一种自适应量子神经网络汽轮机故障趋势预测方法技术

本发明专利技术公开了一种自适应量子神经网络汽轮机故障趋势预测方法。所述方法对传统的三层BP神经网络模型进行改进，引入量子神经网络，在输入层中对不同历史数据进行趋势贡献力分析，加强最新数据对趋势的影响力，增加输入层至输出层的直接连接权，在输出层根据信号特征自适应调整激励函数，以提高收敛速度和预测精度；引入自适应学习效率的方法，以提高收敛速度。本发明专利技术的方法具有很好的可靠性和稳健性，是解决汽轮机故障趋势预测的关键技术研究，可以广泛应用在汽轮机故障趋势预测中。

【技术实现步骤摘要】

本专利技术涉及一种汽轮机故障趋势预测中的基于多因素输入的自适应量子神经网络预测方法。
技术介绍
汽轮机故障轻则影响生产，重则引发系统瘫痪甚至酿成灾难性事故，造成重大经济损失。汽轮机故障现已引起高度重视，一般大型汽轮机发电机组都配有TSI(汽轮机在线振动监测保护系统)和TDM(汽轮机实时数据故障诊断系统)。故障预测能够揭示故障的发展变化，在事故发生之前进行有效预防措施，防止故障发生，所以故障预测比故障发生后维修更加重要。汽轮机的故障一般不是瞬时发生的，大多都具有一定的时延性，即从原发性故障的形成到故障的发生、发展是一个渐变的过程，状态变量的前后数据有一定的关联性，故可以基于历史数据进行故障预测。但由于汽轮机故障机理复杂，各种随机性的发生也可能使得数据关联性减弱，所以只能从统一意义上做出最优预测，使得预测结果与实际监测量的均方值满足一定精度要求。BP神经网络有高度的非线性映射能力和自适应学习能力，对时间序列有很强的容错性，系统具有很强的鲁棒性和联想记忆能力，对噪声也有很好的抗噪能力，适合非线性系统建模和对时间序列的预测，因此在故障预测中广泛应用。但是传统的BP神经网络直接应用在汽轮机故障趋势预测中存在一定的缺陷，主要表现在：1、学习效率固定，容易陷入误差曲面底部平坦区；2、若对单一状态量进行建模，不能体现其他种类的状态变量对结果的影响而降低预测精度；3、按照故障发展机理，趋势应该与最新数据的关联性更强，而传统的BP网络，输入数据平等输入网络，不能突出最新数据对结果预测的影响力。4、采用传统的Sigmoid作为输出层的激励函数，模型对于有递增或者递减趋势的征兆数据的敏感性不足；5、训练速度慢，训练过程中有灾变性失忆的危险，模型精度不高。本专利针对以上BP网络存在的缺陷，提出一种改进的神经网络，有效的避免了以上缺陷，更好的发挥了BP神经网络在汽轮机故障诊断中的趋势预测能力。
技术实现思路
本专利技术的目的在于提供一种自适应量子神经网络汽轮机故障趋势预测方法，用于对汽轮机进行以天为步长或者以周为步长的故障趋势预测。该方法基于汽轮机运行故障数据和传统的BP神经网络算法，对传统BP神经网络结构进行了改进。本专利技术具体采用以下技术方案。一种自适应量子神经网络汽轮机故障趋势预测方法，其特征在于，所述故障趋势预测方法包括以下步骤：(1)利用汽轮机实时数据监测系统TDM，采集和记录汽轮机运行过程中的各种状态变量数据，分析状态变量，提取对预测变量有直接或者间接影响的状态变量，并对其进行信息融合作为样本输入；(2)在输入层中对作为输入样本的各状态变量的不同历史数据进行趋势贡献力分析，加强最新数据对趋势的影响力，在输入层引入指数加权系数，在每一个样本数据被输入到神经网络之前都乘以指数加权系数(3)增加输入层至输出层的直接连接权；(4)引入自适应学习效率的方法，提高收敛速度；(5)在隐含层采用经典的Sigmoid激励函数，输出层根据输入的状态变量的信号特征自适应调整激励函数；(6)建立基于多种状态变量因素的改进的量子神经网络模型；(7)按照BP神经网络的有导师机制对所述量子神经网络模型进行新陈代谢法训练，直至预测变量的输出结果满足误差精度；(8)利用训练后的量子神经网络模型，对状态数据进行以天或以周为时间步长单位的故障趋势预测，对预测输出结果与实际测量值进行平均误差和绝对误差分析。本专利技术给出了一种汽轮机故障预测的方法，利用汽轮机运行中的最新数据，通过建立的自适应量子神经网络模型，预测出可能发生的故障。该方法具有训练时间短，迭代次数少，预测精度高和运行可靠等优点，对解决汽轮机故障预测问题具有重大意义。附图说明图1为本申请自适应量子神经网络汽轮机故障趋势预测方法所采用的自适应量子神经网络结构图；其中，x，a……h分别代表不同的状态变量，这些变量对预测结果有直接或者间接影响。量子神经元的输入数据为量子，如：|xi＞＝αi|0＞+βi|1＞＝(αi+βi)T输入神经元的个数N＝＝n*k，n为预测样本数据时间序列的长度，k为状态变量的种类数。隐含层神经元的个数是Q＝q。输出层神经元的个数是M＝m，输出的个数就是预测的步数。具体实施方式下面结合附图对本申请的技术方案进行详细描述。如图1所示，本实施方式所述的自适应量子神经网络对汽轮机故障进行趋势预测的方法，按照以下步骤实现：步骤1：利用汽轮机实时数据监测系统(TDM)，采集和记录汽轮机运行过程中的各种状态变量数据，分析状态变量，提取对预测变量有直接或者间接影响的状态变量，并对其进行信息融合作为样本输入。由于振动烈度有明确的国际标准，其值可以灵敏的反映出汽轮机的振动情况，选作预测变量y。振动烈度预测除与历史振动烈度数据直接有关，还与汽轮机整体运行状态密切相关。因此对于高压缸附近轴承处的振动烈度，汽轮机转子转速及其各转速下对应的汽轮机带载负荷、高压缸热膨胀幅值的平均值、和高压胀差和该轴承的两个垂直方向轴振的振动峰峰值、振动有效值，均可能会对振动烈度的预测产生-影响，对应于图1中的x，a...h等k个变量，即为多状态变量。利用汽轮机实时数据监测系统(TDM)，采集和记录对预测变量有直接或者间接影响的状态变量时间序列值，并对其进行信息融合作为样本输入；对所有输入变量进行归一化处理： x ′ = x - x min x max - x min ]]>x为原始值，x′为归一化后的值，xmax和xmin分别为原始时间序列中该状态变量的最大值和最小值。预测结果也是一个[0，1]之间的数值，需要进行还原。y＝y′×(ymax-ymin)+yminy′为预测的计算输出结果，ymax和ymin分别为原始时间序列中的最大值和最小值，y为实际预测故障结果。步骤2：在输入层中对不同历史数据进行趋势贡献力分析，加强最新数据对趋势的影响力，在输入层引入指数加权系数，在每一个样本数据被输入到神经网络之前都乘以指数加权系数式中为在采样时刻i时的某样本输入的指数加权系数，i为时间序列号，e为本文档来自技高网...

【技术保护点】
一种自适应量子神经网络汽轮机故障趋势预测方法，其特征在于，所述故障趋势预测方法包括以下步骤： (1)利用汽轮机实时数据监测系统TDM，采集和记录汽轮机运行过程中的各种状态变量数据，分析状态变量，提取对预测变量有直接或者间接影响的状态变量，并对其进行信息融合作为样本输入； (2)在输入层中对作为输入样本的各状态变量的不同历史数据进行趋势贡献力分析，加强最新数据对趋势的影响力，在输入层引入指数加权系数，在每一个样本数据被输入到神经网络之前都乘以指数加权系数(3)增加输入层至输出层的直接连接权； (4)引入自适应学习效率的方法，提高收敛速度； (5)在隐含层采用经典的Sigmoid激励函数，输出层根据输入的状态变量的信号特征自适应调整激励函数； (6)建立基于多种状态变量因素的改进的量子神经网络模型； (7)按照BP神经网络的有导师机制对所述量子神经网络模型进行新陈代谢法训练，直至预测变量的输出结果满足误差精度； (8)利用训练后的量子神经网络模型，对状态数据进行以天或以周为时间步长单位的故障趋势预测，对预测输出结果与实际测量值进行平均误差和绝对误差分析。

【技术特征摘要】
1.一种自适应量子神经网络汽轮机故障趋势预测方法，其特征在于，所述故障趋势预测方法包括以下步骤： 
(1)利用汽轮机实时数据监测系统TDM，采集和记录汽轮机运行过程中的各种状态变量数据，分析状态变量，提取对预测变量有直接或者间接影响的状态变量，并对其进行信息融合作为样本输入； 
(2)在输入层中对作为输入样本的各状态变量的不同历史数据进行趋势贡献力分析，加强最新数据对趋势的影响力，在输入层引入指数加权系数，在每一个样本数据被输入到神经网络之前都乘以指数加权系数(3)增加输入层至输出层的直接连接权； 
(4)引入自适应学习效率的方法，提高收敛速度； 
(5)在隐含层采用经典的Sigmoid激励函数，输出层根据输入的状态变量的信号特征自适应调整激励函数； 
(6)建立基于多种状态变量因素的改进的量子神经网络模型； 
(7)按照BP神经网络的有导师机制对所述量子神经网络模型进行新陈代谢法训练，直至预测变量的输出结果满足误差精度； 
(8)利用训练后的量子神经网络模型，对状态数据进行以天或以周为时间步长单位的故障趋势预测，对预测输出结果与实际测量值进行平均误差和绝对误差分析。 
2.根据权利要求1所述的汽轮机故障趋势预测方法，其特征在于： 
在步骤(1)中，所述预测变量为汽轮机高压缸附近轴承处的振动烈度；所述直接或者间接影响的状态变量包括：汽轮机高压缸附近轴承处振动烈度历史数据、汽轮机转子转速及其各转速下对应的汽轮机带载负荷、高压缸热膨胀幅值的平均值、高压胀差和该轴承的两个垂直方向轴振的振动峰峰值、振动有效值，采集和记录上述状态变量时间序列值，并对其进行信息融合作为样本输入。 
3.根据权利要求2所述的汽轮机故障趋势预测方法，其特征在于： 
所述信息融合是指将对预测结果有直接或间接影响的各个状态变量作为输入样本，并对作为输入样本的状态变量按照下式进行归一化处理： 
x为某类状态变量的原始值，x′为归一化后的值，xmax和xmin分别为原始时间序列中该状态变量的最大值和最小值。 
4.根据权利要求1所述的汽轮机故障趋势预测方法，其特征在于： 
在步骤(2)中，每一个样本输入被输入到神经网络之前都乘以指数加权系数式中，为在采样时刻i时的某样本输入的指数加权系数，i为时间序列号，e为自然对数，k为实数，k∈(0,e)，5.根据权利要求1所述...

【专利技术属性】
技术研发人员：张天侠，
申请(专利权)人：北京四方继保自动化股份有限公司，
类型：发明
国别省市：北京;11