汽轮发电机组振动故障诊断的面向对象神经网络方法.pdfVIP

第19卷增刊 v01．19 supplf】999 pn毒飘袈，毒‰煮№ …’…”rr…… POWERENGINEERnqG 汽轮发电机组振动故障诊断的面向对象神经网络方法 何青杜冬梅杜永祚宋之平 (华北电力大学07l003保定市青年路) 【摘要】本文分析了基于神经网络的故障诊断方法的特点，将面向对象思维方法引入到基于人工神 经网络的汽轮发电机组故障诊断中，提出r一种多征兆对象的面向对象神经网络故障诊断方法，设 计了面向对象的汽轮发电机组振动故障诊断神经网络系统结构，构造了网络训练样本，给出了不完 全征兆对象的故障诊断方法和多故障并发的故障诊断方法．最后，用实测汽轮发电机组振动的不完 全征兆对象数据对建立的诊断网络进行验证。 关键词 汽轮发电机组面向对象技术神经网络故障诊断 0引言 汽轮发电机组是电力工业生产的关键设备，一旦发生故障尤其是灾难性故障将给电力系 统、国民经济和人民生活带来巨大的经济损失。随着大型高参数汽轮发电机组的投运，对机 组运行的可靠性提出了更高的要求。如何及早地发现设备异常，减少以至避免灾难性事故的 发生，受到国内外研究人员的高度重视¨，2J。 汽轮发电机组工作时的异常振动将严重影响机组的安全运行，振动大小是衡量机组运行 水平的一个重要而关键的控制指标。当机组发生异常或故障时，振动发生变化，机组振动信 号中包含大量有用的故障信息。通过机组振动进行故障诊断是一种既快又准、既方便又有把 握的手段和方法埘。然而，机组振动与故障之间的关系又是极其复杂的，特别是当数种故障在 不同部位不同程度地同时发生时，将使机组振动特征表现得异常错综复杂，增加了故障诊断 的难度。 汽轮发电机组的各种故障模式都有与其对应的故障征兆，其故障诊断实质上是故障模式 的识别问题。基于人工神经网络(ANlm的智能故障诊断技术，从模式识别的角度，应用具有 感知器结构的神经元网络模型来实现故障征兆集到故障原因集之阃的非线性特征映射，尤其 适用于混叠模式、复杂多模式及多过程的诊断”J。但是，对于具有众多故障征兆信息的汽轮发 电机组故障诊断，用单一的ANN进行故障诊断几乎是不可能的，即使采用分层分布式ANN 进行诊断，实现起来也是十分困难的““。 解决上述问题的一种有效方法是采用面向对象技术(OOP)。本文将面向对象思维方法引入 到基于人工神经网络的汽轮发电机组故障诊断中，提出一种多征兆对象的面向对象的神经网 络故障诊断方法，设计了面向对象的汽轮发电机组故障诊断神经网络系统结构，构造了网络 训练样本，给出一种不完全征兆对象的故障诊断处理方法和多故障并发的故障诊断方法。最 后，用实测汽轮发电机组的不完全征兆对象数据对建立的诊断网络进行验证。 1基于人工神经网络的故障诊断 人工神经网络是由大量人工神经元按特定方式相互连接而成的大规模网络，每个神经元 根据各自的输入不同而决定自己的状态，大量神经元状态改变的集体行为决定了网络的动态 行为。目前，人们已经提出了近百种神经网络模型。BP模型是一种比较成熟、应用广泛的模 型。BP网络是一种多层前向网络，它由输入层、隐层和输出层组成，隐层可以是一层也可以 是多层。BP网络采用的误差反向传播算法是一种有导师学习算法，简称BP算法。BP网络 具有非线性映射能力，它将输入的样本空间通过非线性映射进行分类．擅长解决模式识别和 分类问题。因此，比较适用于故障诊断领域。目前研究的赦障诊断的人工神经网络方法多数 是基于BP网络模型的。 在这些基于ANN的故障诊断方法中，神经网络面向的是一个系统，或称为面向系统的神 经网络方法。随着系统规模的扩大，需要输入ANN的故障特征信息大量增加，使得Al州规 模愈来愈大。就目前广泛应用的BP模型来说，在规模很大时学习训练很难收敛，甚至可能无 法完成，从而使得面向系统的ANN方法很难应用于大型复杂系统。为此，一些研究者提出了 分层分布的A】州方法，虽然从原理上看可以适合大规模系统，但由于需要将大型复杂系统划 分为许多小的系统，因而需要许多ANN模块协调工作