人工神經(jīng)網(wǎng)絡(luò)在水電機組故障診斷中的應(yīng)用分析

付小海

【摘要】在水電設(shè)備狀態(tài)檢修方面，最為重要的是狀態(tài)監(jiān)測以及故障診斷。在人工神經(jīng)網(wǎng)絡(luò)中，具有并行性、容錯性以及記憶性特征，利用其對水電機組的故障進行診斷，能夠使診斷效率和質(zhì)量得到極大的提升，因此在此方面具有較大的應(yīng)用優(yōu)勢。本文將對水電機組設(shè)備的運行狀態(tài)及故障模式進行分析，并對神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用加以闡述。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò)；水電機組；故障診斷

引言：

隨著科技的快速發(fā)展，水電機組設(shè)備檢修也逐漸向狀態(tài)檢修的方向邁進，更加側(cè)重于對設(shè)備狀態(tài)進行診斷和分析，其與故障檢修相比具有較為顯著的優(yōu)勢，主要體現(xiàn)在對設(shè)備運行狀態(tài)進行監(jiān)測和診斷方面。人工神經(jīng)網(wǎng)絡(luò)具有自組織、自聯(lián)想、容錯性等特征，其作為一種進行的診斷方法，在水電機組設(shè)備中的應(yīng)用能夠使診斷結(jié)果的準確性得到進一步保障。

1、水電機組設(shè)備的運行狀態(tài)及故障模式

1.1運行狀態(tài)

在水電機組中，其主要的監(jiān)測內(nèi)容有：發(fā)電機、水輪機、調(diào)速器以及各項高壓設(shè)備等。為了能夠有效保障監(jiān)測質(zhì)量，使設(shè)備運行中產(chǎn)生的異常情況被及時發(fā)現(xiàn)，應(yīng)對水電設(shè)備的多項性能進行全面化監(jiān)測，例如定子局部放電、定子振動、發(fā)電機出口開關(guān)、空氣間隙等等。在具體的生產(chǎn)過程中，對水電設(shè)備進行監(jiān)測的主要內(nèi)容特殊電量、溫度、轉(zhuǎn)動、流量等。處于運行狀態(tài)下的設(shè)備主要分為兩種，即正常狀態(tài)和異常狀態(tài)。其中，正常狀態(tài)主要是指設(shè)備中的各項參數(shù)值都處于標準的范圍內(nèi)，異常狀態(tài)是指設(shè)備監(jiān)測到的數(shù)值大于標準值。狀態(tài)監(jiān)測系統(tǒng)采集到水電設(shè)備中的各項參數(shù)后，將會與設(shè)備標準特征參數(shù)進行對比，根據(jù)對比結(jié)果對該設(shè)備是否處于正常的運行狀態(tài)進行判定。對于不同的水電設(shè)備來說，其類型也各不相同，進而產(chǎn)生的故障形式也不完全一致。例如，能夠?qū)е聶C組發(fā)生異常振動的故障可能為：機組中心偏移、主軸不正、轉(zhuǎn)動部件不均衡、定子鐵芯拉力不相同等等。

1.2故障模式

定義集合S代表非空設(shè)備運行狀態(tài)，集合D代表非空設(shè)備故障模式，集合F代表以S×D為定義的關(guān)系子集，即集合F能夠表現(xiàn)出設(shè)備運行狀態(tài)以及故障診斷模式之間的關(guān)系。采用人工神經(jīng)網(wǎng)絡(luò)研究故障診斷的方式，本質(zhì)上是以確定輸入層與輸出層連接權(quán)值的方式，將關(guān)系子集F充分的體現(xiàn)出來。通過監(jiān)測得到的檢驗結(jié)果被稱為設(shè)備狀態(tài)值，以Si的形式表現(xiàn)，其中i為監(jiān)測的次數(shù)，范圍是1，2，3……l，進而由S1，S2，S3……Sl構(gòu)成了設(shè)備狀態(tài)集合S。對于設(shè)備中出現(xiàn)的某種故障模式，也可以采用特征值來體現(xiàn)，例如1代表存在故障，需要進行檢修；0代表沒有故障，無需修理等。設(shè)備故障集合d主要由設(shè)備中的n種類型故障特征構(gòu)成，其內(nèi)容為d1，d2，d3……dn[1]。

2、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用中，最為重要的一點就是合理選擇網(wǎng)絡(luò)結(jié)構(gòu)，以此來充分體現(xiàn)出問題特點，具有良好的收斂性。而多層BP網(wǎng)絡(luò)結(jié)構(gòu)中的各層輸出和輸入關(guān)系，剛好能夠滿足非線性單調(diào)函數(shù)的需求，對于分類問題的劃分更加準確、合理。另外，變換函數(shù)具有明顯的連續(xù)性，能夠利用梯度法中的相關(guān)知識對其進行推到和計算。因此，在對水電機組的故障診斷中，可以利用BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的方式來實現(xiàn)。

2.1網(wǎng)絡(luò)結(jié)構(gòu)

首先需要構(gòu)建一個具有隱含層的三層BP網(wǎng)絡(luò)，輸入層為其中1個節(jié)點，輸出層為n個節(jié)點，隱含層中具有m個節(jié)點，該神經(jīng)網(wǎng)絡(luò)的數(shù)學模型為：

公式中，代表輸入矢量，輸入層中具有1個神經(jīng)元，并且的取值范圍為1，2，3……m。在l、m、n的取值方面，設(shè)備監(jiān)測內(nèi)容l的取值為輸入層神經(jīng)元數(shù)，n為輸出層神經(jīng)元數(shù)，取值為設(shè)備故障模式數(shù)，。由于隱含層的節(jié)點數(shù)值選擇較為復雜，目前尚且不具備較為嚴格的理論規(guī)定，只是相應(yīng)的建議，應(yīng)根據(jù)具體情況具體分析。在本文的研究中，選取m≥1，在網(wǎng)絡(luò)學習中，由于隱含層的神經(jīng)元m收斂速度較快，因此將其作為最佳選項。

2.2神經(jīng)網(wǎng)絡(luò)學習

BP網(wǎng)絡(luò)學習算法的過程為：首先，將學習樣本輸入進去，以網(wǎng)絡(luò)正向傳播的形式將輸出值輸出，將其與期望值進行對比，得到中間差；然后，將差值進行反向傳播，以此來實現(xiàn)對神經(jīng)網(wǎng)絡(luò)中各項元數(shù)之間閾值以及連接權(quán)的調(diào)整。以Xn作為學習訓練的樣本，因此樣本數(shù)量為1，2.3……n，由于該算法屬于有教師學習，因此與之所對應(yīng)的教師也有n個，以t1，t2，t3……tn來表示，通過對算法的學習，能夠產(chǎn)生實際學習與期望值之間的誤差，并且以此來對連接權(quán)及閾值進行修改，如此反復，直至誤差能夠處于合理的范圍之內(nèi)。

3、神經(jīng)網(wǎng)絡(luò)在水電機組故障診斷中的應(yīng)用

3.1運行狀態(tài)特征值

設(shè)備運行狀態(tài)特征矢量x與神經(jīng)網(wǎng)絡(luò)輸入矢量s相同，通常采用性能測量指標的方式，對運行狀態(tài)的特征值進行計算，神經(jīng)網(wǎng)絡(luò)的輸入公式為：

公式中，代表測量的標稱值。對設(shè)備的性能進行檢測時，存在較大的隨機性和不確定性，單純的根據(jù)某個數(shù)值的變化對設(shè)備的運行狀態(tài)進行斷定，往往缺乏全面性和準確性。在本文的研究中，利用模糊聚類的方式，以隸屬度對設(shè)備運行狀態(tài)的數(shù)值進行反應(yīng)，這樣做的主要目的是能夠?qū)y量過程中的頻率、信號、時差等方面因素進行分析，對隸屬度Xi進行明確的規(guī)定，然后以設(shè)備特征值xi，使其取值范圍為0-1之間，以此對設(shè)備的運行狀態(tài)進行展示。

3.2故障判定

神經(jīng)網(wǎng)絡(luò)中的輸出值d與設(shè)備故障的矢量y相同，由于輸出值的范圍屬于0到1之間，因此應(yīng)選擇恰當?shù)暮瘮?shù)對設(shè)備狀態(tài)進行判定?？梢愿鶕?jù)WTA準則中的內(nèi)容，輸出節(jié)點的數(shù)值較高，則表示存在故障。也可以采用閾值法進行決策參考，以G代表閾值，如果發(fā)生故障類型特征值y超過G時，則表示此類故障出現(xiàn)，反之則表示不存在故障現(xiàn)象。

4、結(jié)束語

綜上所述，隨著科學技術(shù)的快速發(fā)展，水電機組的故障檢測也應(yīng)加強與新型技術(shù)的融合，人工神經(jīng)網(wǎng)絡(luò)具有容錯性、并行性以及記憶等功能，將其應(yīng)用到水電故障診斷中，能夠使診斷效率得到極大的提升。通過實驗研究能夠得出，此種方式借助于計算機網(wǎng)絡(luò)技術(shù)，能夠?qū)崿F(xiàn)在線和離線診斷，應(yīng)用起來更加直觀方便，能夠為狀態(tài)檢修工作奠定堅實基礎(chǔ)。

參考文獻：

[1]梁武科，彭文季，羅興锜，逯鵬.水電機組振動故障診斷的人工神經(jīng)網(wǎng)絡(luò)選擇研究[J].儀器儀表學報，2006，（12）：1711-1714.