RBF神经网络在高加故障诊断中的应用.pdfVIP

2008年第11期 东北电力技术 l5 RBF神经网络在高加故障诊断中的应用 TheUseofRBFNeuralNetworktoFaultDiagnoseinHigh—pressureHeater 宋宏儒，丁常富，冯玉朝 (华北电力大学，河北 保定 07loo3) 摘要：提出了径向基函数神经网络 (RadialBasisFunctionNeuralNetwork，简称 RBF网络)应用于高加故障诊断的基本方 法。利用Matlab神经网络工具箱对高压加热器进行故障诊断，并分别创建 RBF神经网络与 BP神经网络来进行故障诊断， 根据诊断结果的综合对比，证明了RBF神经网络在诊断速度、诊断精度上均优于BP网络 ，说明RBF网络应用于高加的故 障诊断准确、可靠，在机械故障诊断方面具有广泛的应用前景。 关键词：高压加热器；RBF神经网络；故障诊断 [中图分类号]TK264．9；TP183 [文献标识码]B [文章编号]1104—7913(2008)11—0015—04 回热系统是火电机组热力系统的基础与核心， 1 RBF神经网络 ]【 其中高压加热器长期处在高温、高压工作条件下， 由于设计、制造、安装和运行等方面的原因，高压 1．1 RBF神经网络特点及结构 加热器的故障频繁出现，投入率低，机组的安全、 RBF神经网络具有单隐层的三层前馈神经网 经济运行受到严重影响。随着机组向高参数、大容 络，由输入层、隐含层和输出层构成。输人层由一 量方向的发展，其结构和系统 日趋复杂，对机组设 些感知单元组成，将网络与外界环境连接起来。隐 备运行状况监测的及时性和准确性要求也越来越 含层采用径向基函数作为激励函数 (一般为高斯 高，高压加热器的故障诊断要求可靠性高、诊断速 函数)，隐含层的作用是从输入空间到隐含空间之 度快。神经网络技术的出现，为故障诊断问题提供 间进行非线性变换，隐含层每个神经元与输入层相 了一种新的解决途径，特别是对实践中难以建立数 连的权值向量wli和输入矢量Xq(第 q个输入向 学模型的复杂系统，训练过的神经网络能存储有关 量)之间的距离乘上阈值bli作为本身的输入，其 过程的知识，能直接从历史故障信息中学习，滤除 网络结构如图1所示 。 噪声的能力使神经网络适合在线监测和诊断，具有 分辨故障原因及类型的能力 。 近几年，RBF神经网络大量应用于机械故障 y 诊断，如汽车发动机、压缩机、水轮机、内燃机 等。尽管BP神经网络具有很好的非线性映射能力 和灵活的网络结构等优点，但存在着收敛速度慢和 输入层 隐含层 输出层 局部极小等缺点，而 RBF神经网络无论在逼近能 图 1 RBF网络结 构 力、分类能力和学习速度等方面均优于BP神经网 络 。在故障诊断的应用中，RBF神经网络的应 隐含层的第 i个神经元的输人为 用能准确、快速地判断故障类型和原因，对及早发 k=√军(wl一)×bl 现和排除故障发挥了很好的作用。在实际运行中， 隐含层对应的输出为 引起高压加热器故障的原因很多，不同故障表现出 r：exp (一 (Ilwl一戈 IlXbli)) 的征兆有时具有相似性。针对故障原因与故障征兆 输出层的输出为 之间的非线性关系，应用 RBF神经网络进行高压