基于概率神经网络-小波神经网络-DS信息融合的电厂引风机故障诊断

doi:10.12096/j.2096-4528.pgt.22162

发电技术 ›› 2022, Vol. 43 ›› Issue (6): 951-958.DOI: 10.12096/j.2096-4528.pgt.22162

基于概率神经网络-小波神经网络-DS信息融合的电厂引风机故障诊断

张航¹, 周传杰¹, 张林¹, 陈节涛¹, 徐春梅², 彭道刚²

^1.国电长源汉川第一发电有限公司，湖北省武汉市 431614
^2.上海电力大学自动化工程学院，上海市杨浦区 200090

收稿日期:2022-10-24 出版日期:2022-12-31 发布日期:2023-01-03
作者简介:张航(1987)，男，工程师，主要从事火电厂热控设备检修维护、DCS自动控制系统日常维护、优化工作，543134425@qq.com；
周传杰(1973)，男，工程师，主要从事电厂热工自动控制研究工作，51623588@qq.com；
张林（1978），男，工程师，主要从事火电厂炉侧热控设备检修维护的技术管理工作，zlinz6666@sina.com；
陈节涛(1989)，男，硕士，工程师，主要从事火电厂热控设备检修维护、DCS自动控制系统日常维护、优化工作，taoshengyijiuchen@163.com；
徐春梅(1982)，女，博士，讲师，研究方向故障诊断与状态评价等，本文通信作者，chunmeixu@yeah.net；
彭道刚(1977)，男，博士，教授，主要研究方向为低碳智能发电、综合智慧能源与能源互联网等，pengdaogang@126.com。
基金资助:
上海市“科技创新行动计划”高新技术领域项目(22511103800);国电长源电力股份有限公司科技项目(HCYF-SCFW-2021-127)

Fault Diagnosis of Power Plant Induced Draft Fan Based on PNN-WNN-DS Information Fusion

Hang ZHANG¹, Chuanjie ZHOU¹, Lin ZHANG¹, Jietao CHEN¹, Chunmei XU², Daogang PENG²

^1.Guodian Changyuan Hanchuan No. 1 Power Generation Co. , Ltd. , Wuhan 431614, Hubei Province, China
^2.College of Automation Engineering, Shanghai University of Electric Power, Yangpu District, Shanghai 200090, China

Received:2022-10-24 Published:2022-12-31 Online:2023-01-03
Supported by:
Shanghai Science and Technology Commission Program(22511103800);CHN Energy Changyuan Electric Power Co., Ltd(HCYF-SCFW-2021-127)

摘要/Abstract

摘要：

针对电厂引风机工况复杂、工作环境恶劣、易出现故障等问题，提出了一种基于改进D-S证据理论的融合诊断方法。该方法利用概率神经网络(probabilistic neural network，PNN)和小波神经网络(wavelet neural network，WNN)对测试样本进行初步诊断，并形成证据体，再利用改进D-S融合方法进行融合诊断。该融合方法根据证据体的信任度和焦元的信任度分配冲突信息，使得信任度高的焦元支持率得到加强、信任度低的焦元支持率得到削弱，融合结果更为合理。仿真结果表明，融合故障诊断方法能有效地避免误诊现象，提高了诊断的正确率，且能合理分配冲突信息。

关键词: 电厂引风机, 焦元, 故障诊断, 改进D-S证据理论

Abstract:

Aiming at the problems of complex operating conditions of induced draft fan, harsh working environment, and easy failure of power plant induced draft fan, a fault diagnosis method of the improved dempster-shafer evidence theory was proposed. In this method, the probabilistic neural network (PNN) and wavelet neural network (WNN) were used for preliminary diagnosis, and the evidence bodies were formed according to the output of PNN and WNN. Then the improved D-S fusion method was used for fusion diagnosis. The improved D-S method distributes conflict information according to the trust degree of the evidence and the focal element, so that the support rate of the focal element with high trust degree is strengthened, and the focal element with low trust degree is weakened, which makes the fusion diagnosis result more reasonable. The simulation results show that the proposed method can effectively diagnose the vibration fault of induced draft fan, avoid misdiagnosis, improve the accuracy of diagnosis, and reasonably distribute conflicting information.

Key words: power plant induced draft fan, focal element, fault diagnosis, improved D-S evidential theory

中图分类号:

TM 621

张航, 周传杰, 张林, 陈节涛, 徐春梅, 彭道刚. 基于概率神经网络-小波神经网络-DS信息融合的电厂引风机故障诊断[J]. 发电技术, 2022, 43(6): 951-958.

Hang ZHANG, Chuanjie ZHOU, Lin ZHANG, Jietao CHEN, Chunmei XU, Daogang PENG. Fault Diagnosis of Power Plant Induced Draft Fan Based on PNN-WNN-DS Information Fusion[J]. Power Generation Technology, 2022, 43(6): 951-958.

图/表 8

图1 基于改进D-S的融合诊断结构图

Fig. 1 Structure diagram of fusion diagnosis based on improved D-S

表1 训练样本数据

Tab. 1 Training sample data

序号	故障模式	特征1	特征2	特征3	特征4	特征5	特征6	特征7	特征8	目标输出
1	模式1	3.28	0.17	1.81	0	-0.19	2.35	1.86	1.02	0 0 1
2	模式1	3.28	0.19	1.81	0	0.32	2.17	1.87	1.03	0 0 1
3	模式1	3.27	0.18	1.81	0	0.26	2.38	1.87	1.03	0 0 1
…	…	…	…	…	…	…	…	…	…	…
22	模式1	3.38	0.13	1.84	0	-0.43	4.27	1.87	1.02	0 0 1
23	模式2	1.67	0.07	1.29	0	-0.4	2.01	1.31	1.02	0 1 0
24	模式2	1.69	0.1	1.3	0	-0.21	2.2	1.34	1.03	0 1 0
25	模式2	1.68	0.04	1.3	0	0.38	2.01	1.31	1.01	0 1 0
…	…	…	…	…	…	…	…	…	…	…
45	模式2	1.67	0.09	1.29	0	0.14	1.25	1.33	1.03	0 1 0
46	模式3	1.85	1.13	1.36	0.1	-0.58	2.8	1.68	1.24	1 0 0
47	模式3	2	0.43	1.42	0.01	0.51	3.23	1.57	1.11	1 0 0
48	模式3	1.97	1.11	1.4	0.07	1.31	4.24	1.9	1.35	1 0 0
…	…	…	…	…	…	…	…	…	…	…
90	模式3	4.55	1.48	2.13	0.1	-2.22	7.79	2.26	1.06	1 0 0

表2 测试样本数据

Tab. 2 Test sample data

序号	故障模式	特征1	特征2	特征3	特征4	特征5	特征6	特征7	特征8	目标输出
1	模式1	3.37	0.17	1.84	0	-0.04	2.5	1.88	1.03	0 0 1
2	模式1	3.54	0.14	1.88	0	-0.4	2.51	1.91	1.02	0 0 1
3	模式1	3.6	0.25	1.9	0.01	0.17	1.63	1.96	1.03	0 0 1
4	模式2	1.66	0.08	1.29	0	-0.43	2.71	1.32	1.02	0 1 0
5	模式2	1.67	0.05	1.29	0	0.78	2.22	1.32	1.02	0 1 0
6	模式3	3.45	1.93	1.86	0.29	1.08	3.17	2.51	1.35	1 0 0
7	模式3	4.2	2.29	2.05	0.2	-0.02	3.72	2.68	1.31	1 0 0
8	模式3	4.18	2.19	2.05	0.37	-1.31	3.57	2.38	1.16	1 0 0
9	模式3	3.61	2.68	1.9	0.76	0.16	1.59	2.75	1.45	1 0 0
10	模式3	4.55	0.93	2.13	0.04	-1.48	5.62	2.29	1.07	1 0 0

表3 不同spread值下PNN诊断的正确率

Tab. 3 Accuracy of PNN diagnosis under different spread values

s_pread	0.2	0.18	0.16	0.14	0.12	0.1	0.08
正确率/%	56	80	90	90	100	98	98

表4 在不同迭代次数下WNN诊断的正确率

Tab. 4 Accuracy of WNN diagnosis under different iterations

迭代次数	100	150	200	300	500	1 000	2 000
正确率/%	92	98	98	98	98	94	96

表5 不同融合方法下诊断的正确率

Tab. 5 Diagnostic accuracy of different fusion methods

方法	式(1)	式(2)	式(3)	式(4)	式(11)
正确率/%	100	32	100	100	100

表6 测试样本1在不同方法下的诊断结果

Tab. 6 Diagnostic results of test sample 1 under different methods

方法	m(A₁)	m(A₂)	m(A₃ )	$m (Θ)$	结果	结果评价
PNN	0.237 3	0.218 4	0.544 3	0	模式1	对
WNN	0.072 4	0.141 1	0.786 5	0	模式1	对
式(1)	0.036 1	0.064 7	0.899 2	0	模式1	对
式(2)	0.017 2	0.030 8	0.428 1	0.523 9	不定	错
式(3)	0.088 3	0.113 3	0.733 6	0.064 8	模式1	对
式(4)	0.098 3	0.125	0.776 7	0	模式1	对
式(11)	0.025 2	0.113 9	0.860 9	0	模式1	对

表6 测试样本1在不同方法下的诊断结果

Tab. 6 Diagnostic results of test sample 1 under different methods

方法	m(A₁)	m(A₂)	m(A₃ )	$m (Θ)$	结果	结果评价
PNN	0.237 3	0.218 4	0.544 3	0	模式1	对
WNN	0.072 4	0.141 1	0.786 5	0	模式1	对
式(1)	0.036 1	0.064 7	0.899 2	0	模式1	对
式(2)	0.017 2	0.030 8	0.428 1	0.523 9	不定	错
式(3)	0.088 3	0.113 3	0.733 6	0.064 8	模式1	对
式(4)	0.098 3	0.125	0.776 7	0	模式1	对
式(11)	0.025 2	0.113 9	0.860 9	0	模式1	对

表7 测试样本43在不同方法下的诊断结果

Tab. 7 Diagnostic results of test sample 43 under different methods

方法	m(A₁)	m(A₂)	m(A₃ )	$m (Θ$ )	结果	结果评价
PNN	0.262 9	0.303 2	0.433 9	0	Type1	对
WNN	0.169 3	0.465 4	0.365 3	0	Type2	错
式(1)	0.129 3	0.410 1	0.460 6	0	Type1	对
式(2)	0.044 5	0.141 1	0.158 5	0.655 9	不定	错
式(3)	0.146 7	0.322 9	0.347 5	0.182 8	Type1	对
式(4)	0.186 2	0.393 2	0.420 6	0	Type1	对
式(11)	0.081 4	0.414	0.504 7	0	Type1	对

表7 测试样本43在不同方法下的诊断结果

Tab. 7 Diagnostic results of test sample 43 under different methods

方法	m(A₁)	m(A₂)	m(A₃ )	$m (Θ$ )	结果	结果评价
PNN	0.262 9	0.303 2	0.433 9	0	Type1	对
WNN	0.169 3	0.465 4	0.365 3	0	Type2	错
式(1)	0.129 3	0.410 1	0.460 6	0	Type1	对
式(2)	0.044 5	0.141 1	0.158 5	0.655 9	不定	错
式(3)	0.146 7	0.322 9	0.347 5	0.182 8	Type1	对
式(4)	0.186 2	0.393 2	0.420 6	0	Type1	对
式(11)	0.081 4	0.414	0.504 7	0	Type1	对

参考文献 17

1	富双进．电站风机故障预警系统的研究[D]．保定：华北电力大学，2015．
	FENG S J ．Research of power plant fan failure prognostic system[D]．Baoding：North China Electric Power University， 2015．
2	徐卫仙，王杰，乔立捷．发电厂锅炉引风机叶柄断裂原因分析[J]．发电与空调，2015，36(6)：45-47． doi:10.3969/J.ISSN.2095-3429.2015.06.013
	XU W X， WANG J， QIAO L J ．Cause analysis on fracture on blower fan petiole of power plant boiler[J]．Power Generation and Air Conditioning，2015，36(6)：45-47． doi:10.3969/J.ISSN.2095-3429.2015.06.013
3	危威．大型火电厂风机质量不平衡故障分析及处理[J]．发电技术，2020，41(2)：198-201． doi:10.12096/j.2096-4528.pgt.19111
	WEI W ．Analysis and treatment of mass unbalance fault of fan in large thermal power plant[J]．Power Generation Technology，2020，41(2)：198-201． doi:10.12096/j.2096-4528.pgt.19111
4	张晓斌，王旭辉．1 000 MW机组轴流式引风机振动故障诊断及治理[J]．锅炉制造，2021(6)：57-59．
	ZHANG X B， WANG X H ．Vibration diagnosis and treatment of axial flow fan for 1 000 MW generation unit[J]．Boiler Manufacturing，2021(6)：57-59．
5	唐贵基，孙军科，王晓龙，等．基于改进SSD-Teager时频分析的引风机转子故障诊断方法[J]．电力自动化设备，2022，42(3)：121-127．
	TANG G J， SUN J K， WANG X L， et al ．Diagnosis method for rotor fault of induced draft fan based on improved SSD-Teager timer-frequency anslysis[J]．Electric Power Automation Equipment，2022，42(3)：121-127．
6	周琦．基于机器学习的电站风机故障诊断研究[D]．保定：华北电力大学，2019．
	ZHOU Q ．Study on machine learning fault diagnosis[D]．Baoding：North China Electric Power University，2019．
7	PENG T， JIAN L ．Research on fault diagnosis method of axial flow induced draft fan of power plant based on machine learning[C]//2019 4th International Conference on System Reliability and Safety，Rome，Italy．IEEE，2019：325-330．
8	JAGTAP H P， BEWOOR A K， KUMAR R ．Failure analysis of induced draft fan used in a thermal power plant using coordinated condition monitoring approach：a case study[J]．Engineering Failure Analysis，2020：1-18．
9	韩崇昭，朱洪艳，段战胜，等．多源信息融合[M]．北京：清华大学出版社，2006．
	HAN C Z， ZHU H Y， DUAN Z S，et al ．Multisource information fusion[D].Beijing：Tsinghua University Press，2006.
10	YAGER R R ．On the dempster-shafer framework and new combination rules[J]．Information Sciences (S1007-7634)，1987，41(2)：93-137．
11	孙全，叶秀清，顾伟康．一种新的基于证据理论的合成公式[J]．电子学报，2000，28(8)： 117-119． doi:10.3321/j.issn:0372-2112.2000.08.036
	SUN Q， YE X Q， GU W K ．A new combination rules of evidence theory[J]．ACTA Electronica Sinica， 2000，28(8)：117-119． doi:10.3321/j.issn:0372-2112.2000.08.036
12	李弼程，王波，魏俊，等．一种有效的证据理论合成公式[J]．数据采集与处理，2002，17(1)：33-36． doi:10.3969/j.issn.1004-9037.2002.01.008
	LI B C， WANG B， WEI J，et al ．An efficient combination rule of evidence theory[J]．Journal of Data Acquisition & Processing，2002，17(1)：33-36． doi:10.3969/j.issn.1004-9037.2002.01.008
13	曹洁，郭雷雷．一种基于局部冲突分配的证据组合规则[J]．计算机应用研究，2013，30(7)：2033-2035． doi:10.3969/j.issn.1001-3695.2013.07.029
	CAO J， GUO L L ．Evidence combination rule based on local conflict distribution strategy[J]．Application Research of Computers，2013，30(7)：2033-2035． doi:10.3969/j.issn.1001-3695.2013.07.029
14	夏飞，马茜，张浩，等．改进D-S证据理论在电动汽车锂电池故障诊断中的应用[J]．智能系统学报，2017，12(4)： 526-537． doi:10.11992/tis.201605001
	XIA F， MA X， ZHANG H，et al ．Application of improved D-S evidence theory in fault diagnosis of lithium batteries in electric vehicles[J]．CAAI Transactions on Intelligent Systems，2017，12(4)： 526-537． doi:10.11992/tis.201605001
15	邓勇，施文康，朱振福．一种有效处理冲突证据的组合方法[J]．红外与毫米波学报，2004，23(1)：27-32． doi:10.3321/j.issn:1001-9014.2004.01.006
	DENG Y， SHI W K， ZHU Z F ．Efficient combination approach of conflict evidence[J]．Journal of Infrared Millimeter Waves，2004，23(1)：27-32． doi:10.3321/j.issn:1001-9014.2004.01.006
16	李艺林，张林，龙捷，等．小波包与PNN在抖动控制电路故障诊断中的应用[J]．导航与控制，2018，17(6)：79-85．
	LI Y L， ZHANG L， LONG J，et al ．Application of wavelet packet and PNN in the fault diagnosis of dither control circuit[J]．Navigation and Control，2018，17(6)：79-85．
17	梁红梅，肖志怀．基于SA-WNN模型的水电机组故障诊断研究法[J]．计算机测量与控制，2016，24(8)：24-27． doi:10.16526/j.cnki.11-4762/tp.2016.08.007
	LIANG H M， XIAO Z H ．Study for vibration fault diagnosis of hydro-turbine generating unit based on SA-WNN[J]．Computer Measurement & Control，2016，24(8)： 24-27． doi:10.16526/j.cnki.11-4762/tp.2016.08.007

[1]	白明亮, 张冬雪, 刘金福, 刘娇, 于达仁. 基于深度自编码器和支持向量数据描述的燃气轮机高温部件异常检测[J]. 发电技术, 2021, 42(4): 422-430.
[2]	陈尚年, 李录平, 张世海, 欧阳敏南, 樊昂, 文贤馗. 汽轮发电机组振动故障诊断技术研究进展[J]. 发电技术, 2021, 42(4): 489-499.
[3]	李亚光, 李蒙. 基于深度小世界神经网络的风电机组异常检测[J]. 发电技术, 2021, 42(3): 313-321.
[4]	杨昌杏, 李录平. 风力机叶片损伤故障检测技术研究进展[J]. 发电技术, 2020, 41(6): 599-607.
[5]	危威. 大型火电厂风机质量不平衡故障分析及处理[J]. 发电技术, 2020, 41(2): 198-201.
[6]	罗云,陈雪林,李瑞东,苏永健,徐义巍,晁俊凯,李鹏竹,任海彬. 汽轮机变工况下调节级压力预测模型及应用[J]. 发电技术, 2019, 40(2): 161-167.
[7]	袁国刚,饶柱石. 基于振动分析法的变压器非电量状态监测与诊断研究[J]. 发电技术, 2019, 40(2): 134-140.
[8]	王建国,林语桐,田野,杜鹏,张培焱,辛红伟,武英杰. 基于VMD与不同包络阶次构造的风电机组滚动轴承故障诊断[J]. 发电技术, 2018, 39(1): 63-69.
[9]	邢涛, 李志军, 曹玲燕, 丁立华. 基于自适应免疫算法的变压器故障诊断[J]. 发电技术, 2017, 38(6): 42-45.
[10]	孔德同, 贾思远, 王天品, 刘庆超. 基于振动分析的风力发电机故障诊断方法[J]. 发电技术, 2017, 38(1): 54-58.

基于概率神经网络-小波神经网络-DS信息融合的电厂引风机故障诊断

Fault Diagnosis of Power Plant Induced Draft Fan Based on PNN-WNN-DS Information Fusion

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 8

参考文献 17

相关文章 10

编辑推荐

Metrics