摘要： 本文在介紹人工神經(jīng)網(wǎng)絡(luò)基本原理和反向傳播（BP）算法理論的基礎(chǔ)上，研究了BP算法在鍋爐系統(tǒng)故障診斷方面的應(yīng)用，給出了鍋爐樣本的一個實例訓(xùn)練過程及測試結(jié)果，最后通過誤差分析，證實了這種方法在鍋爐的故障診斷方面能夠取得比較好的效果。 關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；BP算法；故障診斷；鍋爐系統(tǒng) 1 引言 大型火電機(jī)組的鍋爐系統(tǒng)參數(shù)多、系統(tǒng)復(fù)雜、設(shè)備大多處在高溫、高壓的工作環(huán)境，其故障的發(fā)生率高，且危害性極大。因此實時監(jiān)測火電機(jī)組運行時系統(tǒng)的熱力參數(shù)，并根據(jù)熱力參數(shù)的異常變化對其進(jìn)行故障診斷與預(yù)測，是火電機(jī)組運行中十分重要的問題。故障診斷FD（Fault Diagnosis）技術(shù)針對這一問題，在掌握鍋爐運行流程后，對鍋爐故障的發(fā)生，發(fā)展機(jī)理進(jìn)行研究，盡早發(fā)現(xiàn)故障及其原因并能預(yù)報故障發(fā)展趨勢。在診斷過程中，必須利用被診斷對象表現(xiàn)出來的各種有用信息，經(jīng)過適當(dāng)?shù)靥幚砗头治觯龀稣_的診斷結(jié)論。 2 基于神經(jīng)網(wǎng)絡(luò)的鍋爐故障診斷基本原理 人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN）是人們對人類大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它實際上是由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)。圖1為組成神經(jīng)網(wǎng)絡(luò)的神經(jīng)元的一般模型。 人工神經(jīng)元模型是神經(jīng)網(wǎng)絡(luò)的基本計算單元，是多個輸入 和一個輸出 的非線形單元， 具有閾值 ， 是神經(jīng)元活動的轉(zhuǎn)移函數(shù)， 為每個輸入的權(quán)重值。則神經(jīng)元的數(shù)學(xué)模型為：[img=159,77]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/2007120510001060968V.jpg[/img] 其中 是從上一層神經(jīng)元傳來的信號，為了表示方便和統(tǒng)一，上式中神經(jīng)元凈輸入也簡化寫為： 其中 在故障診斷領(lǐng)域, 轉(zhuǎn)移函數(shù)f（x）通常取Sigmoid函數(shù)：[img=184,43]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/2007120510050359470M.jpg[/img]或者雙曲正切函數(shù)[img=176,64]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/2007120510053291710J.jpg[/img] Sigmoid 特性函數(shù)形狀像字母S，通常稱為S型函數(shù)，在故障診斷領(lǐng)域適用于可信度區(qū)域為[0,1]的情況，雙曲正切特性函數(shù)適用于可信度區(qū)域為[ - 1, 1]的情況。 在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中，最常用的是BP（Back Propagation）模型，即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡(luò)模型。BP網(wǎng)絡(luò)已經(jīng)在模式識別、圖像識別、管理系統(tǒng)等方面都得到了廣泛的應(yīng)用。本文將利用神經(jīng)網(wǎng)絡(luò)中的BP模型對鍋爐系統(tǒng)進(jìn)行故障診斷。 典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示： 首先需要進(jìn)行知識的獲取。由專家提供關(guān)于各種鍋爐系統(tǒng)故障現(xiàn)象（征兆集）及相應(yīng)的故障原因（故障集）實例作為學(xué)習(xí)樣本。將數(shù)據(jù)分為兩部分，一部分用于訓(xùn)練網(wǎng)絡(luò)，另一部分用于測試。將訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)按一定順序編碼，分別賦給網(wǎng)絡(luò)輸入、輸出節(jié)點，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對樣本進(jìn)行學(xué)習(xí)，經(jīng)過網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修正權(quán)值，直到達(dá)到所要求的學(xué)習(xí)精度為止。此時在大量神經(jīng)元之間聯(lián)結(jié)權(quán)值上就分布著專家知識和經(jīng)驗。訓(xùn)練完畢后，再將測試網(wǎng)絡(luò)的數(shù)據(jù)從初始狀態(tài)出發(fā)，向前推理，將顯示出的故障結(jié)果與實際的測試數(shù)據(jù)結(jié)果相比較，如果誤差很小，說明網(wǎng)絡(luò)的權(quán)值建立得正確；如果誤差較大，說明網(wǎng)絡(luò)的權(quán)值建立有誤，需要重新進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。神經(jīng)網(wǎng)絡(luò)描述為： 輸出層： [img=200,75]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/2007120510065758587Q.jpg[/img] 隱含層： [img=200,68]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/2007120510071990228L.jpg[/img] 這里取轉(zhuǎn)移函數(shù)為：[img=178,41]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/2007120510073890799R.jpg[/img]其中 稱為陡度因子，用于調(diào)節(jié)Sigmoid函數(shù)的形狀。 3 BP網(wǎng)絡(luò)學(xué)習(xí)算法 3.1 BP網(wǎng)絡(luò)學(xué)習(xí)算法推導(dǎo) BP算法的實質(zhì)是求解誤差函數(shù)的最小值問題，它采用非線性規(guī)劃中的梯度下降法（Gradient Descent），按誤差函數(shù)的負(fù)梯度方向修正權(quán)值。其主要思路是求出訓(xùn)練網(wǎng)絡(luò)的指標(biāo)函數(shù)誤差E： [img=174,43]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/2007120510082542646T.jpg[/img] 然后利用E計算出權(quán)值修正量，分別為：[img=200,86]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/200712051009488506419.jpg[/img] 其中：[img=200,56]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/2007120510101348311Q.jpg[/img] n為學(xué)習(xí)率， 最后得到網(wǎng)絡(luò)權(quán)值的修正關(guān)系為： [img=200,54]http://www.treenowplaneincome.com/uploadpic/THESIS/2007/12/2007120510104536566Q.jpg[/img] 3.2 網(wǎng)絡(luò)輸入輸出向量及參數(shù)的選取 以故障類型X=（x1，x2，x3，x4）作為輸入，故障原因O=（o1,o2,…,o12）作為輸出，以不同的故障原因?qū)е碌墓收夏Ｊ綖橛?xùn)練樣本進(jìn)行學(xué)習(xí)，從而建立故障模式與故障原因之間的映射關(guān)系。x1，x2，x3，x4分別代表鍋爐缺水，鍋爐滿水，汽水共騰，鍋爐水沖擊4種故障現(xiàn)象；o1, o2,…,o12 代表水位表失靈等12種故障原因。 3.3 網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練樣本的選取 鍋爐系統(tǒng)故障診斷的神經(jīng)網(wǎng)絡(luò)模型分為3層，分別為輸入層、隱含層和輸出層。 按照樣本的模式對，確定輸入層節(jié)點個數(shù)為4，對應(yīng)于4個故障現(xiàn)象，輸出層節(jié)點個數(shù)為12，對應(yīng)于12個故障原因。輸出節(jié)點值的大小反映了故障出現(xiàn)的可能性。具體如表1所示。 隱含層節(jié)點的個數(shù)可參照經(jīng)驗公式 選取：其中 為輸出節(jié)點數(shù), 為輸入節(jié)點數(shù)， 為1至10的常數(shù)，在此，試探選取10個隱含層節(jié)點。于是，網(wǎng)絡(luò)共26個節(jié)點。 3.4 網(wǎng)絡(luò)的訓(xùn)練與檢驗 我們以給定故障現(xiàn)象作為網(wǎng)絡(luò)的輸入，要求網(wǎng)絡(luò)通過調(diào)節(jié)所有的聯(lián)結(jié)權(quán)系數(shù)和各神經(jīng)元的閾值，使得在輸出層神經(jīng)元上得到理想的結(jié)果；然后再給出另一個現(xiàn)象，要求網(wǎng)絡(luò)繼續(xù)完成對這對模式的學(xué)習(xí)。當(dāng)系統(tǒng)的平均誤差E滿足要求即可完成訓(xùn)練。根據(jù)程序框圖及BP算法，運用Matlab語言編寫程序進(jìn)行樣本訓(xùn)練。 訓(xùn)練樣本的測試結(jié)果如下 [b] 4 誤差分析[/b] [align=center] 圖4 訓(xùn)練次數(shù)與誤差關(guān)系圖[/align] [align=center] 圖5 隱含層節(jié)點個數(shù)與誤差關(guān)系圖[/align] 可以看出，BP網(wǎng)絡(luò)的訓(xùn)練誤差起初迅速下降，之后逐漸平穩(wěn)；當(dāng)隱含節(jié)點數(shù)低于3個時誤差極大，之后迅速下降到一個很小的值后，緩慢變化，在經(jīng)歷一個“合適”的隱含節(jié)點數(shù)目后，又開始波動上升。這說明隱含層節(jié)點數(shù)過少則網(wǎng)絡(luò)難以概括訓(xùn)練樣本集體現(xiàn)的規(guī)律，過多則出現(xiàn)調(diào)節(jié)過度，降低了泛化能力。因此構(gòu)造一個好的網(wǎng)絡(luò)不但要利用好經(jīng)驗，還必須經(jīng)歷千百次的試驗。 5 結(jié)論 綜上可以看出，與傳統(tǒng)的診斷方法不同，人工神經(jīng)網(wǎng)絡(luò)是一種效果非常好的智能信息處理方法，它是自學(xué)習(xí)和可以被訓(xùn)練的，具有許多優(yōu)良的特性。把基于神經(jīng)網(wǎng)絡(luò)BP算法的故障診斷技術(shù)引入鍋爐系統(tǒng)，能夠在鍋爐系統(tǒng)的監(jiān)測及診斷中發(fā)揮較大的作用。如果對BP算法進(jìn)行適當(dāng)?shù)母倪M(jìn)，或者跟其他方法相結(jié)合，發(fā)揮各種方法的長處，可以獲得更理想的結(jié)果