費樹岷，李延紅，柴　琳
東南大學自動化學院，江蘇南京

摘　　　要：針對發電廠制粉系統故障與征兆對應關系復雜及過程信息的不確定性及傳統ＢＰ神經網絡故障診斷的缺點，提出了基于粗糙集概率神經網絡（ＲＳＰＮＮ）的制粉系統故障診斷方法，以改善傳統ＢＰ神經網絡初始值敏感、易使學習過程陷入局部極小值以及樣本數據過大時訓練速度慢等問題。首先采用自組織映射神經網絡（ＳＯＭＮＮ）對連續樣本數據進行離散化；再利用基于區分矩陣的ＨＯＲＡＦＡ算法對離散化樣本數據進行ＲＳ屬性約簡，并將約簡結果作為概率神經網絡（ＰＮＮ）的輸入；較后利用ＰＮＮ作為診斷決策分類器，輸出故障模式，并進行了仿真研究。仿真結果表明，該方法不僅優化神經網絡的拓撲結構，降低神經網絡的訓練時間，而且能準確、快速地診斷制粉系統故障類型，同時對發電廠制粉系統及其相關設備的在線故障
診斷問題有一定啟發性。

關　鍵　詞：制粉系統；故障診斷；粗糙集；概率神經網絡

１　引　言
制粉系統［１］是發電廠鍋爐機組的重要輔助系統，其附屬設備磨煤機和排粉機在鍋爐部分耗電量較大。及時有效地對制粉系統進行故障診斷，對發電廠穩定經濟運行十分必要。制粉系統故障診斷關鍵是對當前運行狀況做出判斷，將故障消除在萌芽狀態，實現預維修。由于制粉系統故障診斷的重要性，許多學者進行了研究。文獻［２］提出基于徑向基函數（ＲＢＦ）神經網絡的制粉系統故障診斷，文獻［３］和文獻［４］提出基于概率神經網絡的設備故障診斷。這２種方法解決了訓練速度慢、易陷入局部極小值的問題，但當大量訓練樣本時，訓練速度變慢。文獻［７］提出了基于ＲＳ和ＢＰ神經網絡的密閉鼓風機爐故障診斷，解決了樣本過大時維數災難問題，但是傳統ＢＰ神經網絡問題沒有得到解決。針對如何改善傳統神經網絡初始值敏感、易使學習過程陷入局部極小值以及樣本數據過大時訓練速度慢等問題，本文提出了一種基于粗糙集與概率神經網絡融合的制粉系統故障診斷模型。

登錄網站后可下載文件