英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

毕业论文（设计）

英文翻译

原文标题 Intelligent Fault Diagnosis Method for Turbo Generator Unit

译文标题 汽轮发电机组故障智能诊断方法研究

汽轮发电机组故障智能诊断方法研究

陈长征，栗青，刘一芳，王亚光

(沈阳工业大学诊断与控制工程中心，辽宁沈阳110023)

摘要：该文针对汽轮发电机组故障特点，研究了用于故障智能诊断的神经网络结构，对传统的BP神经网络进行了改进，提出了神经网络的逐层优化法，优化后的神经网络更加适用于故障诊断。通过对汽轮发电机组常见故障的分析，提出了适用于汽轮机故障诊断的原因一征兆表，在此基础上对某热电厂的汽轮发电机组故障进行了诊断，诊断结果表明，该方法能够正确地诊断出存在的故障，具有实用价值。

关键词：汽轮发电机组；故障诊断；神经网络；感知器

1引言

基于人工神经网络的故障诊断智能诊断方法的应用依赖于它的“学习”能力，执行非线性映射和识别模式能力。性能旋转机械的形式可以通过测量它们的振动，油温，噪声，油样和状态变量来表示，任何故障或故障的汽轮发电机组可能会导致一种异常模式。因此，故障检测的目的是识别这种异常模式，找出故障或故障的相应原因。

在文献中已经提出了许多有用的技术。已经讨论了所谓的基于模型的技术，例如在优秀的调查论文^[1,2]中。基于模型的技术的问题似乎是有限类问题 它们可以应用于并且需要繁重的计算。最近的智能诊断思想已经在人工神经网络中用于表示知识和做故障诊断任务。Timo和海基^[3]说明人工神经网络理论的一个简单的自动化过程实例的故障诊断。杨瑞霞^[4]重新提出了一种网络结构，扩展了网络的能力，代表复杂的非线性关系，使人们有可能同时诊断多个故障及其相应的化工过程中的水平。坦塞尔^[5]等人利用神经网络对颤振故障诊断，该过程使用两种综合训练神经网络识别的谐波加速硅信号和频率，并基于这些观察，估计系统的未来振动特性。开发的神经网络能够识别98％以上的谐波信号超过90％。莫玄Chow^[6]等研究了感应电动机的实时状态监控通过神经网络的方法，提出了一种基于神经网络的故障检测中小型异步电动机。基于神经网络的故障检测器，避免了采用更容易与传统的早期故障检测方案的相关问题可用的信息如转子转速与定子电流，然而，该方法具有固有的无法解决的复杂故障，并不总是相当准确。

2神经网络优化

在几个神经网络，多层感知器是一种故障诊断重要的神经网络学习算法的误差反向传播（以下简称BP）。一般来说，三层知觉适应旋转机械的故障诊断中，它包含三层，输入层、隐层和输出层。对于给定的训练样本集l-dimensions（x1l，X2L，hellip;，XNL）→（T1L、T2L，TM，hellip;L），目标输出（T1L、T2L，hellip;，TML）。之间的平均误差计算的输出值和期望输出值的神经网络的平均平方误差在BP算法，很难阻止挖掘学习速率的价值是因为目前还没有任何理论基础，通常需要通过测试来选择学习速率，如果选择量过大，学习速度快但平均平方误差容易产生振荡。相反，如果太小，学习或收敛速度太慢。

为了克服此缺点，许多论文已经讨论过改进BP算法，以提高学习速度。采用组合训练方法的一篇文章，首先采用最速下降法，当接近收敛点时采用牛顿迭代法。另一篇文章中提出了一种改进的自适应学习率的BP算法，但这个所谓的自适应L收益率必须基于最优选择某些因素，使因子常数不变，因此该算法不是真正自适应。这两种算法需要大量的计算工作，所以方便我们的速度越来越慢，甚至不收敛。故障诊断的精度是通过使用这些方法降低。

针对BP算法存在的不足，该算法已被修改为三层的看法，已经提出了一种新方法。这种方法的特点优化输出层和隐含层在三层感知中，整个学习过程在每一层优化权值变得非常简单和实用，为了提高算法优化的精度每层成为一个线性问题。错误的而线性，惩罚项的成本函数；隐含层和输出层交替学习参数优化。ER不需要调整，这是改进算法的概要，用这种方法训练三层感知，学习速度增加而不降到局部最小永远的诊断精度应提高改进为旋转机械故障诊断网。改进的进展图显示，需要优化功能如下：

3神经网络诊断模型

利用不平衡、不对中，油膜振动，10种故障如网的输出，使用在9个阶段的不同频率范围的频谱峰值能量作为网络输入，训练g样品已经建立。这些样品是在表显示在表右边是老师的信号或输出目标。“1”指的是一个断层的存在，而“0”是指根据故障的情况下。根据以上分析，选择一三层感知，输入节点数为9个，与特征频率范围相关，输出节点数为10个，与10个故障相关。此网由8个样本构成，根据这一理论，9个隐藏节点都适合。设定误差E=0.0001，网络用改进的算法训练，网络收敛非常快。结果显示于表格中，作为该方法的结果和方便的BP的曲线显示在图2中。通过上述方法，基于输入样本和教师信号，如果节点值在输出层中为1，则其对应于故障，而其他为0，因此，三层感知可以很好地记住学习知识。

对于新的神经网络方法的性能测试后，以汽轮机故障诊断为例。汽轮机中经常发生一些振动故障，例如旋转和气缸之间的摩擦，弯曲轴，不平衡和松动。图3是水轮机和测试点的位置的结构图，如图3所示，测试轴承的振动，从振动速度功率谱他的涡轮如图4所示。从该谱，故障表现模型如表3，这是由网络的输入，通过非线性映射出净，净输出示于表。从表中，第九个节点的输出值是0.5，和其他近0。由此，我们知道，涡轮的故障是轴承座松动。事实上，涡轮和齿轮轴承之间的四个机器脚轴承的振动值不同，有一个大于其他，其值是其他值的四倍。通过探测，这个机器脚在螺母和轴承座之间的振动值超过了标准。

4结论

采用三层感知作为故障诊断的工具，改进了神经网络在故障诊断中的特点，使训练收敛速度快，提高了精度针对故障诊断，提出了汽轮机故障原因及表现关系表，利用此表可改进三层感知神经网络诊断汽轮机结果表明，结果表明，该故障诊断方法非常优秀。

从该智能诊断系统的结果，它可以全面完成预期的任务，和一个强大的智能应运而生。此外，当诊断软件设计，以下是对系统维护的建议是开放给客户，客户可以添加自己的广告的系统，这使得智能诊断系统很完善。

参考

[1]Chuel-Tin Chang,Kai-Nan Mah,Chii-Shiang Tsai.A simple design stratage for fault monitoring systems[J].AIChE Journal,1999,39(3):1146-1163.

[2]Kajiro Watanabe,Ichiro Matsuura,Masahiro Abe,diagnosis of chemical processing via artificial et al.Incipient fault neural networks[J].AIChE Journal,1989,35(11):1803-1812.

[3]Timo Sorsa,Heikki N,Koivo,Hannu Koivisto.Neural networks in process fault diagnosis[J].IEEE Transactions on System,Man and Cybernetics,1991,21(4):815-825.

[4]Fan J Y,Nikolaou M,White R E.An approach to fault diagnosis of chemical processes via neural networks[J].AIChE Journal,1993,39(1):82-87.

[5]Tansel I N,Wagiman A,Tziranis A.Recognition of chatter with neural networks[J].Int.J.Mach.Tools Manufactory,1991,31(4):539-552.

[6]Chow Mo-yuen,Mangum Peter M,Yee Sui Oi.A neural network approach to real-time condition monitoring of Induction motors.IEEE Transactions on Industrial Electronics,1991,38(6):448-453.

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25739]，资料为PDF文档或Word文档，PDF文档可免费转换为Word