基于BP神经网络的凝汽器的故障诊断
毕业设计(论文)-基于BP神经网络的电路故障诊断
模拟电路故障诊断是微电子技术中的一个重要课题，同时也是网络理论的一个重要课，模拟电路故障诊断方法主要有以下三种：
1.3模拟电路故障诊断的意义
模拟电路广泛应用于军工、通讯、自动控制、测量仪表、家用电器等各个方面。随着大规模模拟集成电路的发展，模拟电路的复杂度和密集度不断增长，对模拟电路运行可靠性的要求更为严格。就模拟电路生产工厂而言，也要求能诊断出故障以便分析原因，改进工艺以提高成品合格率。对某些用于重要设备的模拟电路，还要求能进行故障预测，也就是对模拟电路在正常工作时的响应作持续不断的监测，以确定哪些元件将要失效，以便在模拟电路故障发生前将那些将要失效的元件替换掉，以避免故障发生。所有这些，通常的人工诊断技术已无法满足需要。因而，电路故障的自动诊断成为一个急待要解决的问题，自动故障诊断的关键在于诊断程序的产生，而诊断程序产生的中心问题是电路故障诊断理论。因此，模拟电路故障诊断的研究引起世界各国电路理论工作者的高度重视。
现代社会中，电子设备或系统广泛应用于各个科学技术领域、工业生产部门以及人们的日常生活中，电子设备的可靠性直接影响着生产的效率、系统、设备及人类的生命安全。随着电子设备使用的日趋广泛，不论是在设备的生产阶段还是应用阶段，都对电路的故障诊断提出了迫切的要求，要求人们研究新的有效的诊断技术，进一步提高电子设备的可靠性，设备诊断技术引入生产现场已三十多年。最初，设备较为简单，维修人员主要靠感觉器官、简单仪表和个人经验就能胜任故障的诊断和排除工作，即为传统的诊断技术。随着科学技术的不断发展，动力机械设备越来越复杂化、精密化、系统化和自动化，同时价格也越来越昂贵，设备在现代工业生产中的作用和影响越来越大，生产的主体也逐渐由人力向设备转移，与设备有关的费用越来越高，传统的诊断方法已远远不能适应。机器运行中发生的任何故障或失效不仅会引起严重后果，造成重大的经济损失，甚至还可能导致灾难性的人员伤亡和恶劣的社会影响。
基于BP神经网络方法的航空活塞发动机故障诊断
６ ８０ １３７） （ 中国民航 飞行 学院 四川广 汉
摘
要 ：Ｂ 神 经网络在机械 故障诊断领 域 内已取得较 多的成 功经验 。本 文调用 Ｐ
Ｍａａ ｔ ｂ中的神经网络工具箱，运用 Ｂ ｌ Ｐ神经网络对 Ｃ Ｓ Ｎ ． ２ 的航 空活塞发动机进行故障 Ｅ Ｓ Ａ１ Ｒ ７
Ｎ ＯＶ．２Ｏｌ Ｏ
中 国 民 航 飞 行 学 院 学 报
Ｊ ｕ ａ ｏ Ｃｉ ｉ Ａｖ ａ ｉ ｎ Ｆ ｉｈ Ｕｎ ｖ ｒ ｉ ｏ Ｃｈ ｎ ｏｒ ｌ ｆ ｎ ｖｌ ｉｔ ｌ ｔ ｏ ｇ ｉｅｓ ｙ ｔ ｆ ｉａ ３ ９
ＶＯ ． ｌ ． １ ＮＯ６ ２
基于 Ｂ Ｐ神 经 网络 方 法 的航 空 活 塞发 动机 故 障诊 断
障 征兆 ，提 出维护 建议 。因此 ，将 Ｂ 神经 网络 Ｐ
分布 表示 ：ｘｌ 仪 表指 示偏 高 ；ｘ２ 仪 表 指示偏 一 一
低 ；Ｘ３ 仪表 指示摆 动 ；Ｘ — 仪 表无 指示 ；Ｙｌ 一 ４ 一
更 换 仪表 相 应 的传 感 器 ：Ｙ２ 因接触 不 良而 调整 ＿ 或 者 重新 安 装仪 表 相 应 的传 感 器 ；Ｙ３ 因污 染 、 一
法处 理速 度 较 慢不 能 适应 信 息 时 代 高效 工 作 的 不 足 ，可 以在 具 体 的实 际应 用 环 境 下 自学 习、 自适
应。
２Ｂ Ｐ神经 网络 的建立
民航 发动 机 故 障诊 断 常用 的神 经 网络模 型 为
排 Ｙｌ ｌ ｌ ｌ ｌ 故 Ｙ２ ｌ ｌ ｌ ｌ 措 施 Ｙ３ ｌ ｌ ｌ ｌ
神 经 网络 是解 决某 些传 统 方法 所 无 法 解 决 的 问题 的有 力 工 具 ，而 Ｂ 神经 网络 由于 其优 越 性 Ｐ
基于BP神经网络算法的异步电机故障诊断系统研究
基于BP神经网络算法的异步电机故障诊断系统研究
孙吴松
【期刊名称】《荆楚理工学院学报》
【年(卷),期】2024(39)2
【摘要】为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。
通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。
以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。
结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE 值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。
基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。
【总页数】10页(P1-10)
【作者】孙吴松
【作者单位】六安职业技术学院机电技术系
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于虚拟仪器的异步电机故障诊断系统研究
2.基于BP神经网络的凝汽器故障诊断系统研究
3.基于SSA优化BP神经网络的故障诊断系统研究
4.基于BP神经网络的便携式模拟电路故障诊断系统研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络的凝汽器系统故障诊断研究的开题报告
基于神经网络的凝汽器系统故障诊断研究的开题报告一、选题背景与意义随着工业自动化程度的不断提高，凝汽器系统在热力发电厂中扮演着至关重要的角色。
凝汽器的稳健运转直接影响着整个发电系统的性能和效率，甚至可能导致重大事故和经济损失。
因此，对凝汽器系统的故障诊断具有重要的研究意义和应用价值。
目前，凝汽器系统的故障诊断主要依靠传统的方法，如状态监测、统计学方法和模型预测等，这些方法存在一些缺陷，例如需要大量的测量数据、模型复杂度高等，同时也存在一些难以解决的问题，例如由于传感器的安装位置不同所导致的数据不统一、模型的更新不及时等问题。
随着深度学习等新的技术的发展，基于神经网络的方法在故障诊断领域也逐渐得到了广泛的应用。
因此，本研究选择基于神经网络的方法，对凝汽器系统的故障进行诊断和分析，通过建立凝汽器系统的神经网络模型，对凝汽器系统进行实时监控和预测。
二、研究内容与目标从凝汽器系统热力学原理和组成部分出发，选择相应的特征参数，并建立相应的凝汽器系统神经网络模型。
通过对模型进行训练和测试，得到较高的预测精度，从而为凝汽器系统故障诊断提供可靠的支持。
具体研究内容包括：1. 凝汽器系统的热力学原理及组成部分分析；2. 对凝汽器系统进行数据采集和预处理，选择有效特征参数；3. 建立凝汽器系统的神经网络模型，包括监督式学习和无监督式学习；4. 对模型进行训练和测试，并对模型性能进行评估和分析；5. 基于模型对凝汽器系统进行故障诊断和预测。
本研究旨在建立凝汽器系统神经网络模型，实现其实时监测和预测，提高凝汽器系统的安全性和稳定性，达到降低故障率、提高发电效率的目标。
三、研究方法本研究主要采用以下方法：1. 神经网络模型的建立，包括监督式学习的多层感知器（Multilayer Perceptron，MLP）、卷积神经网络（Convolutional Neural Networks，CNN）以及无监督式学习的自编码器（Autoencoder，AE）；2. 使用python语言，采用TensorFlow、Keras等深度学习框架进行模型的搭建和训练；3. 选择合适的评估指标对模型进行评估和调优，如均方误差（Mean Squared Error，MSE）、准确率（Accuracy），ROC曲线等；4. 对得到的模型进行测试，通过实验数据进行验证和可视化。
基于BP人工神经网络的电动机故障诊断
科 技 前 沿2013年06(上)TECHNOLOGICAL P IONEERS１科技创业家 TECHNOLOGICAL PIONEERS 1 人工神经网络的结构和特性神经网络是由大量的处理单元（神经元）互相连接而成的网络。
为了模拟大脑的基本特性，在神经科学研究的基础上，提出了神经网络的模型。
但是，实际上神经网络并没有完全反映大脑的功能，只是对生物神经网络进行某种抽象、简化和模拟［１］。
1.1人工神经元结构模型在ＡＮＮ中，人工神经元是基本的计算单元，它模拟了人脑中神经元的基本特征，一般是多输入单输出的非线性单元，信息分散地存储在连接线的权重上。
人工神经网络系统是一种自适应非线性动态系统。
人工神经元的结构如图１所示。
它具有的特征有：每个神经元j 均有一个输出，即状态j y ；神经元i 到神经元j 的作用是通过突触完成的，作用强度以系数ji w 表示，表示第i 个神经元对第j 神经元的加权值；每一个神经元i 都有一个实数阈值j b ，它与输入共同影响神经元的输出；对于每一个神经元j ，它的状态j y 为所有与其相连的神经元i 的状态i y 以及它们之间的连接强度ji w 和神经元j 的阈值j b 的函数，此函数称为激励函数，记作j y ()j ji i b w y F ,,=，最常用的函数形式为()j ji i j b w y F y −∑=，即神经元输出为其输入的线性加权和的函数。
1.2神经网络的特性虽然ＡＮＮ与真正的生物神经网络有差别，但由于它汲取了生物神经网络的部分优点，因此具有一些固有的特性［２］。
（１）ＡＮＮ在结构上与目前的计算机本质不同，它是由很多小的处理单元互相连接而成的，每个处理单元的功能简单，但大量简单的处理单元集体的、并行的活动得到预期的识别、计算的结果，具有较快的速度。
（２）ＡＮＮ具有非常强的容错性，即局部的或部分的神经元损坏后，不会对全局的活动造成很大的影响。
（３）ＡＮＮ记忆的信息是存储在神经元之间的连接权值上，从单个权值中看不出存储信息的内容，因而是分布式的存储方式。
基于BP神经网络及其改进算法的汽轮发电机组故障诊断
基于BP神经网络及其改进算法的汽轮发电机组故障诊断马路林;姚刚【摘要】为了提高汽轮发电机组的故障诊断准确率,提出了基于BP神经网络改进算法的故障诊断系统.根据输入特征向量对BP神经网络进行学习,在matlab上分别采用两种算法对故障诊断模型进行测试.结果表明,改进算法能够更有效地预测汽轮发电机组的故障.【期刊名称】《上海电力学院学报》【年(卷),期】2017(033)004【总页数】5页(P362-366)【关键词】BP神经网络;故障诊断;汽轮发电机组【作者】马路林;姚刚【作者单位】上海电力学院自动化工程学院,上海200090;上海电力学院计算机科学与技术学院,上海200090【正文语种】中文【中图分类】TP183;TM311汽轮发电机组作为发电的关键设备,其运行状态稳定与否是整个电力系统能够安全、可靠运行的关键所在.建立完善的机组监控及故障诊断系统,有助于准确高效地对汽轮发电机组故障进行诊断和预测,保证机组安全可靠的运行.采用故障诊断技术能够及时发现汽轮发电机组的故障并判断出故障类型,做到有目的地进行检修,节约维修费用,提高维修效率,大大提升生产和经济效益[1-2].因此,对电机故障做出快速、准确和高效的诊断具有重要意义.随着科学技术的迅速发展,汽轮发电机组设备的结构和功能日趋复杂,自动化和智能化水平不断提升,传统的故障诊断技术已不能满足需求,研究智能故障诊断技术迫在眉睫.许多学者将遗传算法、案例推理方法、模糊数学方法、神经网络等方法应用于汽轮发电机故障诊断领域[2].神经网络由于其自身的特点而被广泛应用,但其存在训练时间长、误差收敛较慢等缺陷,影响了故障诊断的精度[3].针对这些不足,本文在深入分析BP神经网络的基础上,对其进行了改进,在汽轮发电机组的故障诊断中,取得了显著效果.随着技术的不断革新,故障诊断方法得到了极大的发展.按照处理方式可分为基于信号处理的分析方法、基于数学建模的方法和基于人工智能的故障诊断方法3类[4],如图1所示.在故障诊断过程中,不同的诊断方法用于处理不同的对象,各有其优势与弊端,本文将主要介绍基于神经网络及其改进算法的故障诊断方法.BP神经网络是一种多层前向网络,常用的是3层网络结构.第1层为输入层,第2层为隐含层,第3层为输出层,其网络结构如图2所示[5-6].对于3层结构的BP神经网络,x0=-1,y0=-1,输入向量X=(x1,x2,x3,…,xr,…,xp)T,对于某一个训练样本Xr=(x1,x2,x3,…xi,…xn)T,网络隐含层的输出向量为Yr=(y1,y2,y3,…,yj,…,ym)T,输出层的输出向量为Or=(o1,o2,o3,…ok,…ol)T,网络期望输出向量为dr=(d1,d2,d3,…,dk,…,dl)T.V=(V1,V2,V3,…,Vj,…,Vm)T为第1层到第2层之间的权值矩阵,W=(W1,W2,W3,…,Wk,…,Wl)T为第2层到第3层之间的权值向量.为了使BP神经网络逼近任意的多元函数,在训练和测试过程中选取Sigmoid函数作为传递函数对BP神经网络进行训练.2.1.1 正向传播过程当有信号输入BP神经网络的输入层时,该信号经第2层传向第3层,并可在输出端产生输出信号,若此输出信号满足既定的要求,则计算结束;否则进行反向传播[5]. 正向传播计算过程如下:对于第3层则有:对于第2层则有:式(1)和式(3)中,激活函数为:f(x)均为单极性Sigmoid函数,且f(x)具有连续可导的特点,则有:当神经网络的真实输出值与期望输出值不相等时,则表明存在输出误差,定义为E,表达式如下:将式(7)中的E展开至BP神经网络的隐含层,则有:将式(7)中的误差展开至BP神经网络的输出层,则有:由式(9)可以看出,神经网络的误差是关于其各层权wjk和vij的函数,因此调整权值可以改变误差E的大小.当E≤λ(λ计算期望精度)或进行到预先设定的学习次数时,计算结束;否则,进行反向传播计算.2.1.2 反向传播过程上文已经指出,调整权值可以改变误差E的大小,调整原则可使神经网络的真实输出值更加接近期望输出值,因此应沿着使权值的调整量与误差的梯度下降成正比的方向进行调整,即:j=0,1,2,…,m;k=1,2,3,…,lΔvij=-βi=0,1,2,…,n;j=1,2,3,…,m式(10)和式(11)给出了权值调整的思路,其中β是一个给定的常数,表示网络的学习率,通常取0<β<1.假定在全部的推导过程中,对该网络的输出层均有j=0,1,2,…,m,k=1,2,3,…,l,对该网络的隐含层均有i=0,1,2,…,n,j=1,2,3,…,m.对于第3层,式(10)可写成:令:则式(12)可以写为:Δwjk=βδ°kyj=β(dk-ok)ok(1-ok)yj对于第1层,式(11)可写为:-···令:而:于是有:依据以上表达式可求得神经网络输入层与隐含层、隐含层与输出层之间的连接权值和阈值的变化增量,以此来迭代更新用于下一轮网络学习和训练的各相邻神经元之间的连接权值及阈值,其更新表达式为:此信号在反向传播的过程中能够求出BP神经网络各层新的权值和阈值,然后再正向传播.整个算法流程如图3所示.图3中的参数初始化主要包括学习精度、隐节点数、初始权值及阈值、初始学习速率、最大训练次数N等因素的选择和确定.为了克服BP神经网络算法在故障诊断中的缺点,许多学者提出了改进算法和方法[7-8],主要包括可变学习率的BP算法、增加动量项的BP学习算法等基于负梯度思想的BP改进算法,以及牛顿法、共轭梯度法等基于数值优化方法的BP改进算法,下面介绍一下牛顿法的基本算法.牛顿法是利用一个接近已知目标函数的二次函数作为求解对象,求出其极小点作为目标函数极小点的近似解.设在求解的过程中已迭代到xk,在点xk处按Taylor公式将目标函数展开,即:式中:Q(x)——x的二次函数; g(xk),H(xk)——f(x)在xk点处的梯度和Hesse矩阵.令Q(x)=H(xk)(x-xk)+g(xk)=0,得若H(xk)是正定矩阵,则它的逆矩阵H-1(xk)存在,由式(24)可得到x的解为x=xk+1,即为二次函数Q(x)的极小点,即:用xk+1作为函数f(x)极小点x*新的近似.式(25)即是牛顿迭代公式.本文选取了汽轮发电机组的3种故障类型[9],分别为转子热弯曲、转子裂纹与汽流激振.由汽轮发电机组振动信号的频域特征频谱中6 个不同频段(<0.4f,0.4f-0.5f,1f,2f,3f,>3f,f为旋转频率)上的幅值分量构成故障样本特征向量元素的特征量,训练样本数据见表1.表2为相应的目标输出向量.表3为测试样本.应用Matlab提供的神经网络工具箱构建网络,并用所提供的训练样本进行网络训练,通过训练好的网络输入汽轮发电机组测试数据样本,对其进行故障诊断[10-11],可得到两种方法的故障诊断结果如表4所示.由表4可以看出,BP神经网络最大循环150次即达到误差要求,很好地预测了结果.对于同样的误差要求,牛顿法最大循环30次即可预测出故障结果,说明牛顿法比BP 神经网络有着更高的效率.由仿真结果可以看出:将测试样本中的第1和第3组数据输入网络时,网络输出type=(1 0 0),所以网络诊断的结果为转子热弯曲;将测试样本中的第2和第4组数据输入网络时,网络输出type=(0 1 0),所以网络诊断的结果为转子裂纹;将测试样本中的第5,第6,第7组数据输入网络时,网络输出type=(0 0 1),所以网络诊断的结果为汽流激振.针对汽轮发电机组的故障特点,在传统BP神经网络算法的基础上进行了改进.仿真结果表明:传统BP神经网络算法和牛顿法都能对汽轮发电机组进行故障诊断,但牛顿法迭代次数少,学习速率快,能够更有效地预测汽轮发电机组的故障;对于同一种故障类型,牛顿法具有更好的故障识别性能,为保证汽轮发电机安全运行及维修提供了保障.【相关文献】[1] 李录平.汽轮机组故障诊断技术[M].北京:中国电力出版社,2002:37-40.[2] 孙伟.大型汽轮发电机振动故障诊断与分析[J].中国新技术新产品,2014(3):121.[3] 王慧滨.基于规则和案例推理的汽轮发电机组故障诊断专家系统[D].兰州:兰州理工大学,2014.[4] 张彼德.汽轮发电机组振动故障诊断研究[J].西华大学学报(自然科学版),2005,24(1):21-24.[5] 和雄伟.汽轮发电机组振动故障分析与预防研究[D].保定:华北电力大学,2014.[6] 李化,岳刚.基于自适应小波网络的汽轮发电机组振动故障诊断方法的研究[J].电工技术学报,2000,15(3):57-60.[7] 权亚蕾.基于混合神经网络的汽轮发电机组振动故障诊断研究[D].上海:上海电力学院,2015.[8] 刘旭.基于改进型BP神经网络的风电功率预测研究[D].保定:华北电力大学,2013.[9] 张冉,赵成龙.改进BP网络在汽轮发电机组故障诊断中的应用[J].计算机仿真,2011,28(7):325-328.[10] 周会霞.汽轮发电机组汽流激振故障预警方法研究[D].保定:华北电力大学,2015.[11] 马元奎.汽轮发电机组振动信号处理及智能诊断方法研究[D].南京:东南大学,2002.。
基于遗传神经网络的直接空冷凝汽器故障诊断研究
２ ０１ ３年 ５月
华 北 电 力 大 学 学 报
’
Ｖｏ １ ． ４ ０， Ｎｏ ．３ Ｍａ ｙ， ２ ０１ ３
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｎｏ ｒ ｔ ｈ Ｃ ｈ ｉ ｎ ａ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ Ｐ ｏ ｗｅ ｒ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
效 、并 行 、全 局 搜 索特 点 ，解 决 了神 经 网络 收 敛 速 度 慢 ，容 易陷 入 极 小 点 的 问题 。 最 后 ，将 该 方 法 用 于 某 直
接 空 冷 凝 汽 器故 障诊 断 中 ， 结 果表 明 该 算 法诊 断 迅 速 且 诊 断 结 果 准确 。 关 键 词 ：故 障 诊 断 ；征 兆 提 取 ； Ｂ Ｐ神 经 网络 ；遗 传 算 法 ；直接 空 冷 凝 汽 器
ｄ ｏ ｉ ：１ ０ ． ３ ９ ６ ９ ／ ｊ ． Ｉ Ｓ Ｓ Ｎ ． １ ０ ０ ７— ２ ６ ９ １ ． ２ ０ １ ３ ． ０ ３ ． １ ３
基 于 遗传 神 经 网络 的直 接 空冷 凝 汽 器 故 障诊 断研 究
高建 强 ，马 亚 ，钟 锡 镇 ，王 艳
（ 华 北 电 力 大 学 能 源 动 力 与 机 械 工 程 学 院 ，河 北 保 定 ０ ７ １ ０ ０ ３ ）
中 图 分 类 号 ：Ｔ Ｋ ２ ６ ７ 文 献 标 识 码 ：Ａ 文章 编 号 ：１ ０ ０ ７—２ ６ ９ １（ ２ ０ １ ３ ）０ ３— ０ ０ ６ ９— ０ ５
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｎ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｏ ｆ ｄ ｉ ｒ ｅ ｃ ｔ ａ ｉ ｒ － ｃ ｏ ｏ ｌ ｅ ｄ ｃ ｏ ｎ ｄ ｅ ｎ ｓ ｅ ｒ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ・ ＢＰ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ
基于BP神经网络的电控发动机故障诊断
基于BP神经网络的电控发动机故障诊断作者：王书提等来源：《现代电子技术》2015年第09期摘要：针对汽车发动机电控系统结构的复杂性，提出用BP神经网络进行故障诊断的方法。
以北京现代05款途胜G4GC型发动机电控系统为实验，并对其进行故障设置，采集发动机故障数据流，运用BP神经网络构建诊断模型，并且改变BP训练方法。
诊断结果表明用BP 神经网络诊断发动机电控系统故障是行之有效的，具有较好的应用前景。
关键词：汽车发动机；电控系统； BP神经网络；故障诊断中图分类号： TN711⁃34； TP183 文献标识码： A 文章编号： 1004⁃373X（2015）09⁃0128⁃04Abstract： Since the complexity structure in electronic control system of the automobile engine， the method of engine fault diagnosis based on BP neural network is put forward. The electronic control system of Beijing Hyundai Tucson 05 G4GC engine as the experiment example，firstly some fault assumptions are set up， and the fault data flow of engine is collected， then a fault diagnosis model is built by BP neural network and BP training method is changed. The diagnosis result shows that it is effective to apply BP neural network to diagnose faults in engine electronic control system， and has better application prospect.Keywords： automobile engine； electronic control system； BP neural network； fault diagnosis0 引言随着电子控制技术的发展，其在汽车中的应用越来越广，对汽车技术的发展具有促进作用，电控技术提高了汽车发动机的性能。
基于神经网络和D_S证据的电厂凝汽器故障诊断研究_李平
k = 1， 2， … p， 及输出层的神经元个数， 其中 p 表示 CPN 神经网络故障样本的个数。 由输入层至竞 w j2 ， …， w jN ） （ j 争层的连接权值向量为 W j = （ w j1 ， = 1， 2， …， Q ） ； 由竞争层到输出层的连接权值向 v l2 ， …， v lQ ） （ l = 1 ， 2， …， M） 。 量为 V1 = （ v l1 ， 1． 1． 2 CPN 神经网络的学习过程
基金项目： 上海市教育委员会科研创新重点项目（ 12ZZ177 ） ； 上海市电站自动化技术重点实验室开放课题
Ｒesearch of Fault Diagnosis Based on Neural Networks and DS Evidence for Condenser in Power Plant
3 3 LI Ping ， HUANG Guoliang2 ， PENG Daogang1， ， XIA Fei1， 1
（ 1． School of Automation Engineering，Shanghai University of Electric Power，Shanghai 200090 ，China； 2． Training Center，State Gird Shanghai Electric Power Company，Shanghai 200438 ，China； 3． Shanghai Key Laboratory of Power Station Automation Technology，Shanghai 200090 ，China） Abstract ： Condenser is one of the most important auxiliaries of turbine generator unit in power plant，whose operating condition decisively affects the safe and economically operation of the whole plant． Combination the thought of information fusion， the method of condenser integrated fault diagnosis based on neural networks and DS evidence theory is proposed． The respective diagnosis results regarded as the DS evidence theory primary evidences in decision layer according to BP neural network and CPN network are obtained first，and then these results are fused by using of the DS evidence theory to obtain the final diagnosis result． The diagnosis results show that this method has a smaller error and higher diagnosis reliability comparing with the results from the single neural network． Key words： Information fusion； Neural networks； DS evidence theory； Fault diagnosis； Condenser Foundation items： Innovation Key Program of Shanghai Municipal Education Commission（ 12ZZ177 ）
基于BP神经网络的故障诊断研究
基于BP神经网络的故障诊断研究故障诊断是工业生产中的重要环节，能够有效地保障生产设备的运转，减少设备的损坏和停机时间，提高工业生产效率和经济效益。
近年来，随着神经网络技术的发展和应用，基于BP神经网络的故障诊断方法受到了广泛关注和研究。
本文将从问题阐述、方法研究和应用展望三个方面来探讨基于BP神经网络的故障诊断研究。
一、问题阐述故障诊断是指在生产设备日常运作过程中，通过对设备的监测、检测和分析，及时、准确地判断设备状态，发现和分析故障根源，提出改进措施，防止和减少故障的发生和影响。
故障诊断包括多种方法和技术，如信号处理、统计分析、机器学习等。
其中，基于BP神经网络的故障诊断方法备受重视。
BP神经网络是一种基于误差逆传播算法的多层前馈网络，适合于非线性、强耦合、复杂的系统建模和预测。
在故障诊断中，BP神经网络可以通过监测信号的输入和输出，建立故障诊断模型，判断设备的健康状况和故障类型，提高故障诊断的准确性和可靠性。
然而，BP神经网络的应用也存在一些问题和挑战，如训练样本的获取和处理、网络结构的优化和选择等。
因此，基于BP神经网络的故障诊断研究面临着如何建立有效的模型、如何提高诊断准确性、如何提高网络可靠性等问题和挑战。
二、方法研究基于BP神经网络的故障诊断方法主要由三个步骤构成：数据采集与预处理、网络模型建立与训练、故障诊断与分析。
其中，数据采集与预处理是基础，网络模型建立与训练是关键，故障诊断与分析是应用。
下面将对这三个步骤进行详细介绍。
1. 数据采集与预处理数据采集是获取设备监测信号的过程，通常使用传感器和数据采集卡等设备来完成。
收集到的数据包括设备的各种信号，如电流、电压、温度、振动等。
预处理是对所采集到的数据进行滤波、降采样、归一化和特征提取等处理，目的是消除干扰和噪声、降低数据维度、提高特征有效性和区分度。
2. 网络模型建立与训练网络模型建立是指根据所采集到的数据，利用BP神经网络建立故障诊断模型。
- 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)。
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
收 稿 日期 ：０ ５—１ —２ ２０ ２ ５
作者筒介 ： 张仲彬（９３一 。 ， １７ ）男 东北电力大学动力工程 学院讲 师
维普资讯
第 ４期
张仲彬等 ： 于 Ｂ 神 经网蝽的凝 汽嚣的故障诊 断 基 Ｐ
１２ 凝汽器典型故障征兆集的建立 ．
Ａｏ ｌ 为循环水量不足
ｓ， ｌ 循环水温升减 小 ￥４ １ 凝汽器端差增 加 Ｓｓ ｉ 凝结水过冷度 增加
ｓ 凝结水泵出口压力下降 ７
ｓ 凝结水泵马达电流增加 。 ｓ 凝结水泵马达电流城小 ・
Ｓ６ ｌ 抽气器 抽 出 的空气 温 度与 冷 却
水人 口温度之差增加 ｓ７ ｌ 凝汽器 抽气 口至抽 气 器人 口之
同的压整减小
Ａｌ ｌ 为抽气器工作不正常 裹 ３ 凝，■ 的Ｉ型故 障征 兆论域 － 【 Ｉ
２ 模 糊诊 断法
设故障论域 上有几个模糊子集 Ａ ， …， 它们分别代表 ｍ个典型故障 ， 。 ， Ａ Ａ 对于论域 中的任意
一
元索 ， 若有 （ｏ ｕ）＝ｍ ｘ￣ｌ （ｏ ． ， （ ） 则称 ｌ相对属于 Ａ 这里 ， （ｏ 是 Ｉ对 Ａ ａ ｌ４， Ｕ）… Ｉ ‘ ｏ 。 ‘） ‘ ‘ ｏ
Ａｕ ． ２ ０ ｇ ，０ ６
文章编 号： ０ １ ５—２９ （ ０６ ０ ０ ５ ０ ９ ２ ２０ ） ４— ０ ０—０ ５
基于 Ｂ 经 网络 的 凝 汽 器 的故 障诊 断 Ｐ神
张仲彬 ，曹丽华 ，张少磊２
（． １东北电力大学 动力工程 系 ， 吉林 吉林 １２ １ ； ． ３ ０ ２ ２ 定州发电厂， 河北 定州 ０ １５ ） ７０ ２
节点的输出信号传播到输出层节点， 经输出层处理后给出 网络的输出值。 如图 １ 所示：
网络的训练过程 ， 实际上就是通过不断地调整 网络 内
输 入 层
隐层
输 出层
图 １ 三层 Ｂ Ｐ神经网络拓扑结构
部的连接权及阈值 ， 网络的误差函数逐渐减小 ， 使 直至达到
给定的中隐层可 以是 其
一
层但也可以是多层 。 由于具有 足够多隐层节点数的单隐
层 Ｂ 网络可以逼近任何连续函数 ， Ｐ 而且从计算的简单性上
考虑 ， 通常采用一个隐层的 Ｂ 网络。 Ｐ 当信号输入时， 首先经
输入层传到隐层 ， 经隐层节点的激励函数作用后 ， 再把隐层
表 １表 ２ ， 分别为凝 汽器的故障类型集和故障特征集。 如表 ３ 所示为用 Ｂ Ｐ网络训 练的、 分别对应于 凝汽器及其系统的 ｌ 种典型故障征兆的征兆集和训练样本的 目 １ 标输出。 在征兆集 中“ ” １ 表示该故障征 兆存在 ，０ 表示该征兆不存在 。 “”
哀 １ 凝汽■故障类型集
分析 比较发现： Ｐ Ｂ 神经网络具有明显 的准确性和实用性。 另外 ， 还通过 Ｂ Ｐ神经网络诊断和 Ｖｓａ Ｂ ｓ ｉ ｌ ａｉ ｕ ｃ ６０ 简称 Ｖ ） ．（ Ｂ 程序语言进行 了“ 基于 Ｂ Ｐ神经网络的凝汽器的故障诊断” 系统的开发。
１ Ｂ Ｐ神 经 网络法
１１ Ｂ ． Ｐ网络 相关概 念
本文选用 ３层 Ｂ Ｐ神经网络 ， 输入层节点数对应于故障征兆数 Ｎ ＝１； ７输出层节点数对应于故障类 型数 ＝ｌ ； ｌ隐含层节点数为 １ 。 Ｏ 网络的训练精度选 Ｅ≤０ Ｏ ３神经网络中间层和输出层的神经元影响 ．０ ，
函数均取为， （ ）＝
＿ ４ 一 －
， 自学习率取 Ｏ ８ 。 ．５
维普资讯
东
第２ ６卷第 ４期
２０ 年 ８ ０６ 月
北
电
力
大
学
学
报
Ｖｏ． ６， ． １２ Ｎｏ ４
Ｊ ｕ ｎ ｌ ｒｈａｔ ａ ｌＵｎｖｒｉ ｏ ｒ ａ Ｎｏｔｅｓ ｎｉ ｉｅｓ ｙ Ｏｆ Ｄｉ ｔ
Ｎ ｔｒ ｌ ｃｅ ｃ ｄｔ ｎ ａｕ ａ ｉｎ ｅＥ ｉ ｏ Ｓ ｉ