一种高加给水系统故障程度识别方法
【技术领域】
[0001] 本发明属于热力系统故障诊断技术领域，特别设及一种高加给水系统故障程度识 别方法。
【背景技术】
[0002] 在大型火电机组热力系统中，高加给水系统工作环境恶劣，长期承受高溫高压的 给水和汽轮机抽汽的冲刷，运行中还受到机组负荷突变、旁路切换等因素的影响，易发生内 部泄漏、短路等故障。高加给水系统频发故障，不仅降低机组运行的经济性，严重时会危及 汽轮机本体及机组运行人员的安全。因此，对高加给水系统进行实时监测和故障诊断十分 必要。随着对系统安全性和可靠性要求的进一步提高，人们不仅希望在高加给水系统发生 故障后能够对故障进行诊断，更希望能够根据系统运行状态或早期的故障征兆，按故障的 严重程度和发展趋势制定合理的维修策略和检修方案，W缩短设备维修的时间，提高设备 利用率，减少设备停机时间，延长机组寿命。
[0003] 目前高加给水系统故障诊断方法主要有人工神经网络、模糊模式识别、故障树、多 元统计、支持向量机、因果图等。现有方法将高加给水系统故障诊断视为模式识别问题，根 据选定的故障特征参数，仅能诊断故障的类型，并不能识别故障的严重程度。另外，现有方 法往往是在系统运行稳定后，假定高压加热器的汽、水参数基本不变的前提下，对某一具体 高压加热器进行定性的、孤立的分析，没有从故障发生后高加给水系统运行参数的整体变 化规律考虑。
[0004] 本发明提出一种高加给水系统故障程度识别方法，建立了两级神经网络集成诊断 模型，一级用于诊断故障类型，二级用于识别故障的严重程度，具有较高的诊断速度和精 度，并能有效识别故障的严重程度；可适用于额定工况、不同稳态工况W及变工况动态过程 故障诊断。
【发明内容】
[0005] 本发明的目的在于提出一种高加给水系统故障程度识别方法，其特征在于，包括 如下步骤：
[0006] 1)获取高加给水系统不同类型、不同严重程度的故障样本，并对故障样本进行标 准化处理；
[0007] 2)利用步骤1)得到的不同类型的故障样本确定概率神经网络结构，建立概率神 经网络，训练概率神经网络，在训练过程中，采用粒子群算法优化概率神经网络的参数，对 训练好的概率神经网络进行测试W建立概率神经网络故障诊断模型；
[0008] 3)针对每一类故障，利用步骤1)得到的不同严重程度的故障样本确定前向神经 网络结构，建立前向神经网络，训练前向神经网络W确定其权值和阔值；对训练好的前向神 经网络进行测试W建立前向神经网络程度识别模型；
[0009] 4)在建立好的概率神经网络故障诊断模型中输入采集到的实时故障样本数据，输 出故障类型；
[0010] 5)根据步骤4)输出的故障类型，选择与之相对应的前向神经网络程度识别模型；
[0011] 6)在选定的前向神经网络程度识别模型中连续输入实时故障样本数据，前向神经 网络识别并输出故障严重程度；
[0012] 7)显示高加给水系统的故障类型与故障严重程度。
[0013] 所述输出故障严重程度的具体步骤为：
[0014] 步骤201 :确定前向神经网络输出层节点的输出，计算公式为：
[0015]
(0
[001引式（1)中，化似为前向神经网络第i个输出节点在第k次的输出；η为输出层节 点数目；
[0017] 步骤202 :在前向神经网络的所有输出层节点中选择输出值最大的节点1，计算公 式为：
[001 引 01化）二max脚化)}i二 1，2，···，η (2)
[001引式似中，01似为前向神经网络第1个输出节点在第k次的输出；
[0020] 步骤203 :在输出层节点中，确定输出值最大节点1的相邻节点1-1和1+1 ;
[002。 步骤204 :从相邻节点中选择输出值更大的节点g，公式为：
[002引Og似=max脚1似，0w化）} 做
[002引式（3)中，Og似为前向神经网络第g个输出节点在第k次的输出；
[0024] 步骤205 :计算故障的严重程度，公式如下：
[00 巧] (斗）
[0026] 式（4)中，S为故障的严重程度；Μ为输出层节点1对应的故障严重程度；N为输出 层节点g对应的故障严重程度；
[0027] 步骤206 :输出故障严重程度的具体数值。
[0028] 本发明的有益效果是针对目前高加给水系统故障诊断方法仅能诊断故障的类型， 并不能识别故障的严重程度、没有考虑故障发生后高加给水系统运行参数的整体变化规律 的问题，提出了一种高加给水系统故障程度识别方法；将高加给水系统作为整体考虑，采用 概率神经网络诊断故障类型，具有较高的诊断速度和精度；采用前向神经网络有效识别故 障的严重程度，并能给出故障严重程度的具体数值；可用于额定工况、不同稳态工况W及变 工况动态过程故障诊断，在高加给水系统在线故障诊断中具有广泛的适用性。
【附图说明】
[0029] 图1为一种高加给水系统故障程度识别方法流程图。
【具体实施方式】
[0030] 本发明提出一种高加给水系统故障程度识别方法，下面结合附图和具体实施例对 本发明作详细说明。
[0031] 图1所示为一种高加给水系统故障程度识别方法流程图，包括如下步骤：
[0032] 1)获取高加给水系统不同类型、不同严重程度的故障样本，并对故障样本进行标 准化处理；
[0033] 2)利用步骤1)得到的不同类型的故障样本确定概率神经网络结构，建立概率神 经网络，训练概率神经网络，在训练过程中，采用粒子群算法优化概率神经网络的参数，对 训练好的概率神经网络进行测试W建立概率神经网络故障诊断模型；
[0034] 3)针对每一类故障，利用步骤1)得到的不同严重程度的故障样本确定前向神经 网络结构，建立前向神经网络，训练前向神经网络W确定其权值和阔值；对训练好的前向神 经网络进行测试W建立前向神经网络程度识别模型；
[0035] 4)在建立好的概率神经网络故障诊断模型中输入采集到的实时故障样本数据，输 出故障类型；
[0036] 5)根据步骤4)输出的故障类型，选择与之相对应的前向神经网络程度识别模型；
[0037] 6)在选定的前向神经网络程度识别模型中连续输入实时故障样本数据，前向神经 网络识别并输出故障严重程度；
[0038] 7)显示高加给水系统的故障类型与故障严重程度。
[0039] 其中，输出故障严重程度的具体步骤为：
[0040] 步骤201 :确定前向神经网络输出层节点的输出，计算公式为：
[0041]
/二1,2,，.·.,/? C1)
[004引式（1)中，化似为前向神经网络第i个输出节点在第k次的输出；η为输出层节 点数目；
[004引步骤202 :在前向神经网络的所有输出层节点中选择输出值最大的节点1，计算公 式为：
[0044] 〇1(k) =max{0； (k)}i= 1, 2, . . . ,η (2)
[004引式似中，01似为前向神经网络第1个输出节点在第k次的输出；
[0046] 步骤203 :在输出层节点中，确定输出值最大节点1的相邻节点1-1和1+1 ;
[0047] 步骤204 :从相邻节点中选择输出值更大的节点g，公式为：
[004引Og似=max脚1似，0w化）} 做
[004引式（3)中，Og似为前向神经网络第g个输出节点在第k次的输出；
[0050] 步骤2