基于核主元分析和多级神经网络集成的汽轮机故障诊断.pdf

第25卷第6期 电 力 科 学 与 工 程 Vo1．25，No．6 Jim．，2009 67 2009年6月 ElectricPowerScienceandEngineering 基于核主元分析和多级神经网络集成的汽轮机故障诊断 李 岩，王东风，韩 璞 (华北电力大学控制科学与工程学院，河北保定071003) 摘要：提出一种基于核主元分析 (KPCA)和多级神经网络集成的汽轮机故障诊断方法．该方法首先采用 KPCA对汽轮机故障样本数据进行特征提取；然后计算相互独立训练出的多个神经网络个体在验证样本集 上的泛化误差，并选择其中精确度较高的子神经网络作为集成的个体；最后采用基于正交最小二乘算法的 径向基函数神经网络来集成各个子网的输出并得到最终的诊断结果。在某汽轮发 电机组故障诊断中的应用 表明，谊方法具有较高的精确度和稳定性。 关键词：汽轮机；故障诊断；核主元分析；RBF神经网络；多级神经网络集成 中圈分类号：TK268 文献标识码：A 具有任意函数逼近能力，学习效率较高，并且正交 0 引 言 最小二乘 (OLS)算法可以将 RBF网络中心的选 择和输出权值的学习结合起来。本文结合实际问 现代工业生产中，机械设备 自动化程度的不断 题，提出了一种基于核主元分析和多级神经网络集 提高，对设备的可靠运转以及在线故障监测与诊断 成的汽轮机故障诊断新方法。对某汽轮发电机组故 技术提出了更高的要求。传统的故障诊断方法已不 障诊断的实验结果表明，该方法具有较高的精确度 适应 日益庞大和复杂化的系统。在发电厂热力设备 和稳定性。 的故障诊断中，故障特征与故障状态之间呈现出很 强的非线性，单一的诊断方法很难识别出各种故障 1 基于KPCA的特征提取 状态，有必要探索其他有效的故障诊断方法。 神经网络技术由于其具有 自学习、非线性模式 KPCA的思想 就是通过引入一个非线性变 识别、联想能力、容错性以及很强的泛函逼近能 换 ，把每一个样本向量X 由输入空间 映射到 力，因此在故障诊断中得到了广泛应用 [1-5]o然而， 一 个高维空间 ，使在输入空间无法线性分类的 在基于神经网络的智能诊断中普遍存在两方面问 数据变换到线性可分的高维空间 。然后，在高 题：一方面是面对由信号分析得到的大量特征信 维空间 中，利用PCA进行特征提取。 息，如何选取最有价值、分类能力最强的特征；另 给定一组样本数据 k=l，2，…， 墨 ， 一 方面是如何最优地构造和训练神经网络，提高神 ．丝 1丝 使 五=o，则其协方差矩阵为c 冠 。对 经网络的泛化能力。 七=1 七=l 核主元分析 (KPCA)通过非线性映射，实现 于一般PCA方法，即通过求解特征方~2v=Cv获 数据从输入空间到特征空间的转换，然后对映射后 得贡献率大的特征值及相应的特征向量。现引入非 的数据进行线性 PCA，因而具有很强的非线性处 线性函数 ，实现 一 ， 一 C )，的变换。 理能力。神经网络集成可以简单地通过训练多个神 在特征空间 中，假设 经网络并将其结果进行合成，显著地提高神经网络 M 系统的泛化能力。径向基函数神经网络 (RBFNN) ∑ ㈣ =o (1)