CN102609764A - 一种基于cpn神经网络的汽轮发电机组故障诊断方法 - Google Patents

一种基于cpn神经网络的汽轮发电机组故障诊断方法 Download PDF

Info

Publication number
CN102609764A
CN102609764A CN2012100220337A CN201210022033A CN102609764A CN 102609764 A CN102609764 A CN 102609764A CN 2012100220337 A CN2012100220337 A CN 2012100220337A CN 201210022033 A CN201210022033 A CN 201210022033A CN 102609764 A CN102609764 A CN 102609764A
Authority
CN
China
Prior art keywords
layer
neural network
cpn
input
output
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2012100220337A
Other languages
English (en)
Inventor
彭道刚
张�浩
夏飞
李辉
黄恒孜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN2012100220337A priority Critical patent/CN102609764A/zh
Publication of CN102609764A publication Critical patent/CN102609764A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于CPN神经网络的汽轮发电机组故障诊断方法，CPN神经网络由输入层至竞争层，网络进行无教师型学习，反复不断地在竞争层挑选获胜神经元，并调整相应的输入层至竞争层的连接权值；由竞争层到输出层，网络进行有教师型学习，得到各输出层神经元的实际输出值，并按照有教师型的误差校正方法，修正由竞争层到输出层的连接权值，以实现类的表示功能。经过学习调整后的各神经元所对应的连接权值记录了所有输入模式的综合信息，通过这些信息可以对目标进行正确的识别。将CPN神经网络应用于汽轮发电机组故障诊断中，可以克服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，更准确、更有效地实现发电机组故障诊断。

Description

一种基于CPN神经网络的汽轮发电机组故障诊断方法
技术领域
本发明涉及一种汽轮发电机组的故障诊断技术，特别涉及一种基于CPN神经网络的汽轮发电机组故障诊断方法。
背景技术
随着我国“厂网分开、竞价上网”运营模式的形成，各发电企业面临着巨大的市场竞争。为提高自身的竞争力，各发电企业不断挖掘自身潜力，降低发电成本。大型汽轮发电机组是发电企业的主要设备，具有机组容量大、热力参数高的特点，其运行安全性与经济性的问题在这种竞争环境下更显得突出，而且其性能退化与机组故障以及运行水平对电厂甚至整个电网的安全性、经济性的影响愈发严重。由于大型汽轮机组结构比较复杂，运行环境比较特殊，机组出现性能退化甚至故障是不可避免的，所以及时诊断、预防机组的故障，提高设备的可用率，保障机组安全、经济地运行，仍然是发电企业提高经济效益、增强竞争力的有效途径之一。因此，进行汽轮发电机组故障诊断的研究，对于早期发现故障原因及部位、提高机组的运行可靠性以及制定科学的维修制度具有现实意义。
人工神经网络（Artificial Neural Networks，简称ANN）是由大量神经元处理单元互连组成的并行分布处理系统，具有自学习、联想存储以及高速寻找优化解的功能。神经网络在信号处理、目标跟踪、专家系统以及模式识别等领域具有很大的应用价值，特别是在机械故障诊断中具有很大的应用潜力。
目前汽轮发电机组故障诊断的常用方法是在基于频谱分析法的基础上，应用误差反向传播神经网络（Backward-propagation，简称BP）对机组故障进行分类。首先通过提取时域信号的频域特征量，确定信号的频率成分以及这些频率幅值的大小，形成故障样本，然后将得到的故障样本作为BP神经网络的输入，得到相应的输出作为故障诊断的结果，实现对汽轮机组的故障诊断。由于基于BP网络的故障诊断方法不必事先给出各故障模式的判别函数或故障隶属函数，它借助于其本身所具有的学习能力自动形成故障类型与故障征兆间的非线性映射关系，为故障诊断提供了方便。但是BP神经网络也存在一定的局限性，比如学习率与稳定性之间的矛盾，学习率的选择缺乏有效的方法，训练过程可能陷入局部极小，没有有效确定隐含层神经元个数的方法等等。
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神经网络具有陷入局部极小点、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
本发明是针对目前汽轮发电机组的典型故障问题，提出了一种基于CPN神经网络的汽轮发电机组故障诊断方法，将Kohonen特征映射网络和Grossberg基本竞争型网络结合起来形成的一种新型特征映射神经网络，它可以克服BP神经网络具有陷入局部极小点、学习速度慢和收敛性差的缺陷，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。
本发明的技术方案为：一种基于CPN神经网络的汽轮发电机组故障诊断方法，包括如下具体步骤：
1）CPN神经网络依次包括输入层、竞争层和输出层，汽轮发电机组故障训练样本为输入向量，输出层为故障种类，每个输出神经元分别对应一种故障类别，定义CPN神经网络各个层：设CPN网络的输入向量为                                                
Figure 810756DEST_PATH_IMAGE001
，竞争层的输出向量为
Figure 490261DEST_PATH_IMAGE002
，输出层的实际输出向量为
Figure 330041DEST_PATH_IMAGE003
，目标输出向量为，其中
Figure 165459DEST_PATH_IMAGE005
分别为CPN神经网络输入层、竞争层以及输出层的神经元个数，
Figure 84873DEST_PATH_IMAGE006
，其中
Figure 779160DEST_PATH_IMAGE007
表示CPN神经网络故障样本的个数，由输入层至竞争层的连接权值向量为
Figure 991573DEST_PATH_IMAGE008
；由竞争层到输出层的连接权值向量为；
2）CPN神经网络数据预处理：将所有的输入向量按照公式
Figure 43209DEST_PATH_IMAGE011
，，
Figure 460600DEST_PATH_IMAGE013
进行归一化处理，并将连接权向量
Figure 721817DEST_PATH_IMAGE014
和
Figure 125117DEST_PATH_IMAGE015
赋予[0,1]内的随机值；
3）CPN神经网络由输入层至竞争层进行无教师型学习：将连接权值向量
Figure 947842DEST_PATH_IMAGE014
按照公式， ，进行归一化处理，将第
Figure 517046DEST_PATH_IMAGE019
个输入模式
Figure 493093DEST_PATH_IMAGE020
提供给网络输入层，然后根据公式
Figure 96112DEST_PATH_IMAGE021
，
Figure 739583DEST_PATH_IMAGE022
计算竞争层中每个神经元的加权输入和，根据公式
Figure 74750DEST_PATH_IMAGE023
得连接权向量
Figure 364523DEST_PATH_IMAGE014
中与
Figure 443338DEST_PATH_IMAGE020
距离最近的向量，并将其对应的神经元的输出
Figure 3632DEST_PATH_IMAGE024
设定为1，其余竞争层神经元的输出
Figure 509700DEST_PATH_IMAGE025
设定为0；最后将连接权向量
Figure 788234DEST_PATH_IMAGE026
按照公式
Figure 670740DEST_PATH_IMAGE027
，
Figure 85540DEST_PATH_IMAGE028
进行修正，并将连接权
Figure 28089DEST_PATH_IMAGE026
重新归一化，其中
Figure 29805DEST_PATH_IMAGE029
为学习率，
Figure 450422DEST_PATH_IMAGE030
；
4）CPN神经网络由竞争层到输出层进行有教师型学习：根据公式
Figure 985309DEST_PATH_IMAGE031
，
Figure 833179DEST_PATH_IMAGE032
来修正竞争层到输出层的连接权向量
Figure 820726DEST_PATH_IMAGE033
，其中
Figure 45034DEST_PATH_IMAGE034
为学习率，
Figure 434427DEST_PATH_IMAGE035
；求得输出层各神经元的加权输入，并将其转化为输出层神经元的实际输出值；
5）CPN神经网络的重复训练：将
Figure 692157DEST_PATH_IMAGE007
个输入模式全部提供给CPN神经网络进行无教师型学习和有教师型学习，完成一次CPN神经网络的训练，再令
Figure 454577DEST_PATH_IMAGE037
，将输入模式
Figure 698476DEST_PATH_IMAGE020
重新提供给网络学习，直到
Figure 153728DEST_PATH_IMAGE038
或者网络误差E小于预定的误差为止，其中
Figure 115868DEST_PATH_IMAGE039
为预先设定的学习总次数：
Figure 681979DEST_PATH_IMAGE040
；
6）将故障诊断样本作为输入送入训练后的CPN神经网络进行诊断。
所述步骤3）中根据公式
Figure 718068DEST_PATH_IMAGE021
，计算出
Figure 793657DEST_PATH_IMAGE042
，在这些
Figure 461661DEST_PATH_IMAGE041
中根据公式选择最大的加权输入和
Figure 477208DEST_PATH_IMAGE043
，即为连接权向量
Figure 86043DEST_PATH_IMAGE014
中与距离最近的向量 ，如果
Figure 332534DEST_PATH_IMAGE044
的
Figure 362807DEST_PATH_IMAGE045
，其中T为该竞争层神经元被激活次数，则将
Figure 458939DEST_PATH_IMAGE044
对应的神经元作为竞争层获胜神经元，并使得
Figure 465816DEST_PATH_IMAGE044
的
Figure 596583DEST_PATH_IMAGE037
；如果
Figure 797757DEST_PATH_IMAGE046
，则选择除外最大的加权输入和
Figure 630901DEST_PATH_IMAGE047
，如果
Figure 678491DEST_PATH_IMAGE047
的
Figure 50567DEST_PATH_IMAGE045
，则将
Figure 121291DEST_PATH_IMAGE047
对应的神经元作为竞争层获胜神经元，并使得
Figure 174698DEST_PATH_IMAGE047
的
Figure 578259DEST_PATH_IMAGE037
，否则依次按加权输入和
Figure 58919DEST_PATH_IMAGE041
从大到小的顺序寻找竞争层获胜神经元。
本发明的有益效果在于：本发明基于CPN神经网络的汽轮发电机组故障诊断方法，将CPN神经网络应用于汽轮发电机组故障诊断中，可更准确、更有效地实现发电机组故障诊断。
附图说明
图1是本发明基于CPN神经网络的汽轮发电机组故障诊断方法中CPN神经网络拓扑结构图；
图2是本发明基于CPN神经网络的汽轮发电机组故障诊断方法程序流程图。
具体实施方式
CPN神经网络拓扑结构与BP神经网络类似，都由输入层、竞争层和输出层构成。但是CPN神经网络是一个异构网，网络中执行两种不同的训练算法，其异构性更接近于人脑功能的模拟。输入层和竞争层构成了自组织特征映射网络(Self-Organizing Feature Map，简称SOM)，这是一种典型的无教师型神经网络，以“强者占先、弱者退出”方式工作。竞争层与输出层构成了基本竞争型网络，这是一种有教师型神经网络。CPN神经网络将有教师型神经网络与无教师型神经网络结合在一起，汲取了无教师型网络分类灵活、算法简练的优点和有教师型网络分类精细、准确的长处，可以克服BP神经网络在汽轮发电机组故障诊断应用中的缺点和不足。
CPN神经网络由输入层至竞争层，网络按照SOM学习规则反复不断地在竞争层挑选获胜神经元，并调整相应的输入层至竞争层的连接权值；由竞争层到输出层，网络按照基本竞争型网络学习规则，得到各输出层神经元的实际输出值，并按照有教师型的误差校正方法，修正由竞争层到输出层的连接权值，以实现类的表示功能。经过学习调整后的各神经元所对应的连接权值记录了所有输入模式的综合信息，通过这些信息可以对目标进行正确的识别。
在应用CPN神经网络进行汽轮发电机组故障诊断之前，需要对CPN神经网络进行训练，CPN神经网络的拓扑结构如图1所示，将CPN神经网络符号设置如下：设CPN网络的输入向量1为
Figure 413677DEST_PATH_IMAGE001
，竞争层3的输出向量5为，输出层4的实际输出向量为
Figure 27378DEST_PATH_IMAGE003
，目标输出向量为
Figure 678939DEST_PATH_IMAGE004
，其中
Figure 786573DEST_PATH_IMAGE005
分别为CPN神经网络输入层2、竞争层3以及输出层4的神经元个数，
Figure 181782DEST_PATH_IMAGE006
，其中
Figure 291427DEST_PATH_IMAGE007
表示CPN神经网络故障样本的个数。由输入层2至竞争层3的连接权值向量为；由竞争层3到输出层4的连接权值向量为
Figure 708819DEST_PATH_IMAGE009
。
CPN神经网络的学习过程如下：
第一、数据预处理：将所有的输入模式
Figure 642140DEST_PATH_IMAGE020
按照公式（1）进行归一化处理，并将连接权向量
Figure 373336DEST_PATH_IMAGE014
和
Figure 632279DEST_PATH_IMAGE015
赋予[0,1]内的随机值。
Figure 121029DEST_PATH_IMAGE011
，
Figure 185937DEST_PATH_IMAGE012
，
Figure 709322DEST_PATH_IMAGE013
；  (1)
第二、CPN神经网络训练：
1）输入层至竞争层的无教师型学习：将连接权值向量
Figure 437369DEST_PATH_IMAGE014
按照公式（2）进行归一化处理，
Figure 741311DEST_PATH_IMAGE016
，
Figure 344331DEST_PATH_IMAGE017
，
Figure 722223DEST_PATH_IMAGE018
； (2)
将第
Figure 385285DEST_PATH_IMAGE019
个输入模式
Figure 409479DEST_PATH_IMAGE020
提供给网络输入层，然后根据公式（3）计算竞争层中每个神经元的加权输入和：
，
Figure 314167DEST_PATH_IMAGE022
   (3)
根据公式(4)求得连接权向量
Figure 820235DEST_PATH_IMAGE014
中与
Figure 98770DEST_PATH_IMAGE020
距离最近的向量：
Figure 981275DEST_PATH_IMAGE023
， (4)
并将其对应的神经元
Figure 396076DEST_PATH_IMAGE048
的输出设定为1，其余竞争层神经元的输出
Figure 74761DEST_PATH_IMAGE025
设定为0；最后将连接权向量
Figure 760957DEST_PATH_IMAGE026
按照公式（5）进行修正，并将连接权
Figure 30265DEST_PATH_IMAGE026
重新归一化。
Figure 143714DEST_PATH_IMAGE027
，
Figure 131262DEST_PATH_IMAGE028
(5)
其中
Figure 417887DEST_PATH_IMAGE029
为学习率，
Figure 744963DEST_PATH_IMAGE030
。
2）竞争层到输出层的有教师型学习：根据公式（6）来修正竞争层到输出层的连接权向量
Figure 590166DEST_PATH_IMAGE033
。
Figure 737113DEST_PATH_IMAGE049
，(6)
其中
Figure 9012DEST_PATH_IMAGE034
为学习率，
Figure 526581DEST_PATH_IMAGE035
。
由于在输入层到竞争层的学习中已经确定竞争层神经元的输出为1，而其他神经元的输出为0,所以只需要修正神经元
Figure 54831DEST_PATH_IMAGE048
对应的连接权向量即可，所以上式可以化简成公式（7）。
Figure 90920DEST_PATH_IMAGE031
，
Figure 280855DEST_PATH_IMAGE032
  (7)
求得输出层各神经元的加权输入，并将其转化为输出层神经元的实际输出值如公式（8）所示。同理可简化如公式（9）中的形式：
Figure 402395DEST_PATH_IMAGE051
  (8)
   (9)
3）CPN网络的重复训练：将
Figure 990688DEST_PATH_IMAGE007
个输入模式全部提供给CPN神经网络进行无教师型学习和有教师型学习，完成一次CPN神经网络的训练。再令
Figure 850060DEST_PATH_IMAGE037
，将输入模式
Figure 458896DEST_PATH_IMAGE020
重新提供给网络学习，直到
Figure 429126DEST_PATH_IMAGE038
或者网络误差E小于预定的误差为止。其中
Figure 439807DEST_PATH_IMAGE039
为预先设定的学习总次数：
Figure 992053DEST_PATH_IMAGE040
 (10)
本发明中，对CPN神经网络训练过程算法进行了改进。由于在标准CPN神经网络中，若多次训练的获胜神经元为相同，则算法只对该神经元对应的连接权值进行调整，使得多个输入模式的信息记录在同一个神经元中，这会造成记录的信息混乱的情况，不利于提高CPN神经网络的训练效果。为了避免这种情况，需要人为地干预神经元，使故障模式的信息记录在不同的神经元内，从而提高CPN神经网络训练效果。
根据公式（3）计算出
Figure 88185DEST_PATH_IMAGE041
，在这些中
Figure 992873DEST_PATH_IMAGE041
根据公式（4）选择最大的加权输入和，即为连接权向量
Figure 511896DEST_PATH_IMAGE014
中与
Figure 27191DEST_PATH_IMAGE020
距离最近的向量。如果的（T为该竞争层神经元被激活次数），则将
Figure 753466DEST_PATH_IMAGE044
对应的神经元作为竞争层获胜神经元，并使得的
Figure 708970DEST_PATH_IMAGE037
；如果
Figure 189630DEST_PATH_IMAGE046
，则选择除外最大的加权输入和
Figure 401485DEST_PATH_IMAGE047
，如果
Figure 423668DEST_PATH_IMAGE047
的
Figure 75229DEST_PATH_IMAGE045
，则将对应的神经元作为竞争层获胜神经元，并使得的，否则依次按加权输入和
Figure 510179DEST_PATH_IMAGE053
从大到小的顺序寻找竞争层获胜神经元。通过这样的算法调整，可以将故障模式的信息记录在不同的神经元内。
本发明中，汽轮发电机组的故障特征信号中，以振动信号包含的故障特征最多，振动信号更能迅速、直接地反映机械设备的运行状态，也比较容易被监测和诊断分析。本发明选择汽轮发电机组常见的轴向碰磨、转子不对中、轴承座松动、转子不平衡、油膜涡动、油膜振荡等六种故障的故障数据，经过滤波处理、噪声去除、频谱分析之后得到的200条故障数据作为CPN神经网络的故障样本，这些故障样本中将0-0.39f、0.4-0.49f、0.5f、0.51-0.59f、1f、2f、3f、3-5f、>5f（f为旋转频率）等9个不同频段上的幅值分量能量作为特征量。将归一化之后的故障样本，如表1所示，对应的CPN神经网络期望输出，如表2所示组成故障样本对，用于CPN神经网络的训练和故障诊断测试。
表1
Figure 777213DEST_PATH_IMAGE054
表2
Figure 38430DEST_PATH_IMAGE055
根据CPN神经网络的特点可知，输入层神经元的个数应该与输入的故障样本向量个数相同，输出层神经元个数与故障种类相同，每个输出神经元分别对应一种故障类别。可以将CPN神经网络输入层神经元个数设置为9，输出层神经元个数为6。由于在改进的CPN神经网络算法中，需要将不同的故障模式信息记录在不同的神经元内，所以竞争层神经元个数应该大于故障样本中故障模式的个数。本发明中，经过反复调试，将CPN神经网络的学习率
Figure 769625DEST_PATH_IMAGE056
和
Figure 762989DEST_PATH_IMAGE057
设定为0.12。基于改进的CPN神经网络故障诊断程序流程如图2所示。
为说明基于CPN神经网络的汽轮发电机组故障诊断优越性，本发明同时给出了CPN神经网络与BP神经网络用于汽轮发电机组故障诊断的对比。
首先，从改进CPN神经网络和BP神经网络的训练效果做比较。分别选取训练精度为0.01、0.001以及0.0001，在所有故障样本中选取180条故障样本对用于训练改进的CPN神经网络和BP神经网络。为了使两种神经网络具有可比性，BP神经网络和改进的CPN神经网络都采用了相似的三层网络结构：输入层、输出层都分别为9个和6个神经元。分别采用训练函数traingdm(有动量的梯度下降函数)、traingd(梯度下降函数)、traingdx(有动量和自适应学习率的梯度下降函数)以及traingda(有自适应lr的梯度下降法)对BP神经网络进行训练，并将训练效果与CPN神经网络进行比较，可以得到CPN神经网络与BP神经网络的训练效果对比如表3所示。
表3
Figure 81100DEST_PATH_IMAGE058
可以看出，在相同的训练误差容限下，CPN神经网络的训练时间比BP神经网络的训练时间短，且只需要更少的训练次数就能达到要求。如在训练误差容限为0.001的情况下，改进CPN神经网络的训练时间为0.278秒，训练次数为4次，而采用不同训练函数的BP神经网络训练时间分别为28.13秒、30.223秒、2.473秒和1.419秒，训练次数分别为5547次、5800次、394次和185次。
其次，从改进CPN神经网络和BP神经网络的故障诊断效果比较。将汽轮发电机组故障样本提供给CPN神经网络进行充分的训练之后，CPN网络就具有了一种“内插”功能。当CPN神经网络中输入某一故障特征向量后，CPN网络自动根据记忆找出对应的故障类型，以向量输出的形式提供结果。汽轮发电机组故障样本中选取除训练样本之外的部分数据作为神经网络测试样本，如表4所示。
表4
Figure 146008DEST_PATH_IMAGE059
采用训练样本将改进的CPN网络和BP神经网络分别训练10次，每次训练之后将表中测试样本用来对CPN网络和BP神经网络进行测试。神经网络输出值越接近于1表示诊断结果准确性越大，越接近于0表示诊断结果准确性越小。本发明设定阈值为0.7和0.2，只有在某一故障神经网络输出值大于0.5且其他输出值小于0.2的情况下，则认为诊断出了对应的故障；若神经网络输出值小于或等于0.5，则认为没有诊断出对应的故障。最终得到诊断效果如表5所示。
表5
Figure 731710DEST_PATH_IMAGE060
从中可以看出，在采用相同的训练样本和测试样本的情况下，BP神经网络的故障诊断的准确率低于CPN神经网络，如在训练误差容限为0.001的情况下，改进CPN神经网络的故障诊断准确率为97.2%，而采用不同训练函数的BP神经网络的故障诊断准确率分别为83.7%、84.9%、85.4%和89.0%。因此可以看出，在外界强干扰的情况下，如果训练误差容限很大，CPN神经网络仍然能够很好地对对汽轮发电机组故障进行诊断，而BP神经网络不能够较好地对故障进行诊断；如果训练误差容限很小，CPN神经网络在很短的时间内就能够完成训练要求，而BP神经网络训练时间比较长。
综上，本发明改进的CPN神经网络能够克服BP神经网络的缺点和不足，适合应用于汽轮发电机组的故障诊断。

Claims (2)

1.一种基于CPN神经网络的汽轮发电机组故障诊断方法，其特征在于，包括如下具体步骤：
1）CPN神经网络依次包括输入层、竞争层和输出层，汽轮发电机组故障训练样本为输入向量，输出层为故障种类，每个输出神经元分别对应一种故障类别，定义CPN神经网络各个层：设CPN网络的输入向量为  ，竞争层的输出向量为                                                
Figure 759704DEST_PATH_IMAGE001
，输出层的实际输出向量为，目标输出向量为
Figure 955510DEST_PATH_IMAGE003
  ，其中分别为CPN神经网络输入层、竞争层以及输出层的神经元个数，
Figure 42732DEST_PATH_IMAGE005
 ，其中
Figure 737019DEST_PATH_IMAGE006
表示CPN神经网络故障样本的个数，由输入层至竞争层的连接权值向量为
Figure 824798DEST_PATH_IMAGE007
；由竞争层到输出层的连接权值向量为
Figure 870115DEST_PATH_IMAGE008
 ；
2）CPN神经网络数据预处理：将所有的输入向量
Figure 203007DEST_PATH_IMAGE009
按照公式
Figure 751800DEST_PATH_IMAGE010
，
Figure 777525DEST_PATH_IMAGE011
，进行归一化处理，并将连接权向量
Figure 915562DEST_PATH_IMAGE013
和
Figure 584441DEST_PATH_IMAGE014
赋予[0,1]内的随机值；
3）CPN神经网络由输入层至竞争层进行无教师型学习：将连接权值向量
Figure 279602DEST_PATH_IMAGE013
按照公式
Figure 768352DEST_PATH_IMAGE015
， 
Figure 770943DEST_PATH_IMAGE016
，
Figure 232012DEST_PATH_IMAGE017
进行归一化处理，将第
Figure 396277DEST_PATH_IMAGE018
个输入模式
Figure 575585DEST_PATH_IMAGE019
提供给网络输入层，然后根据公式，计算竞争层中每个神经元的加权输入和，根据公式
Figure 32609DEST_PATH_IMAGE022
得连接权向量
Figure 932169DEST_PATH_IMAGE023
中与
Figure 276563DEST_PATH_IMAGE019
 距离最近的向量，并将其对应的神经元
Figure 712223DEST_PATH_IMAGE024
的输出
Figure 218291DEST_PATH_IMAGE025
设定为1，其余竞争层神经元的输出
Figure 372192DEST_PATH_IMAGE026
设定为0；最后将连接权向量
Figure 254697DEST_PATH_IMAGE027
按照公式
Figure 544864DEST_PATH_IMAGE028
，
Figure 221833DEST_PATH_IMAGE029
进行修正，并将连接权
Figure 95986DEST_PATH_IMAGE027
重新归一化，其中
Figure 782182DEST_PATH_IMAGE030
为学习率，
Figure 989173DEST_PATH_IMAGE031
；
4）CPN神经网络由竞争层到输出层进行有教师型学习：根据公式
Figure 40305DEST_PATH_IMAGE032
， 来修正竞争层到输出层的连接权向量，其中
Figure 454603DEST_PATH_IMAGE035
为学习率，
Figure 676637DEST_PATH_IMAGE036
；求得输出层各神经元的加权输入，并将其转化为输出层神经元的实际输出值
Figure 823585DEST_PATH_IMAGE037
；
5）CPN神经网络的重复训练：将
Figure 287802DEST_PATH_IMAGE006
个输入模式全部提供给CPN神经网络进行无教师型学习和有教师型学习，完成一次CPN神经网络的训练，再令
Figure 469385DEST_PATH_IMAGE038
，将输入模式
Figure 862320DEST_PATH_IMAGE019
重新提供给网络学习，直到
Figure 762143DEST_PATH_IMAGE039
或者网络误差E小于预定的误差为止，其中为预先设定的学习总次数：；
6）将故障诊断样本作为输入送入训练后的CPN神经网络进行诊断。
2.根据权利要求1所述基于CPN神经网络的汽轮发电机组故障诊断方法，其特征在于，所述步骤3）中根据公式
Figure 865862DEST_PATH_IMAGE020
，
Figure 987402DEST_PATH_IMAGE021
计算出
Figure 793422DEST_PATH_IMAGE042
Figure 949596DEST_PATH_IMAGE043
，在这些
Figure 684334DEST_PATH_IMAGE042
中根据公式选择最大的加权输入和
Figure 138766DEST_PATH_IMAGE044
，即为连接权向量
Figure 149448DEST_PATH_IMAGE045
中与
Figure 117404DEST_PATH_IMAGE019
距离最近的向量 ，如果
Figure 151219DEST_PATH_IMAGE046
的
Figure 862823DEST_PATH_IMAGE047
，其中T为该竞争层神经元被激活次数，则将对应的神经元作为竞争层获胜神经元，并使得
Figure 568665DEST_PATH_IMAGE046
的；如果
Figure 339492DEST_PATH_IMAGE050
，则选择除
Figure 262449DEST_PATH_IMAGE048
外最大的加权输入和
Figure 572208DEST_PATH_IMAGE051
，如果的
Figure 368442DEST_PATH_IMAGE053
，则将
Figure 644441DEST_PATH_IMAGE052
对应的神经元作为竞争层获胜神经元，并使得
Figure 125100DEST_PATH_IMAGE051
的
Figure DEST_PATH_IMAGE054
，否则依次按加权输入和
Figure 620804DEST_PATH_IMAGE042
从大到小的顺序寻找竞争层获胜神经元。
CN2012100220337A 2012-02-01 2012-02-01 一种基于cpn神经网络的汽轮发电机组故障诊断方法 Pending CN102609764A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2012100220337A CN102609764A (zh) 2012-02-01 2012-02-01 一种基于cpn神经网络的汽轮发电机组故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2012100220337A CN102609764A (zh) 2012-02-01 2012-02-01 一种基于cpn神经网络的汽轮发电机组故障诊断方法

Publications (1)

Publication Number Publication Date
CN102609764A true CN102609764A (zh) 2012-07-25

Family

ID=46527119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2012100220337A Pending CN102609764A (zh) 2012-02-01 2012-02-01 一种基于cpn神经网络的汽轮发电机组故障诊断方法

Country Status (1)

Country Link
CN (1) CN102609764A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106409120A (zh) * 2015-07-31 2017-02-15 发那科株式会社 机械学习方法及机械学习装置、以及故障预知装置及系统
CN107014339A (zh) * 2017-04-26 2017-08-04 北京理工大学 一种用于大数据的高精度角度传感器误差补偿方法
CN107563414A (zh) * 2017-08-14 2018-01-09 北京航空航天大学 一种基于Kohonen‑SVM的复杂设备退化状态识别方法
CN107909288A (zh) * 2017-12-05 2018-04-13 国网内蒙古东部电力有限公司电力科学研究院 基于som神经网络聚类算法的缴费行为分析方法
CN109416849A (zh) * 2016-06-16 2019-03-01 卡塔尔大学 通过卷积神经网络来执行电机故障检测的方法和装置
CN110110935A (zh) * 2019-05-13 2019-08-09 贵州江南航天信息网络通信有限公司 一种基于cpn神经网络的企业生产排程优化系统及实现方法
CN111401764A (zh) * 2020-03-24 2020-07-10 福建江夏学院 一种基于cpn网络模型的图书馆用户满意度综合评估方法
CN111611892A (zh) * 2020-05-14 2020-09-01 青岛翰林汇力科技有限公司 应用神经网络的综合性智能深度学习方法
CN112034515A (zh) * 2020-08-14 2020-12-04 中国海洋石油集团有限公司 一种基于无监督神经网络的火山通道识别方法
US11275345B2 (en) 2015-07-31 2022-03-15 Fanuc Corporation Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0619870A (ja) * 1992-06-29 1994-01-28 Sanyo Electric Co Ltd ニューラルネットワークの学習方法
CN101404071B (zh) * 2008-11-07 2010-07-14 湖南大学 基于分组粒子群算法的电子电路故障诊断神经网络方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0619870A (ja) * 1992-06-29 1994-01-28 Sanyo Electric Co Ltd ニューラルネットワークの学習方法
CN101404071B (zh) * 2008-11-07 2010-07-14 湖南大学 基于分组粒子群算法的电子电路故障诊断神经网络方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张浩等: "汽轮发电机组远程状态监测系统设计及实现", 《上海电力学院学报》 *
彭文季等: "基于对向传播神经网络的水电机组振动故障诊断研究", 《西安理工大学学报》 *
徐春梅等: "基于改进D-S的汽轮机组集成故障诊断研究", 《系统仿真学报》 *
徐胜云等: "基于对向传播神经网络的齿轮箱故障诊断研究", 《起重运输机械》 *
王亮: "汽轮机典型非线性振动故障诊断系统的开发研究", 《中国优秀硕士学位论文电子期刊》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106409120B (zh) * 2015-07-31 2021-03-23 发那科株式会社 机械学习方法及机械学习装置、以及故障预知装置及系统
US12066797B2 (en) 2015-07-31 2024-08-20 Fanuc Corporation Fault prediction method and fault prediction system for predecting a fault of a machine
US11275345B2 (en) 2015-07-31 2022-03-15 Fanuc Corporation Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
CN106409120A (zh) * 2015-07-31 2017-02-15 发那科株式会社 机械学习方法及机械学习装置、以及故障预知装置及系统
CN109416849A (zh) * 2016-06-16 2019-03-01 卡塔尔大学 通过卷积神经网络来执行电机故障检测的方法和装置
CN109416849B (zh) * 2016-06-16 2021-07-27 卡塔尔大学 通过卷积神经网络来执行电机故障检测的方法和装置
CN107014339A (zh) * 2017-04-26 2017-08-04 北京理工大学 一种用于大数据的高精度角度传感器误差补偿方法
CN107014339B (zh) * 2017-04-26 2019-11-22 北京理工大学 一种用于大数据的高精度角度传感器误差补偿方法
CN107563414B (zh) * 2017-08-14 2018-05-29 北京航空航天大学 一种基于Kohonen-SVM的复杂设备退化状态识别方法
CN107563414A (zh) * 2017-08-14 2018-01-09 北京航空航天大学 一种基于Kohonen‑SVM的复杂设备退化状态识别方法
CN107909288A (zh) * 2017-12-05 2018-04-13 国网内蒙古东部电力有限公司电力科学研究院 基于som神经网络聚类算法的缴费行为分析方法
CN110110935A (zh) * 2019-05-13 2019-08-09 贵州江南航天信息网络通信有限公司 一种基于cpn神经网络的企业生产排程优化系统及实现方法
CN110110935B (zh) * 2019-05-13 2023-05-05 贵州江南航天信息网络通信有限公司 一种基于cpn神经网络的企业生产排程优化系统及实现方法
CN111401764A (zh) * 2020-03-24 2020-07-10 福建江夏学院 一种基于cpn网络模型的图书馆用户满意度综合评估方法
CN111401764B (zh) * 2020-03-24 2022-05-10 福建江夏学院 一种基于cpn网络模型的图书馆用户满意度综合评估方法
CN111611892A (zh) * 2020-05-14 2020-09-01 青岛翰林汇力科技有限公司 应用神经网络的综合性智能深度学习方法
CN111611892B (zh) * 2020-05-14 2024-03-19 龙立强人工智能科技(苏州)有限公司 应用神经网络的综合性智能深度学习方法
CN112034515A (zh) * 2020-08-14 2020-12-04 中国海洋石油集团有限公司 一种基于无监督神经网络的火山通道识别方法
CN112034515B (zh) * 2020-08-14 2023-02-24 中国海洋石油集团有限公司 一种基于无监督神经网络的火山通道识别方法

Similar Documents

Publication Publication Date Title
CN102609764A (zh) 一种基于cpn神经网络的汽轮发电机组故障诊断方法
CN107677472B (zh) 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法
CN109446187B (zh) 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN106443447B (zh) 一种基于iSDAE的航空发电机故障特征提取方法
CN106197999B (zh) 一种行星齿轮故障诊断方法
CN106885697B (zh) 基于fcm-hmm的滚动轴承的性能退化评估方法
CN109738776A (zh) 基于lstm的风机变流器开路故障识别方法
CN105911975A (zh) 一种航空发动机气路故障融合诊断方法
CN109657789A (zh) 基于小波神经网络的风机齿轮箱故障趋势预测方法
CN103064008B (zh) 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法
CN106769052A (zh) 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法
CN109214356A (zh) 一种基于dcnn模型的风机传动系统故障智能诊断方法
CN107449994A (zh) 基于cnn‑dbn网络的局放故障诊断方法
CN106017876A (zh) 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
CN110161343A (zh) 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN104748962B (zh) 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法
CN109472288A (zh) 一种抽水蓄能机组振动混合特征提取与分类方法
CN110455537A (zh) 一种轴承故障诊断方法及系统
CN103886405B (zh) 一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法
CN102221655A (zh) 基于随机森林模型的电力变压器故障诊断方法
CN109765054A (zh) 一种滚动轴承故障诊断方法
CN105137354B (zh) 一种基于神经网络电机故障检测方法
CN105487009A (zh) 基于k均值的RBF神经网络算法的电机故障诊断方法
CN103761569A (zh) 一种风力发电机故障诊断方法及装置
Shang et al. Fault diagnosis method of rolling bearing based on deep belief network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120725