專利名稱：一種基于cpn神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種汽輪發(fā)電機(jī)組的故障診斷技術(shù)，特別涉及一種基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法。
背景技術(shù)：
隨著我國(guó)“廠網(wǎng)分開、競(jìng)價(jià)上網(wǎng)”運(yùn)營(yíng)模式的形成，各發(fā)電企業(yè)面臨著巨大的市場(chǎng)競(jìng)爭(zhēng)。為提高自身的競(jìng)爭(zhēng)力，各發(fā)電企業(yè)不斷挖掘自身潛力，降低發(fā)電成本。大型汽輪發(fā)電機(jī)組是發(fā)電企業(yè)的主要設(shè)備，具有機(jī)組容量大、熱力參數(shù)高的特點(diǎn)，其運(yùn)行安全性與經(jīng)濟(jì)性的問題在這種競(jìng)爭(zhēng)環(huán)境下更顯得突出，而且其性能退化與機(jī)組故障以及運(yùn)行水平對(duì)電廠甚至整個(gè)電網(wǎng)的安全性、經(jīng)濟(jì)性的影響愈發(fā)嚴(yán)重。由于大型汽輪機(jī)組結(jié)構(gòu)比較復(fù)雜，運(yùn)行環(huán)境比較特殊，機(jī)組出現(xiàn)性能退化甚至故障是不可避免的，所以及時(shí)診斷、預(yù)防機(jī)組的故障，提高設(shè)備的可用率，保障機(jī)組安全、經(jīng)濟(jì)地運(yùn)行，仍然是發(fā)電企業(yè)提高經(jīng)濟(jì)效益、增強(qiáng)競(jìng)爭(zhēng)力的有效途徑之一。因此，進(jìn)行汽輪發(fā)電機(jī)組故障診斷的研究，對(duì)于早期發(fā)現(xiàn)故障原因及部位、提高機(jī)組的運(yùn)行可靠性以及制定科學(xué)的維修制度具有現(xiàn)實(shí)意義。人工神經(jīng)網(wǎng)絡(luò)(Artif icial Neural Networks,簡(jiǎn)稱ANN)是由大量神經(jīng)兀處理單元互連組成的并行分布處理系統(tǒng)，具有自學(xué)習(xí)、聯(lián)想存儲(chǔ)以及高速尋找優(yōu)化解的功能。神經(jīng)網(wǎng)絡(luò)在信號(hào)處理、目標(biāo)跟蹤、專家系統(tǒng)以及模式識(shí)別等領(lǐng)域具有很大的應(yīng)用價(jià)值，特別是在機(jī)械故障診斷中具有很大的應(yīng)用潛力。目前汽輪發(fā)電機(jī)組故障診斷的常用方法是在基于頻譜分析法的基礎(chǔ)上，應(yīng)用誤差反向傳播神經(jīng)網(wǎng)絡(luò)(Backward-propagation,簡(jiǎn)稱BP)對(duì)機(jī)組故障進(jìn)行分類。首先通過提取時(shí)域信號(hào)的頻域特征量，確定信號(hào)的頻率成分以及這些頻率幅值的大小，形成故障樣本，然后將得到的故障樣本作為BP神經(jīng)網(wǎng)絡(luò)的輸入，得到相應(yīng)的輸出作為故障診斷的結(jié)果，實(shí)現(xiàn)對(duì)汽輪機(jī)組的故障診斷。由于基于BP網(wǎng)絡(luò)的故障診斷方法不必事先給出各故障模式的判別函數(shù)或故障隸屬函數(shù)，它借助于其本身所具有的學(xué)習(xí)能力自動(dòng)形成故障類型與故障征兆間的非線性映射關(guān)系，為故障診斷提供了方便。但是BP神經(jīng)網(wǎng)絡(luò)也存在一定的局限性，比如學(xué)習(xí)率與穩(wěn)定性之間的矛盾，學(xué)習(xí)率的選擇缺乏有效的方法，訓(xùn)練過程可能陷入局部極小，沒有有效確定隱含層神經(jīng)元個(gè)數(shù)的方法等等。對(duì)向傳播神經(jīng)網(wǎng)絡(luò)(Counter-propagation Network,簡(jiǎn)稱CPN)是近年來興起的一種新型特征映射網(wǎng)絡(luò)，它可以克服目前常用的BP神經(jīng)網(wǎng)絡(luò)具有陷入局部極小點(diǎn)、學(xué)習(xí)速度慢和收斂性差的缺陷。CPN神經(jīng)網(wǎng)絡(luò)將kohonen特征映射網(wǎng)絡(luò)和Grossberg基本競(jìng)爭(zhēng)型網(wǎng)絡(luò)結(jié)合起來，發(fā)揮了各自的特長(zhǎng)，適用于故障診斷、模式分類、函數(shù)逼近、統(tǒng)計(jì)分析以及數(shù)據(jù)
壓縮等等。

發(fā)明內(nèi)容
本發(fā)明是針對(duì)目前汽輪發(fā)電機(jī)組的典型故障問題，提出了一種基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法，將Kohonen特征映射網(wǎng)絡(luò)和Grossberg基本競(jìng)爭(zhēng)型網(wǎng)絡(luò)結(jié)合起來形成的一種新型特征映射神經(jīng)網(wǎng)絡(luò)，它可以克服BP神經(jīng)網(wǎng)絡(luò)具有陷入局部極小點(diǎn)、 學(xué)習(xí)速度慢和收斂性差的缺陷，適用于故障診斷、模式分類、函數(shù)逼近、統(tǒng)計(jì)分析以及數(shù)據(jù)壓縮。本發(fā)明的技術(shù)方案為一種基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法，包括如下具體步驟
1)CPN神經(jīng)網(wǎng)絡(luò)依次包括輸入層、競(jìng)爭(zhēng)層和輸出層，汽輪發(fā)電機(jī)組故障訓(xùn)練樣本為輸入向量，輸出層為故障種類，每個(gè)輸出神經(jīng)元分別對(duì)應(yīng)一種故障類別，定義CPN神經(jīng)網(wǎng)絡(luò)各個(gè)層設(shè)CPN網(wǎng)絡(luò)的輸入向量為
4 =競(jìng)爭(zhēng)層的輸出向量為尾=., )，輸出層的實(shí)際輸出向量為
= Cci ca，cm)，目標(biāo)輸出向星為Cfc = (ci，其中從Q~· Af分別為CPN神經(jīng)網(wǎng)
絡(luò)輸入層、競(jìng)爭(zhēng)層以及輸出層的神經(jīng)元個(gè)數(shù)j = P,其中P表示CPN神經(jīng)網(wǎng)絡(luò)故障樣
本的個(gè)數(shù)，由輸入層至競(jìng)爭(zhēng)層的連接權(quán)值向量為,j = (^/1, wM)(j = 1,2,...,0 ;由競(jìng)爭(zhēng)
層到輸出層的連接權(quán)值向量為K ==；
2)CPN神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理將所有的輸入向量y按照公式4 = , IlAlI=JZ(^)2,奶進(jìn)行歸一化處理，并將連接權(quán)向量,和賦予
內(nèi)的
\[ i_i~ I j ^ 3,.. jj
隨機(jī)值；
3)CPN神經(jīng)網(wǎng)絡(luò)由輸入層至競(jìng)爭(zhēng)層進(jìn)行無教師型學(xué)習(xí)將連接權(quán)值向量》}按照公式 =I^I - IhIh1Iz^ >( =12 _進(jìn)行歸一化處理，將第個(gè)輸入模式4提供給
網(wǎng)絡(luò)輸入層，然后根據(jù)公式sy = f>f計(jì)算競(jìng)爭(zhēng)層中每個(gè)神經(jīng)元的加權(quán)輸
2-1U K …
M
入和’根據(jù)公式巧=^〒!^^!]^^^ = ^^!5^^得連接權(quán)向量,中與$距離最近的向量，
并將其對(duì)應(yīng)的神經(jīng)元的輸出bC/= g)設(shè)定為1，其余競(jìng)爭(zhēng)層神經(jīng)元的輸出g)設(shè)定為 O ；最后將連接權(quán)向量JTf按照公式Wfi ￠ + 1) = Wgi(i) + a(4 - Wgi ( ) , (i=iz.. N)進(jìn)行修正，
并將連接權(quán)重新歸一化，其中《為學(xué)習(xí)率，O <α*< I ;
4)CPN神經(jīng)網(wǎng)絡(luò)由競(jìng)爭(zhēng)層到輸出層進(jìn)行有教師型學(xué)習(xí)根據(jù)公式
+ (C1-C1) , (I = 1,2,...,1/)來修正競(jìng)爭(zhēng)層到輸出層的連接權(quán)向量其中彡為學(xué)習(xí)率，〔><多<1 ;求得輸出層各神經(jīng)元的加權(quán)輸入，并將其轉(zhuǎn)化為輸出層神經(jīng)元的實(shí)際輸出值4 = Vlg ；
55)CPN神經(jīng)網(wǎng)絡(luò)的重復(fù)訓(xùn)練將P個(gè)輸入模式全部提供給CPN神經(jīng)網(wǎng)絡(luò)進(jìn)行無教師型學(xué)習(xí)和有教師型學(xué)習(xí)，完成一次CPN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，再令f = + 1，將輸入模式4重新提供給網(wǎng)絡(luò)學(xué)習(xí)，直到 = T或者網(wǎng)絡(luò)誤差E小于預(yù)定的誤差為止，其中…為預(yù)先設(shè)定的學(xué)習(xí)
總次數(shù)QV ；
^ Jt-I ω
6)將故障診斷樣本作為輸入送入訓(xùn)練后的CPN神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷。所述步驟3)中根據(jù)公式々 =,計(jì)算出5.作，在這些中根據(jù)
2-1j KJ — yfjj
M
公式％= ma> ToifcWji= .ψ|β 勺選擇最大的加權(quán)輸入和,即為連接權(quán)向量
Wj中與為距離最近的向量，如果&的,其中T為該競(jìng)爭(zhēng)層神經(jīng)元被激活次數(shù)，則將 ^對(duì)應(yīng)的神經(jīng)元作為競(jìng)爭(zhēng)層獲勝神經(jīng)元，并使得&的 = +1 ;如果 >r,則選擇除4外最大的加權(quán)輸入和Ss，如果Ss的 Γ ,則將S*對(duì)應(yīng)的神經(jīng)元作為競(jìng)爭(zhēng)層獲勝神經(jīng)元，并使
得&的| = ￡ + 1，否則依次按加權(quán)輸入和S從大到小的順序?qū)ふ腋?jìng)爭(zhēng)層獲勝神經(jīng)元。本發(fā)明的有益效果在于本發(fā)明基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法，將CPN神經(jīng)網(wǎng)絡(luò)應(yīng)用于汽輪發(fā)電機(jī)組故障診斷中，可更準(zhǔn)確、更有效地實(shí)現(xiàn)發(fā)電機(jī)組故障診斷。


圖I是本發(fā)明基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法中CPN神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖2是本發(fā)明基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法程序流程圖。
具體實(shí)施例方式CPN神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與BP神經(jīng)網(wǎng)絡(luò)類似，都由輸入層、競(jìng)爭(zhēng)層和輸出層構(gòu)成。 但是CPN神經(jīng)網(wǎng)絡(luò)是一個(gè)異構(gòu)網(wǎng)，網(wǎng)絡(luò)中執(zhí)行兩種不同的訓(xùn)練算法，其異構(gòu)性更接近于人腦功能的模擬。輸入層和競(jìng)爭(zhēng)層構(gòu)成了自組織特征映射網(wǎng)絡(luò)(Self-Organizing Feature Map，簡(jiǎn)稱SOM)，這是一種典型的無教師型神經(jīng)網(wǎng)絡(luò)，以“強(qiáng)者占先、弱者退出”方式工作。競(jìng)爭(zhēng)層與輸出層構(gòu)成了基本競(jìng)爭(zhēng)型網(wǎng)絡(luò)，這是一種有教師型神經(jīng)網(wǎng)絡(luò)。CPN神經(jīng)網(wǎng)絡(luò)將有教師型神經(jīng)網(wǎng)絡(luò)與無教師型神經(jīng)網(wǎng)絡(luò)結(jié)合在一起，汲取了無教師型網(wǎng)絡(luò)分類靈活、算法簡(jiǎn)練的優(yōu)點(diǎn)和有教師型網(wǎng)絡(luò)分類精細(xì)、準(zhǔn)確的長(zhǎng)處，可以克服BP神經(jīng)網(wǎng)絡(luò)在汽輪發(fā)電機(jī)組故障診斷應(yīng)用中的缺點(diǎn)和不足。CPN神經(jīng)網(wǎng)絡(luò)由輸入層至競(jìng)爭(zhēng)層，網(wǎng)絡(luò)按照SOM學(xué)習(xí)規(guī)則反復(fù)不斷地在競(jìng)爭(zhēng)層挑選獲勝神經(jīng)元，并調(diào)整相應(yīng)的輸入層至競(jìng)爭(zhēng)層的連接權(quán)值；由競(jìng)爭(zhēng)層到輸出層，網(wǎng)絡(luò)按照基本競(jìng)爭(zhēng)型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則，得到各輸出層神經(jīng)元的實(shí)際輸出值，并按照有教師型的誤差校正方法，修正由競(jìng)爭(zhēng)層到輸出層的連接權(quán)值，以實(shí)現(xiàn)類的表示功能。經(jīng)過學(xué)習(xí)調(diào)整后的各神經(jīng)元所對(duì)應(yīng)的連接權(quán)值記錄了所有輸入模式的綜合信息，通過這些信息可以對(duì)目標(biāo)進(jìn)行正確的識(shí)別。在應(yīng)用CPN神經(jīng)網(wǎng)絡(luò)進(jìn)行汽輪發(fā)電機(jī)組故障診斷之前，需要對(duì)CPN神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，CPN神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖I所示，將CPN神經(jīng)網(wǎng)絡(luò)符號(hào)設(shè)置如下設(shè)CPN
網(wǎng)絡(luò)的輸入向量I為-4 =,競(jìng)爭(zhēng)層3的輸出向量5為各=(pK'.為)
，輸出層4的頭際輸出向星為Ck = ('C1 ,C2 ,…,cM)，目標(biāo)輸出向星為= (C1 rc3， 其中M Q' M分別為CPN神經(jīng)網(wǎng)絡(luò)輸入層2、競(jìng)爭(zhēng)層3以及輸出層4的神經(jīng)元個(gè)數(shù)， =,其中p表示CPN神經(jīng)網(wǎng)絡(luò)故障樣本的個(gè)數(shù)。由輸入層2至競(jìng)爭(zhēng)層3的連接
權(quán)值向量為,j. = Cwjl, w^f)C/ = 12,.-,0 ;由競(jìng)爭(zhēng)層3到輸出層4的連接權(quán)值向量為 = ...,Mj。CPN神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程如下
第一、數(shù)據(jù)預(yù)處理將所有的輸入模式4按照公式(I)進(jìn)行歸一化處理，并將連接權(quán)向
量巧和匕賦予
內(nèi)的隨機(jī)值。
第二、CPN神經(jīng)網(wǎng)絡(luò)訓(xùn)練
I)輸入層至競(jìng)爭(zhēng)層的無教師型學(xué)習(xí)將連接權(quán)值向量％按照公式(2)進(jìn)行歸一化處
理，
將第免個(gè)輸入模式4提供給網(wǎng)絡(luò)輸入層，然后根據(jù)公式(3)計(jì)算競(jìng)爭(zhēng)層中每個(gè)神經(jīng)元的加權(quán)輸入和
根據(jù)公式(4)求得連接權(quán)向量％中與A距離最近的向量
M
Wg =wJi =r, sJ，⑷
并將其對(duì)應(yīng)的神經(jīng)元的輸出設(shè)定為1，其余競(jìng)爭(zhēng)層神經(jīng)元的輸出設(shè)定為0 ;最后將連接權(quán)向量按照公式(5)進(jìn)行修正，并將連接權(quán)Ws重新歸一化。Wgi ￠ + 1) = Wgi(I) + a(a}k - Wgi ￠)) , (i =(5)
其中《為學(xué)習(xí)率，0 <(^<1。2)競(jìng)爭(zhēng)層到輸出層的有教師型學(xué)習(xí)根據(jù)公式(6)來修正競(jìng)爭(zhēng)層到輸出層的連接權(quán)向量K。
權(quán)利要求
1. 一種基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法，其特征在于，包括如下具體步驟I)CPN神經(jīng)網(wǎng)絡(luò)依次包括輸入層、競(jìng)爭(zhēng)層和輸出層，汽輪發(fā)電機(jī)組故障訓(xùn)練樣本為輸入向量，輸出層為故障種類，每個(gè)輸出神經(jīng)元分別對(duì)應(yīng)一種故障類別， 定義CPN神經(jīng)網(wǎng)絡(luò)各個(gè)層設(shè)CPN網(wǎng)絡(luò)的輸入向量為，競(jìng)爭(zhēng)層的輸出向量為Bk = ，…，Φ，輸出層的實(shí)際輸出向量為4 = (4,4.....Cl),目標(biāo)輸出向量為Q = (44 —4),其中從Q' M分別為CPN神經(jīng)網(wǎng)絡(luò)輸入層、競(jìng)爭(zhēng)層以及輸出層的神經(jīng)元個(gè)數(shù)及= 1,2,...P ,其中表示CPN神經(jīng)網(wǎng)絡(luò)故障樣本的個(gè)數(shù)，由輸入層至競(jìng)爭(zhēng)層的連接權(quán)值向量為=(博;'1>、”">替,)1/= 12!…,0 ；由競(jìng)爭(zhēng)層到輸出層的連接權(quán)值向量為= 1,,,,,Μ")；2)CPN神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理將所有的輸入向量y按照公式# = I^i,Il4lZ(af)2’進(jìn)行歸一化處理，并將連接權(quán)向量,和^賦予[O, I]內(nèi)的隨機(jī)值；3)CPN神經(jīng)網(wǎng)絡(luò)由輸入層至競(jìng)爭(zhēng)層進(jìn)行無教師型學(xué)習(xí)將連接權(quán)值向量按照公式ΙΣ^ ’(Σ=α.一-—?dú)w一化處理，將第^個(gè)輸入模式為提供給M網(wǎng)絡(luò)輸入層，然后根據(jù)公式&:_ 12 ρ)計(jì)算競(jìng)爭(zhēng)層中每個(gè)神經(jīng)元的加權(quán)輸距離最近的向量，入和，根據(jù)公式,I = — Ifiax 2j磉~ lPas 導(dǎo)連接權(quán)向量,中與并將其對(duì)應(yīng)的神經(jīng)元g的輸出$ = g)設(shè)定為I,其余競(jìng)爭(zhēng)層神經(jīng)元的輸出bC/* g)設(shè)定為O ;最后將連接權(quán)向量1^按照公式、(| + 1): ^) + ￡1%1-、(|)),(!=；1,2,_的進(jìn)行修正，并將連接權(quán)%重新歸一化,其中G為學(xué)習(xí)率,O < 12 < I;4)CPN神經(jīng)網(wǎng)絡(luò)由競(jìng)爭(zhēng)層到輸出層進(jìn)行有教師型學(xué)習(xí)根據(jù)公式 +1) = Vlg(I) + β}(C1 -Ci),(I = lf2r.^,Μ)來修正競(jìng)爭(zhēng)層到輸出層的連接權(quán)向量K,其中#為學(xué)習(xí)率求得輸出層各神經(jīng)元的加權(quán)輸入，并將其轉(zhuǎn)化為輸出層神經(jīng)元的實(shí)際輸出值4 = Vlg ；5)CPN神經(jīng)網(wǎng)絡(luò)的重復(fù)訓(xùn)練將P個(gè)輸入模式全部提供給CPN神經(jīng)網(wǎng)絡(luò)進(jìn)行無教師型學(xué)習(xí)和有教師型學(xué)習(xí)，完成一次CPN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，再令I(lǐng) =!+1’將輸入模式4重新提供給網(wǎng)絡(luò)學(xué)習(xí)，直到I =了或者網(wǎng)絡(luò)誤差E小于預(yù)定的誤差為止，其中為預(yù)先設(shè)定的學(xué)習(xí)總次數(shù)
2.根據(jù)權(quán)利要求I所述基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法，其特征在于，
全文摘要
本發(fā)明涉及一種基于CPN神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組故障診斷方法，CPN神經(jīng)網(wǎng)絡(luò)由輸入層至競(jìng)爭(zhēng)層，網(wǎng)絡(luò)進(jìn)行無教師型學(xué)習(xí)，反復(fù)不斷地在競(jìng)爭(zhēng)層挑選獲勝神經(jīng)元，并調(diào)整相應(yīng)的輸入層至競(jìng)爭(zhēng)層的連接權(quán)值；由競(jìng)爭(zhēng)層到輸出層，網(wǎng)絡(luò)進(jìn)行有教師型學(xué)習(xí)，得到各輸出層神經(jīng)元的實(shí)際輸出值，并按照有教師型的誤差校正方法，修正由競(jìng)爭(zhēng)層到輸出層的連接權(quán)值，以實(shí)現(xiàn)類的表示功能。經(jīng)過學(xué)習(xí)調(diào)整后的各神經(jīng)元所對(duì)應(yīng)的連接權(quán)值記錄了所有輸入模式的綜合信息，通過這些信息可以對(duì)目標(biāo)進(jìn)行正確的識(shí)別。將CPN神經(jīng)網(wǎng)絡(luò)應(yīng)用于汽輪發(fā)電機(jī)組故障診斷中，可以克服BP神經(jīng)網(wǎng)絡(luò)陷入局部極小點(diǎn)、學(xué)習(xí)速度慢和收斂性差的缺陷，更準(zhǔn)確、更有效地實(shí)現(xiàn)發(fā)電機(jī)組故障診斷。
文檔編號(hào)G06N3/08GK102609764SQ20121002203
公開日2012年7月25日 申請(qǐng)日期2012年2月1日 優(yōu)先權(quán)日2012年2月1日
發(fā)明者夏飛, 張 浩, 彭道剛, 李輝, 黃恒孜 申請(qǐng)人:上海電力學(xué)院