基于神經網絡的低氮燃氣鍋爐故障診斷研究

趙培慶

(北京北燃環能科技發展有限公司，北京 100011)

低氮燃氣鍋爐對鍋爐房系統來說，屬于重大關鍵設備，也是故障發生頻繁的部分[1]。正確監測鍋爐的狀態，預測可能發生的故障，對維護人員及早發現故障，盡快處理故障有很大的幫助，并對鍋爐房重大設備的安全性、提高設備的利用率、減少非計劃停機的次數和時間等起到積極作用，還能有效降低檢修費用，提高鍋爐房的經濟效益[2-3]。

根據低氮燃氣鍋爐的狀態參數歷史數據訓練BP神經網絡，然后將此信息與當前測量的鍋爐運行參數數據進行比較，以確定相應的故障；充分利用BP神經網絡的自學習、非線性、并行計算和容錯的能力，提高了低氮燃氣鍋爐故障診斷的快速性和準確率[4]。

1 神經網絡結構和算法

BP神經網絡已廣泛應用于非線性建模、函數逼近、系統辨識和分類等方面,但對實際問題,其模型結構需由實驗確定。

1.1 BP神經網絡的結構

BP神經網絡是一種單向傳播的多層前向網絡，其結構如圖1所示。網絡由輸入層、一層或多層隱含層和輸出層組成。

圖1 BP神經網絡結構圖

1.2 BP神經網絡的算法

在BP神經網絡中輸入層得到刺激后，會把他傳給隱含層，至于隱含層，則會根據神經元相互聯系的權重并根據規則把這個刺激傳給輸出層，輸出層對比結果，如果不對，則返回進行調整神經元相互聯系的權值。這樣就可以進行訓練，最終學會。在 BP 學習算法中，輸入層，輸出層和隱含層權值調整方式都是一樣的。由三個條件決定，它們分別是：學習效率，輸入層，輸出層和隱含層的各層誤差信號和各層輸入信號X/Y。其中最為重要的是輸出層誤差信號，它直接意味著和實際期望結果的差異，代表著與預期結果的差距，而前面的各層的誤差都是從后往前傳遞計算的誤差。

2 算例和分析

2.1 訓練樣本

將低氮燃氣鍋爐出水和回水溫度、出水壓力、水位和燃氣壓力以及排煙溫度、煙氣NOx含量7個系統參數作為網絡的輸入向量X=(x1,x2,x3…,x7)，輸出向量為故障原因Y=(y1,y2,y3…,y5)，從而建立系統參數與故障原因之間的映射關系，如表1所示。

表1 系統參數與故障原因映射關系表

網絡的樣本經過數據變換處理、提取特征參數作為樣本集如表2所示，輸出為樣本對應故障原因Yi，如果對應編號的項取1，表示該故障原因發生，否則取0，表示該故障原因不發生，若輸出全為0，表示故障沒有發生。

表2 故障類型與樣本分析表

2.2 網絡的訓練和測試

將采集的鍋爐參數及相應的故障原因作為學習樣本。一般將數據分為兩部分，一部分作為網絡訓練，一部分作為測試。

為簡單起見，采用5級模糊算子對輸入參數進行處理，模糊算子特征值如表3所示。

表3 模糊算子特征值

根據各對應故障下的運行參數分別計算對應的模糊算子，根據最大隸屬度原則，選取5個隸屬度最大的一個作為該故障參數下的模糊算子，計算結果如表4所示。

表4 參數模糊化后的算子

網絡經過訓練后便具備了診斷故障的能力。訓練樣本的測試結果如表5所示。從表5的診斷結果數據中可以看出,人工神經網絡具有很高的診斷精度。經過更多組樣本的測試,診斷結果表明網絡同時也具有非常好的魯棒性。

表5 訓練測試結果

2.3 誤差分析

為了提高神經網絡的收斂速度,防止出現局部極小點,通過在Matlab仿真平臺上進行反復訓練和比較后,發現網絡在學習速率為 0.7，動量常數為 0.2 時樣本訓練的結果可 達到很高的精度,故障平均誤差保持在0.01 以下。對訓練過程進行多次仿真，得出訓練次數與均方誤差的關系如圖2所示。

圖2 訓練次數與均方誤差關系圖

3 結 論

基于BP神經網絡故障診斷的方法能有效地克服單一神經網絡存在的結構龐大、樣本準備和網絡學習困難、可靠性和精度差等問題。通過Matlab仿真證實該方法對于低氮鍋爐系統故障診斷有較高的精度和實用性。