功能說明與康明斯知識 |
柴油發電機故障智能化診斷的仿真建模 |
摘要:柴發電站是整個后備電源系統的動力心臟,隨著現代電力系統的日趨高性能化和結構復雜化,構成柴油發電機組也日益朝著大型化、高速化、精密化方向發展,工作性能不斷改善,自動化程度越來越高。一方面它將大大提高勞動生產率,提高電能質量,降低柴油發電機維護成本和能耗;但另一方面,帶來的問題是,一旦其中某一部分或某一環節發生故障,往往會使整個應急用電系統處于癱瘓狀態。因此,如何迅速判斷故障發生的原因,進而有效地排除故障,保證柴油發電機組運行具有特別重要的意義。 在此背景下,本文中主要介紹基于神經網絡的柴油發電機組的故障診斷,首先,確定了神經網絡故障診斷方法對柴油機和發電機進行故障診斷的研究。
一、故障智能診斷技術概述
1、故障智能診斷的功能
發電機故障只能診斷系統能夠對發電機各個部位產生的故障及時的發現,減少了由人工——排查故障部位的時間,在減少故障時間的同時,也能夠阻止故障的進一步惡化。智能診斷系統在發現故障部位時,能夠對故障部位產生的可能原因進行分析,進而對維護人員的檢修程序給予最佳方案,幫助技術人員以效率最高的故障排除方法對發電機電氣系統的各種常見故障及疑難故障進行修理,極大的提高了發電機故障排除的效率,從根本上維護了我國電力系統的安全性和穩定性。發電機智能診斷系統是集合了故障診斷專家的實戰經驗和豐富的診斷知識,對發電機的故障診斷具有極高的診斷效率,在實際操作中發揮著重要的作用,能夠快速的找到故障部位并且提供有效的檢修方法,還可以對發電機的故障進行模擬訓練,對技術人員的故障檢修流程進行指導,幫助技術人員對維修技術和工藝進行掌握,以便于在真正發生故障時,工作人員能夠高效的進行故障排除,減少發電機故障造成的經濟損失。
發電機的運作設計圖和運作方式都各有不同,不同的發電機組在發生故障時的故障排查方式和解決方案都會有所更改,這對于技術人員的發電機故障修理具有極高的技術性要求,為了減輕檢修人員的工作強度,智能診斷系統可以收集各種類型的發電機組運作原理、易發故障部位、使用維護說明書等資料,有利于工作人員在故障排除時,及時的查閱到相關基礎資料,提高技術人員對發電機組的了解程度,提高故障排除效率。
2、智能診斷系統的組成
發電機電氣故障智能診斷系統是與計算機技術相結合,將高新技術運用到故障診斷中,有效的提高了故障診斷效率。系統是以計算機C語言為核心,與相關的測控專業工具相結合,實現對發電機組工作性能進行檢測,由相關的診斷模塊測試發電機工作狀態是否正常,一旦發現問題,通過C語言編程的診斷程序,快速判斷故障部位,并且找到可能導致故障的原因,指導技術工人正確的對發電機組進行維修工作。
智能診斷系統中,全面覆蓋了發電機容易發生的各種故障和導致故障的原因,對發電機組的正常開關機等操作都有詳細的記錄,在工作人員進行相關的操作時,方便其進行快速的查詢,保證維修時操作的規范性,能夠有效的避免由于人工失誤引起的二次事故。智能檢y系統不僅限于對發電機組是否故障進行檢測,還可以按照技術要求測定發電機組的相關數據的測量,方便技術人員及時掌握發電機的工作狀態。
3、智能診斷系統的特點
智能診斷系統具有很高的智能性,是將計算機技術、人工智能技術、電子技術等高新技術有機結合形成的智能系統,將大部分的發電機組型號、運行特點、操作規范等都涵蓋在內,能夠對發電機組各電器總成的電流、電壓等參數實時檢測,預防發電機發生故障,并且能夠提供一套正確高效的解決方法。
智能系統知識庫收集了電氣故障診斷專家的診斷經驗和專業知識,將其運用到實際的故障診斷和排除上,實現理論知識與實踐相結合,通過與技術工人之間的配合,來時刻保證發電組正常的工作。智能診斷系統的功能強大,對發電機的正常運轉發揮著不可替代的作用,操作簡便易上手,對于操作方法還不夠嫻熟的技術工人,操作界面有詳細的提示信息,通過文字、圖片、聲音等傳播載體,將發電機組的相關信息詳盡的進行顯示,方便技術工人的查詢、操作、學習。
二、什么是概率神經網絡(PNN)
概率神經網絡是由Specht博士在1989年首先提出, 是一種與統計信號處理的許多概念有著緊密聯系的并行算法。它實質上是一個分類器,根據概率密度函數的無參估計進行貝葉斯決策而得到分來結果。整個網絡屬于徑向型網絡,不需要進行反向誤差傳遞,具備學習速度快、具有很強的容錯性、可以完成任意非線性變換的優點,同時由于各層神經元的數目比較固定,因此易于硬件實現。在實際應用中,尤其在解決分類問題中,PNN不僅能用線性學習算法來完成非線性學習算法的工作,用時也能保證非線性算法的高精度等特征,所以被廣泛應用于故障檢測和目標分類識別領域。
概率神經網絡通常由4層組成,其結構圖如圖1所示:
圖1 柴油發電機故障診斷神經網絡結構圖 |
○ 第1層為輸入層,這一層負責將特征向量輸入到神經網絡中去,輸入層神經元的個數就是樣本特征值的個數,這一層的作用只是將輸入信號用分步的方式來表示。
○ 第2層為模式層,它與輸入層之間通過連接權值相連接。模式層神經元的傳遞函數為
上式中,為平滑因子,決定了樣本分類的準確度,這也是PNN網絡關心的核心量。
○ 第3層為累加求和層,它具有線性求和功能。這一層的神經元數目與欲分的模式數目相同。
○ 第4層為累輸出層,具有判決功能,輸出為離散值1和0,分別代表著輸入模式的類別。
為了讓智能診斷系統在發現發電機組發生故障,能夠盡快的找到故障原因,并且對故障部位進行提示,提出有效的故障檢修方法,要正確的處理故障部位與故障原因之間的關系。因為發電機的某一故障可能是由于多方面的因素導致,也就是說,會有多種原因造成這一故障,而且隨著發電機組的規模越來越大,結構更加復雜,故障部位與故障原因之間的關系縱橫交錯,這是實現智能診斷系統正確診斷應該解決的難點之一。因此,要利用故障部位與故障原因之間的關系,結合故障診斷專家的專業技能,使用模糊理論的手段,實現智能診斷系統對故障原因的判斷。模糊理論是用來表達發電機組內故障部位與故障原因之間相互交叉的關系,建立模糊關系方程式,就可以幫助診斷系統做出正確的診斷。
三、建立基于PNN的故障診斷模型
當發電機在發生故障時,具有多種故障運行形態。因此,能夠及早的發現并處置故障,防止造成重大人員傷亡和經濟損失顯得十分重要。本實驗采用發電機4個典型故障特征作為分類對象,在采集到的狀態數據基礎上,訓練得出合適的故障診斷模型來對其進行分類。
圖2 柴油發電機故障神經網絡訓練效果圖 |
首先在采集到的200組故障樣本數據中,隨機選取80%的數據做訓練樣本數據集,輸入數據為描述故障狀態的特征向量,輸出類型為故障的分類結果。同時,為了分析該概率神經網絡分類的準確度,將剩余的20%的數據作為測試樣本進行仿真測試。
圖3 柴油發電機故障神經網絡預測效果圖 |
在本次實驗中,描述故障狀態的特征向量主要有發電機的有功功率P、無功功率Q、發電機的輸出電壓U、發電機的三相電流輸出I、發電機的功率因數pf、發電機定子電壓U1、定子電流I1。輸出狀態為電子調速器失靈( f1)、發電機失磁( f2)、勵磁模塊故障(f3)、噴油嘴故障( f4)四種故障類型。
總結:
本文中分別對柴油機和發電機及發電機勵磁系統進行數學建模,并對所建立的數學模型用SIMULINK對柴油機的熱力學工作過程和同步發電機的正常工作過程和故障工作過程進行仿真,獲取柴油機和發電機在正常工作及故障狀態下的特征值。然后對獲取的特征值進行歸一化處理,把經過處理的特征值作為神經網絡的輸入樣本集,設計輸出樣本集,建立BP神經網絡和ELMAN神經網絡,用整理后的數據訓練神經網絡,使神經網絡具有故障診斷功能,并對神經網絡模型進行測試。實現了對柴油發電機的故障診斷,保證柴油發電機組的安全運行。
----------------
以上信息來源于互聯網行業新聞,特此聲明!
若有違反相關法律或者侵犯版權,請通知我們!
溫馨提示:未經我方許可,請勿隨意轉載信息!
如果希望了解更多有關柴油發電機組技術數據與產品資料,請電話聯系銷售宣傳部門或訪問我們官網:http://www.dhgif.com
- 上一篇:柴油發電機設備土建基礎方案與圖紙
- 下一篇:電控柴油機燃油系統有哪些類型和噴射方式