为了及早发现凝汽设备的故障原因并及时采取相应措施,把损失降低到最小,从而提高机组的可用率和电厂的热经济性,本文结合模糊逻辑理论和神经网络的模型识别功能,在对凝汽设备运行中常见故障类别及故障特征进行分析与总结的基础上,建立了针对凝汽设备的模糊神经网络故障类别诊断模型。
一、凝汽设备的常见故障
凝汽设备的故障类别多样,引发故障的原因复杂,故障的征兆参数不但数量多,而且它们之间的定量关系也难以用数学关系表达。故障与征兆参数之间具有很大的模
二、模糊BP神经网络的故障诊断方法
BP神经网络是ANN中理论研究与实践应用均较成熟的模型。在BP神经网络基础上建立的模糊神经网络不但兼备了模糊逻辑与ANN的优点,而且更具有实用性。
2.1 模糊逻辑与神经网络的互补性
模糊逻辑系统建立于模糊数学的理论基础之上,通过隶属度的概念,把人的操作经验归纳成一系列的模糊规则,然后利用模糊集理论将它定量化。人工神经网络中的BP网络,能够通过自身的学习机制自动形成决策区域,是一种自适应的模式识别技术。它通过对故障信息的学习,获得一组使网络收敛的联接权值和阈值,这些权值及阈值代表了网络输入与输出之间的映衬关系。模糊逻辑和神经网络在很多方面具有相似性和互补性,将二者有机结合起来,可以建立表达简便,自适应学习能力强的凝汽设备故障类别诊断模型。
2.2 模糊BP神经网络的结构
模糊逻辑与神经网络的结合有如下3种方式:(1)将神经网络的权值模糊化;(2)将神经网络的输入模糊化;(3)前二者的结合。
模糊逻辑与神经网络的结合有两种途径:一是主从型结合,模糊逻辑系统与神经网络系统一主一次,彼此独立;二是融合型结合,二者无主次之分。
本文以模糊化的故障征兆参数作为BP网络输入层的输入参数,以该征兆参数下各故障类别的隶属度作为网络输出,利用神经网络的自学习特性完成模糊诊断中IF…THEN…规则的模糊推理功能。模糊逻辑系统与BP网络之间采用主从型结合方式。BP网络的学习及诊断过程如图1所示。根据上述原理建立的模糊神经网络如图2所示。
图2中第1层为征兆参数输入层,输入的参数再直接送入第2层;第2层为量化输入层,负责将第1层输入的征兆参数模糊化后输入下一层;第3层相当于BP网络的隐含层,完成网络的映射功能;第4层为量化输出层,输出相对于各种故障类别的隶属度;第5层为解模糊层控制工程网版权所有,把BP网络输出的模糊值转化为特定的故障诊断结果。在模糊神经网络学习时,鉴于模糊逻辑与神经网络的独立性,通常把网络的第1层和第5层单独处理。并且,由于中间3层与BP网络完全相同控制工程网版权所有,可采用BP网络算法进行学习。
三、凝汽设备模糊神经网络故障类别诊断模型的建立
根据前文对凝汽设备故障征兆特征的概括,结合模糊神经网络理论,首先建立故障类别诊断的样本征兆知识库,然后建立故障类别诊断的模糊BP神经网络模型。
3.1 故障类别诊断样本征兆知识库的建立
设凝汽设备有p种典型的故障类别,又设每种故障类别均可用n种故障征兆参数来描述(本文中p=12,m=13)。为了描述征兆参数的变化状态www.cechina.cn,引入模糊语言子集{急剧变小,稍变小,正常,稍变大,急剧变大}以描述故障征兆参数变化的5个状态,其相应的量化值为{0,0.25,0.5,0.75,1}。根据前文对凝汽设备故障征兆特征的概括,可得12种故障类别的训练样本征兆知识库(表3)。
为了使征兆参数的状态描述更确切,通过隶属函数把上述设定线性化,如式(1)所示。
式中:Sj表示第j种征兆参数经过隶属函数计算得到的量化值,aj为第j个征兆参数的实测值,a1jwww.cechina.cn,a2j,a3j,a4j分别对应该征兆参数急剧变小,稍变小,正常,稍变大,急剧变大的阈值。其中,a0j为凝汽设备的设计值或经验值。
根据各征兆参数的实测值,由式(1)可得实时征兆向量如下: