[發(fā)明專利]一種基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法

無效

• 申請?zhí)枺?/td>: 201210022033.7
• 申請日: 2012-02-01
• 公開（公告）號: CN102609764A
• 公開（公告）日: 2012-07-25
• 發(fā)明（設(shè)計）人: 彭道剛;張浩;夏飛;李輝;黃恒孜
• 申請（專利權(quán)）人: 上海電力學(xué)院
• 主分類號: G06N3/02
• 分類號: G06N3/02;G06N3/08
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 吳寶根

技術(shù)領(lǐng)域

本發(fā)明涉及一種汽輪發(fā)電機(jī)組的故障診斷技術(shù)，特別涉及一種基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法。

背景技術(shù)

隨著我國“廠網(wǎng)分開、競價上網(wǎng)”運(yùn)營模式的形成，各發(fā)電企業(yè)面臨著巨大的市場競爭。為提高自身的競爭力，各發(fā)電企業(yè)不斷挖掘自身潛力，降低發(fā)電成本。大型汽輪發(fā)電機(jī)組是發(fā)電企業(yè)的主要設(shè)備，具有機(jī)組容量大、熱力參數(shù)高的特點(diǎn)，其運(yùn)行安全性與經(jīng)濟(jì)性的問題在這種競爭環(huán)境下更顯得突出，而且其性能退化與機(jī)組故障以及運(yùn)行水平對電廠甚至整個電網(wǎng)的安全性、經(jīng)濟(jì)性的影響愈發(fā)嚴(yán)重。由于大型汽輪機(jī)組結(jié)構(gòu)比較復(fù)雜，運(yùn)行環(huán)境比較特殊，機(jī)組出現(xiàn)性能退化甚至故障是不可避免的，所以及時診斷、預(yù)防機(jī)組的故障，提高設(shè)備的可用率，保障機(jī)組安全、經(jīng)濟(jì)地運(yùn)行，仍然是發(fā)電企業(yè)提高經(jīng)濟(jì)效益、增強(qiáng)競爭力的有效途徑之一。因此，進(jìn)行汽輪發(fā)電機(jī)組故障診斷的研究，對于早期發(fā)現(xiàn)故障原因及部位、提高機(jī)組的運(yùn)行可靠性以及制定科學(xué)的維修制度具有現(xiàn)實(shí)意義。

人工神經(jīng)網(wǎng)絡(luò)（Artificial?Neural?Networks，簡稱ANN）是由大量神經(jīng)元處理單元互連組成的并行分布處理系統(tǒng)，具有自學(xué)習(xí)、聯(lián)想存儲以及高速尋找優(yōu)化解的功能。神經(jīng)網(wǎng)絡(luò)在信號處理、目標(biāo)跟蹤、專家系統(tǒng)以及模式識別等領(lǐng)域具有很大的應(yīng)用價值，特別是在機(jī)械故障診斷中具有很大的應(yīng)用潛力。

目前汽輪發(fā)電機(jī)組故障診斷的常用方法是在基于頻譜分析法的基礎(chǔ)上，應(yīng)用誤差反向傳播神經(jīng)網(wǎng)絡(luò)（Backward-propagation，簡稱BP）對機(jī)組故障進(jìn)行分類。首先通過提取時域信號的頻域特征量，確定信號的頻率成分以及這些頻率幅值的大小，形成故障樣本，然后將得到的故障樣本作為BP神經(jīng)網(wǎng)絡(luò)的輸入，得到相應(yīng)的輸出作為故障診斷的結(jié)果，實(shí)現(xiàn)對汽輪機(jī)組的故障診斷。由于基于BP網(wǎng)絡(luò)的故障診斷方法不必事先給出各故障模式的判別函數(shù)或故障隸屬函數(shù)，它借助于其本身所具有的學(xué)習(xí)能力自動形成故障類型與故障征兆間的非線性映射關(guān)系，為故障診斷提供了方便。但是BP神經(jīng)網(wǎng)絡(luò)也存在一定的局限性，比如學(xué)習(xí)率與穩(wěn)定性之間的矛盾，學(xué)習(xí)率的選擇缺乏有效的方法，訓(xùn)練過程可能陷入局部極小，沒有有效確定隱含層神經(jīng)元個數(shù)的方法等等。

對向傳播神經(jīng)網(wǎng)絡(luò)（Counter-propagation?Network，簡稱CPN）是近年來興起的一種新型特征映射網(wǎng)絡(luò)，它可以克服目前常用的BP神經(jīng)網(wǎng)絡(luò)具有陷入局部極小點(diǎn)、學(xué)習(xí)速度慢和收斂性差的缺陷。CPN神經(jīng)網(wǎng)絡(luò)將kohonen特征映射網(wǎng)絡(luò)和Grossberg基本競爭型網(wǎng)絡(luò)結(jié)合起來，發(fā)揮了各自的特長，適用于故障診斷、模式分類、函數(shù)逼近、統(tǒng)計分析以及數(shù)據(jù)壓縮等等。

發(fā)明內(nèi)容

本發(fā)明是針對目前汽輪發(fā)電機(jī)組的典型故障問題，提出了一種基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法，將Kohonen特征映射網(wǎng)絡(luò)和Grossberg基本競爭型網(wǎng)絡(luò)結(jié)合起來形成的一種新型特征映射神經(jīng)網(wǎng)絡(luò)，它可以克服BP神經(jīng)網(wǎng)絡(luò)具有陷入局部極小點(diǎn)、學(xué)習(xí)速度慢和收斂性差的缺陷，適用于故障診斷、模式分類、函數(shù)逼近、統(tǒng)計分析以及數(shù)據(jù)壓縮。

本發(fā)明的技術(shù)方案為：一種基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法，包括如下具體步驟：

1）CPN神經(jīng)網(wǎng)絡(luò)依次包括輸入層、競爭層和輸出層，汽輪發(fā)電機(jī)組故障訓(xùn)練樣本為輸入向量，輸出層為故障種類，每個輸出神經(jīng)元分別對應(yīng)一種故障類別，定義CPN神經(jīng)網(wǎng)絡(luò)各個層：設(shè)CPN網(wǎng)絡(luò)的輸入向量為????????????????????????????????????????????????，競爭層的輸出向量為，輸出層的實(shí)際輸出向量為，目標(biāo)輸出向量為，其中分別為CPN神經(jīng)網(wǎng)絡(luò)輸入層、競爭層以及輸出層的神經(jīng)元個數(shù)，，其中表示CPN神經(jīng)網(wǎng)絡(luò)故障樣本的個數(shù)，由輸入層至競爭層的連接權(quán)值向量為；由競爭層到輸出層的連接權(quán)值向量為；

2）CPN神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理：將所有的輸入向量按照公式，，進(jìn)行歸一化處理，并將連接權(quán)向量和賦予[0,1]內(nèi)的隨機(jī)值；

3）CPN神經(jīng)網(wǎng)絡(luò)由輸入層至競爭層進(jìn)行無教師型學(xué)習(xí)：將連接權(quán)值向量按照公式，?，進(jìn)行歸一化處理，將第個輸入模式提供給網(wǎng)絡(luò)輸入層，然后根據(jù)公式，計算競爭層中每個神經(jīng)元的加權(quán)輸入和，根據(jù)公式得連接權(quán)向量中與距離最近的向量，并將其對應(yīng)的神經(jīng)元的輸出設(shè)定為1，其余競爭層神經(jīng)元的輸出設(shè)定為0；最后將連接權(quán)向量按照公式，進(jìn)行修正，并將連接權(quán)重新歸一化，其中為學(xué)習(xí)率，；