采用概率神经网络的汽轮机故障诊断方法
运用免疫遗传神经网络的汽轮机振动故障诊断
位, 而且 充 分 发 掘 了强 成 长 性 抗体 的 寻优 潜 力 , 全 局 最 优 解 的 搜 索 快 速且 有效 。 践 表 明 , 传统 算 法 相 比 , G 对 实 与 VI —
NN 能 够 更 准 确地 模拟 故 障 征 兆 与 故 障类 型之 间的 非 线 性 关 系 , 高 了汽 轮 机 振 动 故 障诊 断 的准 确 率 。 提
关 键 词 免 疫遗 传 算 法
中 图分 类 号 TK2 7 6
神 经 网络
汽 轮机
故 障 诊 断
的一 组 网络 参数 。待优 化 的神 经 网络 参数包括 输入
引 言
汽 轮机 的故 障征兆 与故 障类 型 之间往 往呈现 为
典型 的非 线性关 系 , 难用 函数关 系来描述 。 很 神经 网 络模 型能够 较好 地 模 拟这种 非 线性 关 系 , 提高诊 断
层至 隐含层 的权值 、 含层至输 出层 的权值 、 隐 隐含层 各 神 经元节 点 的阈值 以及 输 出层 各神经 元节点 的 阈
值 。神经 网络 的原 理如 图 1 所示 。
的准确率 。在神 经 网络的训 练中 , 常用 的 B P算 法是
一
输入
输 出
种基 于梯度 的搜索算 法 , 在学 习效率低 、 存 收敛速 本文 将基 于疫苗接 种策 略的免 疫遗传 算法 ( — i a r
是 一个个 体 , 而是仅 仅具备某 些基 因位 的特 征 。 ]
1 1 1 提 取 疫 苗 ..
提 取疫 苗 即从 优 秀抗 体 截取 某些 基 因段 , 该疫 苗 将 以较 大 的概率 与最优解 的相应部 分一致 。疫苗 提 取方法 是 : 记第 k 代 中的 3个 不同 的最优 抗体 一1 为工 , 和z , 。且抗 体适应 度f x ) ( ≥厂 z ) ( 。≥厂 - ) ( 。, z
基于量子粒子群优化的BP神经网络的汽轮机振动故障诊断研究
P n ua g fi (colo tmain& El ti lE gneigo mmhuJatn e g Sh n —e S ho fAuo t o e r a n ier fL c c n o ioo g
K yw od : a tm— e a e at l S am p i z t n( S ) Pn u a n t rs fu i n s e r s Qu nu b h v P rc w r O t ai QP O ; e r l wok ;a lda o i d ie mi o B e t g s C C n m b r T 3 27 L u e : P 0 D c me t o eA ou n  ̄ d : A t l 10 — 1 72 1 ) - 0 1 0 r c I 0 3 0 0 (0 00 0 2 — 3 i e D: 8
从 而 确 定 必 要 对 策 的技 术 。其 基 本 宗 旨就 是 运 用 当 代 一 切 科 学 技 术 的 新 成 就 , 现 机 械 设 备 的隐 患 , 发 以期 对 设 备 事 故 防 范 于 未 然 ቤተ መጻሕፍቲ ባይዱ设 备 故 障诊 断技 术 是 近 四十 年 来 发 展 起 来 的适 应 工
断。实 例证 明 . 它是一 种高 效 , 可靠 的诊断 方法 。
关键 词 : 子粒 子群 ; P神经 网络 ; 障诊 断 量 B 故
中 圈分 类号 :P 0 . T32 7
文献标识码 : A
文章 编 号 :03 00 ( 1)8 02 -3 10 - 172 0 -0 10 0 0
Abs r t To i p o ig h ag os d sp e a c r cy o he s e m u bie dag os y t . i a erpr p e t o tac : m r vn t e di n e e d nd ac u a ft t a t r n i n e s sem t s p p o os s a me h d h
BP神经网络在燃气轮机振动故障诊断中的应用
BP神经网络在燃气轮机振动故障诊断中的应用摘要:随着科技的进步,燃气轮机已成为日益发展的新型动力设备,它不仅具备很高的应用价值,同时也可以为我们带来很好的经济效益。
然而,由于现阶段对电力的需求越来越大,在整个电网中燃气轮发电机组的发电规模比例也不断升高,其机组特性随着庞大的结构也越来越复杂,尤其对振动故障诊断的判别比较困难。
目前,在燃气轮机振动故障诊断的方法主要有神经网络遗传算法、因为网络算法、支持向量机算法、粒子群计算方法等。
本文旨在通过BP神经网络在燃气轮机振动故障诊断中的应用,为我们在实际应用中提供更有效的修断方法!关键词:BP算法;神经网络;燃气轮机;振动故障诊断一、引言机械设备的故障诊断技术,在现代化生产中越来越受到广泛关注。
假如某台设备突然出现故障而又没有被工作人员及时发现,那么后果将不堪设想,在实际中甚至会造成机毁人亡的惨烈现象。
因此,对于整个生产系统来说机械故障诊断非常重要。
BP神经网络,是近些年开发了一种新型建模技术,在对燃气轮机振动故障诊断中发挥着重要作用。
本文对燃气轮机振动部件模型进行分析,引入BP神经网络技术进行故障诊断,从而提高燃气轮机运行的安全性与经济性。
二、BP神经网络模型目前,BP神经网络是在各种神经网络中应用最成熟的一种模型。
它主要是一个由非线型变换单元所组成的前向多层网络,具体包括一个输入层、一个输出层、一个或多个隐层构成的三层感知器,对网络进行训练通过利用误差反向传播算法。
在神经网络中的每一层,都是有一定数量如同人相互关联的神经细胞的神经元构成,这个模型中,每一层节点的输入来自前面一层节点的输出。
输入信号前向传播到隐层节点中,在经过作用函数把隐节点的输出信息传播到输出节点,从而最终得到所需要的结果。
三、燃气轮发电机组振动故障样本特征参数提取为了实现对机组状态的监测,有必要通过提取来自燃气轮发电机组的振动特征信号量,从而判断出燃气轮发电机组的主要性能。
假如直接就把采样数据作为样本构建故障知识库,就会发现监测过程比较复杂且规模较庞大,这种效率非常低下。
汽轮机振动故障诊断技术研究
汽轮机振动故障诊断技术研究摘要:对汽轮机典型的振动类型和振动故障的诊断技术进行了研究。
根据故障诊断方法在信号处理与理论模型的不同,将诊断技术分为,基于信号处理的诊断方法、基于知识的诊断方法、基于解析模型的诊断方法、基于离散事件的诊断方法。
研究表明,基于各种故障诊断方法在检测信号、知识获取、识别故障位置及适用条件等均有不同的优势和侧重。
关键词:汽轮机故障诊断小波神经网络1、引言二十世纪以来,随着工业生产和科学技术的发展,机械故障的可靠性、可用性、可维护性与安全性问题日益突出,从而促进了人们对机械设备故障机理及诊断技术的研究汽轮机是电力生产的重要设备,由于其结构的复杂性和运行环的特殊性,汽轮机的故障率较高,而却故障危害也很大。
汽轮发电机组常见的机械振动故障有:转子不平衡、转子弯曲、转子不对中、油膜振荡、碰摩、转子横向裂纹和转子支承系统松动等。
汽轮机振动故障的汽轮机最常见的故障,因此,汽轮机的振动故障诊断一直是故障诊断技术应用中非常重要的部分。
2、基于信号处理的振动故障诊断方法信息的采集和处理是实现机组振动检测与故障诊断中的一个基本环节、也是振动检测软件的核心技术。
现代信息分析主要包括两种形式:一种是以计算机为核心的专用数字式信号处理仪器,另一种是采用通用计算软件来进行信号分析的方式。
2.1小波变换方法这是一种新的信号处理方法,是一种时间—尺度分析方法,具有多分辨率分析的特点。
利用小波变换可以检测信号的奇异性。
因噪声的小波变换的模的极大值随着尺度的增大而迅速衰减,而小波变换在突变点的模的极大值随着尺度的增大而增大(或由于噪声的影响而缓慢衰减),即噪声的lipschitz指数处处小于零,而在信号突变点的lipschitz指数大于零(或由于噪声的影响而等于模很小的负数),所以可以用连续小波变换区分信号突变和噪声。
同样,离散小波变换可以检测随机信号频率的突变。
孙燕平等应用了小波分析理论,采用多分辨分析和小波分解等基本思想对汽轮机转子振动信号进行了分析,针对振动信号的弱信号特征,提出了基于离散小波细化频率区间,小波分解后进行能量谱分析和小波变换结合傅立业变换分析法,并将其应用于模拟转子试验台上。
小波包-神经网络在汽轮机转子故障诊断的应用
小波包-神经网络在汽轮机转子故障诊断的应用发电设备(2009N o.6)收稿日期2323; 修回日期2525作者简介刘明利(32),男,在读硕士生,主要从事发电机组振动的故障诊断。
小波包-神经网络在汽轮机转子故障诊断的应用刘明利, 傅行军, 李 艳(东南大学火电机组振动国家工程研究中心,南京210096)摘 要:根据汽轮机转子振动信号特点,提出了小波包分析和概率神经网络相结合的故障诊断方法。
利用小波包对故障信号进行分解,然后将归一化后的数据用于概率神经网络,从而对信号特征及其故障类型建立非线性映射,实现故障诊断。
MA TLAB 的实验仿真表明,小波包分析和概率神经网络的结合在汽轮机转子常见故障的诊断中是很有效的。
关键词:汽轮机;转子;故障诊断;小波包;神经网络中图分类号:TK267 文献标识码:A 文章编号:16712086X(2009)0620397203Applica tion o f Wa velet Packet 2N eural N et w or kto Fa ult Dia gnosis o f Tur bine Rotor sLI U Ming 2li , FU Xing 2jun , L I Yan(Nati onal Engi neeri ng Research Center of Turbo Generat or Vi bration ,Sout heast U niversity ,Nanji ng 210096,China )Abstract :A ccordi ng to the signal fe atures of tur bine rotor vibration f aults ,a diagnosis method in c ombina tion of w avelet p acket a nd p roba bilistic neural netw or k is being p rop o se d.Fa ult signals aredecompose d using w avelet packet ,and t he n t he unif ied data w ill be pr ocessed by p roba bilistic neur al netw ork ,w here af ter a nonline ar mappi ng relationship betwee n signal fe atures and f ault type ca n be obtaine d ,and t hu s a f ault dia gnosis c ompete d.Experime ntal results of MA TL AB sim ula tion show that t he c ombine d met hod by wa velet pac ke t a nd pr oba bilistic neural netw ork is ve ry eff ective f or diagnosis of nor mal t ur bine r otor f aults.Keyw or ds :st eam tur bine ;r ot or ;f ault diagnosis;wa vele t p acket ;ne ur al netw or k 对振动信号进行小波分析时,往往只对上层分解结果中的低频部分加以分析,而忽略其高频部分,但是待分析信号一般都处在一个确定有限的频域范围,故障信息可能隐藏在高频部分,忽略高频部分就意味着可能无法将故障信息提取出来或者说丢失了故障信息[1]。
汽轮机组智能故障诊断
汽轮机组智能故障诊断汽轮机组是一个大而复杂的系统,在电力生产中具有重要的地位。
汽轮机组工况状态不仅影响该设备安全稳定的运行,而且会对后续的安全生产造成影响。
如果故障状态没有被及时的获知,则对后续生产可能会出现故障也无法预知及加以预防,且故障严重时会造成重大的经济损失,甚至导致机毁人亡的事故。
汽轮机组的故障类型多,引发的原因较为复杂,这都为汽轮机组故障诊断的准确性增加了难度,因此寻找一种快速准确的诊断方法对于汽轮机组的安全运行具有非常重要的现实意义。
目前应用在汽轮机故障诊断中的方法主要有神经网络、小波分析、模糊数学、灰色理论、专家系统和统计理论等。
在各种诊断方法中,神经网络因为其高效的并行信息处理、较强的容错性与学习能力越来越受到广泛的关注。
因此,神经网络方法已经被应用于汽轮机的故障诊断中,其中使用的方法大都采用BP算法。
BP算法采用的误差反向传播,它以输出期望值与实际值之差的平方和最小为训练目标,存有容易陷入局部极小点及收敛速度慢等问题,所以易造成基于神经网络的诊断方法误差大,收敛用时长。
为了克服BP网络的这些缺陷,出现了多种改进的算法和新型神经网络,其中比较受关注的有WNN、PNN等。
WNN是把小波变换的平移伸缩和时频聚焦特性引入神经网络而形成的一种新型神经网络,它在非线性逼近能力、分类能力和学习速度等方面均优于最常用的BP网络,且在应用于故障机理较为复杂的设备诊断时体现出较大的优势。
PNN是以概率统计思想和Bayes分类规则而构成的分类神经网络,与BP网络相比,PNN的优势在于能用线性学习算法来完成以往非线性学习算法所做的工作,同时又能保持非线性算法的高精度等特性。
PNN具有学习速度快、稳定性高、样本追加能力强等优点。
所以本文把WNN和PNN应用于对汽轮机组的故障诊断。
同时,因为汽轮机组设备的复杂性及运行环境的不确定性,且通过传感器所获得的设备状态信息也有不确定性。
因为存有这些不确定性,则会导致故障诊断的准确率下降。
基于概率神经网络的发动机故障诊断方法研究
Ta 2 Sa p e da a o t b. m l t fne wor r ni k tai ng
由于这些 数据 之 间相 差不 大 , 因此 , 不需 要进 行 归一化 处 理 , 以直 接对 网络 进行训 练 . 可
在 MA L B提 供 的软件 环境 下 , 用语 句 :e =nw n ( T S ra )创 建 概 率神 经 网络 函数 , 中 , TA 应 nt e p n P, , ped 其 P 为 网络 的输入 样本 向量 , 应表 2的故 障样本 ; 对 T为 网络 的 目标 向量 , 应 表 2中的预 测 故 障 ;ped为 径 向 对 S ra
的个 数 由故 障 样 本数 据 的多 少 决 定. 里 取 1 这 2个 节 点 , 别 分 对应 6个 输入 节点 的故 障 和正 常 中 的 1 2种 模式 . 出层 的 神 输 经元 个数 有 7个 , 别对 应发 动机 汽缸 的 7种 故 障模 式 : 、 分 A、
C、 、 G 所 设计 的概 率神 经 网络 的拓 扑结 构 如 图 3所示 . D、 F、 .
0 弓 言 I
传 统 的故 障模式 诊 断采 用 的基 本 方法 是判 别 函数 , 即利用 判 别 函数来 划 分 类 别. 由于在 大 多数 情 况 下 。
尤其 是 线性 不可 分 的复杂 决 策 区域 , 别 函数 的形式 格 外复 杂 , 判 而且较 为全 面 的典 型参考模 式 样本也 不 容易 得 到 . 经 网络作 为一 种 自适应 模 式识 别技 术 , 以充 分 利 用各 种 状态 信 息 进行 训 练 , 而获 得 某 种 映射 关 神 可 从 系.概率 神 经 网络学 习规 则简 单 、 训练 速 度快 、 避免 局 部极 小 和 反 复训 练 的问 题 J 本 文提 出一 种 基 于径 向 .
基于神经网络的汽轮机故障智能诊断系统的设计
第2 6卷 第 1 期
20 年 O 08 1月
佳 木 斯 大 学 学 报 (自 然 科 学 版 ) Ju a o a s U i rt N t a c neF io ) o r l f i i n esy( a rl i c At n n J mu v i u Se _ i
2 B 神经 网络训练步骤 ) P ( )网络初始化 , 1 随机设 定连接权值 , ,
① 收稿 日期 :07 2 0 20 —1— 3 作者简介 : 谢三毛(95 , , 1 一)男 江西吉安人 。 6 剐教授 。 从事机械设备故障诊断教学与研究 工作 .
维普资讯
第 1期
谢 三毛 : 于神 经 网络的 汽轮机 故 障智 能诊 断 系统 的设 计 基
5 1
阈值 6, 学 习因子 , 态 因子 a ,b , 势 .
取: 汽轮发电机属于大型旋转机械 , 通常用振动幅 值来识别机组故障 . 由于汽轮机的故障振动特征量 分布在 9 个频段 内, 因此输入元 的个数取为 9 () ;2 网络输 出元的选取: 由于汽轮发 电机组中有 1 种 0 常见的典型故障 , 以该 B 所 P网络的输 出元的个数
摘
要: 介绍 了B P神 经 网络 的 结构 和 算法 , 分析 了如 何将 B P神 经 网络 用于机 械 设 备 的 故 障
诊 断. 结合 汽轮 发 电机 组 的故 障特性 , 立 了汽轮 发 电机 组 故 障诊 断的神 经 网络 模 型 , 建 并利 用该 神 经 网络模 型对 汽轮发 、机 组 的故 障进行 了诊 断 , 断结果是 正 确和 有效 的 . 也 诊
关键词 : B 神经网络; P 汽轮机 ; 智能诊断; 设计 中图分类号 : T 1 ;P0 . H 7T 263 文献标识码: A
基于概率神经网络的高压加热器故障诊断及仿真
断 方 法 。通 过 对 该 设 备 故 障 的 定 性 分 析 , 比研 究 了 P 对 NN 与 误 差 反 向 传 播 神 经 网络 ( P B NN) 类 模 型 对 故 分
Po we ,Ba d n 71 0 r o i g 0 0 3,Chi a n )
Ab t a t I or r O s v t o em e o sr c : n de t ol e he pr bl nc unt r d y a u bi — ene at r’ e e b t r ne g r o S hi — r s u e ea er a gh p e s r h t ,
LI ANG a, N DI NG a g f Ch n — u, DI NG e ・ u Zh n y
(c o S h ol ofEne g n owe g n e i g,No t r ya d P rEn i e rn r h Chi a U n v riy ofEl c rc n i e st e t i
高 压 加 热 器 ( 称 “ 加 ” 是 电 厂 热 力 系 统 简 高 )
文将 概率 神 经 网络 ( NN) 类 模 型应 用 于 高 加 P 分 的故 障 模 式 分 类 中 , 用 Malb仿 真 了不 同径 使 t a 向基 传 播 率 ( p e d 下 的 分 类 情 况 , 且 与 s ra ) 并 B NN 分类 方 法进 行 比较 。仿 真 结果 表 明 , 用 P 使
基 于溉 率神经网络的高压 拥热 器故障诊 断及仿真
基于RBF神经网络的汽轮机故障诊断_张蓓
基于RBF神经网络的汽轮机故障诊断张蓓(吉林电子信息职业技术学院,吉林吉林132021)现今,随着人工智能技术、计算机技术和信号处理分析技术的飞速发展,汽轮机故障诊断技术得到了长足的进步。
尤其是神经网络理论的发展,为汽轮机故障诊断的研究开辟了新的途径。
本文通过专家经验和对汽轮机过程的模拟运算,归结出具有典型特征的网络输入样本,构造了RBF神经网络,采用样本集对网络进行训练。
使得网络通过学习,把样本的输入向量和目标向量间的非线性关系利用BBF网络进行逼近。
最后通过仿真验证网络对于汽轮机故障的识别准确率。
1汽轮机的故障诊断电力系统设备故障诊断技术中对汽轮机等旋转机械故障诊断的研究是很深入和完善的。
将多分辨率分析应用到功率谱的特征提取上,可以方便而有效地提取出特征向量。
经过大量的实验,可以建立起汽轮机故障原因与征兆对应表。
用汽轮机常见的不平衡、不对中、油膜涡动等10种常见故障作为诊断模型的输出,将这10个常见的故障的振动信号频谱中的9的频段上的不同频率的谱的能量值作为特征值,形成标准的训练样本,见表1。
表1汽轮机振动故障分析原因与特征值采用有教师学习,表2为样本的目标输出,即目标输出“1.00”表示对应故障发生;“0.00”表示对应故障不发生。
表2样本的目标输出2RBF 网络设计径向基网络的结构主要包含两层,输出层和隐含层。
隐含层的传递函数为radbas,输出层的传递函数为purelin。
图1为径向基网络的结构,其中隐含层有S1个神经元,输出层有S2个神经元。
图1径向基网络结构利用MATLAB神经网络工具箱创建RBF网络,其函数为newrbe,另外一个比较重要的参数为径向基函数的分布常数。
当样本数目不是很大,将分布常数设定为1.2。
下面给出MALAB程序实现:P=[0.000.000.000.000.900.050.050.000.00;0.000.300.100.600.000.000.000.000.10;0.000.000.000.000.400.500.100.000.00;0.100.800.000.100.000.000.000.000.00;0.100.100.100.100.200.100.100.100.10;0.000.000.000.000.200.150.400.000.25;0.000.000.100.900.000.000.000.000.00;0.000.300.100.600.000.000.000.000.00;0.900.000.000.000.000.000.000.100.00;0.000.000.000.000.000.800.200.000.00];T=[1.000.000.000.000.000.000.000.000.000.00;0.001.000.000.000.000.000.000.000.000.00;0.000.001.000.000.000.000.000.000.000.00;0.000.000.001.000.000.000.000.000.000.00;0.000.000.000.001.000.000.000.000.000.00;0.000.000.000.000.001.000.000.000.000.00;0.000.000.000.000.000.001.000.000.000.00;0.000.000.000.000.000.000.001.000.000.00;0.000.000.000.000.000.000.000.001.000.00;0.000.000.000.000.000.000.000.000.001.00];P=P';T=T';spread=1.2;net=newrbe(P,T,spread);其中P和T分别对应输入向量和目标向量,可以从表1和2中得到。
基于概率神经网络的发动机故障诊断方法研究
理 ,包 括 预 处 理 和 特 征 参 数 提 取 , 以获 得 网 络 所
P NN)是 一 种 结 构 简 单 、训 练 简 洁 、 具 有 较 强 容
朱 明悦 ’ 小 申 ,李
ZHU i g y e‘ Ll a — h n M n .u . Xi o s e
摘
( . 化工职 业学院 ,郑州 4 0 4 ;2河南科技大学 数 学与统计学院 ,洛 阳 4 1 0 ) 1河南 5 02 . 7 0 3 要 :传统 的故障模式诊断方法 很难对复杂系 统的故障进行诊 断 , 率神经网络作为 一种自适应的模 概 式识 别技术 ,以其结 构弼单 、学 习速度快 、具有非线性处理和 抗干扰能力强等优点 广泛应用在 模 式分类和故障诊 断领域。利用概率神经 网络对发动机 的故 障进行诊断 ,仿真结果 表明 ,该网 络诊 断准确率 高、泛化能力强 ,可 以对系统进行实 时监测和诊 断。
错 能 力和 结构 自适 应 能 力 的 径 向基 函数 ( a ia R dc l
B ss u cin R F)神经 网络 ,主要 用 于 模式 分 ai F n t , B o 类和 故 障诊 断 中 。
关键词 :概率神经网络 ;发动机 ;故障诊 断 中圈分类号 :T 2 6 3 T 7 . P 0 . ; P2 3 2 文献标识码 :A 文章编号 :1 0 — 1 4 2 1 ) 5上 ) 0 0 3 9 0 ( 0 2 0 ( -0 9 —0 0 3
D i 1 . 9  ̄ j s n 1 0 - 1 4 2 1 . (I . 8 o : 3 6 l . s . 0 9 0 . 0 2 5 - 2 0 / 1 3 )
采用概率神经网络的汽轮机故障诊断方法
本文由ni328019344贡献 pdf文档可能在WAP端浏览体验不佳。
建议您优先选择TXT,或下载源文件到本机查看。
25 卷 第 5 期 第 2005 年 10 月 动 力 工 程 Vol . 25 No. 5 Oct . 2005 Abstract : Based on probabilistic neural networks ( PNN) , a new way of fault diagnosis of steam turbine units is suggested to overcome problems met with back propagation neural networks (BPNN) like slow convergence of learning and liability of dropping into local minima. PNN can meet the needs of real2time requirements due to its simple learning algorithm , that the proposed method is featured by swiftness , accuracy and ease of practical application. Fig 1 ,tables 2 and refs 9. Key words : power and mechanical engineering ; steam turbine ; fault diagnosis ; probabilistic neural network and quick training and generalizing property. In addition , newly trained patterns can easily be supplemented to the already trained classifier , thus facilitating the improvement of the accuracy of diagnosis results. Simulation results show 随着汽轮发电机组高参数 、 大容量方向的发展 , 其经济性和安全性亦将对国民经济有一定影响 。
一种基于神经网络的蓝牙汽轮机故障诊断装置
20
技术与市场 2020年第27卷第10期
!"# ! " # $ % & !$# Байду номын сангаас ( ) * + ,
-./01234 %&# 5 6 7 8 9 : ; 2 < )
%(# ) * A B
%'# = > > ? @ =>)* CD)*
E:1F %)#*+, /078
创新与实践
. ^ _ P 012312 %/. \ S ) * ]
由于汽轮机高安全性的要求,因此在无线技术的选择上选 择了蓝牙 5.0技 术,这 项 技 术 的 优 点 在 于 支 持 短 距 离 通 信, AES加密编码和低功耗,设备本身不会带来用电负荷。更为重 要的是,从蓝牙 5.0标准开始支持 Mesh网通信技术,这项技术 带来的改变在于允许多个蓝牙设备建立更为自由的 Mesh拓扑 结构,针对汽轮机关键部件伺服模件而言,正好适用这种多拓 扑的短距离通信结构。
由于近几年物联网无线技术的发展以及国家相关标准的 完善,无线技术应用渗透到各个领域,为电厂中的实际需求应 用提供了新契机,智慧电厂的概念应运而生。为此,开发了以 信号采集为基础,结合对电液转换部件的知识理解,通过无线
传输的方式为用户提供智能化诊断结果和专家级部件寿命管 理建议,更好地指导电厂的生产维护和运营。
图 1为该设备系统的结构框图,其主要由电液转换部件、 伺服无线诊断模块、移动终端和服务器端 4个部分组成,其工 作原理如下。
在设备应用中,伺服无线诊断模块采集电液转换部件的数 据,通过卡件内部处理,上发数据到移动终端(平板电脑、智能 手机),再由工厂通过巡检规程定期将采集数据上传到制定的 服务器端。服务器端搜集数据存储后会定期启动设计好的神 经网络算法对已有数据进行训练,优化参数改进智能故障判断 策略,然后下发参数到蓝牙设备。模块通过故障判断参数改变 故障判断策略,最终通过 BLE无线网络发送给电厂用户,指导 生产运维。 # 蓝牙 )*! &+,- 技术的应用
采用概率神经网络的汽轮机故障诊断方法
采用概率神经网络的汽轮机故障诊断方法
张建华;侯国莲;孙晓刚;袁桂丽
【期刊名称】《动力工程学报》
【年(卷),期】2005(025)005
【摘要】针对反向传播神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等问题,提出了采用概率神经网络(PNN)的汽轮发电机组故障诊断方法.由于PNN学习算法简单、训练和泛化速度快,因此可以满足实时处理要求.此外,很容易把新的训练样本添加到以前训练好的分类器中,便于提高故障诊断结果的准确性.仿真结果表明:该诊断方法快速、准确且易于工程实现.图1表2参9
【总页数】4页(P698-701)
【作者】张建华;侯国莲;孙晓刚;袁桂丽
【作者单位】华北电力大学(北京)自动化系,北京,102206;华北电力大学(北京)自动化系,北京,102206;华北电力大学(北京)自动化系,北京,102206;华北电力大学(北京)自动化系,北京,102206
【正文语种】中文
【中图分类】TK267
【相关文献】
1.基于敏感度分析与概率神经网络的液压泵故障诊断方法研究 [J], 杜振东;赵建民;张鑫
2.基于概率神经网络的汽车防抱死控制系统故障诊断方法研究 [J], 任艺; 刘翕瑶
3.基于概率神经网络的汽车防抱死控制系统故障诊断方法研究 [J], 任艺; 刘翕瑶
4.基于K-means聚类与概率神经网络的模拟电路故障诊断方法 [J], 李楠;邓威;王晨;吴光辉
5.基于相对频谱能量矩和概率神经网络的柴油机气门间隙故障诊断方法 [J], 朱继安;刘义
因版权原因,仅展示原文概要,查看原文内容请购买。
改进BP网络在汽轮发电机组故障诊断中的应用
改进BP网络在汽轮发电机组故障诊断中的应用张冉;赵成龙【期刊名称】《计算机仿真》【年(卷),期】2011(028)007【摘要】关于汽轮发电机系统一定要保证可靠安全.研究汽轮机发电机组的故障快速诊断问题上,针对汽轮发电机故障具有多样性和不确定性,传统BP神经网络不能很好的识别这种特性,存在训练时间长、误差收敛速度慢的缺陷,故障诊断正确率低.为了提高汽轮发电机组的故障诊断准确率,提出一种附加动量法和自适应速率相结合的BP神经网络故障诊断模型.采用附加动量调整了BP神经网络的权值,加快了网络的收敛速度,用自适应速率动态地调整了学习速度,减少了迭代次数,最后利用得到的BP神经网络对故障进行了诊断.在matlab上采用实测汽轮发电机故障数据对故障诊断模型进行测试,相对于传统的BP算法,该算法不仅迭代次数少、学习速度加快,而且故障诊断准确率高.结果表明,有效地克服了传统的梯度下降的BP算法的缺陷,诊断结果可为保证汽轮发电机安全运行提供保障.%Study the fault diagnosis of turbine generator. Turbine generator fault has diversity and uncertainty.Traditional BP algorithm has the defects of long training time, slow convergence speed, and low accuracy of fault diagnosis. In order to improve the accuracy in the fault diagnosis of turbine generator unit, we put forward a kind of additional momentum method combined with adaptive rate of BP network model. The algorithm adopts additional momentum to adjust the weights of BP neural network and accelerate the convergence rate of the network, and uses adaptive rate dynamically toadjust the speed of learning and reduce the number of iterations. Finally, BP neural network is used to diagnose the fault in turbine generator unit. In matlab platform, the actual monitoring data are used to test the fault of turbine generator unit based on the improved BP algorithm. Compared with the traditional BP algorithm,this algorithm has fewer iteration times, faster learning speed, and higher fault diagnosis accuracy. The experimental results show that this method can effectively overcome the traditional gradient descent of BP algorithm, and the diagnosis results also conform to the real faults.【总页数】5页(P325-328,332)【作者】张冉;赵成龙【作者单位】泰山职业技术学院,山东,泰安,271000;泰山职业技术学院,山东,泰安,271000【正文语种】中文【中图分类】TP391【相关文献】1.基于BP神经网络及其改进算法的汽轮发电机组故障诊断 [J], 马路林;姚刚2.改进的BP神经网络在汽轮发电机组故障诊断中的应用 [J], 黄竹青3.汽轮发电机组振动故障诊断中的改进BP算法 [J], 李化;孙才新;廖瑞金;陈伟根;胡雪松4.改进的BP网络在汽轮发电机组故障诊断中的应用 [J], 张利平;王铁生;索丽生5.一种改进型BP网络在汽轮发电机组故障诊断中的应用 [J], 何成兵;顾煜炯;杨昆因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
( 1)
( 2)
(2 ) σ N i i = 1 π
d
图1 概率神经网络 ( PNN) 结构
Fig 1 Structure of PNN
dΠ 2
( i) T 6 exp [ - ( x - x j ) ( x -
1 PNN 模型理论和方法
故障诊断过程实质上是个模式分类过程 , 根据 一定的征兆确定对应的故障类别 。概率神经网络 ( PNN) [4~6 ] 就是一种适用于模式分类的径向基神经 网络 , 它是在 Bayes 分类规则与 Parzen 窗的概率密
5期 第
张建华 ,等 : 采用概率神经网络的汽轮机故障诊断方法
( 3)
700 ?
动
力 工 程
第 25 卷
连通的 ,而模式层单元到类别单元之间是稀疏连接 的。 PNN 的分类过程如下 : 首先把一个归一化了的 测试样本 x 提供给输入节点 ,每一个模式层单元都 ( 计算内积 ,得到 “网络激励”net activation) T ( 4) net k = w k x 并产生 net k 的一个非线性函数 。每一个类别层单 元则把与它相连接的模式层单元的结果进行相加。 2 σ 非线性函数为 exp [ ( net k - 1) Π ] , 其中 σ 是由用户 设置的一个参数 , 表示有效的高斯窗的宽度。窗宽 度可以事先人为确定或根据样本特性来自适应选 择。 如果我们令窗宽度 σ为常数 ,那么窗函数为 T 2 exp [ - ( x - w k ) ( x - w k ) Πσ ] 2 其中使用了归一化条件 : x x = w w = 1 。这样 ,每一
ω 类条件概率为 P ( xΠ ) , L ji 为ωi 分类到ω 所担的平 j 均风险 。我们可以对未知模式 x 做如下判决 :
这就是 Bayes 最小平均条件风险准则 。 ω 通常只给出训练样本 , P ( xΠ i ) 是未知的 ,在这 写为 : 个样本 x 都被归一化为单位长度 , 即 6 x i = 1 。然
(Department of Automation , North China University of Electric Power , Beijing 102206 ,China)
ZHANG Jian2hua , HOU Guo2lian , SUN Xiao2gang , YUAN Gui2li
[7 ]
699 ?
度函数方法发展而来的一种并行算法 。 1. 1 PNN 的优越性 PNN 与 BP 网络相比 , 在以下几方面具有明显 的优越性 : ( 1) 过程简单 ,收敛速度快 BP 网络的输入输出和 PNN 相同 , 但其隐层单 元的选取没有确定性法则 , 需要根据经验反复试算 得到 。而 PNN 需调节的参数少 , 不需确定隐层数 、 隐层中的神经元等网络结构 ,比较容易使用 。BP 网 络的学习算法收敛速度慢 ,而且易陷入局部极小值 。 PNN 的训练过程一步到位 , 将训练样本归一化后即 可直接赋值给网络 , 其训练时间仅仅略大于数据读 取的时间 ,且不存在局部极小值 。 ( 2) 网络总收敛于 Bayes 优化解 ,稳定性高
ω rj ( x ) = 6 L ji p ( xΠ i ) P (ωi ) j = 1 ,2 , …, c i =1
i
PNN 训练过程如下 : 首先 ,训练样本集中的每一
d
Π j ≠i = 1 ,2 , …, c ,若有 : ri ( x ) < rj ( x ) 则 x ∈ω i
随着汽轮发电机组高参数 、 大容量方向的发展 , 其经济性和安全性亦将对国民经济有一定影响 。进 行汽轮发电机组故障诊断的研究 , 对于早期发现故 障原因及部位 、 提高机组的运行可靠性以及指定科 学的维修制度具有现实意义 。由于神经网络具有较 好的容错性 、 响应快 、 分布式信息存储和自适应学习 等优点 ,因此 ,该方法已经被应用于汽轮机的故障诊
d
式中 σ为 Parzen 窗的窗宽度 。 1. 3 PNN 模型 PNN 模型就是实现 Bayes 分类规则与 Parzen 窗 方法的一种神经网络模型 。网络结构如图 1 所示 。 主要包括三层 : 输入层 、 模式层和类别层 。假设我们 要实现一个 Parzen 窗估计 ,共有 n 个 d 维的样本 ,都 是随机地从 c 个类别中选取的 。在这种情况下 , 输 入层由 d 个输入单元构成 , 每一个输入单元都与 n 个模式单元相连 。而每一个模式单元都与类别层中 c 个类别中的相应的一个类别单元相连 。
[1~3 ]
断中 ,其中使用的方法大都采用 BP 算法 。但由 于 BP 算法的思想是以期望值与实际值之差的平方 和为目标函数求极小 ,所以对初始值敏感 ,易使学习 过程陷入局部极小值 , 而且训练样本数较大时收敛 速 度 慢 。为 此 本 文 提 出 基 于 概 率 神 经 网 络 (probabilistic neural networks ,PNN) 的汽轮机故障诊断 方法以克服 BP 网络的缺点 。
本文由ni328019344贡献
pdf文档可能在WAP端浏览体验不佳。建议您优先选择TXT,或下载源文件到本机查看。
25 卷 第 5 期 第 2005 年 10 月
动 力 工 程
Vol . 25 No. 5 Oct . 2005
Abstract : Based on probabilistic neural networks ( PNN) , a new way of fault diagnosis of steam turbine units is suggested to overcome problems met with back propagation neural networks (BPNN) like slow convergence of learning and liability of dropping into local minima. PNN can meet the needs of real2time requirements due to its simple learning algorithm , that the proposed method is featured by swiftness , accuracy and ease of practical application. Fig 1 ,tables 2 and refs 9. Key words : power and mechanical engineering ; steam turbine ; fault diagnosis ; probabilistic neural network and quick training and generalizing property. In addition , newly trained patterns can easily be supplemented to the already trained classifier , thus facilitating the improvement of the accuracy of diagnosis results. Simulation results show
( 华北电力大学 ( 北京) 自动化系 ,北京 102206)
摘 : 针对反向传播神经网络 (BPNN) 学习收敛速度慢 、 要 易陷入局部极小值等问题 , 提出了采用 概率神经网络 ( PNN) 的汽轮发电机组故障诊断方法 。由于 PNN 学习算法简单 、 训练和泛化速度快 , 因此可以满足实时处理要求 。此外 ,很容易把新的训练样本添加到以前训练好的分类器中 ,便于提 高故障诊断结果的准确性 。仿真结果表明 : 该诊断方法快速 、 准确且易于工程实现 。图 1 表 2 参 9 关键词 : 动力机械工程 ; 汽轮机 ; 故障诊断 ; 概率神经网络 中图分类号 : TK267 文献标识码 : A
BP 网络各层的连接权值的训练对初始值敏感 ,
式中
会随初始权值的不同而不同 , 这样输入输出间的非 线性函数也会变化 ,从而导致分类结果的不同 ,所以 BP 网络的分类结果是不确定的 。而且 BP 网络的分 类规则是没有确定解释的 ; 而 PNN 是基于贝叶斯最 小风险准则对对象进行分类的 , 可以最大程度地利 用故障先验知识 ,无论分类问题多么复杂 ,只要有足 够多的训练样本 , 总可以保证获得贝叶斯准则下的 最优解 。 ( 3) 样本的追加能力强 , 且可以容忍个别错误 的样本 如果在故障诊断过程中有新的训练样本加入或 需要除去某些旧的训练样本 , PNN 只需增加或减少 相应的模式层单元 , 新增加的输入层至模式层的连 接权值只需将新样本归一化后直接赋值 。而对于 BP 网络修改训练样本后则需要重新进行训练 , 网络 的连接权值全部需要重新赋值 , 相当于重新建立整 个网络 。 ( 4) 抗干扰能力强 , 对传感器测量噪声具有较 强的诊断鲁棒性 基于 PNN 的故障诊断具有良好的性能 。可以 减少误报率和漏报率 , 而且实时性好 。当测量参数 不包含噪声或噪声较小时 ,BP 网络和 PNN 都具有 很高的诊断准确率 ; 当测量参数的噪声较大时 , 则 PNN 的诊断率远大于 BP 网络 。 1. 2 Parzen 窗函数法 设有 ωi ( i = 1 ,2 , …, c ) 个模式集合 , 每类的先 验概率为 P (ωi ) ,对于任一随机矢量 x ∈R ,每类的
文章编号 :100026761 ( 2005) 0520698204
收稿日期 :2005202210 修订日期 :2005204213 金委资助 (99330021) 究方向为 : 故障诊断与容错控制 。
采用概率神经网络的汽轮机故障诊断方法
张建华 , 侯国莲 , 孙晓刚 , 袁桂丽
x j ) Πσ ] 2