TRT系統(tǒng)中的透平機(jī)作為一種旋轉(zhuǎn)機(jī)械,，是高爐煤氣余壓發(fā)電設(shè)備中的重要組成部分，它的正常運(yùn)轉(zhuǎn)可以保證穩(wěn)定高爐爐頂壓力,，降低爐況的變化范圍,，使高爐更易取得高效的產(chǎn)出，其結(jié)構(gòu)復(fù)雜,，故障特征的表現(xiàn)及故障的產(chǎn)生原因普遍具有模糊性和復(fù)雜性,，對(duì)其進(jìn)行潛伏性故障診斷存在一定的困難[1-5]。針對(duì)以上問(wèn)題,，國(guó)內(nèi)外在此方面已經(jīng)進(jìn)行了一定的研究,，但是與其在生產(chǎn)中廣泛應(yīng)用的現(xiàn)狀不相符合。
    針對(duì)以上情況,，本文在對(duì)高爐煤氣余壓發(fā)電技術(shù)做深入了解的基礎(chǔ)上,，選擇此技術(shù)中的關(guān)鍵設(shè)備透平機(jī)作為研究對(duì)象，針對(duì)其存在旋轉(zhuǎn)機(jī)械的特點(diǎn),，通過(guò)理論分析,，首先應(yīng)用小波變換的方法[6-7]將透平機(jī)運(yùn)行狀況相關(guān)數(shù)據(jù)中的噪聲濾除，然后通過(guò)分析透平機(jī)運(yùn)行過(guò)程中相關(guān)環(huán)節(jié)的關(guān)系,，在現(xiàn)場(chǎng)采集到的大量數(shù)據(jù)信息積累的基礎(chǔ)上,，采用量子神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)TRT系統(tǒng)中透平機(jī)運(yùn)行狀況的潛伏性故障診斷。
1 透平機(jī)運(yùn)行數(shù)據(jù)的預(yù)處理
    由于TRT機(jī)組的工作現(xiàn)場(chǎng)環(huán)境復(fù)雜,，透平機(jī)的運(yùn)行受到電磁及地面振動(dòng)等諸多因素的影響,，從傳感器獲得的信號(hào)中不可避免地混有大量的噪聲干擾，這對(duì)正確預(yù)測(cè)透平機(jī)的運(yùn)行狀況非常不利,。因此,，首先需要對(duì)從現(xiàn)場(chǎng)采集到的透平機(jī)運(yùn)行數(shù)據(jù)進(jìn)行濾波處理,。

    比較圖1中濾波前后的透平機(jī)位移信號(hào)可以看出，此算法可以有效地濾除高頻,、低頻的噪聲干擾信號(hào),，還原原始信號(hào)。
    通過(guò)比較圖2中濾波前后的透平機(jī)轉(zhuǎn)速信號(hào)可以看出,，此算法處理信號(hào)的局部細(xì)節(jié)特征有很好的效果,。

    通過(guò)比較圖3中用軟硬閾值折中算法濾波前后的透平機(jī)振動(dòng)信號(hào)可以看出，此算法無(wú)論是從濾波效果還是保存有用信號(hào)中的尖峰和突變部分都做得非常好,。
    通過(guò)比較濾波前后的三組透平機(jī)運(yùn)行數(shù)據(jù),，可以看出濾波后的信號(hào)中噪聲部分被有效地抑制。同時(shí),，濾波后的信號(hào)作為隨后的透平機(jī)運(yùn)行狀況預(yù)測(cè)的輸入數(shù)據(jù),，可以有效地提高預(yù)測(cè)的可靠性和準(zhǔn)確性。
　為了體現(xiàn)軟硬閾值折衷法在小波閾值濾波算法中的優(yōu)勢(shì),，分別采用軟閾值算法,、硬閾值算法和軟硬閾值折衷法對(duì)透平機(jī)運(yùn)行中振動(dòng)信號(hào)的濾波進(jìn)行了比較實(shí)驗(yàn)，實(shí)驗(yàn)所得的信噪比和均方差兩項(xiàng)指標(biāo)如表1所示,。
    從表1中可以看出,，軟硬閾值折衷法的濾波性能在信噪比和均方差上都要優(yōu)于另外兩種算法，此方法不僅能夠避免硬閾值函數(shù)的不連續(xù)性,，并且能夠去除軟閾值函數(shù)在小波系數(shù)的分解過(guò)程中產(chǎn)生的差值,，是一種更加有效的濾波算法。

2 透平機(jī)前軸瓦溫度的預(yù)測(cè)
    選取在透平機(jī)運(yùn)行時(shí)對(duì)軸瓦溫度影響較大的7個(gè)運(yùn)行參數(shù)(透平機(jī)的軸位移,、進(jìn)氣側(cè)X向振動(dòng),、進(jìn)氣側(cè)Y向振動(dòng)、進(jìn)氣壓力,、潤(rùn)滑油壓力,、潤(rùn)滑油溫度、轉(zhuǎn)速)作為輸入層節(jié)點(diǎn),。隱層神經(jīng)元節(jié)點(diǎn)數(shù)的選取沒(méi)有明確的規(guī)定,，但是隱層節(jié)點(diǎn)太少，不能反映后續(xù)值與前驅(qū)值的相互關(guān)系,，容錯(cuò)性差,；隱層節(jié)點(diǎn)太多會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，網(wǎng)絡(luò)預(yù)測(cè)能力下降,。本文采用經(jīng)驗(yàn)公式與試湊法相結(jié)合
    研究人員通過(guò)理論的分析已經(jīng)證明，含有單個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)能夠模擬任何連續(xù)函數(shù),，僅當(dāng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)存在不連續(xù)的問(wèn)題時(shí),，才需要設(shè)計(jì)出兩個(gè)隱含層,。實(shí)踐結(jié)果顯示，如果存在一個(gè)隱含層的節(jié)點(diǎn)數(shù)添加了很多,，卻仍然不能使網(wǎng)絡(luò)的性能有所提高的情況,，可以通過(guò)選取兩個(gè)隱含層，并且適當(dāng)減少隱含層節(jié)點(diǎn)數(shù)的方法提高神經(jīng)網(wǎng)絡(luò)的性能,。因此,，在量子神經(jīng)網(wǎng)絡(luò)隱含層的選取上，可使用具有一個(gè)或者兩個(gè)隱含層的網(wǎng)絡(luò)模型結(jié)構(gòu),，并比較兩者的訓(xùn)練性能上的差別,。本文以選取兩個(gè)隱含層為例，分別含有24和18節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu),，得到預(yù)測(cè)結(jié)果以及訓(xùn)練曲線,，如圖4和圖5所示。

    通過(guò)圖4可以看出,，預(yù)測(cè)曲線能很好地逼近實(shí)際曲線,，尤其在運(yùn)行中狀態(tài)突變的時(shí)刻預(yù)測(cè)效果非常明顯，此量子神經(jīng)網(wǎng)絡(luò)對(duì)透平機(jī)前軸瓦溫度的預(yù)測(cè)能夠得到滿意的結(jié)果,。
    通過(guò)圖5可以看到,，在經(jīng)過(guò)195次訓(xùn)練后，所建立的神經(jīng)網(wǎng)絡(luò)到達(dá)了目標(biāo)精度,，相對(duì)誤差為0.54%,。
    通過(guò)表2的比較可以看出，量子神經(jīng)網(wǎng)絡(luò)模型選取7-24-18-1的結(jié)構(gòu),，無(wú)論是在網(wǎng)絡(luò)訓(xùn)練的速度還是在減少泛化誤差上都做得最好,。選擇三層的7-24-1網(wǎng)絡(luò)結(jié)構(gòu)，盡管在提高目標(biāo)精度的前提下,，仍然具有較快的訓(xùn)練速度,，但是泛化誤差卻增大了。通過(guò)比較以上數(shù)據(jù),，可以得到以下結(jié)論：

     (1)量子神經(jīng)網(wǎng)絡(luò)模型能夠?qū)崿F(xiàn)對(duì)TRT系統(tǒng)中透平機(jī)運(yùn)行狀況的預(yù)測(cè),。
     (2) 對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的選擇很重要，盡管具有兩個(gè)隱含層的網(wǎng)絡(luò)達(dá)到的目標(biāo)精度較低,，但是其泛化誤差更小,，更合適對(duì)新的樣本進(jìn)行預(yù)測(cè)。
     (3) 網(wǎng)絡(luò)的訓(xùn)練精度不能選取得過(guò)高,，否則在降低網(wǎng)絡(luò)訓(xùn)練速度的同時(shí),，網(wǎng)絡(luò)的泛化能力也有所下降。
    本文針對(duì)含有噪聲的TRT系統(tǒng)中透平機(jī)運(yùn)行的振動(dòng)信號(hào)運(yùn)用小波變換閾值化方法中的軟硬閾值折衷算法進(jìn)行濾波處理，能夠克服軟閾值算法和硬閾值算法各自的不足之處,，取得較為理想的濾波效果,。通過(guò)基于量子神經(jīng)網(wǎng)絡(luò)的TRT系統(tǒng)中透平機(jī)前軸瓦溫度的預(yù)測(cè)研究可以看出，量子神經(jīng)網(wǎng)絡(luò)對(duì)TRT系統(tǒng)中透平機(jī)運(yùn)行狀況的預(yù)測(cè)應(yīng)用是可行的,。同時(shí),，量子神經(jīng)網(wǎng)絡(luò)通過(guò)不斷地訓(xùn)練和自學(xué)習(xí)，可以從透平機(jī)運(yùn)行的歷史數(shù)據(jù)中掌握一定的規(guī)律,，并可以參照這些規(guī)律對(duì)未來(lái)透平機(jī)的運(yùn)行狀況做出合理的預(yù)測(cè),。
參考文獻(xiàn)
[1] 王曉放，申巖,，黃鐘岳,，等. 通用化透平壓縮機(jī)運(yùn)行性能高速在線評(píng)估系統(tǒng)設(shè)計(jì)[J]. 大連理工大學(xué)學(xué)報(bào)，2005,45(1)：36-38.
[2] 馮志鵬,，宋希庚,，薛冬新，等. 旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷理論與技術(shù)進(jìn)展綜述[J]. 振動(dòng)與沖擊,，2001,，20(4)：36-40.
[3] 馮志鵬，宋希庚,，薛冬新. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)研究[J]. 振動(dòng),、測(cè)試與診斷，2003,，23(2)：105-109.
[4] 王維民,，高金吉，江志農(nóng). 基于有限元模型的旋轉(zhuǎn)機(jī)械故障診斷方法研究[J]. 振動(dòng)與沖擊,，2006,，25(4)：30-33.
[5] 宋濤，湯寶平,，李鋒. 基于流形學(xué)習(xí)和K-最近鄰分類器的旋轉(zhuǎn)機(jī)械故障診斷方法[J]. 振動(dòng)與沖擊,，2013，32(5)：149-153.
[6] 臧玉萍,，張德江,，王維正. 基于小波變換技術(shù)的發(fā)動(dòng)機(jī)異響故障診斷[J]. 機(jī)械工程學(xué)報(bào)，2009,，45(6)：239-245.
[7] 盧艷宏,，馮源. 基于小波變換和TMS320F2812的水泵故障診斷系統(tǒng)研究[J]. 計(jì)算機(jī)測(cè)量與控制，2012,，20(10)：2642-2644.
[8] 李盼池,，宋考平，楊二龍. 基于受控旋轉(zhuǎn)門的量子神經(jīng)網(wǎng)絡(luò)模型算法及應(yīng)用[J]. 控制與決策，2011,，26(6)：888-901.
[9] 徐小力,，左云波,，吳國(guó)新. 量子神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)組狀態(tài)趨勢(shì)預(yù)測(cè)中的應(yīng)用[J]. 機(jī)械強(qiáng)度,，2010，32(4)：526-530.
[10] 龔瑞昆,，馬亮,，趙延軍，等．基于量子神經(jīng)網(wǎng)絡(luò)信息融合的變壓器故障診斷[J]．電力系統(tǒng)保護(hù)與控制,，2011,，39(23)：79-88.