摘要：本系统针对目前国内供热工程实际状况，提出用集成神经网络对可能引起锅炉系统发生汽水冲击事故的原因进行诊断的策略。网络采用分层模块化结构，对可能导致锅炉产生汽水冲击事故的不同环节，分别建立有效的诊断子网络，再对各子网络诊断结果进行信息集成，给出最终诊断结论。经对诊断方法进行仿真，证明用集成神经网络对锅炉系统进行故障诊断是可行的。
　　关键词　锅炉　故障诊断　集成神经网络
1　前　言
　　伴随着工业采暖锅炉向大吨位、复杂化方向发展，其潜在故障率及故障严重程度也有所增加，如何保证锅炉系统采暖期间能在安全条件下长期、稳定、可*运行已成为迫切需要解决的现实课题。对于热水采暖锅炉，影响其安全运行的最主要故障为发生“汽水冲击事故”，据国内锅炉界的专家预测，对于像90吨级这样的大型锅炉，一旦发生汽水冲击事故时，仅*人工采取措施进行事故处理所能利用的时间仅有10分钟左右，在如此短暂的时间内若组织、措施等稍不及时，后果将不堪设想。因此，在锅炉系统正常运行过程中即对其运行状态加以实时监视，对可能的故障进行早期检测、诊断及决策，变事后维修为预知维修[1]，不仅可明显降低事故率，节约维修费用，而且可避免灾难性事故的发生，收到较好的社会及经济效益。近年来，人们对故障诊断技术的重视程度日益提高，对诊断方法的研究也较多。本系统将从防止锅炉发生汽水冲击事故的角度，引入集成神经网络故障诊断策略，着重对诊断模型的组建原则及算法实现进行研究，并通过仿真说明集成神经网络诊断模型的可行性、有效性。
2　锅炉汽水冲击故障诊断系统
　　1）诊断系统总体结构
　　热水锅炉系统结构较为复杂，既包括锅炉本体，又有大量的辅助运行设备。防止锅炉发生汽水冲击事故的最为关键的监控参数为主循环泵出口压力低限值及锅炉出口水温高限值。
　　虽然单个神经网络可以实现对多类故障的诊断，但当设备的诊断特征参数增多时，将使网络结构变得过于庞大，训练时间延长，且训练样本间出现矛盾的可能性也随之增加，从而降低了网络的泛化能力及诊断的可*性。因此，为提高诊断精度，减小诊断输出的不确定性，本系统针对锅炉产生汽水冲击现象的两大主要原因，分别采用一个神经网络诊断子系统对相应故障进行初级诊断，再用信息融合网络作出最终故障决策。集成诊断系统网络结构如图1所示，整个故障诊断系统即可独立运行，又可作为锅炉集散计算机监控系统的一个子系统，参与锅炉系统的运行、监测及管理，从而降低锅炉系统运行的事故率。
　　采用集成故障诊断神经网络，功能上实现了分散诊断、集中融合，结构上采用模块化设计理念，显得层次分明。整个系统具有开放性的特点，当有新的故障出现时，可将其作为新加入的子网络处理，而不影响其他子网络的诊断结果，从而增强了网络的学习能力、扩展能力。在构建集成网络诊断系统过程中，为提高输入信号的有效性，对采集信号用算术平均数字滤波法进行一定的平滑处理。同时为提高诊断的针对性、有效性，采用信息分配网络完成部件级的故障信息定位。采集到的信号经预处理后形成的特征信息中既有信息本身的量值，又有传感器的物理通道号、信息标识符，征兆信息经信息分配网络按信息标识符分类后，分别送给相应的诊断子网络进行诊断。
　　网络用于在线运行前，要完成以下具体工作：
　　（1）针对锅炉系统发生汽水冲击故障的现象、征兆，采集用于故障诊断网络的训练样本及测试样本。样本要既包括典型故障样本，又包括系统正常运行样本。
　　（2）根据故障征兆及故障类型，确定子神经网络的结构。网络的结构直接关系到网络的函数映射能力。
　　（3）选定有效算法，完成子神经网络及融合神经网络故障诊断系统的训练及测试。
　　（4）实现人机交互界面，给出诊断结论及维护建议。
　　整个集成神经网络是一个有机的整体，各诊断子网络既相互独立，又相互配合。经过对相关输入信号的处理、分类，即可实现对锅炉系统运行故障的在线诊断。
　　2）故障诊断子网络
　　由于神经网络所具有的并行信息处理、自学习、联想记忆、及较强的鲁棒和容错能力，使得神经网络很适合用于设备的故障诊断。大量研究及应用实例表明，双曲正切多层感知器前向网络单元较适合用于故障诊断，而且三层网络在隐层中使用S形传输函数，在输出层使用线性传输函数，即可以实现对给定连续函数的任意精度的逼近。故障诊断子神经网络结构如图2所示。
　　图中，W1、θ1分别为输入层到隐层间的连接权值矩阵和阈值矩阵，V2、b2分别为隐层到输出层间的连接权值矩阵和阈值矩阵，P为R维特征空间向量，对应于网络输入层神经单元数，y2为故障空间向量，对应于输出层神经单元数。因此，网络结构的确定主要是有效确定隐层数及隐层神经单元数，提高网络模式识别能力，把症状空间的向量映射到故障空间[2]。网络的学习、训练采用有导师的误差反向传播算法，为提高网络的收敛速度及避免网络陷入局部极小值，在修改网络的权值、阈值过程中引入附加动量项。由图得网络正向传播时第j个隐层神经单元的净输入为netj=ωjixi＋bi，隐单元采用S型传递函数，输出为aj=f(netj)=。输出层采用线性传递函数，则第k个输出单元的输出为：yk=νkjaj。
　　当网络的实际输出与目标输出有误差时，进入反向误差修正传播。取误差函数为Ep=(tk－yk)2，则输出层与隐层间的权值修正量为=ηδkaj＋α，输入层与隐层间的权值修正量为=ηδjxj＋α。式中δk=yk(1－yk)(tk－yk)，δj=aj(1－aj)δkνkj,O<η<1为学习率，α为动量项，l为学习次数。同理可进行阈值的动态修改。
　　网络通过对典型故障样本及正常样本集的反复学习、训练，将知识以网络的权值、阈值形式存储起来，当网络收敛到要求的精度时，便具有了对输入模式的泛化能力，即完成了这一非线性映射。由于不同的网络采用不同类型或同一类型但来自不同传感器的信号，有利于减小输入向量间的互相关性，便于从不同的侧面反映故障[3]，因此子网络采用基于信号类型及系统不同故障环节的构建原则。本系统中一个子网络主要辩识导致主循环泵出口压力低于限值的模式，另一个子网络主要辩识导致锅炉出口水温高于130℃的模式。
　　3）信息融合系统实现
　　信息融合的目的就是简化网络结构，设计反映设备某一方面故障的各诊断子网络的同时，使由各诊断子网络输出的Yn融合得到的全局输出Y具有更小的不确定性，从而提高对系统诊断的可*性。集成网络融合系统如图3所示。
　　当Yn的相关性最小，即Yn间独立性较大时，融合系统输出的不确定性最小。因此，不同子网络的特征输入向量Xn间的相关性应尽量小。训练决策融合网络的样本来自诊断子网络中的标准样本输出，融合时，诊断子网络形成的故障向量为Pi=[P1i，P2i，……Pni]，对每类故障的置信度向量为ri=[ri1，ri2，……rin]，各子网络并行组合后，即可形成故障矩阵P和置信矩阵R。则融合网络的输出为：Y=P·R。其中第i个故障发生的概率为：Pi=Pi1r1i＋pi2r2i＋……pinrni。

　　4）故障诊断仿真
　　现以引起锅炉系统发生汽水冲击事故的常见故障为例，采用上述集成网络对锅炉系统进行诊断仿真分析。子网络1以主循环泵出口流量、一次网回水流量、定压补水压力的归一化值作为输入特征向量，对应的故障分别为主循环泵磨损、一次网回水时失水过多、定压补水泵故障；子网络2以锅炉主供水出口压力、单台炉出口流量、炉排反馈信号的归一化值作为输入特征向量，对应的故障分别为主供水阀门开度小、流量分配比例失调、给煤系统故障。由此形成两个子网络训练样本如表1及表2所示。融合网络的输出从左至右依次为主循环泵磨损、一次网回水时失水过多、定压补水泵故障、流量分配比例失调、主供水阀门开度小、给煤系统故障。
　　用基于Matlab的神经网络工具箱可非常方便地实现网络结构。以子网络1为例，对上述输入样本进行训练，选取误差为0.01，采用加入动量项的改进BP算法，即使用Learnbpm学习函数及快速Trainlm训练函数对网络进行训练。经仿真可以看到网络经过约1.1个时间训练步，就已经具有了模式识别能力，快速收敛到要求的误差精度内，可满足实际应用的要求。
　　假设根据某次实测的故障信息,经两个子网络诊断输出构成的故障矩阵为
P=
　　两个子网络的置信权矩阵为:
R=
　　则决策融合网络的输出结果为
Y=[0.680.10.040.150.510.00]
　　从诊断结果看出，主循环泵磨损的可能性最大，置信度为0.68，第二个可能的故障为主供水阀门开度小，置信度为0.51，可见融合网络充分利用了各诊断子网络的信息，减小了网络输出的不确定性。
3　结束语
　　锅炉系统的诊断过程为一多故障同时性诊断问题。单个神经网络虽然可同时诊断出多个故障，但较难构造反映多故障的特征向量，而且网络的节点过多，网络结构规模大，从而造成对网络的训练困难。集成神经网络的思想可有效简化子网络的结构，充分利用设备不同方面的故障信息，对降低误报、漏报，提高故障诊断的可*性有一定的理论及实际意义。通过对诊断子网络的仿真过程看出，将多故障、复杂性诊断问题进行有效分解，可使子网络的训练速度加快，经信息融合后，可减少网络输出的不确定性，用于锅炉系统的故障诊断是可行而有效的。
参考文献
[1]吴今培　肖健华.智能故障诊断与专家系统.北京：科学出版社，1997，9第一版
[2]戴葵等译.神经网络设计.北京：机械工业出版社,2002,9第一版
[3]王敏等.基于多传感器数据融合的故障诊断技术.华中科技大学学报,2001,29(2)

[4]虞和济等.基于神经网络的智能诊断.北京：冶金工业出版社，2000，5第一版

来源：中国电站集控运行网