论文部分内容阅读
【摘 要】将信息融合方法引入到锅炉的故障诊断中。通过不同的传感器综合采集锅炉运行时的各个状态参数，运用并行的两个BP神经网络对锅炉进行局部诊断，再用D-S证据理论对局部诊断的结果进行全局融合。实现对锅炉一种或同时多种故障的准确诊断。通过实验表明诊断结果的可信度显著提高，不确定性明显减少，充分显示了该方法是有效的。
【关键词】锅炉；BP神经网络；信息融合；D-S证据理论；故障诊断
1 引言
工业生产与日常生活中锅炉的应用变得越来越广泛，而且锅炉的结构变得更加复杂，功能也更加完善，可靠性寿命也不断的增加，自动化程度也越来越高。但是在实际故障诊断过程中，还存在诸多的不确定因素，因此，单纯靠单一的故障特征和诊断方法得到的故障结论往往并不可靠，可信度不高。本文对此提出将BP神经网络和D-S证据理论相结合的方法，提高神经网络算法的自适应性以及容错能力，是的整个算法对不确定信息的融合具有更好的鲁棒性。
2 信息融合技术与锅炉故障
2.1 多传感器信息融合技术
随着科学技术的发展，多传感器信息融合技术正成为一种智能化的综合专门技术。多传感器信息融合中采用的融合算法包括经典推理、D-S证据理论以及人工智能算法等[1]。
2.2 锅炉故障
锅炉故障诊断的方法有[2]：基于信号处理为基础的方法、以状态估计为基础的方法、人工智能为基础的方法等[3]。本文基于BP神经网络的故障诊断方法就是人工智能为基础的故障诊断方法。
3 诊断系统结构及原理
本文锅炉故障综合诊断结构分成三大部分，分别是[3]：（1）采集数据预处理部分；（2）基于BP神经网络的局部诊断部分；（3）基于D-S证据理论的全局诊断部分。具体诊断系统结构如图1所示。
图1 锅炉故障综合诊断结构
3.1 数据预处理
在训练网络之前，需要对输入的数据作归一化数据预处理，使数据范围在[0，1]之间。本文采用min-max归一法[4]：
（3.1）
。
3.2 BP神经网络
（1） BP神经网络的算法原理。
BP算法的原理：输入样本通过输入层将样本信息传递给隐含层，隐含层通过函数处理将信号输入输出层，输出层整理信号后得到输出结果，如果结果不符合期望，则转向误差信号的反向传播流程，通过正向传播和反向传播两个过程交替进行，在权向量空间执行误差函数梯度下降策略，使得误差达到最小值，从而完成信息的处理过程。
（2）BP神经网络隐含层节点数。
隐含层节点数的确定是BP神经网络设计中最关键的环节，隐含层节点数目对整个网络的性能影响很大。实际应用中，节点数的确定通常使用试凑法，确定隐含层节点数的经验公式[5]：
（3.2）
3.3 D-S证据理论
D-S证据理论美国数学家A.P.Dempster利用上、下限概率来解决多值映射问题的研究工作而提出的，后来经过他的学生G.Shafer对证据理论进一步的发展，通过信任函数的引入，形成基于证据融合来处理不确定性推理问题方法，因此被称为D-S证据理论。D-S证据理论引入了概率分配函数、信任函数以及似然函数等概念。
4 诊断实例
4.1 特征向量的确定和数据样本的收集
输入输出特征向量的确定[8]。锅炉的故障与PH值、火焰频率、光谱以及浓度有关，所以在BP神经网络1中把这四种作为输入层的特征向量。把蒸汽温度、汽包水位、鼓风机转速、炉膛负压、炉膛温度排烟温度作为网络2的输入特征向量。根据锅炉常见的故障类型选取：锅炉满水（F1）、锅炉缺水（F2）、汽水共腾（F3）、锅炉水冲击（F4）和锅炉结焦（F5）5种故障类型作为输出层的5个节点输出。
4.2 基于Matlab的网络仿真
（1）隐含层节点数的选择。在BP神经网络1中，采用公式来计算隐含节点数，取值范围是[6，16]，利用训练函数Sigmoid，多次试凑后，选定隐含层节点数为12，该状态下，保证了较小的误差的同时减少了训练次数。同样的步骤可以选定BP神经网络2的隐含层节点数为13。
由图1可以看出，误差数量级满足要求。
4.3 D-S证据理论全局融合
通过D-S证据理论对前面已经训练成功的BP神经网络进行全局数据融合处理，其中，将神经网络在训练过程中产生的误差作为不确定因素，用m（θ）表示，公式为：
（4.1）
焦点元素的基本概率值公式：
（4.2）
（1）对输出结果按公式（3.1）、（4.1）、（4.2）处理后，得到诊断目标的信度分配如表1所示。
通过计算BP网络的Bel和Pls，得到各个状态的置信区间；用公式（3.6）BP网络1和BP网络2进行融合，得到诊断后结果，表2所示。
如果将信任函数值大于0.6和不确定因素值小于0.15同时作为判断的阈值，从表2中可以得到，单纯的BP神经网络1和BP神经网络2的置信2区间较大，而且诊断结论出现了不确定得情况，但是对两个神经网络进行数据融合后，置信区间明显增大，但是不确定性明显减小，锅炉故障诊断结果与实际故障相符合。
5 结论
本文对BP神经网络算法进行改进，实现利用D-S证据理论对两条独立的BP神经网络进行融合处理，最大限度的减小了在单一网络中存在的诊断不确定性问题，进而提高了诊断结果的准确性。最后，抽取锅炉系统中常见的两种故障进行融合试验，结果表明该诊断方法的有效性与可行性，对锅炉故障诊断技术提供理论依据。
参考文献
[1]姜磊，杨俊保.电站锅炉故障诊断技术的发展[J].上海电力学院学报，2010，6（26）：541-544
[2]朱汗清，马振书.基于神经网络和D-S证据理论的信息融合故障诊断方法[J].机械振动，2012，36（10）：90-93
[3]邱文严.基于小波神经网络火电厂锅炉故障诊断的仿真研究[J].煤矿机械，2012，9（23）：269-271
[4]吴国安，刘春生，薛雅丽.基于小波神经网络的锅炉故障诊断及应用研究[J].计算机与现代化.2013，7，109-112
[5]张彩，张宝.应用D-S证据理论进行锅炉空气预热器在线故障分析[J].锅炉技术，2006，37（5）
【关键词】锅炉；BP神经网络；信息融合；D-S证据理论；故障诊断
1 引言
工业生产与日常生活中锅炉的应用变得越来越广泛，而且锅炉的结构变得更加复杂，功能也更加完善，可靠性寿命也不断的增加，自动化程度也越来越高。但是在实际故障诊断过程中，还存在诸多的不确定因素，因此，单纯靠单一的故障特征和诊断方法得到的故障结论往往并不可靠，可信度不高。本文对此提出将BP神经网络和D-S证据理论相结合的方法，提高神经网络算法的自适应性以及容错能力，是的整个算法对不确定信息的融合具有更好的鲁棒性。
2 信息融合技术与锅炉故障
2.1 多传感器信息融合技术
随着科学技术的发展，多传感器信息融合技术正成为一种智能化的综合专门技术。多传感器信息融合中采用的融合算法包括经典推理、D-S证据理论以及人工智能算法等[1]。
2.2 锅炉故障
锅炉故障诊断的方法有[2]：基于信号处理为基础的方法、以状态估计为基础的方法、人工智能为基础的方法等[3]。本文基于BP神经网络的故障诊断方法就是人工智能为基础的故障诊断方法。
3 诊断系统结构及原理
本文锅炉故障综合诊断结构分成三大部分，分别是[3]：（1）采集数据预处理部分；（2）基于BP神经网络的局部诊断部分；（3）基于D-S证据理论的全局诊断部分。具体诊断系统结构如图1所示。
图1 锅炉故障综合诊断结构
3.1 数据预处理
在训练网络之前，需要对输入的数据作归一化数据预处理，使数据范围在[0，1]之间。本文采用min-max归一法[4]：
（3.1）
。
3.2 BP神经网络
（1） BP神经网络的算法原理。
BP算法的原理：输入样本通过输入层将样本信息传递给隐含层，隐含层通过函数处理将信号输入输出层，输出层整理信号后得到输出结果，如果结果不符合期望，则转向误差信号的反向传播流程，通过正向传播和反向传播两个过程交替进行，在权向量空间执行误差函数梯度下降策略，使得误差达到最小值，从而完成信息的处理过程。
（2）BP神经网络隐含层节点数。
隐含层节点数的确定是BP神经网络设计中最关键的环节，隐含层节点数目对整个网络的性能影响很大。实际应用中，节点数的确定通常使用试凑法，确定隐含层节点数的经验公式[5]：
（3.2）
3.3 D-S证据理论
D-S证据理论美国数学家A.P.Dempster利用上、下限概率来解决多值映射问题的研究工作而提出的，后来经过他的学生G.Shafer对证据理论进一步的发展，通过信任函数的引入，形成基于证据融合来处理不确定性推理问题方法，因此被称为D-S证据理论。D-S证据理论引入了概率分配函数、信任函数以及似然函数等概念。
4 诊断实例
4.1 特征向量的确定和数据样本的收集
输入输出特征向量的确定[8]。锅炉的故障与PH值、火焰频率、光谱以及浓度有关，所以在BP神经网络1中把这四种作为输入层的特征向量。把蒸汽温度、汽包水位、鼓风机转速、炉膛负压、炉膛温度排烟温度作为网络2的输入特征向量。根据锅炉常见的故障类型选取：锅炉满水（F1）、锅炉缺水（F2）、汽水共腾（F3）、锅炉水冲击（F4）和锅炉结焦（F5）5种故障类型作为输出层的5个节点输出。
4.2 基于Matlab的网络仿真
（1）隐含层节点数的选择。在BP神经网络1中，采用公式来计算隐含节点数，取值范围是[6，16]，利用训练函数Sigmoid，多次试凑后，选定隐含层节点数为12，该状态下，保证了较小的误差的同时减少了训练次数。同样的步骤可以选定BP神经网络2的隐含层节点数为13。
由图1可以看出，误差数量级满足要求。
4.3 D-S证据理论全局融合
通过D-S证据理论对前面已经训练成功的BP神经网络进行全局数据融合处理，其中，将神经网络在训练过程中产生的误差作为不确定因素，用m（θ）表示，公式为：
（4.1）
焦点元素的基本概率值公式：
（4.2）
（1）对输出结果按公式（3.1）、（4.1）、（4.2）处理后，得到诊断目标的信度分配如表1所示。
通过计算BP网络的Bel和Pls，得到各个状态的置信区间；用公式（3.6）BP网络1和BP网络2进行融合，得到诊断后结果，表2所示。
如果将信任函数值大于0.6和不确定因素值小于0.15同时作为判断的阈值，从表2中可以得到，单纯的BP神经网络1和BP神经网络2的置信2区间较大，而且诊断结论出现了不确定得情况，但是对两个神经网络进行数据融合后，置信区间明显增大，但是不确定性明显减小，锅炉故障诊断结果与实际故障相符合。
5 结论
本文对BP神经网络算法进行改进，实现利用D-S证据理论对两条独立的BP神经网络进行融合处理，最大限度的减小了在单一网络中存在的诊断不确定性问题，进而提高了诊断结果的准确性。最后，抽取锅炉系统中常见的两种故障进行融合试验，结果表明该诊断方法的有效性与可行性，对锅炉故障诊断技术提供理论依据。
参考文献
[1]姜磊，杨俊保.电站锅炉故障诊断技术的发展[J].上海电力学院学报，2010，6（26）：541-544
[2]朱汗清，马振书.基于神经网络和D-S证据理论的信息融合故障诊断方法[J].机械振动，2012，36（10）：90-93
[3]邱文严.基于小波神经网络火电厂锅炉故障诊断的仿真研究[J].煤矿机械，2012，9（23）：269-271
[4]吴国安，刘春生，薛雅丽.基于小波神经网络的锅炉故障诊断及应用研究[J].计算机与现代化.2013，7，109-112
[5]张彩，张宝.应用D-S证据理论进行锅炉空气预热器在线故障分析[J].锅炉技术，2006，37（5）