论文部分内容阅读
摘 要：针对水电机组的物理结构较为复杂，工作状况相对恶劣，故障发生率较高等问题，提出了一种基于概率神经网络的水电机组故障诊断方法，利用概率神经网络建立分类模型，并结合水电机组的振动信号分析，实现对水电机组的故障判断和故障类型识别。准确有效的水电机组故障识别与判断，对于水电企业生产与设备检修都具有重要意义及参考价值。
关键词：水电机组;故障诊断;概率神经网络
1 概述
水力发电是一个将河川、湖泊等位于高处具有势能的水流至低处，经水轮机转换成水轮机的机械能，水轮机又推动发电机发电，将机械能转换成电能的复杂过程。水电机组的运行状况直接影响整个水利发电系统的工作状态，对水电机组进行故障检测与诊断，可以及时有效预测和排除故障，增强水电机组工作的安全性，提高使用效率，降低维修成本，在避免重大事故上有着重要的安全意义。[1]
随着人工智能技术的兴起及传感器技术的发展，大数据与神经网络的应用研究为水电机组故障诊断提供了一种新的思路与途径。概率神经网络（PNN）是基于统计原理的神经网络模型，训练速度较快，无论分类问题多么复杂，只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解，而且允许增加或减少训练数据而无需重新进行长时间的训练。[2]
2 神经网络建模
由于人工神经网络所具有的高度非线性、模拟并行性、高度容错性、鲁棒性、自联想自学习和自适应等许多特点，人工神经网络在水电机组故障诊断中日渐得到重视和应用。
2.1 特征選择
水电机组是一种大型的旋转机械设备，它的运行工况受到机械、电气和水力等诸多因素的共同影响，致使水电机组在运行过程中的故障形式多样化呈现，其中水电机组的振动故障具有较强的代表性，水电机组大部分故障现象都能在机组振动中得到反映。利用振动信号对设备进行诊断，也是设备故障诊断中最有效、最常用的方法，因此本文选择水电机组的振动时域信号作为特征信号。
2.2 分类器设计
分类器的概念是在已有故障数据的基础上构造出一个故障分类模型，该函数或模型能够把数据库中的故障数据纪录映射到给定故障类别中的某一个，从而可以应用于水电机组故障分类。
故障分类器的构造和实施大体会经过以下几个步骤：
1）选定样本（包含正样本和负样本）。
2）在训练样本上执行分类器算法。
3）在测试样本上执行分类模型。
4）根据预测结果，计算必要的评估指标。
2.3 样本数据处理
首先定义水电机组的故障类型，定义5种水电机组的故障模式：转子不对中、动静碰摩、转子质量不平衡、尾水管偏心涡带、磁极不均匀，[3-4]再加上水电机组正常状态共6种分类模式，编号如下表所示。
采集水电机组的正常运转和5种故障模式下的振动信号，并对振动波信号进行统计学处理。经过粗糙集预处理后的数据可以得到能量参数、峰值参数、波形参数、裕度参数、脉冲参数及峰度参数，形成一个6维向量x=[x1，x2，x3，x4，x5，x6]。每个参数收集两组故障分类模式的样本，共计12份训练样本。
2.4 PNN神经网络训练
水电机组故障诊断PNN神经网络的训练过程可分为：首先定义神经网络的结构和前向传播的输出结果;其次，定义损失函数以及选择反向传播优化的算法;最后，生成会话并且在训练数据上反复运行反向传播优化算法。
3 水电机组故障诊断实现
基于概率神经网络的水电机组故障诊断其工作原理如下图所示。
其故障诊断流程包括：
（1）定义样本：把水电机组的某次故障监测作为对象，形成故障初始化样本。
（2）样本处理：对水电机组各故障特征样本数据进行相应的归一化、粗糙集处理。
（3）创建故障模型：构造相应的PNN神经网络，并对其进行学习及训练，优化相应结构参数及权值。
（4）测试故障样本集并输出结果：将水电机组故障测试样本输入神经网络进行检验，如达不到要求则返回步骤（2）、（3），直到输出结果满意为止。
4 结语
本文通过对PNN神经网络的故障诊断及建模方法的分析，将基于PNN神经网络的故障诊断方法应用于水电机组的故障诊断研究中。水电机组故障诊断是一个复杂的系统工程，涉及到机理模型分析、信号处理、故障模式识别、故障预测分析等诸多方面。基于PNN神经网络的故障诊断方法能有效对水电机组的振动故障数据进行准确有效分类，为水电机组故障的初期诊断及振动故障数据处理提供了一种切实有效的方法及途径，在实际工程应用中，也有着较高的工程参考价值。
参考文献：
[1]李朝晖，杨贤，毕亚雄.水电机组数字化及其工程应用[J].电力系统自动化，2008，32（23）：76-80.
[2]杨凌霄，朱亚丽.基于概率神经网络的高压断路器故障诊断[J].电力系统保护与控制，2015，（10）：62-67.
[3]梁武科，赵道利，马薇，王荣荣，南海鹏，罗兴锜.基于粗糙集-RBF神经网络的水电机组故障诊断[J].仪器仪表学报，2007，28（10）：1806-1810.
[4]邓正鹏，韦彩新，刘利娜，章志平.水电机组故障诊断专家系统中知识库的设计[J].华中科技大学学报（自然科学版），2003，31（9）：4-5，49.
关键词：水电机组;故障诊断;概率神经网络
1 概述
水力发电是一个将河川、湖泊等位于高处具有势能的水流至低处，经水轮机转换成水轮机的机械能，水轮机又推动发电机发电，将机械能转换成电能的复杂过程。水电机组的运行状况直接影响整个水利发电系统的工作状态，对水电机组进行故障检测与诊断，可以及时有效预测和排除故障，增强水电机组工作的安全性，提高使用效率，降低维修成本，在避免重大事故上有着重要的安全意义。[1]
随着人工智能技术的兴起及传感器技术的发展，大数据与神经网络的应用研究为水电机组故障诊断提供了一种新的思路与途径。概率神经网络（PNN）是基于统计原理的神经网络模型，训练速度较快，无论分类问题多么复杂，只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解，而且允许增加或减少训练数据而无需重新进行长时间的训练。[2]
2 神经网络建模
由于人工神经网络所具有的高度非线性、模拟并行性、高度容错性、鲁棒性、自联想自学习和自适应等许多特点，人工神经网络在水电机组故障诊断中日渐得到重视和应用。
2.1 特征選择
水电机组是一种大型的旋转机械设备，它的运行工况受到机械、电气和水力等诸多因素的共同影响，致使水电机组在运行过程中的故障形式多样化呈现，其中水电机组的振动故障具有较强的代表性，水电机组大部分故障现象都能在机组振动中得到反映。利用振动信号对设备进行诊断，也是设备故障诊断中最有效、最常用的方法，因此本文选择水电机组的振动时域信号作为特征信号。
2.2 分类器设计
分类器的概念是在已有故障数据的基础上构造出一个故障分类模型，该函数或模型能够把数据库中的故障数据纪录映射到给定故障类别中的某一个，从而可以应用于水电机组故障分类。
故障分类器的构造和实施大体会经过以下几个步骤：
1）选定样本（包含正样本和负样本）。
2）在训练样本上执行分类器算法。
3）在测试样本上执行分类模型。
4）根据预测结果，计算必要的评估指标。
2.3 样本数据处理
首先定义水电机组的故障类型，定义5种水电机组的故障模式：转子不对中、动静碰摩、转子质量不平衡、尾水管偏心涡带、磁极不均匀，[3-4]再加上水电机组正常状态共6种分类模式，编号如下表所示。
采集水电机组的正常运转和5种故障模式下的振动信号，并对振动波信号进行统计学处理。经过粗糙集预处理后的数据可以得到能量参数、峰值参数、波形参数、裕度参数、脉冲参数及峰度参数，形成一个6维向量x=[x1，x2，x3，x4，x5，x6]。每个参数收集两组故障分类模式的样本，共计12份训练样本。
2.4 PNN神经网络训练
水电机组故障诊断PNN神经网络的训练过程可分为：首先定义神经网络的结构和前向传播的输出结果;其次，定义损失函数以及选择反向传播优化的算法;最后，生成会话并且在训练数据上反复运行反向传播优化算法。
3 水电机组故障诊断实现
基于概率神经网络的水电机组故障诊断其工作原理如下图所示。
其故障诊断流程包括：
（1）定义样本：把水电机组的某次故障监测作为对象，形成故障初始化样本。
（2）样本处理：对水电机组各故障特征样本数据进行相应的归一化、粗糙集处理。
（3）创建故障模型：构造相应的PNN神经网络，并对其进行学习及训练，优化相应结构参数及权值。
（4）测试故障样本集并输出结果：将水电机组故障测试样本输入神经网络进行检验，如达不到要求则返回步骤（2）、（3），直到输出结果满意为止。
4 结语
本文通过对PNN神经网络的故障诊断及建模方法的分析，将基于PNN神经网络的故障诊断方法应用于水电机组的故障诊断研究中。水电机组故障诊断是一个复杂的系统工程，涉及到机理模型分析、信号处理、故障模式识别、故障预测分析等诸多方面。基于PNN神经网络的故障诊断方法能有效对水电机组的振动故障数据进行准确有效分类，为水电机组故障的初期诊断及振动故障数据处理提供了一种切实有效的方法及途径，在实际工程应用中，也有着较高的工程参考价值。
参考文献：
[1]李朝晖，杨贤，毕亚雄.水电机组数字化及其工程应用[J].电力系统自动化，2008，32（23）：76-80.
[2]杨凌霄，朱亚丽.基于概率神经网络的高压断路器故障诊断[J].电力系统保护与控制，2015，（10）：62-67.
[3]梁武科，赵道利，马薇，王荣荣，南海鹏，罗兴锜.基于粗糙集-RBF神经网络的水电机组故障诊断[J].仪器仪表学报，2007，28（10）：1806-1810.
[4]邓正鹏，韦彩新，刘利娜，章志平.水电机组故障诊断专家系统中知识库的设计[J].华中科技大学学报（自然科学版），2003，31（9）：4-5，49.