肖洪闖，葛曉霞，李 揚(yáng)

(南京工程學(xué)院，能源與動力工程學(xué)院，江蘇 南京 211167)

0 概 述

目前，我國的能源結(jié)構(gòu)仍以火電機(jī)組為主。在提倡環(huán)保節(jié)能的趨勢下，迫切地需要加強(qiáng)故障診斷方面的研究，以提高機(jī)組運(yùn)行的可靠性和經(jīng)濟(jì)效益。凝汽器是火電機(jī)組中重要的輔助設(shè)備，其工作性能對機(jī)組的運(yùn)行安全與經(jīng)濟(jì)性有著很大的影響。若凝汽器的真空度過低，將使排汽溫度上升，造成低壓缸排汽口的熱變形，引起轉(zhuǎn)子中心的偏移，嚴(yán)重時還會引發(fā)設(shè)備振動。此外，當(dāng)真空度下降時，若欲確保機(jī)組出力不變，必須增加進(jìn)汽量，將導(dǎo)致軸向推力的增加，影響機(jī)組的安全運(yùn)行。隨著機(jī)組容量的不斷增大，設(shè)備發(fā)生故障時危害性也在增加。目前，很多機(jī)組的凝汽器在發(fā)生故障后，均需依據(jù)運(yùn)行人員的經(jīng)驗(yàn)進(jìn)行判斷，如果凝汽器發(fā)生故障，運(yùn)行人員因經(jīng)驗(yàn)不足而不能及時解決，將使相關(guān)設(shè)備遭到不同程度的損壞。嚴(yán)重時，甚至?xí)构收戏秶M(jìn)一步擴(kuò)大，威脅機(jī)組的安全運(yùn)行。因此，研究高效智能的診斷方法，及時診斷凝汽器故障，具有十分重要的意義。神經(jīng)網(wǎng)網(wǎng)絡(luò)具有突出的自組織、自學(xué)習(xí)能力，早已應(yīng)用于故障診斷領(lǐng)域。近年來，不斷有研究學(xué)者對常規(guī)神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，以提高網(wǎng)絡(luò)的訓(xùn)練速度[1-2]。采用廣義回歸神經(jīng)網(wǎng)絡(luò)建立凝汽器故障診斷模型，可使診斷速度更快、泛化能力更強(qiáng)?，F(xiàn)以某電廠凝汽器故障為例，驗(yàn)證GRNN診斷模型的有效性。

1 凝汽器智能故障診斷技術(shù)

凝汽器的故障原因多且復(fù)雜，故障與故障征兆之間有著很強(qiáng)的模糊性。因而采用傳統(tǒng)的故障診斷方法，難以準(zhǔn)確建立凝汽器故障的診斷模型。隨著近年來人工智能技術(shù)的不斷發(fā)展，新型的智能診斷方法已開始運(yùn)用于工業(yè)領(lǐng)域，相比于傳統(tǒng)的故障診斷方法，采用智能診斷方法時，不需要建立被診對象精確的數(shù)學(xué)模型，所以，診斷的效率高。典型的智能診斷方法，主要有證據(jù)理論、神經(jīng)網(wǎng)絡(luò)、模糊診斷、專家系統(tǒng)等方法。

不同的智能診斷方法其特點(diǎn)也不相同。專家系統(tǒng)是依賴專家在某領(lǐng)域的知識，根據(jù)專家在知識庫中建立的規(guī)則進(jìn)行邏輯推理及匹配，但系統(tǒng)缺乏自學(xué)的能力。當(dāng)知識庫的獲取或匹配較為困難時，診斷推理就不完善，往往使診斷結(jié)果不可靠。模糊診斷方法較為簡單，診斷速度快，但是診斷準(zhǔn)確率與隸屬度函數(shù)的建立有很大關(guān)系。在實(shí)際操作中，因影響凝汽器的因素較多，故障與故障征兆之間的關(guān)系十分復(fù)雜，需花費(fèi)大量時間，才能建立正確的隸屬度函數(shù)。神經(jīng)網(wǎng)絡(luò)具有自學(xué)和自組的能力，在故障診斷領(lǐng)域得到了廣泛應(yīng)用。神經(jīng)網(wǎng)絡(luò)的診斷模型，既不存建立隸屬度函數(shù)的問題，又沒有選取專家系統(tǒng)知識庫的困擾。

2 廣義回歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)是徑向基神經(jīng)網(wǎng)絡(luò)中的一種，由輸入層、模式層、求和層和輸出層組成。廣義回歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，如圖1所示。相比于BP神經(jīng)網(wǎng)絡(luò)，GRNN神經(jīng)網(wǎng)絡(luò)需人為設(shè)置的參數(shù)更少，最大程度地降低了人為主觀因素的影響，并且在小樣本學(xué)習(xí)中，GRNN的收斂速度更快，學(xué)習(xí)能力更強(qiáng)。

圖1 廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

(1)

通過x和y的觀測樣本進(jìn)行非參數(shù)估計(jì)，得到具體的概率密度函數(shù)，其表達(dá)式為：

(2)

在式(2)中，變量n和p分別表示樣本數(shù)目和給定變量x的數(shù)據(jù)維數(shù)；變量Xi是對變量x進(jìn)行觀測后的所得值，變量Yi是對變量y進(jìn)行觀測后的所得值；δ表示GRNN中的光滑因子。

聯(lián)立式(2)、式(1)，得到式(3)：

(3)

在GRNN神經(jīng)網(wǎng)絡(luò)中，輸入已確定的樣本，其權(quán)值及網(wǎng)絡(luò)結(jié)構(gòu)是確定的，因此，模型訓(xùn)練就是調(diào)整δ的取值，δ值較大，則網(wǎng)絡(luò)輸出值，就是相當(dāng)于所有樣本變量的平均值。若δ值較小，那么對于訓(xùn)練樣本以內(nèi)的數(shù)據(jù)預(yù)測的精度是非常高，但對訓(xùn)練樣本以外的數(shù)據(jù)預(yù)測效果是很差的。

3 應(yīng)用實(shí)例

3.1 凝汽器故障征兆與征兆參數(shù)

凝汽器故障類型及故障征兆參數(shù)有很多，根據(jù)現(xiàn)場運(yùn)行人員經(jīng)驗(yàn)并參考文獻(xiàn)[3]的研究結(jié)果，選取了凝汽器常發(fā)生的11種故障。分別設(shè)置了故障征兆的編號，設(shè)備循環(huán)水泵嚴(yán)重故障為A1、后軸封供汽中斷為A2、凝汽器滿水為A3、真空系統(tǒng)管路破裂為A4、真空系統(tǒng)不嚴(yán)密為A5、凝結(jié)水泵故障為A6、凝汽器銅管破裂為A7、低壓加熱器銅管破裂為A8、凝汽器銅管臟污 為A9、凝汽器銅管堵塞為A10、抽氣器工作不正常為A11。這些故障將與13種故障征兆相對應(yīng)，因此，分別設(shè)置凝汽器真空度為X1、循環(huán)水泵電機(jī)電流為 X2、循環(huán)水泵出口壓力為X3、轉(zhuǎn)子脹差為X4、凝結(jié)水泵出口壓力為X5、凝結(jié)水泵電機(jī)電流為X6、凝結(jié)水的導(dǎo)電率為X7、低壓加熱器水位為X8、凝汽器冷卻水的溫升為X9、凝汽器端差為 X10、凝結(jié)水過冷度為X11、抽氣器抽出的空氣溫度與冷卻水進(jìn)口溫度之差為X12、凝汽器抽氣口至抽氣器進(jìn)口之間的壓差為X13。

3.2 故障征兆知識庫

因?yàn)槟鞴收吓c故障征兆之間具有模糊性，在進(jìn)行神經(jīng)網(wǎng)絡(luò)故障診斷前，需將故障征兆作模糊化處理。以模糊子集{急劇增大、緩慢增大、正常、緩慢減小、急劇減小}描述征兆參數(shù)的變化狀態(tài)，每個模糊狀態(tài)對應(yīng)的子集量化值，為{0、0.25、0.5、0.75、1}，由此，建立凝汽器典型故障征兆的知識庫，如表1所示。

3.3 診斷實(shí)例

神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障診斷的實(shí)質(zhì)，就是要完成故障與故障征兆之間的非線性映射。以1表示故障發(fā)生，0表示故障未發(fā)生。則故障診斷模型輸出為11維向量，每個維度對應(yīng)1種故障類型。通過不斷調(diào)整權(quán)值與閾值，學(xué)習(xí)或獲取訓(xùn)練樣本中的故障知識。當(dāng)診斷模型的訓(xùn)練完成后，將故障征兆參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入值，即可得到診斷結(jié)果。通常，根據(jù)最大隸屬度規(guī)則，判斷發(fā)生對應(yīng)的故障類型。此次試驗(yàn)是在MatlabR2014b計(jì)算軟件上實(shí)現(xiàn)的。在GRNN模型的δ選取中，當(dāng)δ大于0.2，以訓(xùn)練樣本進(jìn)行測試，診斷效果較差。當(dāng)δ小于等于0.1時，診斷效果較好。因此，最終將GRNN模型的δ取為0.1。

從相關(guān)文獻(xiàn)資料[5-8]中，提取了4個故障實(shí)例，并利用GRNN診斷模型進(jìn)行測試。將故障征兆參數(shù)模糊化后輸入GRNN診斷模型，獲得4個診斷結(jié)果。實(shí)例1的診斷結(jié)果為A5，是真空系統(tǒng)不嚴(yán)密。實(shí)例2的診斷結(jié)果為A2，是后軸封供汽故障。實(shí)例3的診斷結(jié)果為A2，是后軸封供汽中斷。實(shí)例4的診斷結(jié)果為A10，是凝汽器銅管堵塞。4個診斷結(jié)果均與現(xiàn)場設(shè)備故障的原因相一致，顯示了GRNN診斷模型的有效性。

3.4 模型對比和分析

為了驗(yàn)證GRNN診斷模型的突出性能，將GRNN網(wǎng)絡(luò)模型與Elman神經(jīng)網(wǎng)絡(luò)模型、BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比和分析。在Elman神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置中，學(xué)習(xí)率為0.005、目標(biāo)誤差為0.000 1、最大迭代次數(shù)為1 000，輸入層到隱含層的傳遞函數(shù)為tansig，隱含層到輸出層的傳遞函數(shù)為logsig，隱含層神經(jīng)元個數(shù)，為27。在BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置中，學(xué)習(xí)率為0.005、目標(biāo)誤差為0.000 1、最大迭代次數(shù)為1 000，輸入層到隱含層的傳遞函數(shù)為tansig，隱含層到輸出層傳遞函數(shù)為logsig，訓(xùn)練函數(shù)為traingdx，動量因子設(shè)為0.9，學(xué)習(xí)率增長比率因子為1.05，學(xué)習(xí)率降低比率因子為0.7。3種診斷模型的診斷結(jié)果，如表2所示。

表1凝汽器故障征兆知識庫

故障編號征兆參數(shù)X1X2X3X4X5X6X7X8X9X10X11X12X13A10.000.000.000.750.500.500.250.251.000.250.250.750.75A20.000.750.750.250.500.500.250.250.50.750.750.250.75A30.500.750.750.751.001.000.250.250.250.250.250.750.75A40.000.750.750.750.500.500.250.250.251.001.000.250.75A50.250.750.750.750.500.500.250.250.500.750.750.250.75A60.250.750.750.750.000.000.250.250.250.750.750.250.75A70.250.750.750.751.001.000.750.250.500.750.750.250.75A80.250.750.750.751.001.000.250.750.500.750.750.250.75A90.250.750.750.750.500.500.250.250.250.750.250.750.75A100.250.750.750.750.500.500.250.250.750.750.250.750.75A110.250.750.750.750.500.500.250.250.500.750.750.250.25

表23種模型診斷結(jié)果對比

實(shí)例模型A1A2A3A4A5A6A7A8A9A10A111GRNN00001000000BP00.00650.00030.00060.92680.02880.00140.00870.00020.00620.0023Elman0.02360.00320.007700.98430.02000000.00210.03352GRNN01000000000BP0.08090.684500.383300.00520.00320.00400.002200.0076Elman0.065210.89320.00260.000200.00020.32700.05010.05280.00040.00353GRNN01000000000BP0.10690.70090.00010.162600.00520.00030.00060.01340.00220.0079Elman0.17440.89040.00040.000100.00140.02470.00340.002300.00194GRNN0000000000.94120.0588BP0.00410.00270.00010.034100.00030.018900.22190.00230.0082Elman0.11590.04850.0007000.00150.02920.00270.06240.03330.0023

從表2的診斷結(jié)果可知，在前3個故障實(shí)例診斷中，3種診斷模型均能準(zhǔn)確診斷出故障，并且，Elman神經(jīng)網(wǎng)絡(luò)診斷發(fā)現(xiàn)故障的概率高于BP神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)診斷發(fā)現(xiàn)故障的概率高于Elman神經(jīng)網(wǎng)絡(luò)。在診斷實(shí)例4中，BP和Elman均未能準(zhǔn)確診斷出故障A10，而GRNN診斷發(fā)生A10故障的概率為0.9412，與現(xiàn)場故障的診斷結(jié)果一致。因此，GRNN神經(jīng)網(wǎng)絡(luò)的診斷模型，相比于另外2種診斷模型的診斷精度更高，泛化能力更強(qiáng)，更加適合電廠凝汽器故障的診斷。

4 結(jié) 語

選取凝汽器典型故障及故障征兆集，采用GRNN神經(jīng)網(wǎng)絡(luò)，建立了凝汽器故障的診斷模型。通過故障實(shí)例，驗(yàn)證了GRNN診斷模型的有效性。經(jīng)對比，GRNN神經(jīng)網(wǎng)絡(luò)的診斷速度快，故障剝離能力更強(qiáng)。