摘 要:本文将组合预测方法引入到风机测点振动烈度的状态预测中,通过比较组合预测模型与其它几种单个预测模型的预测结果,表明采用组合预测法进行振动预测具有更高的精度,为风机的振动预测以及故障诊断提供了一个新的思路。 关键词:组合预测;风机;振动预测
振动预测是风机状态监测的一项重要内容,也是对风机进行状态评估及故障诊断的重要依据。目前用于故障预测的模型有多项式回归模型、时间序列模型、灰色理论模型、神经网络模型等。风机属于高速旋转机械,其工作环境杂乱,振动状况受到许多外部因素的影响。上述各种预测模型根据其使用对象及场合不同,应用效果也不尽相同。曲线拟合法简单、直观但预测结果受近期影响大,不便于多因素预测,非线性拟合能力较差;时序分析法所需样本个数较多,模型选取不当时难以取得较好的预测结果;灰色预测法预测结果不唯一,预测精度受模型选择的影响;神经网络预测的算法复杂,预测模型难以用公式表达。所以采用单一预测模型对风机进行振动预测很难取得令人满意的效果目前,组合预测的研究是预测方法中最为活跃的领域之一,本文将组合预测的方法引入风机测点振动烈度的状态预测中,它可以充分利用原始数据和各预测模型的信息,弥补单模型方法的不足,综合各预测模型的优点并提高数据预测的精度。 一、组合预测模型 1.组合预测原理 假设观测样本为:x (1),x (2),……,x(n),用其中的m个观测值预测n+l时刻的值x(n+l),对这一问题有P种预测方法,为了提高预测精度,采用组合预测方法,即
为第i种方法的预测值。以一个三层(单隐层)前馈神经网络为例,将神经网络技术引入组合预测范畴,并应用到风机状态趋势预测中。 设有一个前馈神经网络,其结构为p-m-1,即输入层节点数为p,隐含层节点数为m,输出层节点数为1。对于组合预测而言,就是要将P种预测方法的预测结果组合成为一个最优的预测结果,故所涉及的神经网络应具有P个输入,1个输出。设神经网络第i个节点的输入序号分别是第i种预测方法的预测结果,则神经网络就实现了非线性映射 Y′=f(X1,X2,∧,Xi,∧,x n) 式中:Y′—神经网络的输出向量; f —神经网络各个连接权值和阈值决定的任意非线性函数。 若以待预测序列的真实值序列Y作为理想输出来训练神经网络,则其训练过程就是寻找最优的权值(它决定了非线性函数f)使得
即使组合预测的误差平方和最小,这实际就建立了组合预测。 2.组合预测的神经网络算法 构造基于神经网络的非线性组合模型,如图1所示。
具体算法如下。 (1)输入n个样本,P种预测方法的预测值作为输入向量Xki,(k=1,2,3,.....n;i=1,2,3..... ,P)。 各个历史数据真实值为神经网络的输出Tk,对每个输入样本进行下面(3)到(5)式的迭代。 (2)采用连续可微的Sigmoid函数作为神经
(3)计算训练误差,则 输出层δkj=(tji-Okj)•Oki (1- Okj) (2)
(4)修正权值和阈值,则 ωji(t+1)=ωji (t)+ηδkjOki+α[ωji (t)-ωji (t-1)] (4) θj(t+1)= θj (t) +ηδj+α[θj (t)-θj (t-1)] (5) (5)每当经历1至P后,判断整个样本集的均方差是否满足精度要求
式中ε为预先给定精度 为第k个样本误差 (6)学习结束。 对某一训练样本使用上述算法,通过误差反传调整各层网络单元的权系数,输入所有训练样本,重复上述步骤,使输出误差限制在规定范围内。 二、组合预测的应用 以某火电厂SAF26.6-15-1引风机后轴承方向连续54天内的18个时间序列样本为例。样数据如表1所示。分别采用多项式拟合法、时间序列法、灰色预测法以及神经网络预测法作为组合预测的方法。以前12个数据点作为样本,预测后6个点的振动烈度值,当分别单独采用上述四种方法时,使matlab编程,其预测结果如图2和表2所示。 表1 风机振动烈度数据表
表2 曲线拟合、时间序列、灰色预测、神经网络 预测结果比较
由预测结果知,单独采用四种方法预测时,平均相对误差最小的是神经网络预测法,仅为0.33%,误差最大的是时间序列法,为0.7%。 采用组合预测法的预测结果如图3和表3所示,平均相对误差为0.225%值小于单独采用四种方法的最小者。可见采用组合预测法对风机振动的预测结果,准确度高于任一单个模型测的准确度。
表3 组合预测法预测结果
三、结语 通过以上分析和计算,可知组合预测法比几种单个预测模型具有更高的预测精度,可以推广应用到其它机械设备故障诊断当中,通过提高数据预测精度继而提高故障诊断准确性,是一种行之有效的预测方法。 参考文献: [1]秦衡峰,卜英勇等.BP神经网络用于测[J].中国设备工程,2004,9. [2]Peng T M,Hubele N F,Karady G G. Advancement in the application of neural networks for short-Term load fo [J]. IEEE Trans on Power Systems,1992. [2]赵海青.神经网络优选组合在电力负荷预测中的应用[J].运筹与管理,2005.2. [3]鲍一丹,吴燕萍等.BP神经网络最优组合预测方法及其应用[J].农机化研究,2004,5. [4]蒋林,谢晓燕.基于人工神经网络的非线性组合预测方法研究[J].西安邮电学院学报,1993,3.
|