基于概率神經(jīng)網(wǎng)絡(luò)的水電機組故障診斷

劉娜

摘 要：針對水電機組的物理結(jié)構(gòu)較為復(fù)雜，工作狀況相對惡劣，故障發(fā)生率較高等問題，提出了一種基于概率神經(jīng)網(wǎng)絡(luò)的水電機組故障診斷方法，利用概率神經(jīng)網(wǎng)絡(luò)建立分類模型，并結(jié)合水電機組的振動信號分析，實現(xiàn)對水電機組的故障判斷和故障類型識別。準確有效的水電機組故障識別與判斷，對于水電企業(yè)生產(chǎn)與設(shè)備檢修都具有重要意義及參考價值。

關(guān)鍵詞：水電機組;故障診斷;概率神經(jīng)網(wǎng)絡(luò)

1 概述

水力發(fā)電是一個將河川、湖泊等位于高處具有勢能的水流至低處，經(jīng)水輪機轉(zhuǎn)換成水輪機的機械能，水輪機又推動發(fā)電機發(fā)電，將機械能轉(zhuǎn)換成電能的復(fù)雜過程。水電機組的運行狀況直接影響整個水利發(fā)電系統(tǒng)的工作狀態(tài)，對水電機組進行故障檢測與診斷，可以及時有效預(yù)測和排除故障，增強水電機組工作的安全性，提高使用效率，降低維修成本，在避免重大事故上有著重要的安全意義。[1]

隨著人工智能技術(shù)的興起及傳感器技術(shù)的發(fā)展，大數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究為水電機組故障診斷提供了一種新的思路與途徑。概率神經(jīng)網(wǎng)絡(luò)（PNN）是基于統(tǒng)計原理的神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練速度較快，無論分類問題多么復(fù)雜，只要有足夠多的訓(xùn)練數(shù)據(jù)，可以保證獲得貝葉斯準則下的最優(yōu)解，而且允許增加或減少訓(xùn)練數(shù)據(jù)而無需重新進行長時間的訓(xùn)練。[2]

2 神經(jīng)網(wǎng)絡(luò)建模

由于人工神經(jīng)網(wǎng)絡(luò)所具有的高度非線性、模擬并行性、高度容錯性、魯棒性、自聯(lián)想自學(xué)習(xí)和自適應(yīng)等許多特點，人工神經(jīng)網(wǎng)絡(luò)在水電機組故障診斷中日漸得到重視和應(yīng)用。

2.1 特征選擇

水電機組是一種大型的旋轉(zhuǎn)機械設(shè)備，它的運行工況受到機械、電氣和水力等諸多因素的共同影響，致使水電機組在運行過程中的故障形式多樣化呈現(xiàn)，其中水電機組的振動故障具有較強的代表性，水電機組大部分故障現(xiàn)象都能在機組振動中得到反映。利用振動信號對設(shè)備進行診斷，也是設(shè)備故障診斷中最有效、最常用的方法，因此本文選擇水電機組的振動時域信號作為特征信號。

2.2 分類器設(shè)計

分類器的概念是在已有故障數(shù)據(jù)的基礎(chǔ)上構(gòu)造出一個故障分類模型，該函數(shù)或模型能夠把數(shù)據(jù)庫中的故障數(shù)據(jù)紀錄映射到給定故障類別中的某一個，從而可以應(yīng)用于水電機組故障分類。

故障分類器的構(gòu)造和實施大體會經(jīng)過以下幾個步驟：

1）選定樣本（包含正樣本和負樣本）。

2）在訓(xùn)練樣本上執(zhí)行分類器算法。

3）在測試樣本上執(zhí)行分類模型。

4）根據(jù)預(yù)測結(jié)果，計算必要的評估指標。

2.3 樣本數(shù)據(jù)處理

首先定義水電機組的故障類型，定義5種水電機組的故障模式：轉(zhuǎn)子不對中、動靜碰摩、轉(zhuǎn)子質(zhì)量不平衡、尾水管偏心渦帶、磁極不均勻，[3-4]再加上水電機組正常狀態(tài)共6種分類模式，編號如下表所示。

采集水電機組的正常運轉(zhuǎn)和5種故障模式下的振動信號，并對振動波信號進行統(tǒng)計學(xué)處理。經(jīng)過粗糙集預(yù)處理后的數(shù)據(jù)可以得到能量參數(shù)、峰值參數(shù)、波形參數(shù)、裕度參數(shù)、脈沖參數(shù)及峰度參數(shù)，形成一個6維向量x=[x1，x2，x3，x4，x5，x6]。每個參數(shù)收集兩組故障分類模式的樣本，共計12份訓(xùn)練樣本。

2.4 PNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練

水電機組故障診斷PNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程可分為：首先定義神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和前向傳播的輸出結(jié)果;其次，定義損失函數(shù)以及選擇反向傳播優(yōu)化的算法;最后，生成會話并且在訓(xùn)練數(shù)據(jù)上反復(fù)運行反向傳播優(yōu)化算法。

3 水電機組故障診斷實現(xiàn)

基于概率神經(jīng)網(wǎng)絡(luò)的水電機組故障診斷其工作原理如下圖所示。

其故障診斷流程包括：

（1）定義樣本：把水電機組的某次故障監(jiān)測作為對象，形成故障初始化樣本。

（2）樣本處理：對水電機組各故障特征樣本數(shù)據(jù)進行相應(yīng)的歸一化、粗糙集處理。

（3）創(chuàng)建故障模型：構(gòu)造相應(yīng)的PNN神經(jīng)網(wǎng)絡(luò)，并對其進行學(xué)習(xí)及訓(xùn)練，優(yōu)化相應(yīng)結(jié)構(gòu)參數(shù)及權(quán)值。

（4）測試故障樣本集并輸出結(jié)果：將水電機組故障測試樣本輸入神經(jīng)網(wǎng)絡(luò)進行檢驗，如達不到要求則返回步驟（2）、（3），直到輸出結(jié)果滿意為止。

4 結(jié)語

本文通過對PNN神經(jīng)網(wǎng)絡(luò)的故障診斷及建模方法的分析，將基于PNN神經(jīng)網(wǎng)絡(luò)的故障診斷方法應(yīng)用于水電機組的故障診斷研究中。水電機組故障診斷是一個復(fù)雜的系統(tǒng)工程，涉及到機理模型分析、信號處理、故障模式識別、故障預(yù)測分析等諸多方面?；赑NN神經(jīng)網(wǎng)絡(luò)的故障診斷方法能有效對水電機組的振動故障數(shù)據(jù)進行準確有效分類，為水電機組故障的初期診斷及振動故障數(shù)據(jù)處理提供了一種切實有效的方法及途徑，在實際工程應(yīng)用中，也有著較高的工程參考價值。

參考文獻：

[1]李朝暉，楊賢，畢亞雄.水電機組數(shù)字化及其工程應(yīng)用[J].電力系統(tǒng)自動化，2008，32（23）：76-80.

[2]楊凌霄，朱亞麗.基于概率神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷[J].電力系統(tǒng)保護與控制，2015，（10）：62-67.

[3]梁武科，趙道利，馬薇，王榮榮，南海鵬，羅興锜.基于粗糙集-RBF神經(jīng)網(wǎng)絡(luò)的水電機組故障診斷[J].儀器儀表學(xué)報，2007，28（10）：1806-1810.

[4]鄧正鵬，韋彩新，劉利娜，章志平.水電機組故障診斷專家系統(tǒng)中知識庫的設(shè)計[J].華中科技大學(xué)學(xué)報（自然科學(xué)版），2003，31（9）：4-5，49.