CN110108457B - 一种基于万有引力神经网络的一次风机轴温诊断方法 - Google Patents

Abstract

本发明涉及一种基于万有引力神经网络的一次风机轴温诊断方法，包括如下步骤：步骤1，基于一次风机相关测点参数，建立并训练相应的BP神经网络预测模型，并基于万有引力搜索算法对BP神经网络预测模型进行优化，得到万有引力神经网络预测模型；步骤2,基于万有引力神经网络预测模型对一次风机轴温进行估计，得到一次风机的前、中、后轴温预测值；步骤3，基于MSET算法求出真实轴温值和预测轴温值之间的残差，若残差曲线的变化趋势一直持续且没有回落趋势，则诊断为故障。本发明能够实现对一次风机轴温的早期故障预警，并具有较高的准确性。

Description

一种基于万有引力神经网络的一次风机轴温诊断方法

技术领域

本发明属于火力发电技术领域，尤其涉及一种基于万有引力神经网络的一次风机轴温诊断方法。

背景技术

随着火力发电高参数大容量机组的不断发展，与之相应的辅机也趋向大型化，辅机设备在火电厂生产过程中的作用也显得越来越重要。辅机设备的故障不仅会直接影响电能的产量和质量，严重的还可能造成严重的设备和人身事故。因此，对火电厂辅机设备的状态监测和故障诊断，具有重大的现实意义。

目前，普遍使用的基于火电厂辅机设备的在线监测与故障诊断方法有三类：

(1)解析模型方法。

基于解析模型的状态监测方法费时费力，由于***存在时变、不确定性等问题，受到精确建模的限制，不适用于火电厂辅机设备这样结构复杂、非线性强的***。

(2)专家***方法。

专家***利用专家经验设计一组计算机程序，对监测到的状态进行基于专家经验的智能分析，从而进行故障判别。该方法对于非线性***和复杂***的诊断具有广泛的应用，但研究发现，专家***的方法在火电厂辅机设备故障诊断中上还存在以下几个主要问题：在实际应用中，知识获取存在“瓶颈”；对运行过程的动态过程信息利用不充分；对***未知的新故障和混杂故障处理能力不足。

(3)机器学习与模式识别方法。

基于机器学习的故障诊断的核心是合理地处理获取到故障信息，在特定的环境下，对诊断对象进行准确的模式识别和状态预测的。由于目前机器学习瓶颈问题的制约，目前，对于随机性、不确定性强以及知识信息冗余或欠缺的诊断对象，仍然很难具有较高的诊断准确性。

发明内容

本发明的目的是提供一种基于万有引力神经网络的一次风机轴温诊断方法，通过构造一次风机关键测点变量作为输入矩阵，后通过残差分析实现对一次风机轴温的早期故障预警。

本发明提供了一种基于万有引力神经网络的一次风机轴温诊断方法，包括如下步骤：

步骤1，基于一次风机相关测点参数，建立并训练相应的BP神经网络预测模型，并基于万有引力搜索算法对BP神经网络预测模型进行优化，得到万有引力神经网络预测模型；

步骤2,基于万有引力神经网络预测模型对一次风机轴温进行估计，得到一次风机的前、中、后轴温预测值；

步骤3，基于MSET算法求出真实轴温值和预测轴温值之间的残差，若残差曲线的变化趋势一直持续且没有回落趋势，则诊断为故障。

进一步地，步骤1中一次风机相关测点参数包括一次风机油泵电流、一次风机出口压力、一次风机垂直振动、一次风机电机电流、一次风机电机定子温度、一次风机电机后轴承温度、一次风机电机前轴承温度、一次风机动叶控制、一次风机动叶控制反馈、一次风机风量、一次风机控制油压、一次风机入口压力、一次风机失速报警差压、一次风机水平振动、一次风机油站油箱温度、一次风机中轴承温度中的多种。

进一步地，一次风机油泵电流、一次风机出口压力、一次风机垂直振动、一次风机电机电流、一次风机电机定子温度、一次风机电机后轴承温度、一次风机电机前轴承温度、一次风机动叶控制、一次风机动叶控制反馈、一次风机风量、一次风机后轴承温度、一次风机控制油压、一次风机前轴承温度、一次风机入口压力、一次风机失速报警差压、一次风机水平振动、一次风机油站油箱温度为所述万有引力神经网络预测模型的输入参数；所述一次风机前轴承温度、一次风机中轴承温度、一次风机后轴承温度为万有引力神经网络预测模型的输出参数。

借由上述方案，通过基于万有引力神经网络的一次风机轴温诊断方法，具有如下技术效果：

1)利用电厂SIS***获取的一次风机相关多个测点数据对一次风机轴温进行估计，并与实际的一次风机轴温进行MSET求残差，判断残差走势及是否发生突变，可实时更新预警，方便检修人员提前了解设备状态，根据报警进行细致检查；

2)利用万有引力算法对神经网络预测模型的参数进行优化，能够有效的提高预测模型的估计精度；

3)利用MSET算法计算残差，提高了模型的精准度；

4)通过选取较多的变量，提高了模型的覆盖程度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明一种基于万有引力神经网络的一次风机轴温诊断方法的流程图；

图2为本发明万有引力神经网络模型结构图；

图3为本发明万有引力神经网络模型所采用的三层BP神经网络结构图；

图4为本发明利用万有引力搜索算法对BP神经网络预测模型进行优化的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种基于万有引力神经网络的一次风机轴温诊断方法，包括如下步骤：

步骤S1，基于一次风机相关测点参数，建立并训练相应的BP神经网络预测模型，并基于万有引力搜索算法对BP神经网络预测模型进行优化，得到万有引力神经网络预测模型；

步骤S2,基于万有引力神经网络预测模型对一次风机轴温进行估计，得到一次风机的前、中、后轴温预测值；

步骤S3，基于MSET算法求出真实轴温值和预测轴温值之间的残差，若残差曲线的变化趋势一直持续且没有回落趋势，则诊断为故障。

通过该基于万有引力神经网络的一次风机轴温诊断方法，能够实现对一次风机轴温的早期故障预警，并具有较高的准确性。

在本实施例中，步骤S1中一次风机相关测点参数包括一次风机油泵电流、一次风机出口压力、一次风机垂直振动、一次风机电机电流、一次风机电机定子温度、一次风机电机后轴承温度、一次风机电机前轴承温度、一次风机动叶控制、一次风机动叶控制反馈、一次风机风量、一次风机后轴承温度、一次风机控制油压、一次风机前轴承温度、一次风机入口压力、一次风机失速报警差压、一次风机水平振动、一次风机油站油箱温度、一次风机中轴承温度中的多种。

在本实施例中，一次风机油泵电流、一次风机出口压力、一次风机垂直振动、一次风机电机电流、一次风机电机定子温度、一次风机电机后轴承温度、一次风机电机前轴承温度、一次风机动叶控制、一次风机动叶控制反馈、一次风机风量、一次风机控制油压、一次风机入口压力、一次风机失速报警差压、一次风机水平振动、一次风机油站油箱温度为所述万有引力神经网络预测模型的输入参数；所述一次风机前轴承温度、一次风机中轴承温度、一次风机后轴承温度为所述万有引力神经网络预测模型的输出参数。

下面对本发明作进一步详细说明。

参图2至图4所示，在一具体实施例中，应用该方法进行一次风机轴温诊断的方法包括：

步骤1：根据一次风机相关测点，共有35个，分别是一次风机#1油泵电流；一次风机#2油泵电流；一次风机出口压力；一次风机垂直振动1；一次风机垂直振动2；一次风机电机电流；一次风机电机定子A温度1；一次风机电机定子A温度2；一次风机电机定子B温度1；一次风机电机定子B温度2；一次风机电机定子C温度1；一次风机电机定子C温度2；一次风机电机后轴承温度；一次风机电机前轴承温度；一次风机动叶控制；一次风机动叶控制反馈；一次风机动叶控制输出；一次风机动叶偏置；一次风机动叶位置反馈；一次风机风量；一次风机后轴承温度1；一次风机后轴承温度2；一次风机后轴承温度3；一次风机控制油压正常；一次风机前轴承温度1；一次风机前轴承温度2；一次风机前轴承温度3；一次风机入口压力；一次风机失速报警差压；一次风机水平振动1；一次风机水平振动2；一次风机油站油箱温度，一次风机中轴承温度1；一次风机中轴承温度2；一次风机中轴承温度3，建立并训练相应的万有引力神经网络预测模型，模型的输出为一次风机的前、中、后轴温，输入为其它变量，具体如下：

a.采集数据构造样本集；

记录某一时刻k下的一次风机运行记录，并记录全部35个相关测点变量数值，得到一个样本(C₀(k)，C₁(k)，…,C₃₁(k))；通过收集多个不同时刻下的样本，形成样本集{(C₀(k)，C₁(k)，…,C₃₁(k))}；

b.建立三层结构的BP神经网络预测模型，其中，输入层神经元节点数为32个，隐含层神经元节点数为42个，输出层神经元节点数为3个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；对于第k个时刻所构造的样本(C₀(k)，C₁(k)，…,C₃₁(k))，取BP神经网络预测模型的第一个输出为T₁(k)，第二个输出为T₂(k)，第三个输出为T₃(k)；

c.随机抽取样本集中的80％做为训练样本，剩余的20％做为检验样本，利用万有引力搜索算法对建立的BP神经网络预测模型的权值与阈值进行优化，具体步骤如下：

①设置粒子群体规模N以及各粒子初始位置

D为粒子维数，并采用随机数生成的方式初始化各粒子位置；

②计算各粒子的适应度函数值：

定义粒子的适应度函数f_i为BP神经网络预测模型在训练样本上的均方差：

其中：m为输出节点个数；p为训练样本的个数；

为网络期望输出值；x_pj为网络实际输出值；

③更新群体中的f_best与f_worst(f_best＝minf_j，f_worst＝maxf_j)，按下式计算各粒子的质量M_i：

④按照下式计算各粒子的引力合力F_i与加速度a_i：

式中：t为迭代次数，F_i ^d(t)为第i个粒子受到的来自其它粒子引力合力F_i的第d维分量，

为第i个粒子的第d维的加速度，rand_j为[0，1]之间的随机数，G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，

和

分别为第i个粒子与第j个粒子的第d维的位置；

⑤按照下式更新各粒子的速度v_i与位置P_i：

式中：

为第i个粒子的第d维速度；

⑥返回步骤②，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络预测模型的权值与阈值；

步骤2：利用优化后的万有引力神经网络预测模型进行一次风机轴温的估计，即将一次风机相关的32个变量作为模型的输入，模型的输出为一次风机的前、中、后轴温。

步骤3：利用MSET模型(算法)求出真实轴温值和预测轴温值之间的残差，注意残差曲线的变化趋势，如果继续增大，应通知维修人员确认一次风机的运行状态，如果存在故障，则要采取相应的措施。算法运算速度可控制在15秒刷新一次，基本满足故障实时预警。

本发明具有如下技术效果：

1)利用电厂SIS***获取的一次风机相关多个测点数据对一次风机轴温进行估计，并与实际的一次风机轴温进行MSET求残差，判断残差走势及是否发生突变，可实时更新预警，方便检修人员提前了解设备状态，根据报警进行细致检查；

2)利用万有引力算法对神经网络预测模型的参数进行优化，能够有效的提高预测模型的估计精度；

3)利用MSET算法计算残差，提高了模型的精准度；

4)通过选取较多的变量，提高了模型的覆盖程度。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (3)

1.一种基于万有引力神经网络的一次风机轴温诊断方法，其特征在于，包括：

步骤1，基于一次风机相关测点的数据，建立万有引力神经网络预测模型，并对所述万有引力神经网络预测模型进行优化；

所述一次风机相关测点的数据包括：

一次风机油泵电流数据、一次风机出口压力数据、一次风机垂直振动数据、一次风机电机电流数据、一次风机电机定子温度数据、一次风机电机后轴承温度数据、一次风机电机前轴承温度数据、一次风机动叶控制数据、一次风机动叶控制反馈数据、一次风机动叶控制输出数据、一次风机动叶偏置数据、一次风机动叶位置反馈数据、一次风机风量数据、一次风机后轴承温度数据、一次风机控制油压正常数据、一次风机入口压力数据、一次风机失速报警差压数据、一次风机水平振动数据、一次风机油站油箱温度数据、一次风机中轴承温度数据；

所述万有引力神经网络预测模型的建立及优化方法包括：

a.采集数据构造样本集；

记录某一时刻k下的一次风机运行记录，并记录全部35个相关测点变量数值，得到一个样本(C₀(k)，C₁(k)，…,C₃₁(k))；通过收集多个不同时刻下的样本，形成样本集{(C₀(k)，C₁(k)，…,C₃₁(k))}；

b.建立三层结构的BP神经网络预测模型，其中，输入层神经元节点数为32个，隐含层神经元节点数为42个，输出层神经元节点数为3个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；对于第k个时刻所构造的样本(C₀(k)，C₁(k)，…,C₃₁(k))，取BP神经网络预测模型的第一个输出为T₁(k)，第二个输出为T₂(k)，第三个输出为T₃(k)；

c.随机抽取样本集中的80％做为训练样本，剩余的20％做为检验样本，利用万有引力搜索算法对建立的BP神经网络预测模型的权值与阈值进行优化，具体步骤如下：

①设置粒子群体规模N以及各粒子初始位置

D为粒子维数，并采用随机数生成的方式初始化各粒子位置；

②计算各粒子的适应度函数值：

定义粒子的适应度函数f_i为BP神经网络预测模型在训练样本上的均方差：

其中：m为输出节点个数；p为训练样本的个数；

为网络期望输出值；x_pj为网络实际输出值；

③更新群体中的f_best与f_worst(f_best＝minf_j，f_worst＝maxf_j)，按下式计算各粒子的质量M_i：

④按照下式计算各粒子的引力合力F_i与加速度a_i：

式中：t为迭代次数，F_i ^d(t)为第_i个粒子受到的来自其它粒子引力合力F_i的第d维分量，

为第i个粒子的第d维的加速度，rand_j为[0，1]之间的随机数，G(t)为引力时间常数；M_pi(t)和M_aj(t)分别为第i个粒子的被动惯性质量和第j个粒子的主动惯性质量，

和

分别为第i个粒子与第j个粒子的第d维的位置；

⑤按照下式更新各粒子的速度v_i与位置P_i：

式中：

为第i个粒子的第d维速度；

⑥返回步骤②，达到最大迭代次数后停止迭代，此时f_best所对应的粒子位置即为优化后的BP神经网络预测模型的权值与阈值；

步骤2，利用优化后的万有引力神经网络预测模型对一次风机轴温进行估计，得出预测轴温值；

步骤3，基于MSET算法求出真实轴温值和预测轴温值之间的残差，根据残差曲线的变化趋势对一次风机轴温进行诊断，若残差曲线的变化趋势持续增大，判定一次风机轴温存在异常。

2.根据权利要求1所述的基于万有引力神经网络的一次风机轴温诊断方法，其特征在于，还包括：

基于一次风机轴温诊断结果进行一次风机轴承故障实时预警。

3.根据权利要求2所述的基于万有引力神经网络的一次风机轴温诊断方法，其特征在于，在所述步骤3中，将所述MSET算法的运算速度控制在15秒刷新一次。

Images