劉斌 曹民

摘要：汽輪發(fā)電機組逐漸智能化，功能不斷增強，但不確定性因素和不確定性信息仍然大量存在。針對該問題，用概率神經(jīng)網(wǎng)絡（PNN）診斷汽輪發(fā)電機組故障。PNN優(yōu)點較多，機器學習算法簡易、方便訓練，相比于傳統(tǒng)樣本處理方法，PNN可訓練樣本并引入訓練網(wǎng)絡，更好地確保診斷結果正確率與可信度。MATLAB仿真結果表明，PNN在保證診斷結果準確的基礎上，速度更快、分類性能大幅提高，診斷效率也提高至98%。

關鍵詞：故障診斷;汽輪發(fā)電機組;神經(jīng)網(wǎng)絡;概率神經(jīng)網(wǎng)絡

DOI：10.11907/rjdk.182871開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP301文獻標識碼：A 文章編號：1672-7800（2019）010-0023-04

0引言

隨著科技及電力行業(yè)的迅速發(fā)展，機械硬件可靠性與實用性低、安全保障差等問題逐漸緩解，但汽輪機極易發(fā)生故障，從而造成嚴重危害，怎樣診斷并解決汽輪發(fā)電機組故障成為故障研究和診斷技術的重要課題。人工智能進入大眾視野后，汽輪發(fā)電機組故障診斷方法由前期的人工診斷轉向更加自動化和智能化的方向。丹麥B&K公司推出狀態(tài)監(jiān)測與故障診斷系統(tǒng)B&K3450型COMPASS系統(tǒng)，既能檢測、記錄機器的異常情況，還可以進行故障隔離等;王彬等提出一種基于BP神經(jīng)網(wǎng)絡的故障診斷方法，結合油中氣體分析法，可對汽輪機進行有效診斷;張冉等改進BP（Back Propagation）網(wǎng)絡，將其應用于汽輪機故障診斷，通過BP網(wǎng)絡參數(shù)調(diào)整，加快網(wǎng)絡收斂速度、減少迭代次數(shù)，提高了診斷準確率;董立新等發(fā)現(xiàn)了一種模糊粗糙集數(shù)據(jù)挖掘方法，可從決策表中提取出診斷規(guī)則，為汽輪機提供有效的故障診斷。

本文提出基于概率神經(jīng)網(wǎng)絡（Probabilistic Neural Net-work，PNN）的診斷方法，PNN是建立在貝葉斯分類和Par-zen窗法上的一種并行算法，用線性學習算法解決非線性問題具有很大優(yōu)勢，可改進BP網(wǎng)絡初始參數(shù)選取不當引起的網(wǎng)絡發(fā)散現(xiàn)象，同時也不會出現(xiàn)BP網(wǎng)絡收斂于局部最小點的情況，PNN常收斂于最優(yōu)解，穩(wěn)定性大幅提高，收斂速度加快，因此診斷效率可進一步提升。

1概率神經(jīng)網(wǎng)絡（PNN）模型

神經(jīng)網(wǎng)絡以神經(jīng)生物學為前提，是由許多人工神經(jīng)元（見圖1）構成的網(wǎng)絡，它是一種將人類思維方式用數(shù)學模型抽象化，再體現(xiàn)為人腦思維的并行處理網(wǎng)絡，是人腦功能特性的體現(xiàn)。該網(wǎng)絡既有數(shù)值數(shù)據(jù)分析的普遍計算能力，又可以學習和記憶知識，其自組織和自學習能力可將輸入輸出關系非線性化。

2概率神經(jīng)網(wǎng)絡模型理論與方法

3概率神經(jīng)網(wǎng)絡汽輪發(fā)電機組故障診斷模型

確定PNN輸入向量即為選取特征量，為驗證基于PNN的故障診斷方法有效性，選擇汽輪發(fā)電機組常見的3種故障為診斷對象：油膜振蕩、不平衡與不對中。故障樣本的特征信號由汽輪發(fā)電機組振動信號的頻域特征頻譜中<0.4f、0.4f-0.5f、1f、2f、3f、>3f（f為旋轉頻率）的6個不同頻段上幅值分量為特征量，Typel表示油膜振蕩、Type2表示不平衡、Type3表示不對中。運用PNN對汽輪機進行故障診斷，一般分為兩個階段：訓練階段和診斷階段，流程如圖3所示。

本文構建的PNN模型中，輸入層有6個處理單元（對應6個頻率特征量），模式層有22個處理單元（對應22個樣本），類別層有3個處理單元（對應3種故障類型）。其中，模式層處理單元為徑向基神經(jīng)元。樣本數(shù)據(jù)如表1所示，前15個作為訓練樣本，后7個作為測試樣本。

可以直接使用MATLAB的函數(shù)net=newpnn（P，T，spread）創(chuàng)建PNN網(wǎng)絡，其中P為輸入向量，T為目標向量，spread為徑向基函數(shù)的擴展系數(shù)。在PNN網(wǎng)絡診斷過程中，診斷準確率主要與徑向基神經(jīng)元的擴展系數(shù)spread及訓練樣本有關，訓練樣本數(shù)越多，診斷準確率越高，所以本文在保證訓練樣本數(shù)不變的情況下，改變spread再進行仿真實驗，從而判斷對故障系統(tǒng)的影響，分別取spread值為0.2、0.5、1.0、1.5。

圖4是不同spread值的仿真結果。

從仿真結果和數(shù)據(jù)統(tǒng)計分析可知，在本文構造的故障診斷系統(tǒng)中，隨著spread的不斷提高，故障準確率不斷下降。當spread=0.2時，系統(tǒng)準確率最高。因此可以推測，在spread更小時，故障診斷準確率可接近百分之百，用于對汽輪機進行故障診斷是非常有效的。

4結語

本文通過對神經(jīng)網(wǎng)絡的學習，在BP網(wǎng)絡基礎上建立了簡單的概率神經(jīng)網(wǎng)絡模型，對汽輪發(fā)電機組一些常見故障進行診斷，在對PNN的訓練和診斷中，無論初始輸入是什么，在Bayes優(yōu)化解的前提下，總收斂于最優(yōu)解，穩(wěn)定性大幅提高;同時，在新增加或者刪除樣本時，PNN只需增加或者減少中間層的處理單元數(shù)，對連接權值進行相對改變，即可加快診斷速率。通過仿真分析可知，PNN診斷速度更快，在徑向基擴展系數(shù)spread越來越小的情況下，診斷準確率達到98%，可滿足工業(yè)汽輪機診斷要求。