基于小波變換和QNN的TRT中透平機(jī)運(yùn)行狀況預(yù)測(cè)*

馬 亮 ，楊萍萍 ，龔雨含

(1.河北聯(lián)合大學(xué) 輕工學(xué)院，河北 唐山 063000；2.河北聯(lián)合大學(xué) 電氣工程學(xué)院，河北 唐山 063000)

TRT系統(tǒng)中的透平機(jī)作為一種旋轉(zhuǎn)機(jī)械，是高爐煤氣余壓發(fā)電設(shè)備中的重要組成部分，它的正常運(yùn)轉(zhuǎn)可以保證穩(wěn)定高爐爐頂壓力，降低爐況的變化范圍，使高爐更易取得高效的產(chǎn)出，其結(jié)構(gòu)復(fù)雜，故障特征的表現(xiàn)及故障的產(chǎn)生原因普遍具有模糊性和復(fù)雜性，對(duì)其進(jìn)行潛伏性故障診斷存在一定的困難[1-5]。針對(duì)以上問題，國內(nèi)外在此方面已經(jīng)進(jìn)行了一定的研究，但是與其在生產(chǎn)中廣泛應(yīng)用的現(xiàn)狀不相符合。

針對(duì)以上情況，本文在對(duì)高爐煤氣余壓發(fā)電技術(shù)做深入了解的基礎(chǔ)上，選擇此技術(shù)中的關(guān)鍵設(shè)備透平機(jī)作為研究對(duì)象，針對(duì)其存在旋轉(zhuǎn)機(jī)械的特點(diǎn)，通過理論分析，首先應(yīng)用小波變換的方法[6-7]將透平機(jī)運(yùn)行狀況相關(guān)數(shù)據(jù)中的噪聲濾除，然后通過分析透平機(jī)運(yùn)行過程中相關(guān)環(huán)節(jié)的關(guān)系，在現(xiàn)場(chǎng)采集到的大量數(shù)據(jù)信息積累的基礎(chǔ)上，采用量子神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)TRT系統(tǒng)中透平機(jī)運(yùn)行狀況的潛伏性故障診斷。

1 透平機(jī)運(yùn)行數(shù)據(jù)的預(yù)處理

由于TRT機(jī)組的工作現(xiàn)場(chǎng)環(huán)境復(fù)雜，透平機(jī)的運(yùn)行受到電磁及地面振動(dòng)等諸多因素的影響，從傳感器獲得的信號(hào)中不可避免地混有大量的噪聲干擾，這對(duì)正確預(yù)測(cè)透平機(jī)的運(yùn)行狀況非常不利。因此，首先需要對(duì)從現(xiàn)場(chǎng)采集到的透平機(jī)運(yùn)行數(shù)據(jù)進(jìn)行濾波處理。

在仿真實(shí)驗(yàn)中，首先確定閾值，由于Donoho給出的通用閾值計(jì)算方法所得出閾值在不同尺度上是相同的，而噪聲通過小波變換所產(chǎn)生的小波系數(shù)在不同尺度中都是均勻分布的，其幅值伴隨尺度的增加不斷減少。因此,為了符合噪聲在小波變換各個(gè)尺度上的傳播特性，實(shí)驗(yàn)中采用的閾值估計(jì)函數(shù)為：

式中，σ為噪聲強(qiáng)度，N為信號(hào)長度，j為分解尺度。

信噪比是測(cè)量信號(hào)中噪聲量的傳統(tǒng)方法，常被用來作為消噪效果評(píng)價(jià)的指標(biāo)。實(shí)驗(yàn)中采用的信噪比SNR函數(shù)為：

式中，x(n)為原始信號(hào)，x?(n)為經(jīng)過小波變換濾波后的估計(jì)信號(hào)，濾波之后的信噪比越大，濾波的效果越好。

對(duì)從現(xiàn)場(chǎng)采集到的透平機(jī)位移、轉(zhuǎn)速、振動(dòng)三組數(shù)據(jù)中分別選取1 024個(gè)采樣點(diǎn)。在仿真實(shí)驗(yàn)中，采用db5小波基函數(shù)進(jìn)行5層分解，隨著小波尺度的增加，噪聲干擾逐漸被濾除，信號(hào)和噪聲基本被分離，再應(yīng)用軟硬閾值折衷算法處理分解后的小波系數(shù)，最后做小波逆變換進(jìn)行信號(hào)的重構(gòu),濾波前后的信號(hào)如圖1～圖3所示。

圖1 濾波前后的位移信號(hào)

比較圖1中濾波前后的透平機(jī)位移信號(hào)可以看出，此算法可以有效地濾除高頻、低頻的噪聲干擾信號(hào)，還原原始信號(hào)。

通過比較圖2中濾波前后的透平機(jī)轉(zhuǎn)速信號(hào)可以看出，此算法處理信號(hào)的局部細(xì)節(jié)特征有很好的效果。

通過比較圖3中用軟硬閾值折中算法濾波前后的透平機(jī)振動(dòng)信號(hào)可以看出，此算法無論是從濾波效果還是保存有用信號(hào)中的尖峰和突變部分都做得非常好。

圖2 濾波前后的轉(zhuǎn)速信號(hào)

圖3 濾波前后的振動(dòng)信號(hào)

通過比較濾波前后的三組透平機(jī)運(yùn)行數(shù)據(jù)，可以看出濾波后的信號(hào)中噪聲部分被有效地抑制。同時(shí)，濾波后的信號(hào)作為隨后的透平機(jī)運(yùn)行狀況預(yù)測(cè)的輸入數(shù)據(jù)，可以有效地提高預(yù)測(cè)的可靠性和準(zhǔn)確性。

為了體現(xiàn)軟硬閾值折衷法在小波閾值濾波算法中的優(yōu)勢(shì)，分別采用軟閾值算法、硬閾值算法和軟硬閾值折衷法對(duì)透平機(jī)運(yùn)行中振動(dòng)信號(hào)的濾波進(jìn)行了比較實(shí)驗(yàn)，實(shí)驗(yàn)所得的信噪比和均方差兩項(xiàng)指標(biāo)如表1所示。

表1 閾值濾波方法比較

從表1中可以看出，軟硬閾值折衷法的濾波性能在信噪比和均方差上都要優(yōu)于另外兩種算法，此方法不僅能夠避免硬閾值函數(shù)的不連續(xù)性，并且能夠去除軟閾值函數(shù)在小波系數(shù)的分解過程中產(chǎn)生的差值，是一種更加有效的濾波算法。

2 透平機(jī)前軸瓦溫度的預(yù)測(cè)

選取在透平機(jī)運(yùn)行時(shí)對(duì)軸瓦溫度影響較大的7個(gè)運(yùn)行參數(shù)(透平機(jī)的軸位移、進(jìn)氣側(cè)X向振動(dòng)、進(jìn)氣側(cè)Y向振動(dòng)、進(jìn)氣壓力、潤滑油壓力、潤滑油溫度、轉(zhuǎn)速)作為輸入層節(jié)點(diǎn)。隱層神經(jīng)元節(jié)點(diǎn)數(shù)的選取沒有明確的規(guī)定，但是隱層節(jié)點(diǎn)太少，不能反映后續(xù)值與前驅(qū)值的相互關(guān)系，容錯(cuò)性差；隱層節(jié)點(diǎn)太多會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過長，網(wǎng)絡(luò)預(yù)測(cè)能力下降。本文采用經(jīng)驗(yàn)公式與試湊法相結(jié)合的方法來確定隱層節(jié)點(diǎn)個(gè)數(shù)，經(jīng)驗(yàn)公式選取和n2=log2m，式中，n1為隱層節(jié)點(diǎn)數(shù)，m為輸入層節(jié)點(diǎn)數(shù)，p為輸出層節(jié)點(diǎn)數(shù)，a為[0,10]之間的常數(shù)，激活函數(shù)選用對(duì)數(shù)函數(shù)σ=1/(1+e-t)，網(wǎng)絡(luò)的初始權(quán)值由隨機(jī)函數(shù)給出，在帶動(dòng)量的BP算法中，取容許的最大誤差率為er=0.01，動(dòng)量因子常數(shù) mc=0.97，初始學(xué)習(xí)速率 lr=0.8，學(xué)習(xí)速率減少率dm=0.9，學(xué)習(xí)速率增長率im=0.92，陡度因子αn=0.94，量子間隔數(shù)目ns=3，網(wǎng)絡(luò)的訓(xùn)練誤差SSE=10-3，最后將量子神經(jīng)網(wǎng)絡(luò)采用預(yù)處理后的數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)網(wǎng)絡(luò)輸出的數(shù)值應(yīng)用反變換即可獲取實(shí)際的預(yù)測(cè)值[8-10]。

研究人員通過理論的分析已經(jīng)證明，含有單個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)能夠模擬任何連續(xù)函數(shù)，僅當(dāng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)存在不連續(xù)的問題時(shí)，才需要設(shè)計(jì)出兩個(gè)隱含層。實(shí)踐結(jié)果顯示，如果存在一個(gè)隱含層的節(jié)點(diǎn)數(shù)添加了很多，卻仍然不能使網(wǎng)絡(luò)的性能有所提高的情況，可以通過選取兩個(gè)隱含層，并且適當(dāng)減少隱含層節(jié)點(diǎn)數(shù)的方法提高神經(jīng)網(wǎng)絡(luò)的性能。因此，在量子神經(jīng)網(wǎng)絡(luò)隱含層的選取上，可使用具有一個(gè)或者兩個(gè)隱含層的網(wǎng)絡(luò)模型結(jié)構(gòu)，并比較兩者的訓(xùn)練性能上的差別。本文以選取兩個(gè)隱含層為例，分別含有24和18節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)，得到預(yù)測(cè)結(jié)果以及訓(xùn)練曲線，如圖4和圖5所示。

圖4 預(yù)測(cè)曲線

通過圖4可以看出，預(yù)測(cè)曲線能很好地逼近實(shí)際曲線，尤其在運(yùn)行中狀態(tài)突變的時(shí)刻預(yù)測(cè)效果非常明顯，此量子神經(jīng)網(wǎng)絡(luò)對(duì)透平機(jī)前軸瓦溫度的預(yù)測(cè)能夠得到滿意的結(jié)果。

通過圖5可以看到，在經(jīng)過 195次訓(xùn)練后，所建立的神經(jīng)網(wǎng)絡(luò)到達(dá)了目標(biāo)精度，相對(duì)誤差為0.54%。

通過表2的比較可以看出，量子神經(jīng)網(wǎng)絡(luò)模型選取7-24-18-1的結(jié)構(gòu)，無論是在網(wǎng)絡(luò)訓(xùn)練的速度還是在減少泛化誤差上都做得最好。選擇三層的7-24-1網(wǎng)絡(luò)結(jié)構(gòu)，盡管在提高目標(biāo)精度的前提下，仍然具有較快的訓(xùn)練速度，但是泛化誤差卻增大了。通過比較以上數(shù)據(jù)，可以得到以下結(jié)論：

圖5 訓(xùn)練曲線

表2 網(wǎng)絡(luò)結(jié)構(gòu)比較

(1)量子神經(jīng)網(wǎng)絡(luò)模型能夠?qū)崿F(xiàn)對(duì)TRT系統(tǒng)中透平機(jī)運(yùn)行狀況的預(yù)測(cè)。

(2)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的選擇很重要，盡管具有兩個(gè)隱含層的網(wǎng)絡(luò)達(dá)到的目標(biāo)精度較低，但是其泛化誤差更小，更合適對(duì)新的樣本進(jìn)行預(yù)測(cè)。

(3)網(wǎng)絡(luò)的訓(xùn)練精度不能選取得過高，否則在降低網(wǎng)絡(luò)訓(xùn)練速度的同時(shí)，網(wǎng)絡(luò)的泛化能力也有所下降。

本文針對(duì)含有噪聲的TRT系統(tǒng)中透平機(jī)運(yùn)行的振動(dòng)信號(hào)運(yùn)用小波變換閾值化方法中的軟硬閾值折衷算法進(jìn)行濾波處理，能夠克服軟閾值算法和硬閾值算法各自的不足之處，取得較為理想的濾波效果。通過基于量子神經(jīng)網(wǎng)絡(luò)的TRT系統(tǒng)中透平機(jī)前軸瓦溫度的預(yù)測(cè)研究可以看出，量子神經(jīng)網(wǎng)絡(luò)對(duì)TRT系統(tǒng)中透平機(jī)運(yùn)行狀況的預(yù)測(cè)應(yīng)用是可行的。同時(shí)，量子神經(jīng)網(wǎng)絡(luò)通過不斷地訓(xùn)練和自學(xué)習(xí)，可以從透平機(jī)運(yùn)行的歷史數(shù)據(jù)中掌握一定的規(guī)律，并可以參照這些規(guī)律對(duì)未來透平機(jī)的運(yùn)行狀況做出合理的預(yù)測(cè)。

[1]王曉放，申巖，黃鐘岳，等.通用化透平壓縮機(jī)運(yùn)行性能高速在線評(píng)估系統(tǒng)設(shè)計(jì)[J].大連理工大學(xué)學(xué)報(bào)，2005，45(1)：36-38.

[2]馮志鵬，宋希庚，薛冬新，等.旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷理論與技術(shù)進(jìn)展綜述[J].振動(dòng)與沖擊，2001，20(4)：36-40.

[3]馮志鵬，宋希庚，薛冬新.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)研究[J].振動(dòng)、測(cè)試與診斷，2003，23(2)：105-109.

[4]王維民，高金吉，江志農(nóng).基于有限元模型的旋轉(zhuǎn)機(jī)械故障診斷方法研究[J].振動(dòng)與沖擊，2006，25(4)：30-33.

[5]宋濤，湯寶平，李鋒.基于流形學(xué)習(xí)和K-最近鄰分類器的旋轉(zhuǎn)機(jī)械故障診斷方法[J].振動(dòng)與沖擊，2013，32(5)：149-153.

[6]臧玉萍，張德江，王維正.基于小波變換技術(shù)的發(fā)動(dòng)機(jī)異響故障診斷[J].機(jī)械工程學(xué)報(bào)，2009，45(6)：239-245.

[7]盧艷宏，馮源.基于小波變換和TMS320F2812的水泵故障診斷系統(tǒng)研究[J].計(jì)算機(jī)測(cè)量與控制，2012，20(10)：2642-2644.

[8]李盼池，宋考平，楊二龍.基于受控旋轉(zhuǎn)門的量子神經(jīng)網(wǎng)絡(luò)模型算法及應(yīng)用[J].控制與決策，2011，26(6)：888-901.

[9]徐小力，左云波，吳國新.量子神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)組狀態(tài)趨勢(shì)預(yù)測(cè)中的應(yīng)用[J].機(jī)械強(qiáng)度，2010，32(4)：526-530.

[10]龔瑞昆，馬亮，趙延軍，等．基于量子神經(jīng)網(wǎng)絡(luò)信息融合的變壓器故障診斷[J]．電力系統(tǒng)保護(hù)與控制，2011，39(23)：79-88.