人工神经网络在水电机组故障诊断中的应用研究

电力18讯：    摘  要：水电设备状态检修的关键是状态监测和故障诊断。人工神经网络具有分布并行、容错性和记忆功能等特点。用人工神经网络方法进行故障诊断具有明显优势。通过对发电机设备故障诊断的具体应用，证明此方法是有效可行的。
    关键词：水电设备；状态检修；故障诊断；神经网络；BP算法


1 引言
    水电机组设备检修体制正逐步向状态检修方向发展。状态检修就是根据设备状态的需要进行检修。相对于故障检修、定期检修体制，状态检修具有较明显的优点。状态检修的关键是设备状态监测和故障诊断。故障诊断就是利用机组设备运行的各种监测数据和其它信息来识别机器的状态，分析故障发生的原因并确定故障发生的部位和严重程度，从而确定机组是否需要检修及何时检修。及时准确诊断出故障，对提高水电机组运行的安全可靠性和经济性具有重大意义。目前常用的故障诊断方法主要有：基于动态数学模型的方法、基于信号分析的方法、基于知识的方法和基于事例和行为的方法。
    神经网络具有并行分布、自组织、自联想、容错性等特性，比较适合于形象思维、直觉、经验、联想和类比的模拟，它与专家系统具有较强的互补性。近年来， 人工神经网络的研究和应用取得了很大发展。人工神经网络也以其诸多优点，在故障诊断领域受到高度的重视，并得到了广泛的研究和应用。笔者就水轮发电机组设备的故障诊断问题，研究基于人工神经网络的故障诊断的新方法，从而为状态检修的广泛应用奠定了基础。
2 水电机组设备运行状态及故障模式分析
    水电机组的监测对象主要有水轮机、发电机、主变压器、调速器、励磁装置、各部位轴承、高压设备等。为监测各种设备运行状态（或故障征兆），及时发现故障，又要求对各监测对象的多项性能进行监测，如对发电机要监测空气间隙、定子局部放电、定子温度与温升、发电机出口开关、空冷器进出风温度、空冷气水压、定子振动、集电环电刷磨损等。实际生产中，对水电机组性能监测的主要参变量有一般电量（功率、电压、电流等）、特殊电量（放电电量、泄漏电流、等值电容等）、温度、压力、流量、液位、转速、振动、摆度、位移、绝缘、空蚀、噪音、间隙、厚度、杂质等。
    正在运行设备的状态一般有2种：正常状态――设备性能测定值在正常范围内；异常状态――设备性能测定值超过正常范围。状态监测系统取得水电机组设备的各个监测物理量后，对照设备的设计、标准特征参数进行设备状态的分析，然后由故障诊断系统根据设备运行状态进行设备故障诊断。每种设备都有许多类型故障模式，如机组产生振动的主要故障模式有：主轴弯曲、机组中心不正、转动部件不平衡、活动导叶开度不均、定子铁芯拉力不等、定子铁心合缝处松动等。
    定义集合S为非空设备运行状态集合，D为非空设备故障模式集合。集合F⊆，S×D为定义在S×D上的关系子集，即有关故障模式与运行状态间的内在因果关系。用人工神经网络研究故障诊断，实质上就是通过确定输入层与输出层间的连接权值和阈值体现关系子集F。
    设备的所有状态值si（i=1，2，…,l）构成状态集合S=（s1，s2，…,sl）。设备的某一故障模式也用特征值表示：1表示有此故障，需检修；0表示无此故障。设备的n种故障的特征值构成一序列d=（d1，d2，…,dn）。
3 BP神经网络结构
    人工神经网络方法的关键是选择神经网络结构以反映问题特点和具有较好的收敛性。多层BP网络各层的输入与输出关系满足非线性单调上升的函数，它对分类问题比线性划分精确、合理，容错性好。另外，其变换函数f（u）是连续可微，可以严格利用梯度法进行推算。因此，采用BP网络作为水电机组故障诊断的网络结构是切实可行的选择。
3.1 网络结构
    设计具有1个隐含层的3层BP网络，其输入层为l个节点，隐含层为m个节点，输出层为n个节点。网络的结构见图1。



    神经网络的数学模型如下：
    网络的输入层有l个神经元，输入矢量为x。


3.2  1、m、n取值
    取输入层神经元数为设备监测内容数1，设备故障模式数为输出层神经元数n。隐含层节点数选取比较复杂，目前没有很好的理论方法作统一规定，只有原则性建议，需针对具体问题研究。笔者先取m≥1，在网络学习中，选择收敛速度较快的隐含层神经元数m。
3.3 神经网络学习
    BP网络学习算法属于δ学习律，是一种有教师的学习算法。学习过程是：首先输入学习样本，通过神经网络正向传播产生输出值，将输出值与期望值比较，得到误差信号；然后将误差信号反向传播用于调整神经网络的各层神经元之间的连接权w<