文獻(xiàn)標(biāo)識(shí)碼: A
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.