资源描述：
《基于D-S证据理论的直接空冷凝汽器故障诊断方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第43卷第3期化工机械373基于D-S证据理论的直接空冷凝汽器故障诊断方法研究于兰∗(长春工程学院能源与动力工程学院)摘要提出一种基于Elman神经网络和RBF神经网络通过D-S证据理论融合的故障诊断方法,把该方法应用在直接空冷凝汽器的故障诊断中。首先对故障进行神经网络初步诊断,得到属于不同故障状态的隶属度,然后采用D-S证据理论融合的方法进行决策诊断,得到最终结果。研究了直接空冷凝汽器的故障特征提取、样本选择、诊断系统结构和学习算法,并通过诊断实例阐述了该方法的具体实现过程,验证了所提方法的可行性,结果表明:该方法适用于直接空冷凝汽器故障诊断,故障定位准确率高。关键词直接
2、空冷凝汽器故障诊断Elman神经网络RBF神经网络D-S证据理论+中图分类号TQ051.61文献标识码A文章编号0254-6094(2016)03-0373-07电厂设备运行中快速、准确地进行故障诊断多。文献[8]用BP神经网络建立了直接空冷凝是事故后隔离故障元件、恢复系统正常运行的首汽器背压、积灰、管束冻结的监测系统,未考虑真要前提,具有重要意义。随着智能技术的不断深空系统不严密、热风回流及风机出力不足等故障,入和发展,数据融合作为智能信息处理领域的有且BP网络有收敛速度慢,易陷入局部极小点等[1,2]力工具在故障诊断方面得到广泛应用。基于缺点。文献[9]用改进的BP网络
3、对直接空冷凝决策级的信息融合模型算法主要有贝叶斯推汽器进行故障诊断,未考虑积灰和热风回流的故[3][4][5]理、模糊积分和D-S证据理论。利用贝叶障,并且直接空冷凝汽器以空气作为冷却介质,管斯推理算法进行信息融合,通过最大后验概率估束破裂并不会导致凝结水和冷却水混合从而使电计值的计算进行故障识别,首先需要获得先验信导率增大。文献[10]总结了较为完善的故障征息,且要求决策集合的元素相互独立,这在实际应兆集,并且基于遗传算法优化的BP神经网络对[6]用中很难满足条件。采用模糊积分方法时模直接空冷凝汽器进行故障诊断,但是遗传算法没糊测度难以确定,虽然采用λ模糊测度的方法可有利
4、用系统中的反馈信息,往往导致无为的冗余以降低确定模糊测度的难度,但同时也减弱了模迭代,求解速率低。[7]糊测度的表达能力。D-S证据理论并不采用精针对上述问题,笔者提出一种基于Elman网确的概率建立信任函数,仅需满足贝叶斯推理最络和RBF网络通过D-S证据理论融合的故障诊弱的条件,所以利用起来较为简单。与证据理论断方法。在诊断过程中,首先建立直接空冷凝汽相结合的算法有:支持向量机、粗糙集理论、模糊器的故障知识库,确定征兆表达方法,建立故障征集理论、遗传算法及神经网络等。笔者研究的直兆集,然后训练神经网络对直接空冷凝汽器进行接空冷凝汽器的故障诊断采用D-S证据理论与神初步诊
5、断,最后把初步诊断结果通过D-S证据理经网络相结合的方法。论融合得到最终的诊断结果。目前,对凝汽器的故障诊断已经逐渐趋于成1直接空冷凝汽器故障综合诊断模型熟,但进行直接空冷凝汽器故障诊断的研究却不在运用D-S证据理论解决故障诊断问题时,∗于兰,女,1979年10月生,讲师。吉林省长春市,130012。374化工机械2016年3首先要构造出每次得到的所有证据对各命题的基y(k)=g(wx(k))(1)12x(k)=f(wx(k))+w(u(k-1)))(2)本概率分配(BPA),获取过程通常是复杂且非线c[11]x(k)=x(k-1)(3)性的。Elman网络和RBF网络具有
6、很强的泛c式中f()———隐含层神经元的传递函数,常采用化能力,只要网络经过大量样本的学习,就能较好s型函数;地描述这种复杂的非线性映射关系,由此可确定g()———输出神经元的传递函数,是隐含层BPA。然后利用D-S证据理论将每条证据的BPA输出的线性组合。进行融合,得到最终的融合结果。图1为D-S证Elman网络采用BP算法进行权值修正,学习据理论故障诊断模型框图。指标函数采用误差平方和函数:n2E(w)=∑[y(w)-y′(w)](4)kkk=1式中y′(w)———目标输出向量。k3RBF神经网络RBF神经网络属于局部逼近网络,对于每个输入-输出数据对只有少量的连接权需
7、要进行调整,具有学习速度快的优点,克服了BP神经网络图1D-S证据理论诊断模型框图存在的局部极小值和收敛速度慢的缺点,被广泛2Elman神经网络应用于故障诊断、预测及模式识别等学科领[13,14]Elman网络是一种典型的局部回归网络,基域,由输入层、隐含层和输出层组成(图3)。本的Elman网络由输入层、隐含层、连接层和输出层组成(图2),与BP网络相比,在结构上多了一个连接层,用于构成局部反馈。连接层的传递函数为线性函数,但多了一个延迟单元,因此连接层可以记忆过去的状态,并在下一时刻与网络的输入一起作为隐含层的
