1模拟退火算法原理-计算机测量与控制.doc

基金项目：国家自然科学基金项目 作者简介：梁红梅（1968-），女，副教授. 主要研究方向为水电机组自动控制 肖志怀（1968-），男，博士，副教授，主要研究方向为水电机组控制、状态检测与故障诊断 基于SA-WNN模型的水电机组故障诊断研究 梁红梅1，肖志怀2 （1. 新疆昌吉职业技术学院,新疆昌吉831100 2．武汉大学水力机械过渡过程教育部重点实验室，湖北武汉430072） 摘要：针对水电机组振动故障征兆和故障类型的非线性特性及传统小波网络在故障诊断中的缺陷，设计了一种基于模拟退火算法的小波神经网络(SA-WNN)故障诊断模型。将SA-WNN诊断模型应用到水电机组四种典型故障，验证其可行性。实例结果表明，与传统小波网络相比，基于模拟退火算法优化的小波神经网络训练次数少，收敛精度高，为水电机组故障诊断提供了新途径。 关键词：模拟退火算法；小波神经网络；水电机组；故障诊断 中图分类号： TM312 文献标识码： A Study for vibration fault diagnosis of hydro-turbine generating unit Base on SA-WNN LIANG Hong-mei1， XIAO Zhi-huai2 (1.Xinjiang Changji Vocational and Technical College, Changji 831100；2. Key Laboratory for Hydrodynamic Transients of Ministry of Education Wuhan University, Wuhan 430072) Abstract: Fault diagnosis for the vibration fault symptoms and fault types of the fault and the fault type of the fault type and the fault diagnosis of the traditional wavelet network in the fault diagnosis of the fault diagnosis model based on simulated annealing algorithm of the wavelet neural network (SA-WNN) fault diagnosis model. The SA-WNN diagnostic model is applied to four kinds of typical faults of hydro power plant to verify its feasibility. The results show that, compared with the traditional wavelet network and BP, the number of wavelet neural network training based on simulated annealing algorithm is less, and the convergence precision is high, which provides a new way for the fault diagnosis of hydroelectric generating units. Key words: Simulated annealing algorithm；Wavelet neural network; hydro-turbine generating unit; Fault diagnosis . 0 引 言 水电站在电网系统中承担着调频、除峰填谷、黑启动等重任，确保了系统稳定运行[1]。水轮发电机组是水电站的核心，庞杂的机组结构及组成部件高度的集成化使得水电机组运行过程中的故障率明显提升，故障类型也更加复杂。据统计，水电机组大约80%的故障表现在机组振动上[2]。水电机组区别于其他旋转机械，其振动信号受到水力因素、机械因素及电气因素的共同影响[3]，且三者呈现出高度的耦合性。耦合效应导致振动信号拥有水、机、电三性特征，非线性化突出。所以故障诊断遇到了一定的技术难题，即无法利用简单的‘故障字典法’建立振动信号特征量与故障原因两者之间一对一的线性关系模型以实现故障诊断。鉴于水电机组振动故障的复杂性、耦合性，故障诊断通常采用建立振动特征集与故障集之间非线性诊断模型的方法来实现两者的有效映射。智能控制技术的普及为故障诊断提供了多种智能方法，如BP网络、贝叶斯网络、SVM等，可有效建立所需的非线性模型，在水电