趙培慶

(北京北燃環(huán)能科技發(fā)展有限公司，北京 100011)

低氮燃?xì)忮仩t對(duì)鍋爐房系統(tǒng)來(lái)說(shuō)，屬于重大關(guān)鍵設(shè)備，也是故障發(fā)生頻繁的部分[1]。正確監(jiān)測(cè)鍋爐的狀態(tài)，預(yù)測(cè)可能發(fā)生的故障，對(duì)維護(hù)人員及早發(fā)現(xiàn)故障，盡快處理故障有很大的幫助，并對(duì)鍋爐房重大設(shè)備的安全性、提高設(shè)備的利用率、減少非計(jì)劃停機(jī)的次數(shù)和時(shí)間等起到積極作用，還能有效降低檢修費(fèi)用，提高鍋爐房的經(jīng)濟(jì)效益[2-3]。

根據(jù)低氮燃?xì)忮仩t的狀態(tài)參數(shù)歷史數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，然后將此信息與當(dāng)前測(cè)量的鍋爐運(yùn)行參數(shù)數(shù)據(jù)進(jìn)行比較，以確定相應(yīng)的故障；充分利用BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、非線性、并行計(jì)算和容錯(cuò)的能力，提高了低氮燃?xì)忮仩t故障診斷的快速性和準(zhǔn)確率[4]。

1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和算法

BP神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于非線性建模、函數(shù)逼近、系統(tǒng)辨識(shí)和分類等方面,但對(duì)實(shí)際問(wèn)題,其模型結(jié)構(gòu)需由實(shí)驗(yàn)確定。

1.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)由輸入層、一層或多層隱含層和輸出層組成。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 BP神經(jīng)網(wǎng)絡(luò)的算法

在BP神經(jīng)網(wǎng)絡(luò)中輸入層得到刺激后，會(huì)把他傳給隱含層，至于隱含層，則會(huì)根據(jù)神經(jīng)元相互聯(lián)系的權(quán)重并根據(jù)規(guī)則把這個(gè)刺激傳給輸出層，輸出層對(duì)比結(jié)果，如果不對(duì)，則返回進(jìn)行調(diào)整神經(jīng)元相互聯(lián)系的權(quán)值。這樣就可以進(jìn)行訓(xùn)練，最終學(xué)會(huì)。在 BP 學(xué)習(xí)算法中，輸入層，輸出層和隱含層權(quán)值調(diào)整方式都是一樣的。由三個(gè)條件決定，它們分別是：學(xué)習(xí)效率，輸入層，輸出層和隱含層的各層誤差信號(hào)和各層輸入信號(hào)X/Y。其中最為重要的是輸出層誤差信號(hào)，它直接意味著和實(shí)際期望結(jié)果的差異，代表著與預(yù)期結(jié)果的差距，而前面的各層的誤差都是從后往前傳遞計(jì)算的誤差。

2 算例和分析

2.1 訓(xùn)練樣本

將低氮燃?xì)忮仩t出水和回水溫度、出水壓力、水位和燃?xì)鈮毫σ约芭艧煖囟?、煙氣NOx含量7個(gè)系統(tǒng)參數(shù)作為網(wǎng)絡(luò)的輸入向量X=(x1,x2,x3…,x7)，輸出向量為故障原因Y=(y1,y2,y3…,y5)，從而建立系統(tǒng)參數(shù)與故障原因之間的映射關(guān)系，如表1所示。

表1 系統(tǒng)參數(shù)與故障原因映射關(guān)系表

網(wǎng)絡(luò)的樣本經(jīng)過(guò)數(shù)據(jù)變換處理、提取特征參數(shù)作為樣本集如表2所示，輸出為樣本對(duì)應(yīng)故障原因Yi，如果對(duì)應(yīng)編號(hào)的項(xiàng)取1，表示該故障原因發(fā)生，否則取0，表示該故障原因不發(fā)生，若輸出全為0，表示故障沒(méi)有發(fā)生。

表2 故障類型與樣本分析表

2.2 網(wǎng)絡(luò)的訓(xùn)練和測(cè)試

將采集的鍋爐參數(shù)及相應(yīng)的故障原因作為學(xué)習(xí)樣本。一般將數(shù)據(jù)分為兩部分，一部分作為網(wǎng)絡(luò)訓(xùn)練，一部分作為測(cè)試。

為簡(jiǎn)單起見(jiàn)，采用5級(jí)模糊算子對(duì)輸入?yún)?shù)進(jìn)行處理，模糊算子特征值如表3所示。

表3 模糊算子特征值

根據(jù)各對(duì)應(yīng)故障下的運(yùn)行參數(shù)分別計(jì)算對(duì)應(yīng)的模糊算子，根據(jù)最大隸屬度原則，選取5個(gè)隸屬度最大的一個(gè)作為該故障參數(shù)下的模糊算子，計(jì)算結(jié)果如表4所示。

表4 參數(shù)模糊化后的算子

網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后便具備了診斷故障的能力。訓(xùn)練樣本的測(cè)試結(jié)果如表5所示。從表5的診斷結(jié)果數(shù)據(jù)中可以看出,人工神經(jīng)網(wǎng)絡(luò)具有很高的診斷精度。經(jīng)過(guò)更多組樣本的測(cè)試,診斷結(jié)果表明網(wǎng)絡(luò)同時(shí)也具有非常好的魯棒性。

表5 訓(xùn)練測(cè)試結(jié)果

2.3 誤差分析

為了提高神經(jīng)網(wǎng)絡(luò)的收斂速度,防止出現(xiàn)局部極小點(diǎn),通過(guò)在Matlab仿真平臺(tái)上進(jìn)行反復(fù)訓(xùn)練和比較后,發(fā)現(xiàn)網(wǎng)絡(luò)在學(xué)習(xí)速率為 0.7，動(dòng)量常數(shù)為 0.2 時(shí)樣本訓(xùn)練的結(jié)果可 達(dá)到很高的精度,故障平均誤差保持在0.01 以下。對(duì)訓(xùn)練過(guò)程進(jìn)行多次仿真，得出訓(xùn)練次數(shù)與均方誤差的關(guān)系如圖2所示。

圖2 訓(xùn)練次數(shù)與均方誤差關(guān)系圖

3 結(jié) 論

基于BP神經(jīng)網(wǎng)絡(luò)故障診斷的方法能有效地克服單一神經(jīng)網(wǎng)絡(luò)存在的結(jié)構(gòu)龐大、樣本準(zhǔn)備和網(wǎng)絡(luò)學(xué)習(xí)困難、可靠性和精度差等問(wèn)題。通過(guò)Matlab仿真證實(shí)該方法對(duì)于低氮鍋爐系統(tǒng)故障診斷有較高的精度和實(shí)用性。