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(duì)該問(wèn)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(jiǎn)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(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):
中圖分類號(hào):TP301文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):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(wèn)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(dòng)化和智能化的方向。丹麥B&K公司推出狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)B&K3450型COMPASS系統(tǒng),既能檢測(cè)、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(duì)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(guò)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(wèn)題具有很大優(yōu)勢(shì),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(shí)也不會(huì)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(jiàn)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(jì)算能力,又可以學(xué)習(xí)和記憶知識(shí),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(jiàn)的3種故障為診斷對(duì)象:油膜振蕩、不平衡與不對(duì)中。故障樣本的特征信號(hào)由汽輪發(fā)電機(jī)組振動(dòng)信號(hào)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(gè)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(duì)中。運(yùn)用PNN對(duì)汽輪機(jī)進(jìn)行故障診斷,一般分為兩個(gè)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(gè)處理單元(對(duì)應(yīng)6個(gè)頻率特征量),模式層有22個(gè)處理單元(對(duì)應(yīng)22個(gè)樣本),類別層有3個(gè)處理單元(對(duì)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(gè)作為訓(xùn)練樣本,后7個(gè)作為測(cè)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(guò)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(duì)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(jì)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(shí),系統(tǒng)準(zhǔn)確率最高。因此可以推測(cè),在spread更小時(shí),故障診斷準(zhǔn)確率可接近百分之百,用于對(duì)汽輪機(jī)進(jìn)行故障診斷是非常有效的。
4結(jié)語(yǔ)
本文通過(guò)對(duì)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(jiǎn)單的概率神經(jīng)網(wǎng)絡(luò)模型,對(duì)汽輪發(fā)電機(jī)組一些常見(jiàn)故障進(jìn)行診斷,在對(duì)PNN的訓(xùn)練和診斷中,無(wú)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(shí),在新增加或者刪除樣本時(shí),PNN只需增加或者減少中間層的處理單元數(shù),對(duì)連接權(quán)值進(jìn)行相對(duì)改變,即可加快診斷速率。通過(guò)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(lái)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。