人工神經網絡在水電機組故障診斷中的應用分析

付小海

【摘要】在水電設備狀態檢修方面，最為重要的是狀態監測以及故障診斷。在人工神經網絡中，具有并行性、容錯性以及記憶性特征，利用其對水電機組的故障進行診斷，能夠使診斷效率和質量得到極大的提升，因此在此方面具有較大的應用優勢。本文將對水電機組設備的運行狀態及故障模式進行分析，并對神經網絡在故障診斷中的應用加以闡述。

【關鍵詞】人工神經網絡；水電機組；故障診斷

引言：

隨著科技的快速發展，水電機組設備檢修也逐漸向狀態檢修的方向邁進，更加側重于對設備狀態進行診斷和分析，其與故障檢修相比具有較為顯著的優勢，主要體現在對設備運行狀態進行監測和診斷方面。人工神經網絡具有自組織、自聯想、容錯性等特征，其作為一種進行的診斷方法，在水電機組設備中的應用能夠使診斷結果的準確性得到進一步保障。

1、水電機組設備的運行狀態及故障模式

1.1運行狀態

在水電機組中，其主要的監測內容有：發電機、水輪機、調速器以及各項高壓設備等。為了能夠有效保障監測質量，使設備運行中產生的異常情況被及時發現，應對水電設備的多項性能進行全面化監測，例如定子局部放電、定子振動、發電機出口開關、空氣間隙等等。在具體的生產過程中，對水電設備進行監測的主要內容特殊電量、溫度、轉動、流量等。處于運行狀態下的設備主要分為兩種，即正常狀態和異常狀態。其中，正常狀態主要是指設備中的各項參數值都處于標準的范圍內，異常狀態是指設備監測到的數值大于標準值。狀態監測系統采集到水電設備中的各項參數后，將會與設備標準特征參數進行對比，根據對比結果對該設備是否處于正常的運行狀態進行判定。對于不同的水電設備來說，其類型也各不相同，進而產生的故障形式也不完全一致。例如，能夠導致機組發生異常振動的故障可能為：機組中心偏移、主軸不正、轉動部件不均衡、定子鐵芯拉力不相同等等。

1.2故障模式

定義集合S代表非空設備運行狀態，集合D代表非空設備故障模式，集合F代表以S×D為定義的關系子集，即集合F能夠表現出設備運行狀態以及故障診斷模式之間的關系。采用人工神經網絡研究故障診斷的方式，本質上是以確定輸入層與輸出層連接權值的方式，將關系子集F充分的體現出來。通過監測得到的檢驗結果被稱為設備狀態值，以Si的形式表現，其中i為監測的次數，范圍是1，2，3……l，進而由S1，S2，S3……Sl構成了設備狀態集合S。對于設備中出現的某種故障模式，也可以采用特征值來體現，例如1代表存在故障，需要進行檢修；0代表沒有故障，無需修理等。設備故障集合d主要由設備中的n種類型故障特征構成，其內容為d1，d2，d3……dn[1]。

2、BP神經網絡結構

在人工神經網絡的應用中，最為重要的一點就是合理選擇網絡結構，以此來充分體現出問題特點，具有良好的收斂性。而多層BP網絡結構中的各層輸出和輸入關系，剛好能夠滿足非線性單調函數的需求，對于分類問題的劃分更加準確、合理。另外，變換函數具有明顯的連續性，能夠利用梯度法中的相關知識對其進行推到和計算。因此，在對水電機組的故障診斷中，可以利用BP神經網絡結構的方式來實現。

2.1網絡結構

首先需要構建一個具有隱含層的三層BP網絡，輸入層為其中1個節點，輸出層為n個節點，隱含層中具有m個節點，該神經網絡的數學模型為：

公式中，代表輸入矢量，輸入層中具有1個神經元，并且的取值范圍為1，2，3……m。在l、m、n的取值方面，設備監測內容l的取值為輸入層神經元數，n為輸出層神經元數，取值為設備故障模式數，。由于隱含層的節點數值選擇較為復雜，目前尚且不具備較為嚴格的理論規定，只是相應的建議，應根據具體情況具體分析。在本文的研究中，選取m≥1，在網絡學習中，由于隱含層的神經元m收斂速度較快，因此將其作為最佳選項。

2.2神經網絡學習

BP網絡學習算法的過程為：首先，將學習樣本輸入進去，以網絡正向傳播的形式將輸出值輸出，將其與期望值進行對比，得到中間差；然后，將差值進行反向傳播，以此來實現對神經網絡中各項元數之間閾值以及連接權的調整。以Xn作為學習訓練的樣本，因此樣本數量為1，2.3……n，由于該算法屬于有教師學習，因此與之所對應的教師也有n個，以t1，t2，t3……tn來表示，通過對算法的學習，能夠產生實際學習與期望值之間的誤差，并且以此來對連接權及閾值進行修改，如此反復，直至誤差能夠處于合理的范圍之內。

3、神經網絡在水電機組故障診斷中的應用

3.1運行狀態特征值

設備運行狀態特征矢量x與神經網絡輸入矢量s相同，通常采用性能測量指標的方式，對運行狀態的特征值進行計算，神經網絡的輸入公式為：

公式中，代表測量的標稱值。對設備的性能進行檢測時，存在較大的隨機性和不確定性，單純的根據某個數值的變化對設備的運行狀態進行斷定，往往缺乏全面性和準確性。在本文的研究中，利用模糊聚類的方式，以隸屬度對設備運行狀態的數值進行反應，這樣做的主要目的是能夠對測量過程中的頻率、信號、時差等方面因素進行分析，對隸屬度Xi進行明確的規定，然后以設備特征值xi，使其取值范圍為0-1之間，以此對設備的運行狀態進行展示。

3.2故障判定

神經網絡中的輸出值d與設備故障的矢量y相同，由于輸出值的范圍屬于0到1之間，因此應選擇恰當的函數對設備狀態進行判定。可以根據WTA準則中的內容，輸出節點的數值較高，則表示存在故障。也可以采用閾值法進行決策參考，以G代表閾值，如果發生故障類型特征值y超過G時，則表示此類故障出現，反之則表示不存在故障現象。

4、結束語

綜上所述，隨著科學技術的快速發展，水電機組的故障檢測也應加強與新型技術的融合，人工神經網絡具有容錯性、并行性以及記憶等功能，將其應用到水電故障診斷中，能夠使診斷效率得到極大的提升。通過實驗研究能夠得出，此種方式借助于計算機網絡技術，能夠實現在線和離線診斷，應用起來更加直觀方便，能夠為狀態檢修工作奠定堅實基礎。

參考文獻：

[1]梁武科，彭文季，羅興锜，逯鵬.水電機組振動故障診斷的人工神經網絡選擇研究[J].儀器儀表學報，2006，（12）：1711-1714.