（陕西榆林能源集团横山煤电公司陕西榆林719109）
摘要：火电厂机电转动设备的异常振动是发电厂主辅机设备发生故障前的主要因素，设备是否能够正常运行，做好机电设备故障预控、故障分析、故障处理，对机组的正常连续运行至关重要。然而我国大型火力发电厂主辅机设备仍然以计划检修和及时消缺为主要的维修管理办法。近年来国内外大型电厂逐步引入了以自动化、大数据在内的多学科为理论依据的数字电厂、智慧电厂、专家系统。本次研究以中国华电榆林横山发电厂相关设备为依据，搭建相应研究平台，应用数据挖掘技术中BP神经网络方法进行研究，通过实验所得来的数据来训练并检测所建立的模型。将处理后的数据通过故障模型的学习与练习得到适合本故障系统使用的故障模型，最后得到应用BP神经网络方法可以解决火电厂发电机组转子轴承自激振动故障提前报警与诊断的结论。此方法的应用可以很大程度的避免设备重大安全事故的发生。
关键词：火电厂；自激振动；故障；神经网络
前言
从火力发电厂安全稳定运行考虑，发电机组的安全运行才能保障火电厂连续运行，如果频发故障，这将大大降低锅炉的可用率，势必会影响到发电厂向电网输送电量的稳定性。通过分析大型火电厂汽轮机转子轴承振动故障产生因素，本文将引入数据挖掘技术中的BP神经网络对故障进行轴承振动分类诊断与分析。
一、汽轮机轴承振动监测原理
汽轮机转子轴承通过安装在轴承X向、Y向振动的电涡流传感器监测轴承振动振幅，X探头安装在垂直中心线右侧，Y探头安装在垂直中心线的左侧，以及安装在轴承轴瓦上的振动的速度传感器来监测轴承处振动数据。就地监测到的时时数据通过前置器转换后与TSI控制柜进行数据交换，控制柜通过通讯将监测到的数据同步到远方工程师站，该数据同时送入TDM在线监测系统进行数据分析，同时在历史站记录相关数据。
二、转子轴承自激振动故障机理分析
三、BP神经网络概述
当今将数据挖掘技术应用的电厂运行维护各个环节的应用不断增加，不断提升火电厂安全运行稳定性，基于神经网络技术的电厂主辅机设备的在线监测应用也得到了广泛的应用于研究，作为数据预测的核心理论基础。该系统依靠内部预先学习好的模型对其外部信息进行判断识别。BP神经网络是一种典型结构神经网络，包括输入层、隐含层、输出层，目前理论研究与实践应用都比较广泛的神经网络，算法相对成熟。在实际应用中大多采用其原型或者变形形式，前向反馈网络的核心部分。
四、基于BP神经网络#1汽轮机#3轴承故障诊断模型建立
转子轴承自激振动故障诊断系统是一个非线性系统，由热工TSI系统中轴承及轴瓦振动传感器、就地自动装置、信号采集分析系统构成。实验数据通过历史站数据库按照程序约定提取各个监测点的电量信号，将随机提取后的实验数据汇总形成实验样本，将汇总后的样本数据通过Matlab中的神经网络训练函数训练，得到适合本诊断系统的模型，然后通过验证数据对样本进行验证，将验证结果与实际期望输出对比，判断该模型网络是否能够满足诊断目的，如果能够满足诊断目的就选用该训练网络，如果不能够满足诊断目的修改各层之间的连接权值或者网络参数，优化网络，再次试验。
在汽轮机转子#3轴X向、Y向分别安装监测振动的电涡流传感器，X探头安装在垂直中心线右侧为#1监测点，Y探头安装在垂直中心线的左侧为#2监测点，以及安装在轴承轴瓦上的振动的速度传感器来监测轴承处振动数据为#3监测点。在数据中选取样本数据，应用BP神经网络的研究方法对数据进行分析，得出适合于本系统的诊断模型。在通过样本测试验证，从而完成系统故障诊断的功能。
4.1实验样本数据选取
为了使样本能够更准确的反映总体情况，对总体要有明确的规定；总体内所有被监测数据必须是同质的；同时在抽取样本时，必须遵守随机抽取原则；样本数目足够多。这样由样本训练好的网络应该有足够好的适应性，由以上样本选取基本原则我们来选取输入变量，本实验主要监测转子轴承自激振动故障，通过不同监测点的3个电量信号监测点来监测故障。因此这里选择最能反映这此故障类型的3个检测变量，输出为1个故障类型和1个正常运行类型，因此所选取的样本类型应该包括1个正常工作样本、转子轴承自激振动故障样本，转子轴承轴瓦自激振动故障样本。转子轴承自激振动故障为诊断系统故障1，转子轴承轴瓦自激振动故障为诊断系统故障2。
4.2BP网络设计
BP神经网络有输入层、隐含层和输出层组成，BP网络设计主要完成这三层网络的设计，包括各层直接激励函数、训练函数的选择。不同的诊断网络可以选择多层隐含层，本实验由于输入变量少，数据复杂度低等相关因素，我们选择一层隐含层。
（1）输入层设计。神经网络的输入层在整个网络中是缓存寄存器的作用，神经元的数量取决于输入变量的维数。发电机组转子轴承自激故障诊断实验正常监测2个变量，因此输入层节点数为2。
（2）隐含层设计。隐含层节点个数的选择，对整个网络影响很大，节点选择的恰到好处就就能够大大降低网络运算的时间，节点数太多导致样本学习时间太长，节点数太少使得所建立的网络的容错性降低。对于有限的输入模式对应的输出模式的映射，并不需要太多的隐含层节点，选择隐含层节点个数至今尚未得到一个很好的函数，现在在网络设计中一般采用优化网络得来的经验，通过经验公式可以得到比较合适的节点个数选择。
1)a为（1，10）之间的常数；
2）；
3）；
其中n代表输入层节点个数，m为输出层节点个数，s为隐含层节点个数，由以上公式可以得出隐含层节点个数为7—12，通过样本训练我们得知当选取s=7时，样本训练速度和误差都是最优的，因此我们在本次实验中选取隐含层节点数7个。
（3）输出层设计。BP神经网络输出层设计，以二进制方法来标识不同的输出类型，输出的节点数根据故障类型进行确定，若故障类型总数为M，则输出层设计的节点个数为，本实验输出正常状态1个，故障2个，所以本实验的输出故障类型为3，则通过公式可以得出输出层节点数为。
（4）激励函数和训练方法的选择
本实验我们选用的BP网络常用激励函数隐含层和输出层激励函数是tansig，其表达式为：
BP算法应用的是梯度下降训练方法，在工程工具Matlab中为traingd函数，本次实验与训练函数有关的参数设置为：最大训练次数net.trainparam.epochs=5000，训练要求精度net.trainparam.goal=0.01，学习率net.trainparam.lr=0.5，显示训练迭代过程设置为每实验5次显示1次net.trainparam.show=100，其他参数默认为缺省值。
4.3实验结论
本实验通过BP神经网络技术，热工TSI系统监测手段，采集正常样本数据，以及设备故障样本数据，通过网络自学习能力建立了相关研究故障诊断模拟系统，通过平台实验本系统可以很好的完成故障识别与预警功能。为了能够是的故障识别与预警灵敏度增加，需要不断改变各层间连接权值，让输出更为可靠的验证结果。通过验证样本，我们可以初步完成所列故障类型的故障诊断目的。
结束语
本章通过建立实验的BP神经网络，对采集到轴承及轴瓦振动的数据进行了分类处理，借助Matlab作为工具完成了火电厂转子轴承自激振动故障诊断神经网络模型的建立，此方法基本能够解决电厂转子轴承自激故障预警与诊断的工作。不足之处在于没有使用其他数据挖掘技术对BP神经网络的训练方法进行对比，今后在应用推广中加入不同神经网络方法建立的模型对比，通过对比得到运算速度快，误差小的优秀诊断模型。
参考文献
[1]焦李成.神经网络系统理论[M].西安电子科技大学出版社.1990
[2]吴今培.智能故障诊断与专家系统[M].科学出版社.1997
[3]赵新木,王承亮等.基于BP神经网络的煤粉锅炉飞灰含碳量研究[J].热能动力工程.2005(02)