基于BP模糊神经网络的水轮机进水蝶阀故障诊断方法的研究

作者:王旭;潘峤;王洪涛 刊名:水利电力科技 上传者:苏天明

【摘要】建立水轮机进水蝶阀的BP神经网络模型;运用模糊数学的故障征兆与故障原因之间的模糊关系,确定BP神经网络的输入层和输出层;结合水电站蝶阀运行中的故障诊断具体实例建立神经网络的输入样本集,对神经网络进行训练;输入机组故障征兆向量,得出故障原因;验证模糊神经网络的可行性与优越性。

全文阅读

1引言模糊神经网络是模糊系统和神经网络相结合的产物,不仅具有神经网络数值计算的优势,而且具有模糊系统处理专家知识的能力。由于水轮发电机组进水蝶阀在运行过程中的动态信号及其故障特征值的复杂性、偶然性和模糊性,且故障和症状不是一一对应关系,所以采用模糊神经网络能对水轮机的故障做出准确的判断。2模糊神经网络模型的建立算术模糊神经网络[1]是可以对输入模糊信号执行模糊算术运算,并含有模糊权系数的神经网络。算术模糊神经网络也称为常规模糊神经网络,或称标准模糊神经网络。通常情况下,将常规模糊神经网络简称为FNN。常规模糊神经网络有三种基本类型,分别用FNN1,FNN2,FNN3表示。这三种类型的意义如下:1)FNN1是含有模糊权系数,而输入信号为实数的网络。2)FNN2是含有实数权系数,而输入信号为模糊数的网络。3)FNN3是含有模糊权系数,而输入信号为模糊数的网络。因为输入信号是通过模糊理论故障征兆向量确定的,所以本文对水轮发电机组的进水蝶阀故障诊断采用含有实数权系数,输入信号为模糊数的FNN2网络模型。2.1神经网络的建立由于目前BP算法应用最广、成果显著、结构简单、易于实现、功能较强,所以,本文采用BP神经网络模型进行计算。BP神经网络就是采用BP(BackPropagation)算法进行训练的网络,该网络具有一个输入层,一个输出层和至少一个隐藏(中间)层。因增加隐藏层的层数不一定能提高网基于BP模糊神经网络的水轮机进水蝶阀故障诊断方法的研究王旭潘峤王洪涛络的精度和表达能力,一般情况下,选用一个隐藏层就足够了。BP算法是非循环多级网络的训练算法,其学习过程由正向传播和反向传播组成,输入值经过非线性变换从输入层经隐单元逐层处理,并传向输出层,每一层神经元的状态将影响到下一层神经元状态。如果在输出层不能得到期望的输出,则转入反向传播,通过修改各神经元权值,使误差信号最小。图1BP神经网络对于三层BP神经网络,结构如图1所示,其输入向量为X=(x1,x2,,xn),输出向量为Y=(y1,y2,,ym),输入层为n个神经元,隐藏层为h个神经元,输出层为m个神经元,wij为输入层和隐藏层之间的连接权重,wjk为隐藏层和输出层之间的连接权重,隐藏层的神经元个数h可认为与问题相关,由经验可得h在[n/2+1,3n]之间。则BP算法样本训练可描述如下:(1)随机给各个权值wij和wjk赋一个初始权值,要求各权值互不相等,且都为一较小的非零数,可在(0,1)之间取值;(2)输入样本集中的每一个学习样本(Xp,Yp),计算出实际输出;(3)计算实际输出Op和相应的理想输出Op之间的差;(4)按极小误差方式调整权值矩阵;(5)判断最大迭代次数N是否大于一预先给定的大数,或者网络误差是否小于一较小的值,是,结束训练;否,则转步骤(2)。其中步骤(1)、(2)称为向前传播阶段,步骤(3)、(4)称为向后传播阶段,这两个阶段的工作一般应受到精度要求的控制,根据BP算法的严格数学理论,对第p个样本,可取:-22-()2211?=m?jEpypjOpj网络关于整个样本的误差测度则可记为:?=sjEEps1其中s为样本数目。很显然,极小化网络误差E的过程可视为无约束非线性优化过程,因为通常的BP训练算法采用最速下降法,学习速度较慢,训练次数常需要上千次甚至上万次。为加快水轮机蝶阀学习速率并减少震荡,采用参考文献[1]中的迭代方法进行计算。2.2进水蝶阀故障征兆向量的确定水轮发电机组进水蝶阀表现的故障征兆可能有n种,表示为x1,x2,,xn;可能出现的故障原因又有m种,表示为y1,y2,

参考文献

引证文献

问答

我要提问