1、 年月第 卷 第期河北水利电力学院学报 文章编号：（）基于概率神经网络的水轮机组水力振动故障诊断苏立，毛成，沈春和，谢文经，戴利传（贵州电网有限责任公司电力科学研究院，贵州省贵阳市解放路 号 ；贵州黔能企业有限责任公司，贵州省贵阳市市南路 号 ）摘要：故障诊断技术是水电站水轮机组安全稳定运行的关键技术之一。针对常规在线监测系统难以发现水轮机组振动故障问题，提出了一种基于概率神经网络的水轮机组故障诊断模型。该模型主要由故障样本数据预处理、样本数据归一化和概率神经网络等三个部分组成。诊断结果表明，所诊断样本与实际的故障类型基本一致，具有良好的诊断效果。关键词：水力振动；故障分类；概率神经网络；水轮
2、机组；安全运行中图分类号：；文献标识码：水能作为一种可再生能源可以有效缓解世界能源短缺和环境污染问题，在所有的清洁能源中水能是最早开发的可再生能源之一。随着水资源的逐步开发及制造技术的不断发展，大型水轮机组不断投产，水力发电在电网中的比重也越来越大。据相关部门统计，全世界水力发电总量已达到 亿。改革开放四十年来，我国的水力发电技术不断完善，三峡、白鹤滩等大型水电站不断投入运行，为全世界“降低碳污染、开发绿色能源”的发展起着重要作用。随着我国大型水电站的陆续建设，兆瓦级大型水电机组不断制造生产、投入运行，这些大型机组一旦发生故障除了对整个电网影响很大，还有可能会造成严重的经济损失。水电站大多位于
3、偏僻山区，机组工作环境恶劣，受诸多不可控因素影响，水电机组故障时有发生。虽然水电机组故障表现有多种形式，但总体可归纳为电气故障和水轮机组故障。其中电气故障的发生次数虽较多，但可在短时间内处理。因停止运行的时间也较短，随意停机产生的经济损失也不多。而水轮机组故障的发生率比电气故障发生率虽不高，但其引起的机组损坏程度和导致的经济损失均较高。水轮机组部件的故障以振动引起的故障为主，振动（）对水轮发电机组的影响很大，水电机组的绝大部分故障都反映于振动信号中。为了进一步提高水电机组设备安全可靠运行，国内外学者提出了基于案例推理、模糊故障、基于知识库和人工神经网络等各种诊断方法，其中人工神经网络技术是目前
4、应用最广泛、最有效的诊断方法之一。人工神经网络（，简称）是一种以全新的与传统不同的信息表达和处理方式，具有强大非线性处理能力，可模拟人脑结构和功能的信息处理方法，具有自学习、自组织及自适应能力，可以实现并行处理及高效求解最优解的优势。在故障诊断、故障检测和故障预测领域，是应用最为广泛的方法之一，因为它具有很好的鲁棒性、较强的容错性和自适应性。反向传播神 经 网 络（，）、径向基函数神经网络（，）和 概 率 神 经 网 络（，）是故障诊断领域常用的主流的人工神经网络方法 。古今等 利用 技术建立了基于鱼群算法优化的反向传播神经网络故障诊断模型，并采用该模型对水轮 发 电 机 组 的 几 个 典
5、型 故 障 进 行 分 类。李 辉等 采用小波变换、粒子群算法和 神经网络等方法组合构成一种诊断模型，并对水电机组的各收稿日期：修回日期：基金项目：贵州省科技支撑计划项目（黔科合支撑 ）作者简介：苏立（），男，山西太原人，高级工程师，主要研究方向为水电机组仿真及故障诊断。：种故障进行分类，进一步提高了模型的故障分类准确率。文中通过对水轮机组振动问题的研究，分析各种状态下的振动信号，利用概率神经网络算法建立相关的故障诊断模型，并结合国内某水电站实际水力振动故障进行诊断，以验证所提模型的有效性。水轮机组振动信号的特征在水轮发电机组中，转轮和发电机转子是主要的旋转机械部件。由于这些设备的体积庞大、部
6、件的材料分布情况不均匀、制造加工和安装过程中存在误差等原因可能会导致设备质量分布不平衡现象 。在旋转过程中会产生不平衡的离心惯性力，在离心惯性力的作用下，转动部件和固定部件相互碰撞可能引发部分零件或整机振动。水轮机组运转过程中产生的振动信号是一种非平稳随机信号，其一般表达式为：（）（）（）式中，为采样周期，为某一个离散点，为时刻的振幅，为时刻的角频率，为时刻的相位。对于有些特殊故障，在时域波形上的反映会有所不同，比如碰摩、轴承或主轴固有缺陷等，这些故障会在时域波形上某一时刻突然产生突变类信号，而对该类信号，公式（）不能完整的表示信号的特征，因此需要在公式（）中加入突变类信号部分。设突变类信号为
7、（），再加上若考虑噪声信号（），则公式（）改写为：（）（）（）（）（）概率神经网络 是在人工神经网络基础上提出的一种结构简单且被广泛应用的神经网络。它具有强大的非线性分类功能，在实际的故障诊断应用中也正是充分利用这一特点，其本质是通过样本映射能力形成一个具有较强自适应能力和容错能力的网络诊断系统 。作为一种径向基神经网络，是一种完全前向的计算过程，不需要进行反向误差计算，弥补了 神经网络的不足，网络可作为 网络的优化扩展应用。与其他网络结构相比，网络不需要学习过程，无须设置初始权值。由于其学习速度快的优点，适合应用于实时故障诊断的分类。概率神经网是一种四层的前馈性神经网络，其典型结构如图所示。
8、图概率神经网络的结构图 图中，输入层接收来自训练样本的输入特征量，并把这些特征量转递给模式层。模式层也称为隐含层，每个隐含层的神经元节点拥有一个中心，其个数和输入训练样本矢量的维数相等。输入层和模式层之间输入输出关系如下：（）（）（）（）（）式中，为样本输入向量；（）为隐含层中第组的第个神经元的输出值；为样本属性的个数；为平滑因子，它对模式分类起着至关重要的作用。若常数，则概率神经网络为一个 分类器；若，则概率神经网络趋向于一个线性分类器。求和层将属于某类的概率累计，其值等于把模式层中属于同一类的模式神经元的输出做平均：（）式中，为第类的输出；为第类的神经元个数；为模式层中第组的第个神经元的输
9、出值。阈值分辨器是概率神经网络输出层的主要组成部分，它利用每个故障对应的概率密度函数来找到那个具有最大后验概率密度函数对应的神经元作为整个系统的输出。输出层神经元是一种竞争性神经元，该层神经元个数等于训练样本数据的种类个数。实例分析水轮机组运转过程中，所发生的故障均能在对应的振动信号中体现出来。文中针对国内某水电站机组，在一定的水头和负荷条件下，以机组发生故障时所采集的振动信号作为实验数据，应用概率神经网络对这些故障进行分类。河北水利电力学院学报 选取故障特征对水轮机组机械故障诊断之前，为提高模型的故障分类精度，首先对水轮机组故障振动信号进行特征提取。根据已采集好的各种故障振动数据进行降噪、滤
10、波后选取尾水管涡带偏心故障（）、汽蚀磨损故障（）、卡门涡列故障（）和止漏环间隙互不相等引起的故障（）等几类典型的故障。文中以水轮机组过流部件为例，为转频，以振动信号频谱中的（），和 频段上的幅值分量比作为尾水管涡带偏心、汽蚀磨损、卡门涡列和止漏环间隙互不相等引起的故障的特征量，在不同范围的振动频率值作为输入变量。当水轮机组发生水力振动故障时，相关的振动频率发生变化，根据水轮机组的故障征兆关系，做水轮机振动故障频率及幅值特征如表所示。从表中可知，当水轮机组发生尾水管涡带偏心故障（）时，水力振动频率只在（）的值为.，在上的值为，在其他范围都为零。表故障频率及幅值特征表 故障（）（）建立概率神经网络
11、模型跟其他人工神经网络一样，概率神经网络的结构有输入层、隐藏层和输出层组成。根据表各类故障的特征，总共有四类故障，每个故障都有七个特征。因此，本文采用的概率神经网络输入层包含七个神经元，与水力振动故障特征的维度一致。模式基层包含七个神经元节点，求和层包含四个神经元，对应四种故障类型。求和层对输入量求和后，找出该层神经元的最大值并输出对应的类别序号。其网络结构如图所示。计算流程基于概率神经网络的水轮机组水力振动故障分类程序的计算流程图如图所示。图水力振动故障诊断概率神经网络模型结构图 图概率神经网络程序计算流程图 本程序主要由三个函数组成，它们分别是样本数据预处理函数，样本归一化函数，概率神经网
12、络函数。首先对故障相关的信号数据进行预处理后选取几类故障及其对应的特征量；根据故障数量和每个故障对应特征量维数来建立概率神经网络的结构；设置完概率神经网络的平滑因子等相关参数后对该网络进行训练和测试，最终满足结束条件时停止运行，输出网络的最终分类结果。在本文中，一共选取了 个训练样本、个测第期苏立等：基于概率神经网络的水轮机组水力振动故障诊断试样本。每个故障选取了 个样本，其中 个样本用于训练、个样本用于测试。程序运行结果如图所示。图中圆圈“”表示为故障的实际类型，而星星“”表示为模型预测类型。若圆圈和星星重叠次数越多，模型的分类精度就越高。概率神经网络模型对 个测试样本的分类结果与实际的故障
13、类型完全一致。图基于概率神经网络模型的诊断结果图 结束语随着我国水电资源的不断开发，水电站机组装机不断加大，水力发电在电力系统中发挥着重要作用。特别是随着新能源的比重不断加大和逐步并入电网，水电机组对于整个电网的调节作用日益凸显。因此，水电机组的稳定运行十分重要，而能否及时发现并消除水电机组故障将直接影响电网的稳定运行，意义重大。为了进一步提高水轮机组故障分辨率，保证水轮机组的安全、稳定运行，延长水轮机组的运行寿命，文中提出了一种基于概率神经网络的水轮机组故障诊断模型，并围绕以下几个方面开展了工作：）构建了基于概率神经网络的水轮机组故障诊断模型，该模型主要包括样本数据预处理、样本归一化和概率神
14、经网络计算等部分，提出了模型诊断计算流程。）通过水电站水轮机组故障实例，验证了所建模型的有效性和准确性，为水电站机电设备各部分的故障诊断提供了有益参考。在水轮发电机组的典型故障诊断中，虽然概率神经网络模型的分类准确率已经很高，但是在复杂故障的诊断中仍然存在运行时间长和故障难以区分等问题，为了进一步提高诊断模型的分类精度和运行速度，在未来工作中，仍需进一步探索更加适合的故障特征提取方法。参考文献 ：，：，肖新建改革开放 年能源发展成就报告 ：，吾买尔吐尔逊，穆哈西，夏庆成基于免疫算法的水轮发电机组振动故障检测 人民长江，（）：王富超 水电机组振动监测与故障诊断系统的设计与实现中国设备工程，（）：
15、罗萌水电机组振动故障诊断与趋势预测研究武汉：华中科技大学，陈珊珊，杨耿杰水轮机组振动故障诊断方法综述电气技术，（）：郑源水力机组状态监测与故障诊断北京：中国水利水电出版社，：吴蒙，贡璧，何振亚人工神经网络和机械故障诊断振动工程学报，（）：，敖富江 深度学习机器学习，神经网络与人工智能北京：清华大学出版社，：韩敏人工神经网络基础大连：大连理工大学出版社 ：古今用，顾波基于一种改进 网络算法的水轮机组故障诊断吉林水利，（）：李辉，李欣同，贾嵘，等基于分形和概率神经网络的水电机组故障诊断水力发电学报，（）：沈东 水力机组故障分析 北京：中国水利水电出版社，：汪知明 水电机组振动监测及故障诊断研究 南
16、昌：南昌工程学院，毛成，刘洪文，李小军，等基于知识库的水电机组故障诊断专家系统华电技术，（）：张键 机械故障诊断技术（第版）北京：机械工业出版社，：宋国义，韩华，黄金侠基于小波变换的水轮机组故障诊断的研 究 佳 木 斯 大 学 学 报（自 然 科 学 版），（）：姬东朝，宋笔锋，易华辉基于概率神经网络的设备故河北水利电力学院学报 障诊断及 仿 真 分 析 火 力 与 指 挥 控 制，（）：葛哲学，孙志强 神经网络理论与 实现北京：电子工业出版社，：石敏，吴正国，徐袭 基于概率神经网络和双小波的电能质量扰动自动识别电力自动化设备，（）：陈雯柏 人工神经网络原理与实践 西安：西安电子科技大学出版社 ：王海 水轮发电机组状态检修技术 北京：中国电力出版社 ：刘世勋 水轮机状态监测系统开发及故障分析研究哈尔滨：哈尔滨工业大学，（，；，）：，（），：；（责任编辑：郭书俊）书讯 岩土工程常用计算程序 王长科论文选集（三）正式出版发行本刊编委、河北省工程勘察设计大师王长科先生新著 岩土工程常用计算程序 王长科论文选集（三）（），于 年月由中国建筑工业出版社正式出版发行。本书共分五篇，包括基础资料与计
