基于BP神经网络及其改进算法的汽轮发电机组故障诊断

马路林, 姚 刚

(上海电力学院 a.自动化工程学院, b.计算机科学与技术学院, 上海 200090)

基于BP神经网络及其改进算法的汽轮发电机组故障诊断

马路林a, 姚 刚b

(上海电力学院 a.自动化工程学院, b.计算机科学与技术学院, 上海 200090)

为了提高汽轮发电机组的故障诊断准确率,提出了基于BP神经网络改进算法的故障诊断系统.根据输入特征向量对BP神经网络进行学习,在matlab上分别采用两种算法对故障诊断模型进行测试.结果表明,改进算法能够更有效地预测汽轮发电机组的故障.

BP神经网络; 故障诊断; 汽轮发电机组

汽轮发电机组作为发电的关键设备,其运行状态稳定与否是整个电力系统能够安全、可靠运行的关键所在.建立完善的机组监控及故障诊断系统,有助于准确高效地对汽轮发电机组故障进行诊断和预测,保证机组安全可靠的运行.采用故障诊断技术能够及时发现汽轮发电机组的故障并判断出故障类型,做到有目的地进行检修,节约维修费用,提高维修效率,大大提升生产和经济效益[1-2].因此,对电机故障做出快速、准确和高效的诊断具有重要意义.

随着科学技术的迅速发展,汽轮发电机组设备的结构和功能日趋复杂,自动化和智能化水平不断提升,传统的故障诊断技术已不能满足需求,研究智能故障诊断技术迫在眉睫.许多学者将遗传算法、案例推理方法、模糊数学方法、神经网络等方法应用于汽轮发电机故障诊断领域[2].神经网络由于其自身的特点而被广泛应用,但其存在训练时间长、误差收敛较慢等缺陷,影响了故障诊断的精度[3].针对这些不足,本文在深入分析BP神经网络的基础上,对其进行了改进,在汽轮发电机组的故障诊断中,取得了显著效果.

1 故障诊断方法分类

随着技术的不断革新,故障诊断方法得到了极大的发展.按照处理方式可分为基于信号处理的分析方法、基于数学建模的方法和基于人工智能的故障诊断方法3类[4],如图1所示.

图1 故障诊断方法分类

在故障诊断过程中,不同的诊断方法用于处理不同的对象,各有其优势与弊端,本文将主要介绍基于神经网络及其改进算法的故障诊断方法.

2 BP神经网络及其改进算法

2.1 BP神经网络算法

BP神经网络是一种多层前向网络,常用的是3层网络结构.第1层为输入层,第2层为隐含层,第3层为输出层,其网络结构如图2所示[5-6].

图2 BP神经网络结构示意

对于3层结构的BP神经网络,x0=-1,y0=-1,输入向量X=(x1,x2,x3,…,xr,…,xp)T,对于某一个训练样本Xr=(x1,x2,x3,…xi,…xn)T,网络隐含层的输出向量为Yr=(y1,y2,y3,…,yj,…,ym)T,输出层的输出向量为Or=(o1,o2,o3,…ok,…ol)T,网络期望输出向量为dr=(d1,d2,d3,…,dk,…,dl)T.V=(V1,V2,V3,…,Vj,…,Vm)T为第1层到第2层之间的权值矩阵,W=(W1,W2,W3,…,Wk,…,Wl)T为第2层到第3层之间的权值向量.为了使BP神经网络逼近任意的多元函数,在训练和测试过程中选取Sigmoid函数作为传递函数对BP神经网络进行训练.

2.1.1 正向传播过程

当有信号输入BP神经网络的输入层时,该信号经第2层传向第3层,并可在输出端产生输出信号,若此输出信号满足既定的要求,则计算结束;否则进行反向传播[5].

正向传播计算过程如下:

Ok=f(nk)k=1,2,3,…,l

(1)

对于第3层则有:

(2)

对于第2层则有:

yj=f(nj)j=1,2,3,…,m

(3)

(4)

式(1)和式(3)中,激活函数为:

(5)

f(x)均为单极性Sigmoid函数,且f(x)具有连续可导的特点,则有:

f′(x)=f(x)[1-f(x)]

(6)

当神经网络的真实输出值与期望输出值不相等时,则表明存在输出误差,定义为E,表达式如下:

(7)

将式(7)中的E展开至BP神经网络的隐含层,则有:

(8)

将式(7)中的误差展开至BP神经网络的输出层,则有:

(9)

由式(9)可以看出,神经网络的误差是关于其各层权wjk和vij的函数,因此调整权值可以改变误差E的大小.

当E≤λ(λ计算期望精度)或进行到预先设定的学习次数时,计算结束;否则,进行反向传播计算.

2.1.2 反向传播过程

上文已经指出,调整权值可以改变误差E的大小,调整原则可使神经网络的真实输出值更加接近期望输出值,因此应沿着使权值的调整量与误差的梯度下降成正比的方向进行调整,即:

j=0,1,2,…,m;k=1,2,3,…,l

(10)

i=0,1,2,…,n;j=1,2,3,…,m

(11)

式(10)和式(11)给出了权值调整的思路,其中β是一个给定的常数,表示网络的学习率,通常取0<β<1.

假定在全部的推导过程中,对该网络的输出层均有j=0,1,2,…,m,k=1,2,3,…,l,对该网络的隐含层均有i=0,1,2,…,n,j=1,2,3,…,m.对于第3层,式(10)可写成:

(12)

令:

(13)

则式(12)可以写为:

Δwjk=βδ°kyj=β(dk-ok)ok(1-ok)yj

(14)

对于第1层,式(11)可写为:

(15)

(16)

令:

(17)

而:

(18)

(19)

于是有:

vij(n+1)=vij(n)+Δvij

(20)

依据以上表达式可求得神经网络输入层与隐含层、隐含层与输出层之间的连接权值和阈值的变化增量,以此来迭代更新用于下一轮网络学习和训练的各相邻神经元之间的连接权值及阈值,其更新表达式为:

wjk(n+1)=wjk(n)+Δwjk

(21)

(22)

此信号在反向传播的过程中能够求出BP神经网络各层新的权值和阈值,然后再正向传播.整个算法流程如图3所示.

图3 BP算法程序流程

图3中的参数初始化主要包括学习精度、隐节点数、初始权值及阈值、初始学习速率、最大训练次数N等因素的选择和确定.

2.2 BP神经网络的改进算法

为了克服BP神经网络算法在故障诊断中的缺点,许多学者提出了改进算法和方法[7-8],主要包括可变学习率的BP算法、增加动量项的BP学习算法等基于负梯度思想的BP改进算法,以及牛顿法、共轭梯度法等基于数值优化方法的BP改进算法,下面介绍一下牛顿法的基本算法.

牛顿法是利用一个接近已知目标函数的二次函数作为求解对象,求出其极小点作为目标函数极小点的近似解.

设在求解的过程中已迭代到xk,在点xk处按Taylor公式将目标函数展开,即:

(23)

式中:Q(x)——x的二次函数;g(xk),H(xk)——f(x)在xk点处的梯度和Hesse矩阵.

H(xk)(x-xk)=-g(xk)

(24)

若H(xk)是正定矩阵,则它的逆矩阵H-1(xk)存在,由式(24)可得到x的解为x=xk+1,即为二次函数Q(x)的极小点,即:

xk+1=xk-H(xk)-1g(xk)

(25)

用xk+1作为函数f(x)极小点x*新的近似.式(25)即是牛顿迭代公式.

3 基于神经网络的故障诊断及仿真结果分析

本文选取了汽轮发电机组的3种故障类型[9],分别为转子热弯曲、转子裂纹与汽流激振.

由汽轮发电机组振动信号的频域特征频谱中6 个不同频段(<0.4f,0.4f-0.5f,1f,2f,3f,>3f,f为旋转频率)上的幅值分量构成故障样本特征向量元素的特征量,训练样本数据见表1.

表1 训练样本数据

注:Type1—转子热弯曲;Type2—转子裂纹;Type3—汽流激振.

表2为相应的目标输出向量.表3为测试样本.

应用Matlab提供的神经网络工具箱构建网络,并用所提供的训练样本进行网络训练,通过训练好的网络输入汽轮发电机组测试数据样本,对其进行故障诊断[10-11],可得到两种方法的故障诊断结果如表4所示.

由表4可以看出,BP神经网络最大循环150次即达到误差要求,很好地预测了结果.对于同样的误差要求,牛顿法最大循环30次即可预测出故障结果,说明牛顿法比BP神经网络有着更高的效率.

表2 目标向量

由仿真结果可以看出:将测试样本中的第1和第3组数据输入网络时,网络输出type=(1 0 0),所以网络诊断的结果为转子热弯曲;将测试样本中的第2和第4组数据输入网络时,网络输出type=(0 1 0),所以网络诊断的结果为转子裂纹;将测试样本中的第5,第6,第7组数据输入网络时,网络输出type=(0 0 1),所以网络诊断的结果为汽流激振.

表3 测试样本

表4 两种算法的故障诊断结果

4 结 语

针对汽轮发电机组的故障特点,在传统BP神经网络算法的基础上进行了改进.仿真结果表明:传统BP神经网络算法和牛顿法都能对汽轮发电机组进行故障诊断,但牛顿法迭代次数少,学习速率快,能够更有效地预测汽轮发电机组的故障;对于同一种故障类型,牛顿法具有更好的故障识别性能,为保证汽轮发电机安全运行及维修提供了保障.

[1] 李录平.汽轮机组故障诊断技术[M].北京:中国电力出版社,2002:37-40.

[2] 孙伟.大型汽轮发电机振动故障诊断与分析[J].中国新技术新产品,2014(3):121.

[3] 王慧滨.基于规则和案例推理的汽轮发电机组故障诊断专家系统[D].兰州:兰州理工大学,2014.

[4] 张彼德.汽轮发电机组振动故障诊断研究[J].西华大学学报(自然科学版),2005,24(1):21-24.

[5] 和雄伟.汽轮发电机组振动故障分析与预防研究[D].保定:华北电力大学,2014.

[6] 李化,岳刚.基于自适应小波网络的汽轮发电机组振动故障诊断方法的研究[J].电工技术学报,2000,15(3):57-60.

[7] 权亚蕾.基于混合神经网络的汽轮发电机组振动故障诊断研究[D].上海:上海电力学院,2015.

[8] 刘旭.基于改进型BP神经网络的风电功率预测研究[D].保定:华北电力大学,2013.

[9] 张冉,赵成龙.改进BP网络在汽轮发电机组故障诊断中的应用[J].计算机仿真,2011,28(7):325-328.

[10] 周会霞.汽轮发电机组汽流激振故障预警方法研究[D].保定:华北电力大学,2015.

[11] 马元奎.汽轮发电机组振动信号处理及智能诊断方法研究[D].南京:东南大学,2002.

(编辑 白林雪)

FaultDiagnosisofTurboGeneratorUnitBasedonBPNetworkandItsImprovedAlgorithm

MALulina,YAOGangb

(a.SchoolofAutomationEngineering,b.SchoolofComputerScienceandTechnology,ShanghaiUniversityofElectricPower,Shanghai200090,China)

In order to improve the accuracy in the fault diagnosis of turbine generator,its improved algorithm of diagnosis system based on BP network is presented.According to input character vectors,BP nerve network is studied.In matlab platform,the actual monitoring data are used to test the fault of turbine generator unit based on BP and its improved BP algorithm.The experimental results show that the improved algorithm is more effective in predicting the fault of turbo generator.

BP nerve network; fault diagnosis; turbo generator unit

10.3969/j.issn.1006-4729.2017.04.011

2017-03-09

马路林(1990-),男,在读硕士,河南开封人.主要研究方向为智能微电网控制及多目标优化.E-mail:ma_lin0328@163.com.

TP183;TM311

A

1006-4729(2017)04-0362-05