一种改进型BP网络算法在凝汽器故障诊断中的应用
改进BP网络算法在配电网故障诊断中的应用研究
第３ ５卷 第 １ ２期 ２０ 年 ６ １ ０７ 月 ６日
继 电 器
ＲＥＬＡＹ
Ｖ ｌ ５ Ｎｏ １ ０ ３ ＿ － ．２ Ｊ ｎ ６ ２ ０ ｕ ｅ１ ． ０ ７
改进Ｂ 网络 算法在 配 电网故障诊 断 中的应用研 究 Ｐ
成蓬勃 ，袁福科 ，刘灿萍 ，梁晓剑 ，郭壮志
算法的有效性 、正确性。
关键词 ：配 电网；故障诊断；Ｂ Ｐ神经 网络 ； Ｖ Ｂ
Ａｐ ｌ ａ ｉ ｎ ｏ ｎ ｉ ｐ ｏ ｅ ｅ ｗｏ ｋ ｃ ｌｕ ａ ｉ ｎ ｔ ｅ ｆ ｕ ｔ ｉ ｇ ｏ ｉ ｆ ｉｔ ｉ ｕ ｉ ｎ ｎ ｔ ｒ ｐ ｉ ｔｏ ｆ ｃ ａ ｍ ｒ ｖ ｄ ＢＰ ｎ ｔ ｒ ａ ｃ ｌ ｔｏ ｔ ｌ ａ ｎ ｓｓ ｓｒ ｂ ｔｏ ｅ ｗｏ ｋ ｏ ｈ ａ ｄ ｏ ｄ
Ｃ ＮＧＰ ｎ —ｏ，ＹＵ ｕｋ Ｌ Ｕ Ｃ ｎｐｎ Ｉ ＮＧ Ｘ ａ ａ ＵＯＺ ｕ ｇｚ ｉ ＨＥ ｅ ｇｂ ＡＮ Ｆ —ｅ ． Ｉ ａ —ｉｇ，Ｌ Ａ ｉｏ ｉ ，Ｇ ｈ ａ —ｈ ｊ ｎ ｎ
（ ． ｌ ｇ ｆＥ ｅ ｔ ｃｌ Ｅｎ ｉｅ ｒ ｇ ，Ｇｕ ｇ ｉ ｉｅｓｔ Ｎａ ｎｎ ３ ０ ４ Ｃｈｎ ； １ Ｃｏｌ ｅｏ ｌｃｒ ａ ｅ ｉ ｇｎ ｅｉ ｎ ｎ ａ ｘ ｖ ｒｉ Ｕｎ ｙ， ｎ ｉｇ５ ０ ０ ， ｉａ ２Ｘｉ ｎＥ ｅ ｔ ｎｃＴｅｈ ｏｏ ｙＵｎｖ ｒｉ ， ’ｎ７ ０ ７ ， ｉａ ． ’ ｌｃｒ ｉ ｃ ｎ ｌｇ ｉｅ ｓ ｙ Ｘｉ １ ０ １Ｃｈｎ ） ａ ｏ ｔ ａ
中 图分类号 ： Ｔ ｌ ； Ｔ ６ Ｍ７ １ Ｍ７
文献标识０ ）２０ ２ —５ ０ ３４ ９ （０ ７ １—０ ７０
Ｏ 引言
配 电 网 的故 障 诊 断 是 配 电 自动 化 的 一 个 重 要
基于改进BP神经网络的机器故障诊断技术研究
（）Ｂ 网络 的训练 学 习速 度 缓慢， 易出现一 个 ２ Ｐ 容
长 时期 的平 台 区域 ， 算法 的收 敛速度 慢 。 其 针 对上 述Ｂ 网络 的不 足 ， 中提 出 以整体 误 差 Ｐ 文
测 中来 。基 于专 家 系 统 和神 经 网络 的 故 障诊 断 方
１２ Ｂ 网络诊断机器故障的工作原理 ． Ｐ
Ｂ 神 经 网络进行 故 障分类 的基 本 思想 ： Ｐ 根据 以 往 历史情 况 ，仪表测 得机器 运行关 键状态 点参数值 以及对 应 的机 器故 障模式 ，即形成 学 习样 本 ；样 本 进 行数据 归一 化后作 为模型 的输入 输 出，模 型进行 学 习。通 过学 习 ，网络将能 够对各 种故 障模 式进行
的映射 关系 。
高速 、相互连接 、相 互制约 的状态 ，设备 故障 的突 然发生 ，不仅会 增加 企业 的维护成本 ，而 且会严 重 影 响企 业 的生产 效率 ， 企业 蒙受 巨大 损失 。因此 ， 使 及 时诊 断 出机器 故 障变 得十 分重要 。机械 故障诊 断 是一种 了解和 掌握机器 在运行 过程 的状态 ，确定其 整体 或 局 部正 常 或异 常 ， 期 发现 故 障 及其 原 因 ， 早 并能预 报故障发 展趋 势的技术 。故 障诊断 技术经 历 了主要 依靠专家 或维修 人员 的感觉器 官 、个人经验 及简单 仪表进行 故 障的诊 断与排 除，工作 传感器 技 术 、动态 测试技 术及信 号分 析技术等 阶段 。近年 来 随着计算 机技术 、人工 智能技 术特别 是专 家系统 的 发展 ，诊 断技术进入 智 能化 阶段 ’ 。人工 智能作 为 当前控 制界 的发 展热 点，相应 地也被 应用 到故障检
BP神经网络在某测试系统故障诊断中的应用
勺 厂 ：（
．
‘ ＋ ＝， ｎ ｂ ） ， １…，
（） ２
式 中 ：（ 厂 ）＝（ ＋ｅ） １ ～一 输 入层 输 入 ， 是输 入层 也
进行 了仿真 。验证表 明 Ｂ Ｐ神经网络可以运用 到测试设备 的故障诊断 ， 具有易于实现 和诊断精度高 的特点。 关键词 ： 测试 系统 ； Ｐ神经网络 ； Ｂ 故障诊断
１ 引言
对导 弹 的状态 和性 能进行 测试 是 导 弹发射前 必要 的 步骤 ， 测试 能 否有效 、 速直 接 影 响 到 导 弹 的正 常发 射 ， 快 此时 负责测 试 导弹 的 导 弹测 试 系 统 显 得尤 为 重 要 ， 是 其 否处 于 良好 状 态或 者说 出现 故 障 能 否及 时发 现 和 排查 ，
范红 军 姚 海 燕 杨 秀芹 张 小 杰
（ 海军航 空工程学 院青 岛分 院， 山东 青 岛 ２ ６４ ） ６０１
摘 要： 本文 以某导弹伺 服机 构的测 试设备故障诊断为例 ， Ｂ 将 Ｐ神经网络引入测试系统 的故 障诊 断中， 建立 了基于 Ｂ Ｐ神经网络的故 障诊断模 型 ， 并
（） ３ 计算输出 层节点输出 ｃ与期望输出值 ｃ ） ｆ ； 的误
Ｘｌ
差 ；
Ｘ２
（） ４ 向隐含 层节 点反 向分 配误 差
ｅ ＝ｂ・ １ ， ・ ， ，（ 一ｂ） （ ‘）
】Ｉ （ ｌ
（） ５权值 调 整
Ⅳ
图 １ 三 层 前 向 网 络 结 构 图
△ ｔ ） 吩＋ （ ＋１ ＝
BP神经网络在燃气轮机振动故障诊断中的应用
BP神经网络在燃气轮机振动故障诊断中的应用摘要：随着科技的进步，燃气轮机已成为日益发展的新型动力设备，它不仅具备很高的应用价值，同时也可以为我们带来很好的经济效益。
然而，由于现阶段对电力的需求越来越大，在整个电网中燃气轮发电机组的发电规模比例也不断升高，其机组特性随着庞大的结构也越来越复杂，尤其对振动故障诊断的判别比较困难。
目前，在燃气轮机振动故障诊断的方法主要有神经网络遗传算法、因为网络算法、支持向量机算法、粒子群计算方法等。
本文旨在通过BP神经网络在燃气轮机振动故障诊断中的应用，为我们在实际应用中提供更有效的修断方法！关键词：BP算法；神经网络；燃气轮机；振动故障诊断一、引言机械设备的故障诊断技术，在现代化生产中越来越受到广泛关注。
假如某台设备突然出现故障而又没有被工作人员及时发现，那么后果将不堪设想，在实际中甚至会造成机毁人亡的惨烈现象。
因此，对于整个生产系统来说机械故障诊断非常重要。
BP神经网络，是近些年开发了一种新型建模技术，在对燃气轮机振动故障诊断中发挥着重要作用。
本文对燃气轮机振动部件模型进行分析，引入BP神经网络技术进行故障诊断，从而提高燃气轮机运行的安全性与经济性。
二、BP神经网络模型目前，BP神经网络是在各种神经网络中应用最成熟的一种模型。
它主要是一个由非线型变换单元所组成的前向多层网络，具体包括一个输入层、一个输出层、一个或多个隐层构成的三层感知器，对网络进行训练通过利用误差反向传播算法。
在神经网络中的每一层，都是有一定数量如同人相互关联的神经细胞的神经元构成，这个模型中，每一层节点的输入来自前面一层节点的输出。
输入信号前向传播到隐层节点中，在经过作用函数把隐节点的输出信息传播到输出节点，从而最终得到所需要的结果。
三、燃气轮发电机组振动故障样本特征参数提取为了实现对机组状态的监测，有必要通过提取来自燃气轮发电机组的振动特征信号量，从而判断出燃气轮发电机组的主要性能。
假如直接就把采样数据作为样本构建故障知识库，就会发现监测过程比较复杂且规模较庞大，这种效率非常低下。
基于BP神经网络的凝汽器的故障诊断
关 键 词 ： 凝汽器 ； 故障诊断 ；Ｐ Ｂ 神经 网络 ； 模糊诊断 ； 模糊模 式识别
中围分类号 ： Ｋ２４ １ Ｔ ． ６ 文献标识码 ： Ａ
凝汽设备是凝汽式汽轮机装置的一个重要组成部分 ， 其运行状态直接影响到机组的经济性和安全
性。 以， 所 对于凝 汽器 的故 障诊断方法 的研究具有 重要的现实意义。 文介 绍了三 种故障诊断方法 ： 本 （） Ｐ １Ｂ 神经网络法 ；２ 模糊诊断法 ；３ 模糊模式识别法 。 ’ （） （） 通过实例对这三种诊断方法进行
摘
要： 介绍 了凝汽器的故障诊断常用 的三种诊 断方法 。 Ｐ神经 网络法 、 Ｂ 模糊诊 断法、 糊模式 识 模
别法。 通过比较发现 Ｂ 神经网络相对于另外两种诊断方法具有明显的针对性和准确性。 Ｐ 然后， Ｂ 在 Ｐ神
经 网络诊断的基础上进行了“ 基于 Ｂ Ｐ神经网络的凝汽器 的故 障诊断”系统的开发 。
ｓ 循环水泵马达电流障至零 ，
ｓ 循环水泵出 口压力降至零 。 ｓ 汽轮机低压胀差为负值 ， ｓ 凝结水泵出 口压力增加 ‘
Ａ 为真 空系统不 严密（ ， 小机 真空 系统不严 密）
Ａ 为凝结水泵故 障 ６ Ａ 为凝 汽器铜 管破裂 ， Ａ 为低 压加热器 管道破裂 ８ Ａ 为凝汽器铜管脏 污 。
哀 ２ 凝汽■ 故障特征集
Ａ 为循 环水泵严 重故障 ｌ
ｓ 真空急剧（ ｌ 大幅度） 下降
ｓ 真空缓慢（ ２ 小幅） 下降
ｓｏ Ｉ 凝结水 导电度 增加 ｓ 低压加热器水 位升 高 ｎ
Ｓ２ ｌ 循环水 温升 增加
Ａ 为后 轴封供 汽中断 ２
Ａ 为凝 汽器满 水 Ａ 为真 空系统 管路破 裂 ．
设凝汽器系统有种故障特征 Ｓ ，：… 。． ， 。 Ｓ 并设每种故障特征“ （ ） 无” ０ 两种状态 ， Ｓ 有” １ 和“ （ ） 即当 Ｓ ＝１ 时故障论域为“ ； Ｓ ＝０ 有” 当 ， 时故障论域为“ －的取值为（ ＝ｌ２ ， 。 无” √ ． ， ，） 于是 ， 时故障论域为 『 １ 此
改进的BP网络在凝汽器系统故障诊断中应用
对 日 阵更 新 ．
Ｅ ） （
值 ， 步使 Ｅ ｗ）达 到最 小 ， 得 最 优 ｗ。， 逐 （ 求 。 使 。
Ｅ（ Ｄ Ｗｏ）＝ ｍ ｎ Ｗ） ｔ ｉＥ（ ．
则 采用 Ｂ Ｇ Ｆ Ｓ拟 牛顿 公式 对 日 阵进 行修 正 ， 否则 不
１２ 基 于拟 牛顿 法的 网络 学 习算法 ．
层 单 元的 激励 函数 ， ＝ １２ … ， ｋ ，， ｎ
１ 改进的 Ｂ Ｐ神经 网络模型学习方法
１１ Ｂ ． Ｐ神 经 网绕模 型 及其 学 习算法
设输出层第 ｋ 个单元的 目标值输出为 ， Ｗ 令 表示所有权及阈值形成 的向量 ， 则输 出层各单元输
出 的误 差 平方 和为．
维普资讯
第 ２ 卷第 １ ７ 期
２０ ０６年 ２月
华
北
水
利
水
电
学
院
学
报
ＶＤ ． ７ １２ Ｎｏ． １
Ｊｕｎｌ ｆＮ ｒ ｈｎ ｎｔｕｅｏ ｔｒＣ ｎｅｖｎ ｙａ ｄＨｙ ｎ ｏ ｒａ ｏｔ Ｃ ｉａＩｓｔｔ ｆＷａ ｏ ｓｒａｃ ｎ ｄ ｏ ｈ ｉ ｅ
Ｏ Ｉ＝ｆ （ ）＋ ｏ
顿法能弥补 Ｂ Ｐ算 法 的缺 陷 ， 将其 引 入神 经 网络 的 故
式 中 ： 为输 出层 第． 单 元与 隐层 第 １ 单元 之 间 『 个 ｊ ｝ 个
权值训练中， 提高 Ｂ 网络学习速度， Ｐ 并应用于凝汽器
的故障诊 断 ．
的连接权 ； 为隐层第 ｋ 个单元的阈值 ； （） ， ・ 为论 中的拟 牛 而
输入层共有 Ｚ 个单元 ， 单元 的输出值等于输
入值 ， Ｏ Ｘ ， ＝１２ … ，． 即 ｉｉ ． ， ｚ
一种改进的BP算法在压缩机故障诊断中的应用
2
压缩机故障诊断模型
运用改进的 BP 神经网络模型对无锡某洗衣机
厂两台型号为 D- 100/ 2 活塞式空气压缩机进行故 障诊断. 根据领域专家的工作 , 可以得到该压缩机系 统故障征兆集、 故障原因集以及它们之间的关系
[ 3]
.
其中 ; 故障原因集为 : F1 轴瓦与曲轴的形状偏差和安 装偏差超限( 对应 1 号轴承) ; F2 轴瓦与轴径不均匀, 局部比压过大( 对应 2 号轴承) ; F 3 连杆和十字头的 连接问题 ( 对应 3 号轴承) ; F4 一级吸气阀泄漏 ; F5 润 滑油供给不足或者油路堵塞 ; F6 润 滑油受到污染 ; F7 冷却水供给不足 , 水 管堵塞或断水 ; F8 二级 吸气 阀泄漏 ; F9 一级 排气阀泄漏 ; F10 二 级排气阀泄漏 ; F11 ∃ 级气缸或缸套镜面磨损; F 12 % 级气缸或缸套 镜面磨损 ; F13 ∃ 级气缸润滑油过多或有污染 ; F14 % 级气缸润滑油过多或有污染; F 15 填料安装、 质量问 题; F 16 十字头故障 ; F17 电机传动故障. 故障 征兆集 为: S 1 1 号轴承温度上升 ; S 2 2 号轴承温度上升 ; S 3 3 号轴承温度上升 ; S 4 一级排气温度上升; S5 中间冷却 器排气温度上升 ; S 6 二级排气温度上升; S7 油冷出口 温度上升 ; S8 中间冷却器冷却水出口温度上升; S9 一 级气缸出口水温上升 ; S10 二级气缸出口水温上升 ; S11 一级排气压力下降; S12 一级排气压力上升 ; S 13 二 级排气压力下降 ; S14 润滑油压力下降 ; S15 冷却水压 力下降; S 16 气缸内敲击声 ( ∃ 级 ) ; S 17 气缸内敲击声 ( %级 ) ; S 18 活塞杆过垫 ; S19 曲轴连杆 机构故障; S 20 电机电流不正常变化 . 将故障征兆集{ S 1 , S 2 , &, S 20 } 作为网络的输入 向量; 将故障集 { F 1 , F 2 , &, F 17 } 作为网络的输出向 量. 所以输入节点数为 20, 输出节点数为 17. 关于隐 节点数的确定可以参照经验公式 n h = n + 0. 618 ! ( n- m) 得到 . 其中, nh 为隐节 点数, n 为输入节 点 数, m 为输出节点数 .
改进型BP神经网络在故障检测中的应用研究
改进型BP神经网络在故障检测中的应用研究深度学习是当前人工智能领域中一个非常热门的研究方向，其应用涵盖了自然语言处理、计算机视觉、机器人和自动驾驶等多个领域，而在工业控制领域，深度学习也被广泛应用于故障诊断和预测。
本文将介绍一种基于BP神经网络的改进型模型，以及其在故障检测中的应用研究。
1. BP神经网络基础BP(Bachpropagation)神经网络是一种基于反向传播算法的人工神经网络模型。
从输入层开始，该模型通过网络层对输入数据进行非线性变换和特征提取，最终输出一个与预测目标相对应的数值或分类结果。
这种模型非常适合处理非线性问题，且可以通过对训练数据的反复学习不断优化其预测准确度。
2. 改进型BP神经网络虽然BP神经网络有着很好的可拓展性和预测性能，但其模型结构存在一些缺陷，例如容易欠拟合或过拟合、收敛速度太慢等问题。
为了解决这些问题，研究人员不断改进模型结构，提升模型性能。
一种特殊的改进型BP神经网络是“多支配点BP神经网络”。
该模型通过将标准BP算法中的单个支配点拆分为多个子支配点，重新设计网络结构，进行多层次的损失函数分析，并对梯度下降算法进行改进。
从而大大提升了模型的收敛速度和预测精度，为故障检测和预测提供了更加可靠的方法。
3. 在故障检测中的应用在工业控制领域中，BP神经网络和改进型BP神经网络广泛应用于故障检测和预测。
例如，在动力电池系统故障诊断中，通过对电池参数进行监测和分析，可以识别电池的“健康度”状态，进而通过BP神经网络对电池是否存在故障进行判断和预测。
这种应用不仅可以提升制造企业的生产效率和产品品质，还可以降低产品故障率和维修成本，是一种非常有前景的技术。
4. 结语BP神经网络作为一种基础而又经典的深度学习模型，在工业控制领域中有着非常广泛的应用，而改进型BP神经网络更是提升了模型的预测精度和收敛速度，具有非常好的实用性和可靠性。
我们有理由相信，在不断的研究和发展中，BP神经网络和其它深度学习算法将在故障诊断和预测领域中带来更多应用和创新成果。
基于改进型的BP算法在民航设备故障诊断中的应用仿真研究
基于改进型的BP算法在民航设备故障诊断中的应用仿真研究摘要：本文针对传统BP算法的缺点，提出了将权值修正式中增加附加动量项和改进激发函数的方法以弥补传统BP算法的不足。
同时在LabVIEW环境下搭建的故障诊断系统中利用LabSQL工具包访问数据库，提出数据库与BP算法之间的接口解决方案，将改进后的BP算法应用于民航设备故障诊断系统，通过matlab仿真得到良好验证。
关键词：BP算法；LabSQL；数据库；故障诊断0引言：BP算法，又叫误差方向传播算法，是一种有效的多层神经网络学习方法。
神经网络因其较强的容错能力与自适用能力广泛应用于故障诊断领域。
但传统的基于梯度下降法的BP网络具有训练时间过长、误差不收敛或者收敛至局部极小值而不是全局最小值等的弊端。
针对这些弊端，本文提出了将权值修正式中增加附加动量项和改进激发函数的方法以弥补传统BP算法的不足。
1 传统BP算法与改进后的BP算法1.1传统BP算法BP神经网络模型结构一般由三层组成，分别为输入层、隐层、输出层。
在实际应用中一般会根据所解决问题的需求来决定隐层数和隐层节点数。
1.1.1 网络的正向计算过程1）隐层的输入式中：g,q为可调参数。
通过对g,q值的合理调整，能增加BP算法的稳定性，减少迭代次数。
2 利用LabSQL访问数据库前面分析了传统BP算法与改进后的BP算法，为仿真改进后的BP算法的可用性，本文引入LabVIEW软件环境。
当今大量测试系统都是在LabVIEW环境下搭建的，在LabVIEW软件中，合理正确使用LabSQL工具包，即可实现对数据库的访问，在使用LabSQL之前，需要在Windows操作系统中的ODBC数据源中创建一个DSN，如图1所示。
图2 SQL执行语句VI程序框图第一步创建一个Connection对象；第二步建立与数据库的连接并对DSN进行设置；第三步创建一个Recordset对象，并通过指令打开；第四步通过SQL命令来选择控制对数据库的查询、添加、删除、修改等操作；最后关闭与数据库之间的连接。
基于改进算法的BP神经网络在故障诊断中的应用
引言
模 式识别 、 制和 预测 等方面 得到极 为广 泛 的应 用 。 控
ቤተ መጻሕፍቲ ባይዱ
随着 复杂 装备 自动化程 度 的不断 提高 ，对装 备 故 障 的 自动检 测与诊 断也 提出 了更高 的要求 ，因为 在 如此复 杂 的系统 中 ，一个 细微 的单独 故 障就足 以
使整 个系统 失效 。与 系统 的高可靠 性及 可维 护性 密 切相 关 的核 心 内容— — 故障诊 断方 法 的研 究 ，也就
层 前馈神 经 网络 ，它是 目前故 障诊 断 中应 用较 多 的
且 较成熟 的一 种模 型 。标准 的 Ｂ Ｐ网 络 结 构 （ 图 １ 如 所 示 ）该 网 络 有 一 个 输 入 层 ， 个 输 出 层 ， 个 隐 含 ， 一 一
构和功 能而构 成 的一 种信 息处 理系统 ，是 由若干 处
２ ｈ ｅｏｄ Ａ ｔ ｉ ｒｆ Ａ ｔｌｒ Ｒ ｇ ｎ ｏ ｉ ｊ ｅｅｖ ｉｉｏ ，Ｔａｊ ０ ３ ０ ｈ ａ ．Ｔ ｅ Ｓｃｎ ｎｉｒ ａ ｒｌ ｙ ｅｉ ｔ ｆ ａ ｉ Ｒ ｓｒｅ Ｄｖ ｉ ａ ｃ ｔ ｉｅ ｍｅ Ｔ ｎ ｎ ｓ ｎ ｉｎ ｎ ３０ ５ ，Ｃ ｉ ） ｉ ｎ
Ａｂｓｒａ ｔ ＢＰ ｎｅ ｒ ｌ ｎ ｔ ｒ ｗａ ｗｉ ｌ ｕ ｅ ｉ ｆ ｕｔ ｄｉｇ ｏ ｉ． Ｔｈｅ ＢＰ Ｎｅ ｒ ｌ Ｎｅｗｏ ｋ ｗｉｈ ｍ ｏ ｎ ｕ ｔ ｃ： ｕ ａ ｅ ｗｏ ｋ ｓ ｄｅｙ ｓ ｄ ｎ ａｌ ａ ｎ ｓｓ ｕ ａ ｔ ｒ ｔ ｍｅ ｔ ｍ
成 了人 们 关 注 的焦 点 。
该 方法善 于从 大量 统计 资料 中分析 提取宏 观统 计规 律， 通过某 种非 线性 处理来 建立 模型 ． 进而对 系 统 的
未来 状态作 出科 学定 量 的估 计 。本文 将引入 人 工神 经 网络原理 来解 决装 备故 障诊 断的 问题 。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
作者简介 ： 石永恒（ ９ １）男 ， 士研 究生 ， １８ 一 ， 硕 东南大学热能工程系毕业 ， 主要从 事电站汽 轮机及 火电机组 热力 系统 状态 监测 和
停 机时 间 ， 高机 组 的可 用 率 具 有 重 要 的 意义 。人 提
工 神经 网络 具 有 并 行 处 理 学 习记 忆 和 非 线 性 等 特
点， 已成 为凝 汽器 故障 诊断 中最 有前 途 的方法 之一 ，
其中 Ｂ Ｐ网络是 应用 最广 的一 种 。但 是 ， 规 Ｐ 常 ， Ｐ网 络 实 际应 用 中存在 如 下 问题 ： 网络 学 习收 敛 速 度 慢 及 容易 陷入 局部最 小 点等 。本 文 就 Ｂ Ｐ网络 存 在 的
一
种改进 型 Ｂ Ｐ网络算法在凝汽器 故障诊 断 中的应用
石 永 恒 ，陈 荣 生 ，杨 亚 平
（ １东 南 大 学 热 能 工 程 研 究所 ， 苏 南 京 ２ ０ ９ ； 江 １ ０ ６ ２福建 泉 州 电 力 学 校 ， 建 泉 州 ３ ２ ０ ） 福 ６ ００ 摘 要 ： 对 Ｂ 针 Ｐ网络 学 ．收 敛速 度慢 和 易陷入 局 部 最 小 点 的 不 足 ， 出 了 一 种 自适 应 学 习速 率 动 量 梯 鹿 下 降 反 － － ｊ 提
却 管泄 露 、 却管振 动 等 ， 中最 常见 的故 障是低 真 冷 其
空 。如 果凝 汽器真 空 过 低 将 引 起有 效 焓 降 减小 ， 循
环 热效 率下 降 。 必然 会导致 汽 轮机排 汽 温度升 高 ， 还
引起排 汽缸变 形 和振动 。因此凝 汽设 备 的工作性 能 直接影 响到整 个 汽轮 机 组 的热 经 济性 和安 全 性 ， 开
Ａｐ ｉ ａ ｉ ｎ ｏ ｍ ｐｒ ｖ ｄ ＢＰ Ｎｅ ｌ ｕｌ ｔｏ ｏ ｐｌｃ ｔｏ ｆ Ａｎ Ｉ ｏ ｅ ｔ Ｃａ ｃ ａ ｉ ｎ ｔ
ｔ ｕ ｔ Ｄｉ ｇ ｓ ｓ ｏ ｎ ｅ ｅ ｓ ｈｅ Ｆａ ｌ ａ ｎｏ ｉ ｆ Ｃｏ ｄ ｎｓ ｒ
ＳＨＩＹｏ ｇ ｅ ｇ ｎ ｈ ｎ ，ＣＨＥＮ ｎ ｓ ｅ ｇ ．ＹＡＮＧ ｐ ｎ Ｒｏ ｇ ｈ ｎ 。 Ｙａ ｉ ｇ
ｈ ｓ ｍａ ｅ ｔ ｅＢＰ ｎ ｔｕ ｇ ａ ｅ ｔ ｅ ｒ ｔ ｎ ｔ ｂｌ ｙ ｏ ａ ｎ ｎ ａ ｄ ｈ ｅ ｐ ｒ ｄ ｈ ａ ｅ ａ ｄ ｓａ ｉ ｔ ｆｌ ｒ ｉ ｇ，ｗｈ ｃ ａ ｄ ｎ ｅ ｆ ｃ ｉｅ ｆ ｕ ｉｇ ｏ ｉ ｏ ｏ ｄ ｎ ｉ ｅ ｉｈ ｈ ｓｍａ ｅ ａ ｆｅ ｔ ａ ｈ ｄ ａ ｎ ｓｓ ｆｃ ｎ ｅ — ｖ
ｓ ｒｂ ｄ ｉ ｈ ａ ｅ ｇ ｉ ｓ ｈ ｒ ｂ ｅ ｆｓｏ ｃ ｎ ｅ ｇ ｎ ｅ ａ ｄ ｅ ｓ ｒ ｐ ｉｇ ｉ ｔ ｍａ ｌ ｓ ｓ ｏ ． Ｔｈ ａ ｃ ｌ ｔ ｎ ｃ ｉ ｅ ｎ ｔ ｅ ｐ ｐ ｒ ａ ａ ｎ ｔ ｔ ｅ ｐ ｏ ｌｍｓ ｏ ｌ ｗ ｏ ｖ ｒ ｅ ｃ ｎ ａ ｙ ｔａ ｐ ｎ ｎ ｏ ｓ ｌ ｔ ｐ ｔ ｅ ｅｃ ｌｕａｉ ｏ
ｓ ｅｒｓ ．
Ｋｅ ｒ ｓ ｃ ｎ ｅ ｓ ｒ ａ ｌ ｄ ａ ｎ ｓｓ ｙ ｗｏ ｄ ： ｏ ｄ ｎ ｅ ￣ｆ ｕ ｔ ｉｇ ｏ ｉ ；ＢＰ ｎ ｒ ｅ ｎ ｔห้องสมุดไป่ตู้ ｅ ｖ ｅ
１ 前 言
凝 汽器对 于整 个火 电厂 的安 全经 济运 行都有 重 要 影 响 。凝汽 器 的故 障包括 低真 空 、 结 水过冷 、 凝 冷
维普资讯
总第 ９ ６期
电 站 辅 机
Ｐｏ ｒＳｔ ｔｏ ｕ ｉｉ ｒ ｗｅ ａ ｉｎ Ａ ｘ ｌａ ｙ Ｅｑｕ ｐｍｅ ｉ ｎｔ
ｖＯ． １ ９６
２ ０ 年 ３月 第 １期 ０６
Ｍ ａｒ ２０ ． ０５， Ｎｏ．１
文 章 编 号 ：６ ２ ２ ０ ２ ０ ）１ ０５ ５ １７ —０ １ （０ ６ ０ —０ １ 一Ｏ
Ａｂ ｔａ ｔ Ａ ｒ ｖ ｒ ｅ ｔａ ｓ ｉｓ ｎ ｃ ｌｕ ａ ｉ ｎ ｏ ｅ ｆａ ａ ｔ ｇ ｌａ ｎ ｎ ａ ｅ ｗｉ ｍ ｅ ｔ ｍ ｒ ｄ ｅ ｔ ｒ ｄ ｃ ｉ ｎ ｉ ｄ ｓ ｒ ｃ ： ｅ ｅ ｓ ｒ ｎ ｍ ｓ ｉ ａ ｃ ｌ ｔ ｆ ｓ ｌ ｄ ｐ ｉ ｅ ｒ ｉ ｇ ｒ ｔ ｔ ｍｏ ｎ ｕ ｇ ａ ｉｎ ｅ ｕ ｔ ｓ ｅ ｏ ｏ ｎ ｈ ｏ
向传播 算法对 Ｂ Ｐ神经 网络进行训练 。该算法使 Ｂ Ｐ神 经网络在 学习速 率和稳 定性 上 有了进一步 的提 高。并将 这
种 改 进 的 Ｂ 网络 算 法 应 用 于凝 汽 设 备 故 障诊 断 实例 中取 得 了 实效 。 Ｐ
关 键 词 ： 汽 器 ； 障诊 断 ； Ｐ神 经 网络 凝 故 Ｂ 中图分类号：Ｋ ６ ， １ Ｔ ２４ １ 文 献 标 识 码 ： Ａ
不 足之 处 ， 出一 种 自适 应 学 习速 率 动量 梯 度 下 降 提 反 向传播 算 法 对 Ｂ Ｐ神 经 网 络进 行 训练 。 并应 用 于
凝 汽器 的故 障诊 断 。
展 对凝 汽器 及其 系统 故 障 诊 断 的研 究 ， 减 少 机 组 对
收 稿 日期 ：０ ５ １ —２ ： 回 日期 ：０ ５ ８ ７ ２０ — ０ ７ 修 ２ ０ —０ 一ｌ
（ ．Ｔｈ ｒ ｌ ｅｇ ｇ ｎ ｅｉｇ Ｉ ｓｉ ｔ ，Ｓ ｕ ｈ ｅ ｓ Ｕｎｖ ｒｉｙ １ ｅｍａ Ｅｎ ｒ ｙＥｎ ｉｅ ｒｎ ｎ ｔ ｕ ｅ ｏ ｔ— ａｔ ｉｅｓｔ ，Ｎａ ｊｎ ｔ ｎｉｇ，Ｊａ ｇ ｕ １ ０ ６．Ｃｈｎ ； ｉｎ ｓ ，２ ０ ９ ｉａ ２ ．Ｑｕ ｎ Ｚ ｏ ｅ ｔｉ Ｐｏ ｒＳ ｈ ｏ Ｑｕ ｎ Ｚ ｏ ，Ｆ ｊ ｎ ６ ０ ０ ａ ｈ ｕＥｌｃｒｃ ｗｅ ｃ ｏ ｌ， ａ ｈ ｕ ｕｉ ，３ ２ ０ ，Ｃｈｎ ） ａ ｉａ