基于改進(jìn)深度信念網(wǎng)絡(luò)的燃?xì)廨啓C(jī)故障診斷

石 憲, 錢玉良

(上海電力大學(xué) 自動化工程學(xué)院, 上海 200090)

燃?xì)廨啓C(jī)作為燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組的核心動力裝備,工作于高溫、高壓、高轉(zhuǎn)速狀態(tài),極易發(fā)生故障。對燃?xì)廨啓C(jī)的狀態(tài)監(jiān)測及故障診斷不僅可以大幅提高機(jī)組運(yùn)行的可靠性,而且還可以降低檢修成本。文獻(xiàn)[1]應(yīng)用時(shí)域和頻域特征訓(xùn)練深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN),準(zhǔn)確識別出多種氣閥故障,同時(shí)給出了DBN的內(nèi)部結(jié)構(gòu)和訓(xùn)練過程。文獻(xiàn)[2]提出了一種振動信號與DBN結(jié)合的故障診斷方法,與支持向量機(jī)(Support Vector Machine,SVM)比較得到了較好的診斷結(jié)果,為DBN與燃?xì)廨啓C(jī)故障診斷提供了新的思路。文獻(xiàn)[3]提出了一種通過隨機(jī)森林算法訓(xùn)練分類器對燃?xì)廨啓C(jī)進(jìn)行故障診斷的方法,但隨機(jī)森林是弱分類器,在構(gòu)建和決策過程中易產(chǎn)生過擬合,診斷準(zhǔn)確率不高。文獻(xiàn)[4]提出了D-S證據(jù)理論決策層融合算法對燃?xì)廨啓C(jī)典型故障進(jìn)行診斷,但D-S證據(jù)理論的證據(jù)沖突問題尚未得到完整的解決辦法,決策層無法進(jìn)一步提高診斷方法的容錯(cuò)性。

專家系統(tǒng)、數(shù)據(jù)挖掘等方法需要從大量的原始數(shù)據(jù)中提取出故障特征,燃?xì)廨啓C(jī)運(yùn)行時(shí)極少產(chǎn)生故障數(shù)據(jù),數(shù)據(jù)庫的搭建面臨極大的問題[5];SVM對參數(shù)的選取是一個(gè)難題,參數(shù)選取不恰當(dāng)會使分類的準(zhǔn)確率大大下降[6];淺層神經(jīng)網(wǎng)絡(luò)模型難以準(zhǔn)確挖掘出故障特征向量與眾多故障模式之間復(fù)雜的映射關(guān)系,最終導(dǎo)致分類器診斷準(zhǔn)確率不高[1]。對于燃?xì)廨啓C(jī)故障診斷面臨的問題,本文提出了一種基于遺傳算法(Genetic Algorithm,GA)優(yōu)化的DBN燃?xì)廨啓C(jī)故障診斷模型(GA-DBN模型)。……