基于广义回归神经网络的凝汽器故障诊断

肖洪闯，葛晓霞，李 扬

(南京工程学院，能源与动力工程学院，江苏 南京 211167)

0 概 述

目前，我国的能源结构仍以火电机组为主。在提倡环保节能的趋势下，迫切地需要加强故障诊断方面的研究，以提高机组运行的可靠性和经济效益。凝汽器是火电机组中重要的辅助设备，其工作性能对机组的运行安全与经济性有着很大的影响。若凝汽器的真空度过低，将使排汽温度上升，造成低压缸排汽口的热变形，引起转子中心的偏移，严重时还会引发设备振动。此外，当真空度下降时，若欲确保机组出力不变，必须增加进汽量，将导致轴向推力的增加，影响机组的安全运行。随着机组容量的不断增大，设备发生故障时危害性也在增加。目前，很多机组的凝汽器在发生故障后，均需依据运行人员的经验进行判断，如果凝汽器发生故障，运行人员因经验不足而不能及时解决，将使相关设备遭到不同程度的损坏。严重时，甚至会使故障范围进一步扩大，威胁机组的安全运行。因此，研究高效智能的诊断方法，及时诊断凝汽器故障，具有十分重要的意义。神经网网络具有突出的自组织、自学习能力，早已应用于故障诊断领域。近年来，不断有研究学者对常规神经网络进行改进，以提高网络的训练速度[1-2]。采用广义回归神经网络建立凝汽器故障诊断模型，可使诊断速度更快、泛化能力更强。现以某电厂凝汽器故障为例，验证GRNN诊断模型的有效性。

1 凝汽器智能故障诊断技术

凝汽器的故障原因多且复杂，故障与故障征兆之间有着很强的模糊性。因而采用传统的故障诊断方法，难以准确建立凝汽器故障的诊断模型。随着近年来人工智能技术的不断发展，新型的智能诊断方法已开始运用于工业领域，相比于传统的故障诊断方法，采用智能诊断方法时，不需要建立被诊对象精确的数学模型，所以，诊断的效率高。典型的智能诊断方法，主要有证据理论、神经网络、模糊诊断、专家系统等方法。

不同的智能诊断方法其特点也不相同。专家系统是依赖专家在某领域的知识，根据专家在知识库中建立的规则进行逻辑推理及匹配，但系统缺乏自学的能力。当知识库的获取或匹配较为困难时，诊断推理就不完善，往往使诊断结果不可靠。模糊诊断方法较为简单，诊断速度快，但是诊断准确率与隶属度函数的建立有很大关系。在实际操作中，因影响凝汽器的因素较多，故障与故障征兆之间的关系十分复杂，需花费大量时间，才能建立正确的隶属度函数。神经网络具有自学和自组的能力，在故障诊断领域得到了广泛应用。神经网络的诊断模型，既不存建立隶属度函数的问题，又没有选取专家系统知识库的困扰。

2 广义回归神经网络的结构

广义回归神经网络(GRNN)是径向基神经网络中的一种，由输入层、模式层、求和层和输出层组成。广义回归神经网络的结构，如图1所示。相比于BP神经网络，GRNN神经网络需人为设置的参数更少，最大程度地降低了人为主观因素的影响，并且在小样本学习中，GRNN的收敛速度更快，学习能力更强。

图1 广义回归神经网络结构

(1)

通过x和y的观测样本进行非参数估计，得到具体的概率密度函数，其表达式为：

(2)

在式(2)中，变量n和p分别表示样本数目和给定变量x的数据维数；变量Xi是对变量x进行观测后的所得值，变量Yi是对变量y进行观测后的所得值；δ表示GRNN中的光滑因子。

联立式(2)、式(1)，得到式(3)：

(3)

在GRNN神经网络中，输入已确定的样本，其权值及网络结构是确定的，因此，模型训练就是调整δ的取值，δ值较大，则网络输出值，就是相当于所有样本变量的平均值。若δ值较小，那么对于训练样本以内的数据预测的精度是非常高，但对训练样本以外的数据预测效果是很差的。

3 应用实例

3.1 凝汽器故障征兆与征兆参数

凝汽器故障类型及故障征兆参数有很多，根据现场运行人员经验并参考文献[3]的研究结果，选取了凝汽器常发生的11种故障。分别设置了故障征兆的编号，设备循环水泵严重故障为A1、后轴封供汽中断为A2、凝汽器满水为A3、真空系统管路破裂为A4、真空系统不严密为A5、凝结水泵故障为A6、凝汽器铜管破裂为A7、低压加热器铜管破裂为A8、凝汽器铜管脏污 为A9、凝汽器铜管堵塞为A10、抽气器工作不正常为A11。这些故障将与13种故障征兆相对应，因此，分别设置凝汽器真空度为X1、循环水泵电机电流为 X2、循环水泵出口压力为X3、转子胀差为X4、凝结水泵出口压力为X5、凝结水泵电机电流为X6、凝结水的导电率为X7、低压加热器水位为X8、凝汽器冷却水的温升为X9、凝汽器端差为 X10、凝结水过冷度为X11、抽气器抽出的空气温度与冷却水进口温度之差为X12、凝汽器抽气口至抽气器进口之间的压差为X13。

3.2 故障征兆知识库

因为凝汽器故障与故障征兆之间具有模糊性，在进行神经网络故障诊断前，需将故障征兆作模糊化处理。以模糊子集{急剧增大、缓慢增大、正常、缓慢减小、急剧减小}描述征兆参数的变化状态，每个模糊状态对应的子集量化值，为{0、0.25、0.5、0.75、1}，由此，建立凝汽器典型故障征兆的知识库，如表1所示。

3.3 诊断实例

神经网络应用于故障诊断的实质，就是要完成故障与故障征兆之间的非线性映射。以1表示故障发生，0表示故障未发生。则故障诊断模型输出为11维向量，每个维度对应1种故障类型。通过不断调整权值与阈值，学习或获取训练样本中的故障知识。当诊断模型的训练完成后，将故障征兆参数作为神经网络的输入值，即可得到诊断结果。通常，根据最大隶属度规则，判断发生对应的故障类型。此次试验是在MatlabR2014b计算软件上实现的。在GRNN模型的δ选取中，当δ大于0.2，以训练样本进行测试，诊断效果较差。当δ小于等于0.1时，诊断效果较好。因此，最终将GRNN模型的δ取为0.1。

从相关文献资料[5-8]中，提取了4个故障实例，并利用GRNN诊断模型进行测试。将故障征兆参数模糊化后输入GRNN诊断模型，获得4个诊断结果。实例1的诊断结果为A5，是真空系统不严密。实例2的诊断结果为A2，是后轴封供汽故障。实例3的诊断结果为A2，是后轴封供汽中断。实例4的诊断结果为A10，是凝汽器铜管堵塞。4个诊断结果均与现场设备故障的原因相一致，显示了GRNN诊断模型的有效性。

3.4 模型对比和分析

为了验证GRNN诊断模型的突出性能，将GRNN网络模型与Elman神经网络模型、BP神经网络模型进行对比和分析。在Elman神经网络的参数设置中，学习率为0.005、目标误差为0.000 1、最大迭代次数为1 000，输入层到隐含层的传递函数为tansig，隐含层到输出层的传递函数为logsig，隐含层神经元个数，为27。在BP神经网络的参数设置中，学习率为0.005、目标误差为0.000 1、最大迭代次数为1 000，输入层到隐含层的传递函数为tansig，隐含层到输出层传递函数为logsig，训练函数为traingdx，动量因子设为0.9，学习率增长比率因子为1.05，学习率降低比率因子为0.7。3种诊断模型的诊断结果，如表2所示。

表1凝汽器故障征兆知识库

故障编号征兆参数X1X2X3X4X5X6X7X8X9X10X11X12X13A10.000.000.000.750.500.500.250.251.000.250.250.750.75A20.000.750.750.250.500.500.250.250.50.750.750.250.75A30.500.750.750.751.001.000.250.250.250.250.250.750.75A40.000.750.750.750.500.500.250.250.251.001.000.250.75A50.250.750.750.750.500.500.250.250.500.750.750.250.75A60.250.750.750.750.000.000.250.250.250.750.750.250.75A70.250.750.750.751.001.000.750.250.500.750.750.250.75A80.250.750.750.751.001.000.250.750.500.750.750.250.75A90.250.750.750.750.500.500.250.250.250.750.250.750.75A100.250.750.750.750.500.500.250.250.750.750.250.750.75A110.250.750.750.750.500.500.250.250.500.750.750.250.25

表23种模型诊断结果对比

实例模型A1A2A3A4A5A6A7A8A9A10A111GRNN00001000000BP00.00650.00030.00060.92680.02880.00140.00870.00020.00620.0023Elman0.02360.00320.007700.98430.02000000.00210.03352GRNN01000000000BP0.08090.684500.383300.00520.00320.00400.002200.0076Elman0.065210.89320.00260.000200.00020.32700.05010.05280.00040.00353GRNN01000000000BP0.10690.70090.00010.162600.00520.00030.00060.01340.00220.0079Elman0.17440.89040.00040.000100.00140.02470.00340.002300.00194GRNN0000000000.94120.0588BP0.00410.00270.00010.034100.00030.018900.22190.00230.0082Elman0.11590.04850.0007000.00150.02920.00270.06240.03330.0023

从表2的诊断结果可知，在前3个故障实例诊断中，3种诊断模型均能准确诊断出故障，并且，Elman神经网络诊断发现故障的概率高于BP神经网络、GRNN神经网络诊断发现故障的概率高于Elman神经网络。在诊断实例4中，BP和Elman均未能准确诊断出故障A10，而GRNN诊断发生A10故障的概率为0.9412，与现场故障的诊断结果一致。因此，GRNN神经网络的诊断模型，相比于另外2种诊断模型的诊断精度更高，泛化能力更强，更加适合电厂凝汽器故障的诊断。

4 结 语

选取凝汽器典型故障及故障征兆集，采用GRNN神经网络，建立了凝汽器故障的诊断模型。通过故障实例，验证了GRNN诊断模型的有效性。经对比，GRNN神经网络的诊断速度快，故障剥离能力更强。