍計算能力，又可以學(xué)習(xí)和記憶知識，其自組織和自學(xué)習(xí)能力可將輸入輸出關(guān)系非線性化。

2概率神經(jīng)網(wǎng)絡(luò)模型理論與方法

3概率神經(jīng)網(wǎng)絡(luò)汽輪發(fā)電機(jī)組故障診斷模型

確定PNN輸入向量即為選取特征量，為驗(yàn)證基于PNN的故障診斷方法有效性，選擇汽輪發(fā)電機(jī)組常見的3種故障為診斷對象：油膜振蕩、不平衡與不對中。故障樣本的特征信號由汽輪發(fā)電機(jī)組振動信號的頻域特征頻譜中<0.4f、0.4f-0.5f、1f、2f、3f、>3f（f為旋轉(zhuǎn)頻率）的6個不同頻段上幅值分量為特征量，Typel表示油膜振蕩、Type2表示不平衡、Type3表示不對中。運(yùn)用PNN對汽輪機(jī)進(jìn)行故障診斷，一般分為兩個階段：訓(xùn)練階段和診斷階段，流程如圖3所示。

本文構(gòu)建的PNN模型中，輸入層有6個處理單元（對應(yīng)6個頻率特征量），模式層有22個處理單元（對應(yīng)22個樣本），類別層有3個處理單元（對應(yīng)3種故障類型）。其中，模式層處理單元為徑向基神經(jīng)元。樣本數(shù)據(jù)如表1所示，前15個作為訓(xùn)練樣本，后7個作為測試樣本。

可以直接使用MATLAB的函數(shù)net=newpnn（P，T，spread）創(chuàng)建PNN網(wǎng)絡(luò)，其中P為輸入向量，T為目標(biāo)向量，spread為徑向基函數(shù)的擴(kuò)展系數(shù)。在PNN網(wǎng)絡(luò)診斷過程中，診斷準(zhǔn)確率主要與徑向基神經(jīng)元的擴(kuò)展系數(shù)spread及訓(xùn)練樣本有關(guān)，訓(xùn)練樣本數(shù)越多，診斷準(zhǔn)確率越高，所以本文在保證訓(xùn)練樣本數(shù)不變的情況下，改變spread再進(jìn)行仿真實(shí)驗(yàn)，從而判斷對故障系統(tǒng)的影響，分別取spread值為0.2、0.5、1.0、1.5。

圖4是不同spread值的仿真結(jié)果。

從仿真結(jié)果和數(shù)據(jù)統(tǒng)計分析可知，在本文構(gòu)造的故障診斷系統(tǒng)中，隨著spread的不斷提高，故障準(zhǔn)確率不斷下降。當(dāng)spread=0.2時，系統(tǒng)準(zhǔn)確率最高。因此可以推測，在spread更小時，故障診斷準(zhǔn)確率可接近百分之百，用于對汽輪機(jī)進(jìn)行故障診斷是非常有效的。

4結(jié)語

本文通過對神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，在BP網(wǎng)絡(luò)基礎(chǔ)上建立了簡單的概率神經(jīng)網(wǎng)絡(luò)模型，對汽輪發(fā)電機(jī)組一些常見故障進(jìn)行診斷，在對PNN的訓(xùn)練和診斷中，無論初始輸入是什么，在Bayes優(yōu)化解的前提下，總收斂于最優(yōu)解，穩(wěn)定性大幅提高;同時，在新增加或者刪除樣本時，PNN只需增加或者減少中間層的處理單元數(shù)，對連接權(quán)值進(jìn)行相對改變，即可加快診斷速率。通過仿真分析可知，PNN診斷速度更快，在徑向基擴(kuò)展系數(shù)spread越來越小的情況下，診斷準(zhǔn)確率達(dá)到98%，可滿足工業(yè)汽輪機(jī)診斷要求。