專利名稱：基于cpn網(wǎng)絡(luò)和d-s證據(jù)的汽輪機集成故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種汽輪機故障診斷，特別涉及一種基于CPN網(wǎng)絡(luò)和D-S證據(jù)的汽輪機集成故障診斷方法。
背景技術(shù)：
汽輪發(fā)電機組是電力生產(chǎn)企業(yè)的主要設(shè)備，汽輪機在運行過程中不斷產(chǎn)生大量不同的信息，這些信息從不同的方面反映了汽輪機的運行狀態(tài)。由于汽輪機結(jié)構(gòu)比較復(fù)雜，運行環(huán)境比較特殊，機組出現(xiàn)故障情況不可避免，且故障種類繁多，有很多故障特征信號，包括溫度、壓力、振幅、電壓、電流、流量、功率等等，而其中以振動信號包含的故障特征最多， 更能迅速、直接地反映機組的運行狀態(tài)，也比較容易被監(jiān)測和分析。因此，進行汽輪機故障診斷的研究，對于發(fā)現(xiàn)故障原因及部位，提高機組的運行可靠性，保障機組安全、經(jīng)濟運行具有重要意義。信息融合技術(shù)是將來自不同用途、不同時間、不同空間的信息，通過計算機技術(shù)在一定準則下加以自動分析和綜合，形成統(tǒng)一的特征表達信息，以使系統(tǒng)獲得比單一信息源更準確、更完整的估計和判決的技術(shù)。它為解決信息時代的信息處理與決策問題提供了先進而可靠的方法。在多傳感器系統(tǒng)中，信息融合的基本原理就像人腦綜合處理信息的過程一樣，將各種傳感器提供的在時間或者空間上冗余或者互補的信息依據(jù)某種準則優(yōu)化組合起來，產(chǎn)生對觀測環(huán)境的合理描述。信息融合技術(shù)應(yīng)用于設(shè)備故障診斷是在對多傳感器的信息進行綜合處理基礎(chǔ)上，實現(xiàn)對設(shè)備的實時狀態(tài)監(jiān)測、信號的突變預(yù)測甚至是故障診斷與報警。在故障診斷領(lǐng)域，信息融合過程可以分為數(shù)據(jù)層、特征層、決策層三個層次，這三個層次分別代表了對原始數(shù)據(jù)不同層度的抽象。與傳統(tǒng)的故障診斷技術(shù)相比，信息融合技術(shù)具有更高的診斷準確度和可信度。信息融合技術(shù)中的證據(jù)理論是一種不確定性推理方法,首先由Dempster提出，并由Shafer進一步發(fā)展起來，形成一套關(guān)于證據(jù)的數(shù)學理論，因而又稱為D-S證據(jù)理論。D-S 證據(jù)理論主要是依據(jù)可信度函數(shù)運算，它是一種解決不確定性問題的數(shù)據(jù)融合方法。D-S證據(jù)理論不需要先驗信息，并采用區(qū)間估計的方法來描述不確定信息，解決了關(guān)于不確定性的表示方法。因此，D-S證據(jù)理論具有很強的處理不確定信息的能力，在區(qū)分不知道與不確定方面以及精確反映證據(jù)收集方面具有很大的靈活性，為不確定信息的表達和合成提供了強有力的方法，特別適應(yīng)于決策級信息融合，已經(jīng)在模式識別、故障診斷、問題預(yù)測、專家系統(tǒng)等領(lǐng)域得到了廣泛應(yīng)用。對向傳播神經(jīng)網(wǎng)絡(luò)(Counter-propagation Network,簡稱CPN)是近年來興起的一種新型特征映射網(wǎng)絡(luò)，它可以克服目前常用的BP神經(jīng)網(wǎng)絡(luò)陷入局部極小點、學習速度慢和收斂性差的缺陷。CPN神經(jīng)網(wǎng)絡(luò)將Kohonen特征映射網(wǎng)絡(luò)和Grossberg基本競爭型網(wǎng)絡(luò)結(jié)合起來，發(fā)揮了各自的特長，適用于故障診斷、模式分類、函數(shù)逼近、統(tǒng)計分析以及數(shù)據(jù)壓縮
坐坐寸寸ο

發(fā)明內(nèi)容
本發(fā)明是針對汽輪機包含振動信號的故障診斷的重要性問題，提出了一種基于 CPN網(wǎng)絡(luò)和D-S證據(jù)的汽輪機集成故障診斷方法，以汽輪機轉(zhuǎn)子振動模擬實驗裝置為試驗平臺，將從不同傳感器采集到的汽輪機振動狀態(tài)參數(shù)作為獨立的數(shù)據(jù)樣本，利用CPN神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的優(yōu)點，實現(xiàn)對汽輪機當前運行狀態(tài)進行更準確的診斷和分析。本發(fā)明的技術(shù)方案為一種基于CPN網(wǎng)絡(luò)和D-S證據(jù)的汽輪機集成故障診斷方法， 方法包括如下具體步驟
1)將從汽輪機轉(zhuǎn)子振動模擬試驗臺上傳感器采集到的汽輪機振動狀態(tài)參數(shù)作為獨立的數(shù)據(jù)樣本，經(jīng)過特征提取、處理和參數(shù)歸一化處理后輸入到各自獨立的CPN神經(jīng)網(wǎng)絡(luò)進行訓練，使得每個獨立的CPN神經(jīng)網(wǎng)絡(luò)都能形成故障征兆到故障模式的非線性映射；
2)應(yīng)用各自獨立的CPN神經(jīng)網(wǎng)絡(luò)進行故障診斷后，將CPN神經(jīng)網(wǎng)絡(luò)的輸出值采用下面公式進行歸一化處理，轉(zhuǎn)換成對應(yīng)該CPN神經(jīng)網(wǎng)絡(luò)的各種故障狀態(tài)的基本概率分配BPA，
權(quán)利要求
1.一種基于CPN網(wǎng)絡(luò)和D-S證據(jù)的汽輪機集成故障診斷方法，其特征在于，方法包括如下具體步驟1)將從汽輪機轉(zhuǎn)子振動模擬試驗臺上傳感器采集到的汽輪機振動狀態(tài)參數(shù)作為獨立的數(shù)據(jù)樣本，經(jīng)過特征提取、處理和參數(shù)歸一化處理后輸入到各自獨立的CPN神經(jīng)網(wǎng)絡(luò)進行訓練，使得每個獨立的CPN神經(jīng)網(wǎng)絡(luò)都能形成故障征兆到故障模式的非線性映射；2)應(yīng)用各自獨立的CPN神經(jīng)網(wǎng)絡(luò)進行故障診斷后，將CPN神經(jīng)網(wǎng)絡(luò)的輸出值采用下面公式進行歸一化處理，轉(zhuǎn)換成對應(yīng)該CPN神經(jīng)網(wǎng)絡(luò)的各種故障狀態(tài)的基本概率分配BPA，其中A(J)表示第；個證據(jù)在CPN網(wǎng)絡(luò)中的第J個輸出結(jié)果；Mi(J)代表第個證據(jù)對狀態(tài)J'的BPA ；3)根據(jù)D-S證據(jù)理論的融合規(guī)則對各個故障CPN神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進行進一步的數(shù)據(jù)融合，求得其正交和M，即為融合后各狀態(tài)故障狀態(tài)的基本概率分配，得到故障診斷結(jié)果。
全文摘要
本發(fā)明涉及一種基于CPN網(wǎng)絡(luò)和D-S證據(jù)的汽輪機集成故障診斷方法，利用CPN神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的優(yōu)點，針對電廠汽輪機，將從不同傳感器采集到的汽輪機振動狀態(tài)參數(shù)作為獨立的數(shù)據(jù)樣本，經(jīng)過特征提取、處理和參數(shù)歸一化處理后輸入各自獨立的CPN神經(jīng)網(wǎng)絡(luò)進行訓練，使得每個獨立的CPN神經(jīng)網(wǎng)絡(luò)都能形成故障征兆到故障模式的非線性映射。再利用D-S證據(jù)理論方法對各個CPN神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果進行進一步的數(shù)據(jù)融合診斷，提高診斷結(jié)果的準確性和可靠性。從而實現(xiàn)對汽輪機當前運行狀態(tài)進行更準確的診斷和分析。
文檔編號G01M15/00GK102589890SQ20121005075
公開日2012年7月18日 申請日期2012年3月1日 優(yōu)先權(quán)日2012年3月1日
發(fā)明者夏飛, 張 浩, 彭道剛, 李輝, 錢玉良 申請人:上海電力學院