基于mi-ga-bp的水电机组健康评估方法构建.docxVIP

基于mi-ga-bp的水电机组健康评估方法构建 摘要：针对水电机组运行期间故障样本较少，难以构建故障诊断模型的问题，提出基于MI-GA-BP和误差统计分析的方法构建水电机组健康评估模型。首先通过互信息理论选择相关的多个工况参数，进而采用GA-BP神经网络建立水电机组的振动预测模型，确定健康评估模型的基准值。然后通过对振动相对预测误差进行统计分析，采用非参数核密度估计法和正态分布估计法分别拟合其概率密度函数，计算在一定置信水平下的置信区间，采用熵权法对2种方法得到的区间进行组合得到最优区间，得到健康评估模型的界限值。通过仿真分析表明，所构建的健康评估模型能够实时反映机组的健康状态，判断其是否处于异常状态。 水电机组由于故障样本较少且故障机理复杂的特点，基于故障征兆对水电机组进行故障诊断的工程实用性较差综上所述，本文考虑了多个工况参数的影响，基于MI-GA-BP算法和误差统计分析计算水电机组健康评估模型的基准值和界限值。首先分析并选取与机组振动最为相关的多个工况参数，构建机组振动预测模型，得到健康基准值；然后对预测模型的预测误差进行统计分析，求取振动估计区间得到健康界限值。在机组健康评估时，将振动实际值与健康值比对，通过是否偏离健康范围判断机组运行状态，从而对水电机组健康状态进行评估；仿真分析验证了本文所提出方法的有效性。1 基于MI-GA-BP和误差统计分析的机组健康评估模型为了获得水电机组的健康评估模型，需要求取机组健康基准值和界限值。主要思路分为2个步骤。一是建立机组振动预测模型。在机组稳定运行期间获取健康样本，包括多项工况参数和特征参数，选取机组振动作为特征参数，用于反映机组的运行状态。分析工况参数与机组振动的相关性，筛选出与机组振动密切相关的工况参数，训练振动预测模型，得到健康基准值。二是对振动预测模型的预测误差进行误差统计分析，拟合其概率密度函数，求得在一定置信水平下的机组振动估计区间，得到健康界限值。1.1 基于MI-GA-BP的水电机组振动预测模型水电机组的振动与运行工况有关，若在没有考虑机组工况条件下设定振动报警值则不能准确反映机组的实际运行状况。与机组振动相关的工况参数有有功功率、无功功率、导叶开度、过机流量、工作水头、励磁电流、励磁电压、功率因数等。由于工况参数较多，因此为了获得较为精确的水电机组振动预测模型，考虑筛选出贡献率式中：M在提取出相关工况参数后，需拟合多个工况参数与机组振动之间的映射关系。BP神经网络可以拟合输入输出之间的非线性关系，由此可通过BP神经网络建立机组振动预测模型。但是其在数据训练时容易陷入局部最优解，导致数据训练失败式中：F为适应度函数；n为训练样本总数；Y为了获取水电机组健康评估模型的基准值，通过MI-GA-BP算法构建机组的振动预测模型，具体的算法步骤如下所示：1）基于机组健康数据样本，计算工况参数和机组振动的互信息值和贡献率，选取相关的多个工况参数；2）数据预处理，将选取的多项工况参数和机组振动值归一化处理到0-1之间；3）确定BP神经网络的结构，包括输入层、隐含层和输出层神经元个数、训练步长、目标以及学习率等；4）对BP网络的初始权值和阈值进行编码，初始化种群。采用实数编码的方式，种群中个体包括输入层与隐含层的连接权值，隐含层和输出层的连接权值，隐含层的阈值和输出层的阈值，然后GA随机生成初始种群，若输入层神经元个数为m，隐含层神经元个数为p，输出层神经元个数为n，则个体编码长度为m×p+p×n+p+n;5）设计适应度函数，计算个体的适应度值；6）遗传操作，经过一系列的选择、交叉和变异，推进种群的进化和最优解的搜寻；7）训练神经网络，搜寻到最优解后，将最优初始权值和阈值赋给建立的BP神经网络，输入为多项工况参数，输出为机组振动，进行振动预测模型的训练。图1为基于MI-GA-BP算法的水电机组振动预测模型训练流程图。为了验证GA对BP神经网络的优化情况，将GA-BP和BP网络的振动预测性能进行对比，评价指标为平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）。式中：n为样本数量；y1.2 基于误差统计分析的水电机组振动区间估计水电机组常用的健康评估方法是相对评估，利用相对评估方法评价水电机组的运行状态需要确定健康基准值和界限值。目前界限值的确定方法是考虑机组有功功率和工作水头的影响，对2个工况分别进行分区处理，按照3σ准则求取每个区间内的界限值常见的分析预测误差的概率分布方法有非参数核密度估计法和正态分布估计法式中：上述2种方法在进行区间估计时各有优劣，在求解水电机组振动估计区间时可将2种方法结合，提升结果的准确性和可靠性。本文利用熵权法1）由振