（湖南联城程江口发电有限公司 423400）
摘要：PNN又被称之为概率神经网络，以贝叶斯分类决策理论模型为基础，并融合了高斯函数中的激励函数，在水轮发动机组中应用具有简单便捷、抗干扰能力强等特点。本文主要对基于PNN下水轮发动机组的振动故障诊断方法进行了探讨，并以实际故障案例作为探讨对象，将理论分析与实际分析进行了紧密结合，探讨了相关方法的有效性。
关键词：概率神经网络；水轮发电机组；故障诊断；诊断方法
引言：水轮发电机组是水力发电关键设备之一，其在运行过程中出现振动情况是不可避免的。经过调查分析表明，水轮发电机组五分之四的故障与振动相关。基于概率神经网络下的水轮发电机组振动诊断研究对于提高设备运行效率，维持设备安全稳定运行具有重要意义，相比较其他诊断方法而言，概率神经网络模型的构建更加准确，诊断因素也更加全面。
1.概率神经网络故障诊断理论概述
概率神经网络概念首次在上个世纪九十年代提出，其在理论模型构建上以径向基函数为基础。PNN相比较其他方法而言可以有效解决分类问题，并以人工网络模型的方式存在，被主要应用在分类识别以及模式识别之中，其中蕴含了概率统计思想理论模型以及分类规则构成理论模型，是一种具有广阔发展前景的神经网络模型。
概率神经网络模型的计算方式给予最小风险准则而得到了迅速发展，可在雷达设备、心电图设备中被广泛应用，在整体模型中充当着分类器的作用，发挥分类功能。相比较其他神经网络模型而言，其在应用过程中具有不可替代的优点。一是概率神经网络在训练速度上十分快捷，相比较BP网络而言，可以优先五个数量级进行常规运算，并不包含学习过程。二是其可以运算大量数据，并可在分类数据运行中取得最优解，保障计算的全局性。三是在计算中允许增加或者减少一定数量的数据，在时间数据训练上可得到优化。
概率神经网络以统计学为基础，将分类规则与密度函数进行了有效结合，在模型单元构成中可以分为输出单元、模式单元、切合单元以及输出单元四种，并在输出层中安置特征量传递网络，在模式层中对信号与向量之间关系等进行匹配。而神经元系统则作为竞争关系存在，每一个神经元需要与数据类型保持一致，在信号与数据匹配过程中，对其故障最大可能性进行分辨。PNN主要应用预测分类法进行故障识别，并为相同类型的故障提供一个比较统一的方案，以科学的数据决策作为故障检测的标准。在模型构建过程中，可对不同模型进行科学分类，并对不同的决策进行优化，尽可能保障故障检测结构风险的最小化、故障概率检测结果最大化[1]。
2.基于概率神经网络水轮发电机组振动故障诊断思考
在水轮发电机组振动故障诊断中应用概率神经网络可以有效计算影响发电机组正常运行的关键因素，可以快速找到水轮机组振动的原因以及故障的类型。
期刊文章分类查询,尽在期刊图书馆在故障原因上可以分为以下三种，一是由于机械运转引起的振动情况，在设备运行过程中，无法对轴线进行科学调整，导致设备内部机械质量因子不平衡，在轴承的刚度衔接中，其性能无法满足压制振动的需要，导致轴承之间振动间隙过大。二是由水利因素导致其出现明显振动，振动的部位主要分为涡带、卡门涡等，在间隙密封中存在问题，导致其水系统与水力发生共振，并产生严重的不平衡力，导致其出现振动情况。三是由电气因素所引起的振动情况，设备在电气发电中，会出现电力磁场振动不均匀情况，导致磁拉力存在偏向力，致使整体不平衡，甚至会出现定子铁芯出现松动情况，这是振动产生的主要原因之一。振动会导致发电机组整体运作出现不协调情况，甚至会产生严重的安全隐患，使其出现故障情况，从而影响设备连接周边地区经济的发展效益。
发电机组机械设备构成具有复杂性特征，并具备一定的耦合性。在大型发电机组故障诊断与识别工作中，可通过对振动信号的拾取、时域与频域的不同等，对不同的故障类型进行分类识别。通常情况下，故障原因、时域、频域分析中，其在关系中存在着明显的非线性特征，概率神经网络在非线性故障诊断中具有明显优势。发电机组信号检测以及反馈中，对样本实行网络训练，在训练结束之后，可以快速得出分类结果。
基于概率神经网络的故障分析，需要明确了解故障状态以及故障特征量，并按照不同的特征量，对其进行信号反馈。故障状态特征量可以分为设备轴心运行轨迹特征、振动特征、振动信号特征等，在多个信号特征的分析中，对不同的故障模式进行识别以及分类。以某水轮发电机组故障检测为例，在频域中按照不同特征频段分成五类，并表示不同的故障形式。在水轮发电机组中存在偏心、不平衡、不对称等三种振动故障类型，在组频中保留十五组样本，作为三组故障类型的样本对称信息。
按照PNN故障检测模式，振动信号作为输入向量，而故障类型作为计算中的目标向量，对其进行故障诊断模型的构件，按照五个输入向量、五个神经元作为模型组成部门，在经过模型构建之后，对于振动故障的预测值与诊断结果进行分析。在以上故障诊断中，对其振动信号以及故障类型进行分析，经过实践证明，故障诊断识别率可以达到百分之百，在概率上得到了保障。以PNN模型作为水轮发电机组的故障诊断方法，在模型拟合效果以及模型推广能力上具有明显优势，在实际故障诊断中能够发挥良好的诊断效果[2]。
结论：总而言之，在水轮组发电机中应用概率神经网络技术具有十分明显优势，从样本测验以及模型解决中可以得知，PNN故障诊断方法不仅具备可行性，在并具备很强的非线性分类能力，并以容错性能强大的网络系统作为故障模型空间，并可以发挥很强的自适应能力。PNN下的故障诊断方法是一个新型的应用方法，需要加强此方法的技术投资与应用。
参考文献：
[1]王玲花,王坤,许永强.基于改进欧氏距离的水轮发电机组振动故障诊断方法研究[J].吉林水利,2018(03):40-42+46.
[2]禹腾超,陈敏.基于SOM神经网络的汽轮发电机组振动故障诊断研究[J].工业控制计算机,2016,29(01):137-139.
论文作者:何平
论文发表刊物:《电力设备》2018年第17期
论文发表时间:2018/10/19
标签：神经网络论文; 故障论文; 水轮论文; 机组论文; 概率论文; 模型论文; 故障诊断论文; 《电力设备》2018年第17期论文;