一種高加給水系統(tǒng)故障程度識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于熱力系統(tǒng)故障診斷技術(shù)領(lǐng)域，特別設(shè)及一種高加給水系統(tǒng)故障程度識(shí) 別方法。
【背景技術(shù)】
[0002] 在大型火電機(jī)組熱力系統(tǒng)中，高加給水系統(tǒng)工作環(huán)境惡劣，長期承受高溫高壓的 給水和汽輪機(jī)抽汽的沖刷，運(yùn)行中還受到機(jī)組負(fù)荷突變、旁路切換等因素的影響，易發(fā)生內(nèi) 部泄漏、短路等故障。高加給水系統(tǒng)頻發(fā)故障，不僅降低機(jī)組運(yùn)行的經(jīng)濟(jì)性，嚴(yán)重時(shí)會(huì)危及 汽輪機(jī)本體及機(jī)組運(yùn)行人員的安全。因此，對高加給水系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)測和故障診斷十分 必要。隨著對系統(tǒng)安全性和可靠性要求的進(jìn)一步提高，人們不僅希望在高加給水系統(tǒng)發(fā)生 故障后能夠?qū)收线M(jìn)行診斷，更希望能夠根據(jù)系統(tǒng)運(yùn)行狀態(tài)或早期的故障征兆，按故障的 嚴(yán)重程度和發(fā)展趨勢制定合理的維修策略和檢修方案，W縮短設(shè)備維修的時(shí)間，提高設(shè)備 利用率，減少設(shè)備停機(jī)時(shí)間，延長機(jī)組壽命。
[0003] 目前高加給水系統(tǒng)故障診斷方法主要有人工神經(jīng)網(wǎng)絡(luò)、模糊模式識(shí)別、故障樹、多 元統(tǒng)計(jì)、支持向量機(jī)、因果圖等。現(xiàn)有方法將高加給水系統(tǒng)故障診斷視為模式識(shí)別問題，根 據(jù)選定的故障特征參數(shù)，僅能診斷故障的類型，并不能識(shí)別故障的嚴(yán)重程度。另外，現(xiàn)有方 法往往是在系統(tǒng)運(yùn)行穩(wěn)定后，假定高壓加熱器的汽、水參數(shù)基本不變的前提下，對某一具體 高壓加熱器進(jìn)行定性的、孤立的分析，沒有從故障發(fā)生后高加給水系統(tǒng)運(yùn)行參數(shù)的整體變 化規(guī)律考慮。
[0004] 本發(fā)明提出一種高加給水系統(tǒng)故障程度識(shí)別方法，建立了兩級(jí)神經(jīng)網(wǎng)絡(luò)集成診斷 模型，一級(jí)用于診斷故障類型，二級(jí)用于識(shí)別故障的嚴(yán)重程度，具有較高的診斷速度和精 度，并能有效識(shí)別故障的嚴(yán)重程度；可適用于額定工況、不同穩(wěn)態(tài)工況W及變工況動(dòng)態(tài)過程 故障診斷。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提出一種高加給水系統(tǒng)故障程度識(shí)別方法，其特征在于，包括 如下步驟：
[0006] 1)獲取高加給水系統(tǒng)不同類型、不同嚴(yán)重程度的故障樣本，并對故障樣本進(jìn)行標(biāo) 準(zhǔn)化處理；
[0007] 2)利用步驟1)得到的不同類型的故障樣本確定概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建立概率神 經(jīng)網(wǎng)絡(luò)，訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中，采用粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的參數(shù)，對 訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)進(jìn)行測試W建立概率神經(jīng)網(wǎng)絡(luò)故障診斷模型；
[0008] 3)針對每一類故障，利用步驟1)得到的不同嚴(yán)重程度的故障樣本確定前向神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)，建立前向神經(jīng)網(wǎng)絡(luò)，訓(xùn)練前向神經(jīng)網(wǎng)絡(luò)W確定其權(quán)值和闊值；對訓(xùn)練好的前向神 經(jīng)網(wǎng)絡(luò)進(jìn)行測試W建立前向神經(jīng)網(wǎng)絡(luò)程度識(shí)別模型；
[0009] 4)在建立好的概率神經(jīng)網(wǎng)絡(luò)故障診斷模型中輸入采集到的實(shí)時(shí)故障樣本數(shù)據(jù)，輸 出故障類型；
[0010] 5)根據(jù)步驟4)輸出的故障類型，選擇與之相對應(yīng)的前向神經(jīng)網(wǎng)絡(luò)程度識(shí)別模型；
[0011] 6)在選定的前向神經(jīng)網(wǎng)絡(luò)程度識(shí)別模型中連續(xù)輸入實(shí)時(shí)故障樣本數(shù)據(jù)，前向神經(jīng) 網(wǎng)絡(luò)識(shí)別并輸出故障嚴(yán)重程度；
[0012] 7)顯示高加給水系統(tǒng)的故障類型與故障嚴(yán)重程度。
[0013] 所述輸出故障嚴(yán)重程度的具體步驟為：
[0014] 步驟201 :確定前向神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的輸出，計(jì)算公式為：
[0015]
(0
[001引式（1)中，化似為前向神經(jīng)網(wǎng)絡(luò)第i個(gè)輸出節(jié)點(diǎn)在第k次的輸出；η為輸出層節(jié) 點(diǎn)數(shù)目；
[0017] 步驟202 :在前向神經(jīng)網(wǎng)絡(luò)的所有輸出層節(jié)點(diǎn)中選擇輸出值最大的節(jié)點(diǎn)1，計(jì)算公 式為：
[001 引 01化）二max腳化)}i二 1，2，···，η (2)
[001引式似中，01似為前向神經(jīng)網(wǎng)絡(luò)第1個(gè)輸出節(jié)點(diǎn)在第k次的輸出；
[0020] 步驟203 :在輸出層節(jié)點(diǎn)中，確定輸出值最大節(jié)點(diǎn)1的相鄰節(jié)點(diǎn)1-1和1+1 ;
[002。 步驟204 :從相鄰節(jié)點(diǎn)中選擇輸出值更大的節(jié)點(diǎn)g，公式為：
[002引Og似=max腳1似，0w化）} 做
[002引式（3)中，Og似為前向神經(jīng)網(wǎng)絡(luò)第g個(gè)輸出節(jié)點(diǎn)在第k次的輸出；
[0024] 步驟205 :計(jì)算故障的嚴(yán)重程度，公式如下：
[00 巧] (斗）
[0026] 式（4)中，S為故障的嚴(yán)重程度；Μ為輸出層節(jié)點(diǎn)1對應(yīng)的故障嚴(yán)重程度；N為輸出 層節(jié)點(diǎn)g對應(yīng)的故障嚴(yán)重程度；
[0027] 步驟206 :輸出故障嚴(yán)重程度的具體數(shù)值。
[0028] 本發(fā)明的有益效果是針對目前高加給水系統(tǒng)故障診斷方法僅能診斷故障的類型， 并不能識(shí)別故障的嚴(yán)重程度、沒有考慮故障發(fā)生后高加給水系統(tǒng)運(yùn)行參數(shù)的整體變化規(guī)律 的問題，提出了一種高加給水系統(tǒng)故障程度識(shí)別方法；將高加給水系統(tǒng)作為整體考慮，采用 概率神經(jīng)網(wǎng)絡(luò)診斷故障類型，具有較高的診斷速度和精度；采用前向神經(jīng)網(wǎng)絡(luò)有效識(shí)別故 障的嚴(yán)重程度，并能給出故障嚴(yán)重程度的具體數(shù)值；可用于額定工況、不同穩(wěn)態(tài)工況W及變 工況動(dòng)態(tài)過程故障診斷，在高加給水系統(tǒng)在線故障診斷中具有廣泛的適用性。
【附圖說明】
[0029] 圖1為一種高加給水系統(tǒng)故障程度識(shí)別方法流程圖。
【具體實(shí)施方式】
[0030] 本發(fā)明提出一種高加給水系統(tǒng)故障程度識(shí)別方法，下面結(jié)合附圖和具體實(shí)施例對 本發(fā)明作詳細(xì)說明。
[0031] 圖1所示為一種高加給水系統(tǒng)故障程度識(shí)別方法流程圖，包括如下步驟：
[0032] 1)獲取高加給水系統(tǒng)不同類型、不同嚴(yán)重程度的故障樣本，并對故障樣本進(jìn)行標(biāo) 準(zhǔn)化處理；
[0033] 2)利用步驟1)得到的不同類型的故障樣本確定概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建立概率神 經(jīng)網(wǎng)絡(luò)，訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中，采用粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的參數(shù)，對 訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)進(jìn)行測試W建立概率神經(jīng)網(wǎng)絡(luò)故障診斷模型；
[0034] 3)針對每一類故障，利用步驟1)得到的不同嚴(yán)重程度的故障樣本確定前向神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)，建立前向神經(jīng)網(wǎng)絡(luò)，訓(xùn)練前向神經(jīng)網(wǎng)絡(luò)W確定其權(quán)值和闊值；對訓(xùn)練好的前向神 經(jīng)網(wǎng)絡(luò)進(jìn)行測試W建立前向神經(jīng)網(wǎng)絡(luò)程度識(shí)別模型；
[0035] 4)在建立好的概率神經(jīng)網(wǎng)絡(luò)故障診斷模型中輸入采集到的實(shí)時(shí)故障樣本數(shù)據(jù)，輸 出故障類型；
[0036] 5)根據(jù)步驟4)輸出的故障類型，選擇與之相對應(yīng)的前向神經(jīng)網(wǎng)絡(luò)程度識(shí)別模型；
[0037] 6)在選定的前向神經(jīng)網(wǎng)絡(luò)程度識(shí)別模型中連續(xù)輸入實(shí)時(shí)故障樣本數(shù)據(jù)，前向神經(jīng) 網(wǎng)絡(luò)識(shí)別并輸出故障嚴(yán)重程度；
[0038] 7)顯示高加給水系統(tǒng)的故障類型與故障嚴(yán)重程度。
[0039] 其中，輸出故障嚴(yán)重程度的具體步驟為：
[0040] 步驟201 :確定前向神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的輸出，計(jì)算公式為：
[0041]
/二1,2,，.·.,/? C1)
[004引式（1)中，化似為前向神經(jīng)網(wǎng)絡(luò)第i個(gè)輸出節(jié)點(diǎn)在第k次的輸出；η為輸出層節(jié) 點(diǎn)數(shù)目；
[004引步驟202 :在前向神經(jīng)網(wǎng)絡(luò)的所有輸出層節(jié)點(diǎn)中選擇輸出值最大的節(jié)點(diǎn)1，計(jì)算公 式為：
[0044] 〇1(k) =max{0； (k)}i= 1, 2, . . . ,η (2)
[004引式似中，01似為前向神經(jīng)網(wǎng)絡(luò)第1個(gè)輸出節(jié)點(diǎn)在第k次的輸出；
[0046] 步驟203 :在輸出層節(jié)點(diǎn)中，確定輸出值最大節(jié)點(diǎn)1的相鄰節(jié)點(diǎn)1-1和1+1 ;
[0047] 步驟204 :從相鄰節(jié)點(diǎn)中選擇輸出值更大的節(jié)點(diǎn)g，公式為：
[004引Og似=max腳1似，0w化）} 做
[004引式（3)中，Og似為前向神經(jīng)網(wǎng)絡(luò)第g個(gè)輸出節(jié)點(diǎn)在第k次的輸出；
[0050] 步驟2