[发明专利]一种基于CPN神经网络的汽轮发电机组故障诊断方法

说明书

技术领域

本发明涉及一种汽轮发电机组的故障诊断技术，特别涉及一种基于CPN神经网络的汽轮发电机组故障诊断方法。

背景技术

随着我国“厂网分开、竞价上网”运营模式的形成，各发电企业面临着巨大的市场竞争。为提高自身的竞争力，各发电企业不断挖掘自身潜力，降低发电成本。大型汽轮发电机组是发电企业的主要设备，具有机组容量大、热力参数高的特点，其运行安全性与经济性的问题在这种竞争环境下更显得突出，而且其性能退化与机组故障以及运行水平对电厂甚至整个电网的安全性、经济性的影响愈发严重。由于大型汽轮机组结构比较复杂，运行环境比较特殊，机组出现性能退化甚至故障是不可避免的，所以及时诊断、预防机组的故障，提高设备的可用率，保障机组安全、经济地运行，仍然是发电企业提高经济效益、增强竞争力的有效途径之一。因此，进行汽轮发电机组故障诊断的研究，对于早期发现故障原因及部位、提高机组的运行可靠性以及制定科学的维修制度具有现实意义。

人工神经网络（Artificial Neural Networks，简称ANN）是由大量神经元处理单元互连组成的并行分布处理系统，具有自学习、联想存储以及高速寻找优化解的功能。神经网络在信号处理、目标跟踪、专家系统以及模式识别等领域具有很大的应用价值，特别是在机械故障诊断中具有很大的应用潜力。

目前汽轮发电机组故障诊断的常用方法是在基于频谱分析法的基础上，应用误差反向传播神经网络（Backward-propagation，简称BP）对机组故障进行分类。首先通过提取时域信号的频域特征量，确定信号的频率成分以及这些频率幅值的大小，形成故障样本，然后将得到的故障样本作为BP神经网络的输入，得到相应的输出作为故障诊断的结果，实现对汽轮机组的故障诊断。由于基于BP网络的故障诊断方法不必事先给出各故障模式的判别函数或故障隶属函数，它借助于其本身所具有的学习能力自动形成故障类型与故障征兆间的非线性映射关系，为故障诊断提供了方便。但是BP神经网络也存在一定的局限性，比如学习率与稳定性之间的矛盾，学习率的选择缺乏有效的方法，训练过程可能陷入局部极小，没有有效确定隐含层神经元个数的方法等等。

对向传播神经网络（Counter-propagation Network，简称CPN）是近年来兴起的一种新型特征映射网络，它可以克服目前常用的BP神经网络具有陷入局部极小点、学习速度慢和收敛性差的缺陷。CPN神经网络将kohonen特征映射网络和Grossberg基本竞争型网络结合起来，发挥了各自的特长，适用于故障诊断、模式分类、函数逼近、统计分析以及数据压缩等等。

发明内容

本发明是针对目前汽轮发电机组的典型故障问题，提出了一种基于CPN神经网络的汽轮发电机组故障诊断方法，将Kohonen特征映射网络和Grossberg基本竞争型网络结合起来形成的一种新型特征映射神经网络，它可以克服BP神经网络具有陷入局部极小点、学习速度慢和收敛性差的缺陷，适用于故障诊断、模式分类、函数逼近、统计分析以及数据压缩。

本发明的技术方案为：一种基于CPN神经网络的汽轮发电机组故障诊断方法，包括如下具体步骤：

1）CPN神经网络依次包括输入层、竞争层和输出层，汽轮发电机组故障训练样本为输入向量，输出层为故障种类，每个输出神经元分别对应一种故障类别，定义CPN神经网络各个层：设CPN网络的输入向量为                                                ，竞争层的输出向量为，输出层的实际输出向量为，目标输出向量为，其中分别为CPN神经网络输入层、竞争层以及输出层的神经元个数，，其中表示CPN神经网络故障样本的个数，由输入层至竞争层的连接权值向量为；由竞争层到输出层的连接权值向量为；

2）CPN神经网络数据预处理：将所有的输入向量按照公式，，进行归一化处理，并将连接权向量和赋予[0,1]内的随机值；

3）CPN神经网络由输入层至竞争层进行无教师型学习：将连接权值向量按照公式， ，进行归一化处理，将第个输入模式提供给网络输入层，然后根据公式，计算竞争层中每个神经元的加权输入和，根据公式得连接权向量中与距离最近的向量，并将其对应的神经元的输出设定为1，其余竞争层神经元的输出设定为0；最后将连接权向量按照公式，进行修正，并将连接权重新归一化，其中为学习率，；