[发明专利]基于CPN网络和D-S证据的汽轮机集成故障诊断方法

说明书

技术领域

本发明涉及一种汽轮机故障诊断，特别涉及一种基于CPN网络和D-S证据的汽轮机集成故障诊断方法。

背景技术

汽轮发电机组是电力生产企业的主要设备，汽轮机在运行过程中不断产生大量不同的信息，这些信息从不同的方面反映了汽轮机的运行状态。由于汽轮机结构比较复杂，运行环境比较特殊，机组出现故障情况不可避免，且故障种类繁多，有很多故障特征信号，包括温度、压力、振幅、电压、电流、流量、功率等等，而其中以振动信号包含的故障特征最多，更能迅速、直接地反映机组的运行状态，也比较容易被监测和分析。因此，进行汽轮机故障诊断的研究，对于发现故障原因及部位，提高机组的运行可靠性，保障机组安全、经济运行具有重要意义。

信息融合技术是将来自不同用途、不同时间、不同空间的信息，通过计算机技术在一定准则下加以自动分析和综合，形成统一的特征表达信息，以使系统获得比单一信息源更准确、更完整的估计和判决的技术。它为解决信息时代的信息处理与决策问题提供了先进而可靠的方法。在多传感器系统中，信息融合的基本原理就像人脑综合处理信息的过程一样，将各种传感器提供的在时间或者空间上冗余或者互补的信息依据某种准则优化组合起来，产生对观测环境的合理描述。信息融合技术应用于设备故障诊断是在对多传感器的信息进行综合处理基础上，实现对设备的实时状态监测、信号的突变预测甚至是故障诊断与报警。在故障诊断领域，信息融合过程可以分为数据层、特征层、决策层三个层次，这三个层次分别代表了对原始数据不同层度的抽象。与传统的故障诊断技术相比，信息融合技术具有更高的诊断准确度和可信度。

信息融合技术中的证据理论是一种不确定性推理方法，首先由Dempster提出，并由Shafer进一步发展起来，形成一套关于证据的数学理论，因而又称为D-S证据理论。D-S证据理论主要是依据可信度函数运算，它是一种解决不确定性问题的数据融合方法。D-S证据理论不需要先验信息，并采用区间估计的方法来描述不确定信息，解决了关于不确定性的表示方法。因此，D-S证据理论具有很强的处理不确定信息的能力，在区分不知道与不确定方面以及精确反映证据收集方面具有很大的灵活性，为不确定信息的表达和合成提供了强有力的方法，特别适应于决策级信息融合，已经在模式识别、故障诊断、问题预测、专家系统等领域得到了广泛应用。

对向传播神经网络（Counter-propagation Network，简称CPN）是近年来兴起的一种新型特征映射网络，它可以克服目前常用的BP神经网络陷入局部极小点、学习速度慢和收敛性差的缺陷。CPN神经网络将Kohonen特征映射网络和Grossberg基本竞争型网络结合起来，发挥了各自的特长，适用于故障诊断、模式分类、函数逼近、统计分析以及数据压缩等等。

发明内容

本发明是针对汽轮机包含振动信号的故障诊断的重要性问题，提出了一种基于CPN网络和D-S证据的汽轮机集成故障诊断方法，以汽轮机转子振动模拟实验装置为试验平台，将从不同传感器采集到的汽轮机振动状态参数作为独立的数据样本，利用CPN神经网络和D-S证据理论的优点，实现对汽轮机当前运行状态进行更准确的诊断和分析。

本发明的技术方案为：一种基于CPN网络和D-S证据的汽轮机集成故障诊断方法，方法包括如下具体步骤：

1）将从汽轮机转子振动模拟试验台上传感器采集到的汽轮机振动状态参数作为独立的数据样本，经过特征提取、处理和参数归一化处理后输入到各自独立的CPN神经网络进行训练，使得每个独立的CPN神经网络都能形成故障征兆到故障模式的非线性映射；

2）应用各自独立的CPN神经网络进行故障诊断后，将CPN神经网络的输出值采用下面公式进行归一化处理，转换成对应该CPN神经网络的各种故障状态的基本概率分配BPA，

  

其中表示第个证据在CPN网络中的第个输出结果；代表第个证据对状态的BPA；

3）根据D-S证据理论的融合规则对各个故障CPN神经网络的诊断结果进行进一步的数据融合，求得其正交和，即为融合后各状态故障状态的基本概率分配，得到故障诊断结果。