采用概率神经网络的汽轮机故障诊断方法

合集下载

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ＴＫ２７６
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ＢＰ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（ — ｉａｒ
是一个个体，而是仅仅具备某些基因位的特征。］
１１１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ｆｘ）（ ≥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

彭双飞（州交通大学自动化与电气工程学院，肃兰州７０７）兰甘３００
Ｐｎｕａｇｆｉ（ｃｏｌｏｔｍａｉｎ＆ＥｌｔｉｌＥｇｎｅｉｇｏｍｍｈｕＪａｔｎｅｇＳｈｎ —ｅＳｈｏｆＡｕｏｔｏｅｒａｎｉｅｒｆＬｃｃｎｏｉｏｏｇ
Ｋｙｗｏｄ：ａｔｍ— ｅａｅａｔｌＳａｍｐｉｚｔｎ（Ｓ）ＰｎｕａｎｔｒｓｆｕｉｎｓｅｒｓＱｕｎｕｂｈｖＰｒｃｗｒＯｔａｉＱＰＯ；ｅｒｌｗｏｋ；ａｌｄａｏｉｄｉｅｍｉｏＢｅｔｇｓＣＣｎｍｂｒＴ３２７Ｌｕｅ：Ｐ０ＤｃｍｅｔｏｅＡｏｕｎ￣ｄ：Ａｔｌ１０ — １７２１）－０１０ｒｃＩ０３００（００００２ — ３ｉｅＤ：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：Ｐ０．Ｔ３２７
文献标识码：Ａ
文章编号：０３００（１）８０２－３１０－１７２０－０１０００
ＡｂｓｒｔＴｏｉｐｏｉｇｈａｇｏｓｄｓｐｅａｃｒｃｙｏｈｅｓｅｍｕｂｉｅｄａｇｏｓｙｔ．ｉａｅｒｐｒｐｅｔｏｔａｃ：ｍｒｖｎｔｅｄｉｎｅｅｄｎｄａｃｕａｆｔｔａｔｒｎｉｎｅｓｓｅｍｔｓｐｐｏｏｓｓａｍｅｈｄｈ

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

表２网络训练样本数据
Ｔａ２Ｓａｐｅｄａａｏｔｂ．ｍｌｔｆｎｅｗｏｒｒｎｉｋｔａｉｎｇ
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ＭＡＬＢ提供的软件环境下，用语句：ｅ＝ｎｗｎ（ＴＳｒａ）创建概率神经网络函数，中，ＴＡ应ｎｔｅｐｎＰ，，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Ｓｒａ
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１２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

维普资讯
第２６卷第１期
２０年Ｏ０８１月
佳木斯大学学报（自然科学版）ＪｕａｏａｓＵｉｒｔＮｔａｃｎｅＦｉｏ）ｏｒｌｆｉｉｎｅｓｙ（ａｒｌｉｃＡｔｎｎＪｍｕｖｉｕＳｅ＿ｉ
２Ｂ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：０７２０２０ —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
５１
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ＢＰ神经网络的结构和算法，分析了如何将ＢＰ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：Ｔ１；Ｐ０．Ｈ７Ｔ２６３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

摘要：对汽轮发电机组高压加热器发生的故障问题，出了一种基于概率神经网络（ＮＮ）针提Ｐ的故障诊
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（ＰＢＮＮ）类模型对故分
Ｐｏｗｅ，Ｂａｄｎ７１０ｒｏｉｇ００３，Ｃｈｉａｎ）
ＡｂｔａｔＩｏｒｒＯｓｖｔｏｅｍｅｏｓｒｃ：ｎｄｅｔｏｌｅｈｅｐｒｂｌｎｃｕｎｔｒｄｙａｕｂｉ — ｅｎｅａｔｒ’ ｅｅｂｔｒｎｅｇｒｏＳｈｉ — ｒｓｕｅｅａｅｒａｇｈｐｅｓｒｈｔ，
ＬＩＡＮＧａ，ＮＤＩＮＧａｇｆＣｈｎ — ｕ，ＤＩＮＧｅ・ｕＺｈｎｙ
（ｃｏＳｈｏｌｏｆＥｎｅｇｎｏｗｅｇｎｅｉｇ，ＮｏｔｒｙａｄＰｒＥｎｉｅｒｎｒｈＣｈｉａＵｎｖｒｉｙｏｆＥｌｃｒｃｎｉｅｓｔｅｔｉ
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ｔａ向基传播率（ｐｅｄ下的分类情况，且与ｓｒａ）并ＢＮＮ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

概率神经网络的分类过程包括以下三步：１）网络在学习和诊断之前，首先对历史数据进行处
理，包括预处理和特征参数提取，以获得网络所
ＰＮＮ）是一种结构简单、训练简洁、具有较强容
朱明悦 ’ 小申，李
ＺＨＵｉｇｙｅ‘ Ｌｌａ — ｈｎＭｎ．ｕ．Ｘｉｏｓｅ
摘
（．化工职业学院，郑州４０４；２河南科技大学数学与统计学院，洛阳４１０）１河南５０２．７０３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（ａｉａＲｄｃｌ
ＢｓｓｕｃｉｎＲＦ）神经网络，主要用于模式分ａｉＦｎｔ，Ｂｏ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：Ｔ２６３Ｔ７．Ｐ０．；Ｐ２３２文献标识码：Ａ文章编号：１０ — １４２１）５上）００３９０（０２０（－０９ —００３
Ｄｉ１．９￣ｊｓｎ１０－１４２１．（Ｉ．８ｏ：３６ｌ．ｓ．０９０．０２５－２０／１３）

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．　５Ｏｃｔ　．　２００５Ａｂｓｔｒａｃｔ　：　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。