基于极限学习机的汽轮机故障诊断.pdf

第4 期陈立军等基于极限学习机的汽轮机故障诊断 4 3 5 基于极限学习机的汽轮机故障诊断 陈立军1 孙凯1 侯媛媛2海冉冉1 ( 1 东北电力大学自动化工程学院，吉林吉林1 3 2 0 1 2 ；2 河北兴泰发电有限责任公司，河北邢台0 5 4 0 0 0 ) 摘要针对汽轮机故障诊断中出现的多故障识别问题，为有效提高汽轮机多故障诊断的准确率，提出 了基于极限学习机的汽轮机故障诊断方法。极限学习机算法在训练时只需设置隐含层神经元个数，从 而解决了如神经网络及支持向量机等多参数选取困难的问题，有效地提高了学习机的训练速度。在确 定了最优参数的基础上，将极限学习机应用于汽轮机故障诊断模型中，并将极限学习机的故障诊断结果 与支持向量机的诊断结果进行对比。结果表明：基于极限学习机的多故障诊断速度及准确率均明显优 于支持向量机的诊断结果，时汽轮机故障诊断的实践有非常显著的指导作用。 关键词机器学习极限学习机支持向量机汽轮机故障诊断 中图分类号T H l 7文献标识码 A 文章编号1 0 0 0 3 9 3 2 ( 2 0 1 3 ) 0 4 0 4 3 5 0 4 随着电力工业的迅速发展，电力设备自动化 程度不断提高，越来越多的大容量、高参数汽轮机 组陆续投入运行，机组容量的增大使其结构和系 统日趋复杂，不安全因素越来越多。因此亟需 有效提高汽轮机故障诊断准确率，保证其稳定安 全运行。近年来，人工神经网络及支持向量机 ( S u p p o r tV e c t o rM a c h i n e ，S V M ) 等多种方法被应 用于汽轮机故障诊断中，并取得了一定成果H “1 。 但人工神经网络在应用过程中需要人为设置大量 参数，存在训练速度慢及容易陷入局部极值等问 题。在实际应用中支持向量机同样面临多参数选 取困难的问题，而且采用改进算法进行参数优化 也需要大量的时间来完成。同时汽轮机复杂的结 构和多样的故障机理，致使这些故障诊断分析方 法的识别准确率也需进一步提高。极限学习机 ( E x t r e m eL e a r n i n gM a c h i n e ，E L M ) po 是一种针对 单隐含层前馈神经网络( S i n g l e h i d d e nL a y e r F e e d f o r w a r dN e u r a lN e t w o r k s 。S L F N s ) 的新算法，该 算法随机产生输入层与隐含层间的连接权值和隐 含层神经元的阈值，并且在训练过程中无需调整， 只需设置隐含层神经元的个数，便可以获得唯一 的最优解。与传统的训练方法相比，该方法具有 学习速度快及泛化性能好等优点旧3 。 笔者将E L M 算法应用于汽轮机故障诊断中， 并与S V M 的故障识别结果进行对比，结果表明： 基于E L M 的汽轮机故障诊断速度及准确率均明 显优于S V M 的诊断结果。因此，将该算法应用于 汽轮机故障诊断中是有效可行的。 1 极限学习机理论 1 1 基本思想 给定任意个不同样本( 戈i ，Y i ) ，其中戈i = 菇f l ，茗2 ，茗抽 1 。R “，Y j = Y “，Y 跎，Y 拥 1 尺“，一个任意区间无限可微的激活函数g ( 戈) ，则 对于具有肘个隐含层神经元的S L F N s ，有网络的 肼 肼 输出模型为圣卢；g i ( 勺) = 圣展g j ( t o ；勺+ b ；) = o j ， 其中= 1 ，2 ，N ，t o = t o n t o 也，t o 诅 T ，是连 接第i 个隐层节点和输入节点的权重；鼠= 卢n ， 凡，p ；。 1 。是连接第i 个隐层节点和输出节点 的权重；b i 是第i 个隐层节点的阈值；o i 是第歹个 输入样本的输出值。 若隐含层神经元个数与训练集样本个数相 等，则对于任意的t o 和b ，S L F N s 都可以零误差逼 肼 近训练样本，即I Io j 一，川= 0 ，因此有 J2 1 射 展g i ( t o 。石，+ b i ) = 乃，= 1 ，2 ，可表示为 郎= Y ，其中Y = T y I T y 2 ： T Y N ，口= 硝 庆 ： 网络的隐含层输出矩阵，具体形式为： ，日为神经 收稿日期：2 0 1 3 - O ! - 1 7 ( 修改稿) 基金项目：东北电力大学博士基金资助项目( B S J X M - 2 0 1 0 0 5 ) 万方数据 4 3 6化工自动化及仪表 第4 0 卷 H ( O J I ，t 0 2 ，肼，b l ，b 2 ，b ，戈l ，z 2 ，石) = g ( l z I + b 1 )g ( 2 茹l + b 2 ) g ( 戈I + b ) g ( l 戈2 + b 1 )g ( 2 茹2 + b 2 ) g ( 1 O 村茗2 + b W ) ii i g ( m l 茹+ b 1 )g ( 甜2 髫一+ b 2 ) g ( N 茗+ b ) 然而，当训练样本个数较多时，为了减少计算 量，隐含层神经元个数M 通常是比小的数，此 时S L F N s 的训练误差可以逼近一个任意s 0 ，即 M I Io i 一) ，川 s ，因此，当激活函数g ( z ) 无限可 微时，S L F N s 的参数并不需要全部进行调整，和 b 在训练前可以随机选择，且在训练过程中保持 不变。而隐含层与输出层间的连接权值卢可以通 过求解以下方程组的最小二乘解获得： m i nl l 印一l ，l l ，其解为昼= H + y ，其中，日+ 为隐 口 含层输出矩阵的M o o r e P e n r o s e 广义逆1 。 1 2 学习算法 E L M 在训练之前可以随机产生和b ，只需 确定隐含层神经元个数和隐含层神经元激活函 数，即可计算出口。8 j 。具体的E L M 学习算法主要 有以下几个步骤： a 确定隐含层神经元个数； b 选择一个无限可微的函数作为隐含层神 经元的激活函数g ( 戈) ，进而计算隐含层输出矩阵 日： c 计算输出层权值声( 声= H + y ) 。 由此可知，E L M 在训练时无需调整过多的参 数，只需设置隐含层神经元个数根据相应算法来 调整隐含层与输出层间的连接权值，在有限的时 间内即可获得全局最优解。 2 汽轮机故障诊断实例 笔者利用Z T 一3 型汽轮机模拟转子实验台对 汽轮机转子振动的4 种典型故障一o ( 转子质量不 平衡、转子动静碰磨、轴系不对中、支座松动) 及 无故障进行了模拟实验，选取1 7 5 组数据进行实 验分析，从中选取1 0 0 组已知类别的故障样本进 行训练，其余的7 5 组数据作为测试样本。为提高 故障识别的准确率，将所有数据进行了归一化处 理，归一化的区间为 0 ，1 。为了使诊断结果更 有说服力，笔者给出的结果都是1 0 次实验的平均 结果。 为了在训练和测试时能有效地区分出各故障 类型，本实验中给各故障类型( 这里暂且把无故 障情况作为一种特殊的故障类型) 赋予了相应的 类标签( 表1 ) 。 表1故障类别与标签对应关系 2 1E L M 激活函数的选择 为选取较好的激活函数，以提高E L M 的故障 识别准确率，笔者选取H a r d l i m 、S i g m o i d a l 和S i n e 3 种激活函数0 | ，分析不同激活函数对故障识别 准确率的影响。初始化隐含层神经元个数为1 0 ， 以1 0 为周期递增神经元个数，结果如图1 所示， 可见H a r d l i m 函数识别准确率趋于平稳，但初始 阶段H a r d l i m 函数的识别准确率较低，虽然S i g - m o i d a l 函数与S i n e 函数随着隐含层神经元个数的 增多识别误差逐渐下降，但在隐含层神经元个数 较少时，S i g m o i d a l 激活函数的识别准确率最高，所 以笔者最终采用S i g m o i d a l 函数作为E L M 的激活 函数。 长 、 褂 器 樊 磊 巷 隐吉层神经兀个数 图1不同激活函数识别准确率对比 2 2 神经元个数的确定 确定S i g m o i d a l 函数作为E L M 的激活函数 后，接下来确定最佳隐含层神经元的个数。初始 化隐含层神经元个数为1 0 ，以1 0 为周期递增神 经元个数，分析神经元个数对训练样本与测试样 本识别准确率的影响。结果如图2 所示，可见当 隐含层神经元个数与训练样本个数相等时，E L M 可以以零误差逼近所有训练样本。然而，并非隐 含层神经元个数越多越好，从测试样本识别准确 率可以看出，当隐含层神经元个数逐渐增多时，测 试样本识别准确率呈逐渐减小的趋势。因此，需 要综合考虑训练样本和测试样本的识别准确率， 万方数据 第4 期 陈立军等基于极限学习机的汽轮机故障诊断 4 3 7 进行折中选择。最终选取隐含层神经元的个数为 2 0 。 图2隐含层神经元个数对E L M 分类性能的影响 2 3 E L M 与S V M 对比分析 笔者在确定S i g m o i d a l 函数作为E L M 的激活 函数，隐含层最佳神经元个数为2 0 的基础上，对 汽轮机测试样本的5 种典型故障进行识别分析， 诊断结果如图3 所示。转子质量不平衡、转子动 静碰磨、轴系不对中、支座松动及无故障都能正确 识别出相应故障类型。图中“o ”代表样本的实 际值，“：I ：”代表分类器的分类结果。如果二者重 叠，则分类是准确的，否则分类是错误的。总体样 本识别准确率为1 0 0 。 图3E L M 测试集识剐结果对比 为对比分析，笔者又建立了基于S V M 的汽轮 机故障诊断模型，选取高斯径向基函数为其核函 数，其中分类器的惩罚因子C 与核函数参数g 采 用交叉验证法进行选取，通过训练得到的最优惩 罚因子C 为0 0 0 10 ，核函数参数g 为2 1 11 21 。 诊断结果如图4 所示。5 类故障中，转子质量不 平衡、转子动静碰磨、轴系不对中、支座松动能正 确识别出相应故障类型，把无故障类型中的一个 样本诊断为转子动静碰磨故障，总体样本识别准 确率为9 8 6 6 67 。 图4S V M 测试集识别结果对比 E L M 模型及S V M 模型得出的各故障正确识别 数目和识别准确率见表2 。可以看出，E L M 模型对 各故障诊断的结果均明显优于S V M 模型的诊断结 果。 表2E L M 及S V M 故障识别结果对比 E L M 模型及S V M 模型得出总的故障识别准 确率和故障识别运行时间见表3 。可以看出E L M 幞型的故障识别准确率明显高于S V M 模型的识 别结果，E L M 模型只需在一定范围内设定隐含层 f j p 经元的个数即可，相比S V M 模型节省了相关参 数寻优而耗费的大量时间，所以在故障识别的速 度上也有显著的提高。 表3E L M 模型及S V M 模型的性能参数对比 3结束语 针对汽轮机故障诊断中出现的多故障识别问 题，笔者提出了基于极限学习机的汽轮机故障诊 万方数据 4 3 8化工自动化及仪表 第4 0 卷 断方法，有效地提高汽轮机多故障诊断的准确率。 相比于S V M 诊断方法，该方法在选取较优的激活 函数后，只需设置隐含层神经元个数即可，不仅解 决了S V M 多参数选取困难的问题，还大大地提高 了汽轮机故障诊断的准确率和运行时间。正如表 3 所示，针对这7 5 个测试样本S V M 方法诊断消耗 的时间接近E L M 方法诊断时间的3 倍。 2 3 4 参考 文 献 黄保海，李岩，王东风，等基于K P C A 和K F C M 集 成的汽轮机故障诊断 J 电力自动化设备，2 0 1 0 ， 3 0 ( 7 1 ：8 4 8 6 凌六一，黄友锐，魏圆圆基于多传感器信息融合和 神经网络的汽轮机故障诊断研究 J 中国电力， 2 0 1 0 ，4 3 ( 3 ) ：4 6 5 0 郑小霞，钱锋动态系统故障诊断技术的研究与发 展 J 化工自动化及仪表，2 0 0 5 ，3 2 ( 4 ) ：1 7 张超，韩璞，唐贵基基于K - L 变换的支持向量机在 汽轮机故障诊断中的应用 J 汽轮机技术，2 0 0 7 ， 5 6 7 8 9 1 0 4 9 ( 2 ) ：1 4 8 1 5 0 H u a n gGB ，Z h uQY ，S i e wCK E x t r e m eL e a r n i n gM a - c h i n e ：aN e wL e a r n i n gS c h e m eo fF e e d f o r w a r dN e u r a l N e t w o r k s c P r o c e e d i n g so ft h eI n t e r n a t i o n a lJ o i n t C o n f e r e n c eo nN e u r a lN e t w o r k s P i s c a t a w a y ：I n s t i t u t eo f E l e c t r i c a la n dE l e c t r o n i c sE n g i n e e r sI n c ，2 0 0 4 ：9 8 5 9 9 0 常玉清，李玉朝，王福利，等基于极限学习机的生 化过程软测量建模 J 系统仿真学报，2 0 0 7 ，1 9 ( 2 3 ) ：5 5 8 7 5 5 9 0 H u a n gGB ，C h e nL C o n v e xI n c r e m e n t a lE x t r e m eL e a r n - i n gM a c h i n e J N e u r o e o m p u t i n g ，2 0 0 7 ，7 0 ( 1 6 - 1 8 ) ：3 0 5 6 3 0 6 2 舒隽，甘磊极限学习机方法在电力线路建设成本估算 中的应用研究 J 现代电力，2 0 1 1 ，2 8 ( 4 ) ：7 8 8 3 韩璞，张德利，韩晓娟，等基于主成分分析法与贝 叶斯网络的汽轮机故障诊断方法 J 热能动力工 程，2 0 0 8 ，2 3 ( 3 ) ：2 4 4 2 4 7 李彬，李贻斌基于E L M 学习算法的混沌时间序 列预测 J 天津大学学报，2 0 1 l ，4 4 ( 8 ) ：7 0 1 7 0 4 F a u l tD i a g n o s i so fS t e a mT u r b i n eB a s e do nE x t r e m eL e a r n i n gM a c h i n e C H E NL i - j u n l ，S U NK a i l ，H O UY u a n y u a n 2 ，H A lR a n r a n l ( 1 S c h o o lo f A u t o m a t i o nE n g i n e e r i n g ，N o r t h e a s tD i a n l iU n i v e r s i t y ，J i l i n1 3 2 0 1 2 ，C h i n a ； 2 H e b e iX i n g t a iP o w e rG e n e r a t i o nC o m p a n yL i m i t e d ，X i n g t a i0 5 4 0 0 0 ，C h i n a ) A b s t r a c t A i m i n ga tf a u l td i a g n o s i so fs t e a mt u r b i n e ，a ne x t r e m el e a r n i n gm a c h i n e b a s e df a u l td i a g n o s i sm e t h o df o ri tw a sp r o p o s e d I nt h et r a i n i n g ，t h i sa l g o r i t h mj u s ta s k sf o rt h en u m b e ro fh i d d e nn e u r o n sS Ot h a tt h ed i f - f i c u l t yi ns e l e c t i n gp a r a m e t e r sl i k en e u r a ln e t w o r ka n ds u p p o r tv e c t o rm a c h i n ec a nb es o l v e d ，a n dt h et r a i n i n g s p e e do fl e a r n i n gm a c h i n ec a nb ee f f e c t i v e l ye n h a n c e d B a s i n go nh a v i n go p t i m a lp a r a m e t e r sd e t e r m i n e d ，t h e e x t r e m el e a r n i n gm a c h i n ew a sa p p l i e dt os t e a mt u r b i n e Sf a i l u r ed i a g n o s i sa n