基于GSA-BP神经网络的电厂风机运行状态评估

发布时间：2021-10-02 01:07

　　风机的运行状态在很大程度上影响了火电厂生产的安全性和经济性。针对其健康状态的监测问题,提出了一种基于改进BP神经网络的风机运行状态评估方法。首先,通过BP神经网络建立正常状态下风机振动的预测模型;然后,根据风机的实时运行参数得到健康状态下风机振动的预测值;最后将振动的预测结果与实际值的相对误差来反映机组的退化程度和健康状态。为提高BP神经网络的收敛速度和泛化性能,将引力搜索算法（Gravitational Searching Algorithm,GSA）应用于神经网络权值的优化。现场实测数据表明,所提方法有较高的预测精度,能有效应用于风机运行状态的智能化评估。 

【文章来源】：工业控制计算机. 2019,32(12)

【文章页数】：3 页

【部分图文】：

BP神经网络模型

图2给出了BP网络和本文所提GSA-BP神经网络训练过程中残差的收敛曲线。由图2中结果可知，GSA-BP神经网络有更快的收敛速度和更小的残差；图3给出了GSA-BP神经网络对训练样本的预测结果。由图3可知，GSA-BP神经网络能较准确的拟合健康状态下风机的振动与运行参数间的非线性关系。图3中结果还表明，受运行条件及其他不确定因素的影响，该机组在正常状态下振动在不断增大，即仅根据振动的监测结果难以真实地反映机组状态的变化趋势。图3 训练样本的预测结果

训练样本的预测结果

【参考文献】：
期刊论文
[1]基于小波包和拉普拉斯特征值映射的柱塞泵健康评估方法[J]. 王浩任,黄亦翔,赵帅,刘成良,王双园,张大庆.  振动与冲击. 2017(22)
[2]静叶可调汽动引风机运行特性与性能优化[J]. 邵壮,司风琪,郭俊山,徐治皋,阎文生.  东南大学学报(自然科学版). 2015(04)
[3]风机电动变桨系统状态特征参量挖掘及异常识别[J]. 李辉,杨超,李学伟,季海婷,秦星,陈耀君,杨东,唐显虎.  中国电机工程学报. 2014(12)
[4]基于SVM的核动力屏蔽泵老化状态评估[J]. 张黎明,赵新文,蔡琦.  核动力工程. 2011(02)



本文编号：3417700