凝汽器故障诊断.pptVIP

BP 神经网络的凝汽器故障诊断 主要内容： ◆BP神经网络的输入输出的选取 ◆确定网络训练的最优结构 ◆测试样本实例分析 输入输出样本的确定 输出样本—凝汽器典型故障 故障序号 故障类型 1 真空系统不严密 2 真空系统管路破裂 3 后轴封磨损严重或供汽中断 4 凝汽器铜管破裂（少量） 5 凝结水泵工作不正常 6 低压加热器铜管破裂（少量） 7 循环水泵电机故障 8 凝汽器铜管内表面脏污 9 循不水流量不足 10 真空泵故障 11 循环水排水管道堵塞等原因造成排水不畅 12 水位过高淹没部分铜管（凝汽器满水) 输入样本—凝汽器故障征兆集 征兆序号 故障征兆 征兆序号 故障征兆 1 真空急剧降 13 低压加热器水位升高 2 真空缓慢下降 14 循环水温升增大 3 凝汽器端差增大 15 循环水泵电机电流降至零 4 凝结水过冷度增大 16 循环水泵出口压力降至零 5 低压缸胀差异常 17 循环水泵电机电流下降 6 凝结水导电度增加 18 循环水泵出口压力下降 7 热井水位升高 19 循环水入口和出口压差增大 8 凝结水泵出口压力增加 20 凝汽器抽气口与真空泵入口之间的压差减小 9 凝结水泵电机电流增加 10 循环水温升减小 21 真空泵电机电流下降 11 凝结水泵电机电流减小 22 循环水泵出口压力增大 12 凝结水泵出口压力下降 23 真空泵抽出的空气温度与冷却水进口温度之差增大 征兆集中“1”表示故障存在“0” 表示不存在凝汽器典型故障样本知识库 故障类型中“1”表示属于这种故障“0 ”不属于此故障型网络训练目标输出向量 三层BP 神经网络的训练及分析 ◆ 采用 newff 函数来生成BP 网络 ◆ 23 个故障征兆作为BP 网络的输入 ◆ 12 个故障作为BP 网络的输出 ◆ 学习算法采用变学习率算法，学习率初值取为 0.85，学习速率增长比例因子和学习速率下降比例因子取为缺省值 ◆训练过程两次之间的训练次数取为 10，最大迭代次数取为 1000 ◆ 学习目标取为 0.00001 ◆ 可变动量因子选取0.9 ， 隐层节点数选取 M=23 N=12 那么隐层的节点 数选取7-15 通过试凑的方法选取隐层节点数为8个时收敛速度和收敛效果都很好 理想网络训练结构 学习过程稳定 没有出现误差剧烈振荡 没有长时间的误差平坦区 隐层节点为7时 网络误差曲线 网络拟合曲线 隐层节点为8时 网络误差曲线 网络拟合曲线 隐层节点为9时 网络误差曲线 网络拟合曲线 隐层节点为10时 网络误差曲线 网络拟合曲线 隐层节点为11时 网络误差曲线 网络拟合曲线 隐层节点为12时 网络误差曲线 网络拟合曲线 隐层节点为13时 网络误差曲线 网络拟合曲线 改变学习率lr=0.5隐层节点数为16 网络误差曲线 网络拟合曲线 综上分析 隐层节点数为8最佳各参数输出结果如下目标输出量 改变学习率lr=0.5隐层节点数为16的输出样本 实例分析 取训练样本 [0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] 测试样本选取 测试目标输出 lr=0.85 隐层节点数为8 lr=0.5 隐层节点数为16 根据测试样本输出 对照凝汽器故障样本表可以得出结论:即故障为真空系统不严密该结论与现场诊断结果一致 对比分析 lr=0.5 隐层节点数16 识别率高泛化能力强 接近于目标输出