康明斯动力（深圳）有限公司

 

功能说明与康明斯知识

柴油发电机故障智能化诊断的仿真建模

 

摘要：柴发电站是整个后备电源系统的动力心脏，随着现代电力系统的日趋高性能化和结构复杂化，构成柴油发电机组也日益朝着大型化、高速化、精密化方向发展，工作性能不断改善，自动化程度越来越高。一方面它将大大提高劳动生产率，提高电能质量，降低柴油发电机维护成本和能耗；但另一方面，带来的问题是，一旦其中某一部分或某一环节发生故障，往往会使整个应急用电系统处于瘫痪状态。因此，如何迅速判断故障发生的原因，进而有效地排除故障，保证柴油发电机组运行具有特别重要的意义。 在此背景下，本文中主要介绍基于神经网络的柴油发电机组的故障诊断，首先，确定了神经网络故障诊断方法对柴油机和发电机进行故障诊断的研究。

 

一、故障智能诊断技术概述

 

1、故障智能诊断的功能

      发电机故障只能诊断系统能够对发电机各个部位产生的故障及时的发现，减少了由人工——排查故障部位的时间，在减少故障时间的同时，也能够阻止故障的进一步恶化。智能诊断系统在发现故障部位时，能够对故障部位产生的可能原因进行分析，进而对维护人员的检修程序给予最佳方案，帮助技术人员以效率最高的故障排除方法对发电机电气系统的各种常见故障及疑难故障进行修理，极大的提高了发电机故障排除的效率，从根本上维护了我国电力系统的安全性和稳定性。发电机智能诊断系统是集合了故障诊断专家的实战经验和丰富的诊断知识，对发电机的故障诊断具有极高的诊断效率，在实际操作中发挥着重要的作用，能够快速的找到故障部位并且提供有效的检修方法，还可以对发电机的故障进行模拟训练，对技术人员的故障检修流程进行指导，帮助技术人员对维修技术和工艺进行掌握，以便于在真正发生故障时，工作人员能够高效的进行故障排除，减少发电机故障造成的经济损失。

      发电机的运作设计图和运作方式都各有不同，不同的发电机组在发生故障时的故障排查方式和解决方案都会有所更改，这对于技术人员的发电机故障修理具有极高的技术性要求，为了减轻检修人员的工作强度，智能诊断系统可以收集各种类型的发电机组运作原理、易发故障部位、使用维护说明书等资料，有利于工作人员在故障排除时，及时的查阅到相关基础资料，提高技术人员对发电机组的了解程度，提高故障排除效率。

2、智能诊断系统的组成

      发电机电气故障智能诊断系统是与计算机技术相结合，将高新技术运用到故障诊断中，有效的提高了故障诊断效率。系统是以计算机C语言为核心，与相关的测控专业工具相结合，实现对发电机组工作性能进行检测，由相关的诊断模块测试发电机工作状态是否正常，一旦发现问题，通过C语言编程的诊断程序，快速判断故障部位，并且找到可能导致故障的原因，指导技术工人正确的对发电机组进行维修工作。

      智能诊断系统中，全面覆盖了发电机容易发生的各种故障和导致故障的原因，对发电机组的正常开关机等操作都有详细的记录，在工作人员进行相关的操作时，方便其进行快速的查询，保证维修时操作的规范性，能够有效的避免由于人工失误引起的二次事故。智能检y系统不仅限于对发电机组是否故障进行检测，还可以按照技术要求测定发电机组的相关数据的测量，方便技术人员及时掌握发电机的工作状态。

3、智能诊断系统的特点

      智能诊断系统具有很高的智能性，是将计算机技术、人工智能技术、电子技术等高新技术有机结合形成的智能系统，将大部分的发电机组型号、运行特点、操作规范等都涵盖在内，能够对发电机组各电器总成的电流、电压等参数实时检测，预防发电机发生故障，并且能够提供一套正确高效的解决方法。

      智能系统知识库收集了电气故障诊断专家的诊断经验和专业知识，将其运用到实际的故障诊断和排除上，实现理论知识与实践相结合，通过与技术工人之间的配合，来时刻保证发电组正常的工作。智能诊断系统的功能强大，对发电机的正常运转发挥着不可替代的作用，操作简便易上手，对于操作方法还不够娴熟的技术工人，操作界面有详细的提示信息，通过文字、图片、声音等传播载体，将发电机组的相关信息详尽的进行显示，方便技术工人的查询、操作、学习。

 

二、什么是概率神经网络（PNN）

 

       概率神经网络是由Specht博士在1989年首先提出，  是一种与统计信号处理的许多概念有着紧密联系的并行算法。它实质上是一个分类器，根据概率密度函数的无参估计进行贝叶斯决策而得到分来结果。整个网络属于径向型网络，不需要进行反向误差传递，具备学习速度快、具有很强的容错性、可以完成任意非线性变换的优点，同时由于各层神经元的数目比较固定，因此易于硬件实现。在实际应用中，尤其在解决分类问题中，PNN不仅能用线性学习算法来完成非线性学习算法的工作，用时也能保证非线性算法的高精度等特征，所以被广泛应用于故障检测和目标分类识别领域。

      概率神经网络通常由4层组成，其结构图如图1所示：

图1 柴油发电机故障诊断神经网络结构图

 

 

○ 第1层为输入层，这一层负责将特征向量输入到神经网络中去，输入层神经元的个数就是样本特征值的个数，这一层的作用只是将输入信号用分步的方式来表示。

○ 第2层为模式层，它与输入层之间通过连接权值相连接。模式层神经元的传递函数为

上式中，为平滑因子，决定了样本分类的准确度，这也是PNN网络关心的核心量。

○ 第3层为累加求和层，它具有线性求和功能。这一层的神经元数目与欲分的模式数目相同。

○ 第4层为累输出层，具有判决功能，输出为离散值1和0，分别代表着输入模式的类别。

      为了让智能诊断系统在发现发电机组发生故障，能够尽快的找到故障原因，并且对故障部位进行提示，提出有效的故障检修方法，要正确的处理故障部位与故障原因之间的关系。因为发电机的某一故障可能是由于多方面的因素导致，也就是说，会有多种原因造成这一故障，而且随着发电机组的规模越来越大，结构更加复杂，故障部位与故障原因之间的关系纵横交错，这是实现智能诊断系统正确诊断应该解决的难点之一。因此，要利用故障部位与故障原因之间的关系，结合故障诊断专家的专业技能，使用模糊理论的手段，实现智能诊断系统对故障原因的判断。模糊理论是用来表达发电机组内故障部位与故障原因之间相互交叉的关系，建立模糊关系方程式，就可以帮助诊断系统做出正确的诊断。

 

三、建立基于PNN的故障诊断模型

 

     当发电机在发生故障时，具有多种故障运行形态。因此，能够及早的发现并处置故障，防止造成重大人员伤亡和经济损失显得十分重要。本实验采用发电机4个典型故障特征作为分类对象，在采集到的状态数据基础上，训练得出合适的故障诊断模型来对其进行分类。

 

图2 柴油发电机故障神经网络训练效果图

 

    首先在采集到的200组故障样本数据中，随机选取80%的数据做训练样本数据集，输入数据为描述故障状态的特征向量，输出类型为故障的分类结果。同时，为了分析该概率神经网络分类的准确度，将剩余的20%的数据作为测试样本进行仿真测试。

 

图3 柴油发电机故障神经网络预测效果图

 

    在本次实验中，描述故障状态的特征向量主要有发电机的有功功率P、无功功率Q、发电机的输出电压U、发电机的三相电流输出I、发电机的功率因数pf、发电机定子电压U1、定子电流I1。输出状态为电子调速器失灵（ f1）、发电机失磁（ f2）、励磁模块故障（f3）、喷油嘴故障（ f4）四种故障类型。

 

总结：

       本文中分别对柴油机和发电机及发电机励磁系统进行数学建模，并对所建立的数学模型用SIMULINK对柴油机的热力学工作过程和同步发电机的正常工作过程和故障工作过程进行仿真，获取柴油机和发电机在正常工作及故障状态下的特征值。然后对获取的特征值进行归一化处理，把经过处理的特征值作为神经网络的输入样本集，设计输出样本集，建立BP神经网络和ELMAN神经网络，用整理后的数据训练神经网络，使神经网络具有故障诊断功能，并对神经网络模型进行测试。实现了对柴油发电机的故障诊断，保证柴油发电机组的安全运行。

 

----------------
以上信息来源于互联网行业新闻，特此声明！
若有违反相关法律或者侵犯版权，请通知我们！
温馨提示：未经我方许可，请勿随意转载信息！
如果希望了解更多有关柴油发电机组技术数据与产品资料，请电话联系销售宣传部门或访问我们官网：https://www.11fdj.com