基于AGAELM算法的凝汽器故障诊断

32 集成电路应用 第 36 卷 第 4 期（总第 307 期）2019 年 4 月
Applications
创新应用1 引言
凝汽器是将汽轮机排出做功后的低温低压蒸汽冷却凝结成水的一种换热装置，其运行性能对汽轮机组循环热效率有很大影响。

使凝结水重新进入水循环系统以供循环利用。

此外，还能在汽轮机的排汽口建立并且维持真空状态，排汽口处于负压状态可使蒸汽尽可能地做功。

按冷却方式主要分为两种类型：水冷凝汽器和空冷凝汽器。

凝汽器的运行过程中，由于设计制造、操作等原因会出现一些故障。

例如：循环水泵严重事故、凝汽器铜管堵塞等原因。

凝汽器的压力升高 1 kPa，会造成汽轮机每产生 1 度电，所消耗的蒸汽量增加 1.5% 至 2.5%。

此外，凝结水里的含氧量的
增加会迅速加快对金属管道腐蚀的速度，造成完全隐患[1]。

所以凝汽器的故障诊断研究具有十分现实的经济意义。

近年来，许多学者投入到凝汽器故障诊断的研究，提出了多种优化故障诊断预测精度的方法。

李勇[2]、张仲彬[3]等人研究 BP 神经网络，取得一定诊断效果，但是由于算法易出现局部极小化、收敛速度慢、过拟合等问题，导致泛化能力不强。

陈正潮等人提出采用由 BP 为基础改进的 Elman 神经网络，虽然该算法特点是较好的动态特性，但其本身仍有与 BP 算法相同的缺点[4]。

后来随着模糊算法的发展，也逐渐被运用到凝汽器的故障诊断。

张
基金项目：教育部中央高校基本科研业务费专项资金（2017MS130）。

作者简介：孟永毅，山西鲁能河曲发电有限公司，研究方向：电力系统的控制系统。

通信作者：苏创世，华北电力大学自动化系，硕士，研究方向：控制理论及其在过程控制中的应用。

收稿日期：2019-03-12，修回日期：2019-03-21。

摘要：为了提高凝汽器故障诊断的准确度，进一步提升机组运行的可靠性，提出了一种将自适应遗传算法（AGA）与极限学习机（ELM）相结合用于凝汽器故障诊断的方法。

自适应遗传算法是优化标准遗传算法的交叉概率和变异概率，实现两者的非线性自适应调整，使其具有更快的收敛速度和更好的稳定性。

针对传统的 ELM 算法输入权值和阈值的随机选取，采用 AGA 算法对其优化。

在此基础上，通过“试错法”确定 AGA-ELM 算法最优隐含层节点参数。

结合具体实例，通过仿真进行分析，将 BP、ELM、AGA-ELM 算法预测输出结果进行比较。

研究结果表明，AGA-ELM 算法的预测效果优于其他算法，具有更高的诊断精度。

关键词：凝汽器；故障诊断；遗传算法；极限学习机。

中图分类号：TK264.11；TP18 文章编号：1674-2583(2019)04-0032-05DOI：10.19339/j.issn.1674-2583.2019.04.010
中文引用格式： 孟永毅，苏创世.基于AGA-ELM算法的凝汽器故障诊断[J].集成电路应用, 2019, 36(04): 32-36.
基于 AGA-ELM 算法的凝汽器故障诊断
孟永毅1，苏创世2
（1. 山西鲁能河曲发电有限公司，山西 036500；　2. 华北电力大学自动化系，河北 071003）
Abstract — In order to improve the accuracy of the fault diagnosis of the condenser and further improve the reliability of the unit operation, a method of combining the adaptive genetic algorithm (AGA) with the extreme learning machine (ELM) for the fault diagnosis of the condenser is proposed. The adaptive genetic algorithm is to optimize the crossover probability and mutation probability of the standard genetic algorithm to realize the nonlinear adaptive adjustment between the two, which makes it have faster convergence speed and better stability. Aiming at the random selection of the input weights and thresholds of the traditional ELM algorithm, the AGA algorithm is used to optimize it. On this basis, the optimal hidden layer node parameters of AGA-ELM algorithm are determined by "trial and error method". The results of ELM, BP and AGA-ELM algorithm are compared with each other by simulation. The results show that the AGA-ELM algorithm is better than other algorithms and has higher diagnostic accuracy.
Index Terms — condenser, fault diagnosis, genetic algorithm, extreme learning machine.
Fault Diagnosis for Condenser Based on AGA-ELM Algorithm
Meng Yongyi 1, SU Chuangshi 2
( 1. Shanxi Luneng Hequ Power Generation Co.,Ltd, Shanxi 036500,China.
2. Department of Automation, North China Electric Power University, Hebei 071003,China. )
Applications 创新应用
集成电路应用 第 36 卷 第 4 期（总第 307 期）2019 年 4 月 33
建华等人提出了一种基于模糊规则和遗传算法相结合的方法。

但设置适应度函数未考虑模糊规则集规模权值的随机性，最终无法准确判定故障类别[5]。

宫唤春研究的基于模糊支持向量机算法，虽然避免了神经网络的结构选择和极小值问题，但它对非线性问题没有通用解决方案且参数确定困难[6]。

张曦等人利用 KPCA 方法线性判别分析故障类别。

但是特征提取时主成分解释其含义往往具有一定的模糊性影响最终结果[7]。

罗宁、何青利用线性相关度法和 BP 神经网络分别对单故障和多故障工况进行凝汽器真空诊断预测，但应用方面有一定的局限性[8]。

为此，本文提出一种基于遗传算法和极限学习机（Extreme Learning Machine，ELM）相结合的方法用于凝汽器故障诊断。

ELM 算法是由黄广斌副教授提出[9]，相比于 BP 算法复杂的参数设置，该算法结构简单，只需输入隐层节点数即可，输出权值由隐含层输出与网络输出数据确定。

因此 ELM 算法属于前馈型神经网络，并且学习速度较快、泛化能力好[10]。

ELM 广泛应用在预测水库每月排水量[11]、检测智能电网中的错误数据[12]、光电经纬仪数据融合系统中的空间配准问题[13]等领域。

但是该算法输入权值和阈值的不确定性选择会对预测输出结果的准确度产生一定的影响，本文采用具有较强搜索能力的遗传算法优化这两个随机变量。

遗传算法（Genetic Algorithm，GA）最早是密歇根大学 J.H.Holland 教授提出。

该算法的优点是可以迅速搜索得到全局最优解，不会陷入局部最优。

所以，遗传算法广泛应用在机组组合问题[14]、基站校准[15]、资源约束项目调度问题[16]等方面。

但是标准的遗传算法求解局部最优解的能力不强，特别是在寻优后期，搜索能力迅速下降。

而在实际应用中，标准遗传算法易出现早熟收敛，影响输出结果[17]。

基于以上理论和实际情况，本文提出自适应遗传算法优化 ELM 的输入权值和阈值，并将 AGA-ELM 算法运用到凝汽器故障诊断。

AGA 算法是优化标准遗传算法的交叉概率和变异概率，二者非线性自适应调整取值，使 AGA 算法具有更快的收敛速度、精度。

AGA-ELM 算法综合了 ELM 训练速度快、泛化能力好的优点和 AGA 算法鲁棒性强、收敛性好的优点，并通过具体实例检验预测效果，并与 BP 算法、标准的 ELM 算法相比较。

2 ELM 算法
ELM 算法网络结构为三层，实质依据训练样本的输出来确定网络的输出权值矩阵。

假设网络结构的输入层、输出层的节点数分别有 I ，J 它们由实际中样本数据的规模来确定数值大小；隐含层节点数为 H 。

输入权值矩阵为 w ，得式（1）。

（1）
式中，w h i （i ＝1，2，……，I ；h ＝1，2，……，H ）表示为隐含层的 h 节点和输入层的 i 节点之间的连接权值，取值 0 到 1。

输出权值矩阵为式（2）。

（2）
式中，βj h （j ＝1，2，……，J ；h ＝1，2，……，H ）代表输出层的 j 节点和隐含层的 h 节点的连接权值，取值 0 到 1。

网络的隐含层神经元的阈值 b 为式（3）。

×
（3）
设样本训练集的输入层矩阵 X 、输出层矩阵 Y 均用列向量表示，训练样本个数 Q 个。

X ＝[x 1，x 2，……，x Q ]1×Q Y ＝[y 1，y 2，……，y Q ]J ×Q （4）网络的隐含层神经元的激活函数设为 Y (x ) ，激活函数是用来加入网络的非线性因素，常见的有 S 函数、斜面函数等。

根据网络计算规则，得到输出 y q 为式（5）。

（q ＝1，2，……，Q ） （5）其中，w h ＝[w h1，w h2，……，w h I ]，x q ＝
[x 1q ，x 2q ，……，x I q ]T
，式（4）可表示为式（5）。

H×β＝Y T
（6）
上式中， Y T
是输出矩阵 的转置矩阵，H 为网络隐含层的输出矩阵，则输出权值为式（7）。

β＝H +×Y T
（7） H + 是矩阵 H
的广义逆矩阵。

3 AGA-ELM 算法流程 3.1 AGA 算法
遗传算法是一种解决最优问题的搜索启发式算法，对于实际最优问题形式的多样性具有很好的适应能力。

该寻优算法的实现总体采用达尔文进化论
中“优胜劣汰、适者生存”的原则。

首先求取所有
34 集成电路应用 第 36 卷 第 4 期（总第 307 期）2019 年 4 月
Applications
创新应用个体的适应度值，依据其对个体进行排序；采用“精英策略”，选择适应度值较小的个体进行直接复制，舍弃适应度值较大的个体；随机选择个体进行交叉、变异操作，进而形成新的种群，依次迭代下去，最终得到满足要求的最优个体。

遗传算法操作中，交叉概率 和变异概率 的数值选择对于最后得到的结果会产生很大影响。

交叉概率 越大，则两个个体交叉的机会就越大，进而得到信息互换的两个新个体的速度越快，它主要影响算法的全局搜索能力。

对于变异概率 越大，则增大了种群的多样性，它主要影响算法的局部搜索能力。

在解决实际最优问题的过程中，只能通过经验和实际测验才能确定 和 的最优估计值范围。

通过对标准遗传算法进行研究，M.Srinvivas 等人提出一种自适应遗传算法。

此算法虽然实现了每次迭代后对 和 的自适应调整，但当遇到个体的适应度值与群体中最大适应度值相差不大时，二者的值几乎为零，此时种群的个体基本不发生改变，算法丧失全局搜索能力[18]。

针对此问题，经过进一步的自适应策略改进，假设种群个体适应度中的最大值 和平均值 ，当前操作个体的适应度值 、交叉个体适应度值的较大值 ，改进计算公式如下所示[19]。

（8）
（9）
其余参数： P c1＝0.9，P c2＝0.6 ，P m1＝0.1 ，P m2＝0.01 。

3.2 算法流程
AGA-ELM 是采用自适应遗传算法优化标准 ELM 算法的输入权值、阈值为基础，按照算法流程。

在初始阶段，利用“试错法”来确定合适的隐层神经元个数，如果过大会造成冗余，使计算复杂化；过小则不能完整反映出输入与输出的非线性关系。

实验仿真步骤：（1）读取训练样本和测试样本。

（2）初始化参数。

设置遗传算法有关参数：遗传代数、交叉变异初始概率、变异操作数。

设置 ELM 算法参数：隐层神经元激活函数。

（3）产生种群。

种群的个体是由输入权值和阈值构成，群体规模一般设置 20～40 个。

种群通过循环 ELM 算法训练样本所得。

（4）采用 ELM 算法对种群的每一个个体计算输出权值，将训练样本运用于所得输出权值得到输出结果，结合对应的目标输出值计算误差平方和作为适应度函数。

根据适应度函数结果优化种群的交叉概率和变异概率，同时得到局部最优解。

（5）根据精英保留策略选择种群，然后连续交叉、变异种群。

（6）迭代完成后，得到全局最优解，进而输入测试样本得
到预测结果。

4 实例仿真结果及分析
4.1 凝汽器常见故障及其样本集
凝汽器常见故障有 11 种[1-6]，这 11 种故障表现出 13 种故障征兆，结合文献[20-26]，得到凝汽器故障的样本集，如表 1 所示。

表中，故障说明： A 1 循环水泵发生严重事故， A 2 后轴封系统供汽中断，A 3 凝汽器热井满水，A 4 真空系统管道破裂，A 5 真空系统不严密，A 6 凝结水泵工作异常，A 7 凝汽器铜管破裂，A 8 低压加热器铜管破裂，A 9 凝汽器铜管脏污，A 10 凝汽器铜管堵塞，A 11 抽气器工作不正常。

征兆说明：x 1 凝汽器真空，x 2 循环水泵马达电流，x 3 循环水泵出口压力，x 4 转子胀差，x 5 凝结水泵出口压力，x 6 凝结水泵马达电流，x 7 凝结水导电度，x 8 低压加热器水位，x 9 凝汽器冷却水温升高，x 10 凝汽器端差，x 11 凝结水过冷度，x 12 抽气器抽出的空气温度与冷却水进口温度之差，x 13 凝汽器抽气口至抽气器进口之间的压差。

4.2 仿真训练结果及分析
三种算法经 MATLAB 仿真训练后，训练所花费
的时间比较见表 2，训练效果见图 1。

表 1 凝汽器故障的特征数据
表 2 三种算法训练时间比较
图 1 三种算法训练效果图
Applications 创新应用
集成电路应用 第 36 卷 第 4 期（总第 307 期）2019 年 4 月 35
由图 2 和表 2 知，训练效果 BP 最好、AGA-ELM 次之、ELM 最差。

训练时间 BP 最长、AGA-ELM 次之、ELM 最短。

由于 BP 算法包括测试数据通过网络前向计算得到输出结果，误差信号反向修正输出权值和隐层权值，过程复杂所以训练花费时间长；ELM、AGA-ELM 属于前向单隐层网络训练模型，故训练时间少于 BP 算法，由于 AGA-ELM 算法是用 AGA 优化 ELM 算法，所以 ELM 算法训练所用时间最少。

BP 算法在数据前向计算后根据输出误差反向来调整输出层权值和隐层权值，增加预测的准确度，故而准确度最高。

AGA-ELM 算法采用 AGA 优化 ELM 的输入权值和阈值，提高了标准的 ELM 算法的准确率。

综合训练效果和训练时间来看，AGA-ELM 算法均处于中间水平。

然而，检验算法的优劣最终要看测试情况。

4.3 仿真测试结果及分析
测试 1，汽轮发电机组满负荷为 300 MW 的某直流炉，对其凝汽设备的运行状态进行实时监测，检测到故障发生时的部分运行数值：凝汽器真空度 82 kPa、端差温度 6.5℃；凝结水泵出口压力 0.16 MPa、电机电流 105 A；抽气口至抽气器入口之间的压差值为 0.02 MPa；凝结水过冷度 1 ℃、电导度 0.2 μs/cm；循环水温升 9.6 ℃；抽气器抽出的空气温度与冷却水进口温差 3 ℃。

这些参数经过处理后得到征兆输入向量[26]。

test 1＝[0.25 0.75 0.75 0.75 0.50 0.50 0.25 0.25 0.50 0.50 0.50 0.25 0.75]T
分别采用 4.2 节训练好的 BP、ELM、AGA-ELM 三种算法得出诊断结果如表 3 所示。

由三种算法对于 样本的故障诊断结果可知，故障 的概率均最高且接近于 1，即判断事故类别为真空系统不严密，与现场检验的结果一致。

测试 2，某容量 300 MW 汽轮发电机组，满负荷运行发电时对其凝汽系统状态进行监测，检测到故障发生时的部分运行数值：循环水泵电机电流为 259
A、出口压力为 0.07 MPa；凝汽器真空度 29 kPa、端差为 7 ℃；转子胀差为 1.3 mm；凝结水过冷度为 1 ℃；凝结水泵电机电流为 36 A、出口压力为 0.25 MPa；抽出空气与冷水进口温差为 5 ℃；低压加热器水位为 25 mm；循环水温升10℃、电导度为 0.2 μs/cm；抽气口至抽气器的压差为 0.02 MPa [27]。

由此得到征兆的输入向量。

test 2＝[0.001 0.50 0.50 0.25 0.50 0.70 0.60 0.60 0.50 0.50 0.50 0.50 0.50]T
分别采用 4.2 节训练好 BP、ELM、AGA-ELM 三种算法得出诊断结果如表 4 所示。

由三种算法对 样本的诊断结果可知，故障 的概率均最高且接近于 1，即判断事故类别为后轴封系统供汽中断，与现场检验的结果一致。

从表 3 及表 4 可见，BP 神经网络和 ELM 模型都得到了相应的预测效果，但在准确性上 AGA-ELM 算法优于前两种，具有良好的预测能力；计算三种算法预测概率的最高值与次高值之间的差值， AGA-ELM 算法最大，即具有更高的可信度。

分析知，BP 算法的参数随机选择并且易存在过拟合现象；ELM 算法中，输入权值和阈值的随机选择很大程度上影响了预测结果。

从三种算法的自身诊断输出结果来分析，诊断出的故障类别对应的准确度最高值和次高值之间的差值，AGA-ELM 算法最大，这样很大程度增加了诊断结果的可信度。

本文采用的 AGA-ELM 算法是用自适应遗传算法优化 ELM 算法输入权值和阈值，使其更能得到全局最优解，提高了故障诊断的可靠性。

5 结语
（1）采用 AGA 算法优化标准 ELM 算法的输入权值和阈值。

二者结合的 AGA-ELM 预测算法，避免了这两个参数的随机性对 ELM 算法结果的影响，提高了泛化能力和预测准确度。

（2）针对凝汽器的故障诊断，本文采用 AGA-ELM 算法预测输出结果，以此判断故障征兆所属
表 3 三种算法对测试样本 的诊断结果
表 4 三种算法对测试样本 的诊断结果
Applications 创新应用
故障类别。

选取典型凝汽器故障征兆集作为训练样本，采用 AGA-ELM 算法对其进行训练后诊断测试样本，将诊断结果与ELM算法和 BP 算法诊断结果进行对比分析。

分析的结果表明：AGA-ELM 的诊断准确率较高，且高于其他诊断算法。

该算法具有很好的诊断性能，诊断结果与实际情况吻合较好，可以准确、有效地诊断故障类别，对凝汽器的故障诊断具有指导意义。

参考文献
[1] 滕丕忠,张聘,陈荣生,陈群,石永恒,禹宝
宁,杨亚平.基于模糊神经网络的凝汽器故
障诊断及其性能监测[J].电力自动化设
备,2007(01):90-92.
[2] 李勇,叶荣学,曹祖庆.基于BP网络的凝汽器
故障隶属函数及模糊诊断方法[J].汽轮机技
术,1995(04):199-203.
[3] 张仲彬,曹丽华,张少磊.基于B P神经网络
的凝汽器的故障诊断[J].东北电力大学学
报,2006(04):50-54.
[4] 陈正潮,胥建群.基于Elman型网络的凝汽器故
障诊断研究[J].华东电力,2007(09):70-73. [5] 张建华,侯国莲,张巍,柳亦兵.一种基于模糊
规则和遗传算法的凝汽器故障诊断方法的研究
[J].中国电机工程学报,2004(04):209-213. [6] 宫唤春.基于模糊支持向量机的凝汽器故障诊断
[J].热力发电,2015,44(06):98-101.
[7] Z H A N N G X,Y A N W,Z H A O X,e t a l.
Nonlinear online process monitoring
and fault diagnosis of condenser based
on kernel PCA plus FDA[J].Journal of
Southeast University, 2007,23(1):51-56.
[8] 罗宁,何青.火电机组凝汽器真空故障诊断的研
究[J].电力科学与工程,2017,33(05):70-78. [9] HUANG G B,ZHU Q Y,Siew C K. Extreme
learning machine: a new learning scheme
of feed forward neural networks[C].
P r o c e e d i n g s o f I n t e r n a t i o n J o i n t
Conference on Neural Networks,2004,
2(2):985-990.
[10] HUANG G B,ZHU Q Y,Siew C K. Extreme
l e a r n i n g m a c h i n e:T h e o r y a n d
applications[J].Neuro computing,2006,70
(1-3):489-501.
[11] BAO J L, CHENG C T. Monthly discharge
forecasting using wavelet neural networks
with extreme learning machine[J].中国科
学:技术科学,2014, 57(12):2441-2452. [12] YANG Liqun,LI Yuancheng,LI Zhoujun.
I m p r o v e d-E L M m e t h o d f o r d e t e c t i n g
false data attack in smart grid[J].
International Journal of Electrical Power and Energy Systems,2017,91.
[13] 杨宏韬,高慧斌,刘鑫.改进小波序贯极限学习
机的光电经纬仪空间配准算法研究[J].中国测
试,2015,41(10):1-5.
[14] Madraswala H S,Deshpande A S. Genetic
algorithm solution to unit commitment
problem[C].International Conference on Nascent Technologies in Engineering. IEEE, 2017:1-6.
[15] WANG J,GUO J.Research on the base station
calibration of multi-station and time-
sharing measurement based on hybrid genetic algorithm[J].Measurement,2016, 94:139-148.
[16] Hartmann,Sönke.A competitive genetic
algorithm for resource-constrained project scheduling[J].Naval Research Logistics, 2015,45(7):733-750.
[17]G o l d b e r g D E.G e n e t i c a l g o r i t h m i n
search,optimization and machine learning [M].Reading M A, USA:Addison-Wesley Publishing Company,Inc,1989.
[18] 任子武,伞冶.自适应遗传算法的改进及在系统辨
识中应用研究[J].系统仿真学报,2006(01):41-
43+66.
[19] 王小平.遗传算法:理论、应用与软件实现[M].
陕西：西安交通大学出版社,2002.
[20] 汪健,倪维斗.基于模糊神经网络的凝汽器故障诊
断系统研究[J].动力工程,1997(01):56-60+72. [21] 王修彦,王清照.基于模糊神经网络的凝汽器故障
诊断研究[J].现代电力,2001(02):12-17.
[22] 殷喆. 基于神经网络的凝汽器系统故障诊断研究
[D].河北：华北电力大学（河北）,2007.
[23] 郭丽.基于神经网络的火电厂凝汽器故障诊断研
究[D].吉林：吉林大学,2007.
[24] 王晋权,李磊,唐国瑞.基于RBF神经网络的凝汽
器故障诊断研究[J].电力科学与工程,2007(04): 27-31.
[25] 杨亮.基于集成神经网络的凝汽器故障诊断[D].
河北：华北电力大学,2015.
[26] 代志纲. 基于BP神经网络的300MW机组热力系统
故障诊断系统研究[D].河北：华北电力大学（河
北）,2007.
[27] 马永光,殷喆,马良玉.基于SOM神经网络的凝汽
器故障诊断研究[J].华北电力大学学报,2006
(04):5-8.
36 集成电路应用 第36卷第4期（总第307期）2019年4月。