转动设备状态预报方法的选择
仪器信息网 · 2009-08-02 21:40 · 37844 次点击
屈世栋
摘要介绍了基于振动监测的转动设备状态预报方法,分析了经典神经网络多步预报的不足和实现精确多步预报的关健。并通过天津石化烟机振动的多步预报结果,比较了经典多步预报网络和MSRN模型的预报能力,用实例说明了MSRN模型具有良好的多步预报能力。
一、概述
大型回转机组是石化企业的核心设备,一旦造成停车,经济损失将数以万元计,因此,及时、准确地反映未来的机组状态变化趋势具有显著的经济效益。对于大型回转机组来说,振动监测是最主要的一个手段,通过对机组关键部件处的振动监测,预报机组的实际停车检修时间有十分重要的意义。
预报技术在时间上一般可分为短期预报和中长期预报,而从技术方法上又可分为单步预报和多步预报。一般单步预报方法比较适合于实现短期预报,多步预报更适应中长期预报的需要。目前的传统预报方法,包括常规神经网络预报方法,往往都是单步预报,多步预报的实现则是借助于单步预报方法递推运算获得的。由于预报误差的迭代累积,多步预报的精度很低,难以保证中长期预报的质量。而在机械状态监测中,高质量的中长期预报方法具有更大的意义和应用价值。
近年来神经网络技术的各种新方法层出不穷,从普通的层式网络,到全连接网络以及时延网络,各自具有其特点。但就工程应用的角度出发,最常见的神经网络为BP网络。BP网络是一种层式网络,在该网络中运用了误差的反向传播算法,由于以梯度为寻优搜索准则,很容易获得网络的权系数集,但在复杂问题时,BP网络反映出明显的两点不足:收敛速度慢和无法摆脱局部极小点。这些弱点严重限制了BP网络在回转机械监测诊断中的应用。共扼梯度神经网络与BP网络相比在思想方法上有很大的差别并表现出极大的优越性。首先,共扼梯度神经网络的学习速度可以满足实时学习的要求,实现网络样本的及时补充与删除;其次,共扼梯度神经网络随着训练样本的增加总会收敛到贝叶斯优化解,没有局部最小问题。为此,使用共扼梯度神经网络作机组的多步预测。
二、经典神经网络多步预报
以往利用时间序列建模的方法进行预测是根据带噪声的观测数据对未来值进行估计。传统的AR模型或ARMA模型必须对所处理的时间序列做平稳性假设;同时,由于它们属于参数预测法,必须先对模型结构做出假设,然后通过对模型参数的估计得到预测值。因此,模型结构的合理与否,直接影响到最终预测的精度。利用前向神经网络进行时间序列的预测是一种非参数预测方法,它无需对模型做假设,此法比参数预测方法有更广的应用范围。而且在用神经网络对回转机组的时间序列进行预测时,无须对机组振动时间序列做平稳性假设,而仅仅依靠样本数据的驱动来寻求数据间的映射关系。
如前面所述,神经网络广泛的应用在时间序列预报都是基于BP算法的前馈神经网络,该模型通常都是建立多层前馈神经网络,用时间序列来估计函数。通常使用的非线性自回归模型,也叫NAR模型。
常规神经网络预报方法,即单步神经网络预报方法,就是建立神经网络非线性预报模型。
在多步预报时,依据所建立的预测模型,以预测值代入预报模型,可逐步推算出多步的未来值,这样的多步预报过程在获得单步预报结果时,就已经存在着预报误差,并随预测值增加,累积误差迅速增加,无法保证多步预报的精度。
从多步预报的要求来看,就是根据现有时间序列直接预测未来h步序列值,仿照单步预报神经网络的方式,可直接构造多步预报网络,其结构见图1。在训练过程中,用已知k个序列值为输入,随后一个序列值为输出,并按顺序推移形成训练样本。在预测过程中,可根据已知时间序列点来映射未来时间序列点。
IkuoMatsuba基于以上的思想,构造了直接实现多步预报的前馈多层神经网络预报模型。在图1的多步预报模型基础上,考虑到k个预报输出值之间的关联性较弱,为了改善这个状况,建立起直接的时间关联关系,在输入层由k个输入增加为k+h1个输入,其中,从k+1个输入到k+h1个输入在预报时是未知的,因此,可采用一个动态网络结构,实现如图2所示的多步预报模型。
在该网络训练时,输入层前k个输入是确定的,而后h1个输入是随训练过程变化的。在理想的情况下,网络输出误差为零,同时网络后h1个输入同样为零。
在网络预报时,只需输入前k个序列值,后h个输入为零,即可得到网络的预报结构,该预报模型可以取得较好的效果。
但从多层神经网络自身来讲,收敛速度慢和容易陷入局部最小是十分致命的弱点。目前,各种改进BP算法均不能收敛于全局最优,况且,该预报模型为动态网络结构,虽然动态模型精度有所提高,但并不能保证提高模型的预报能力。
三、共轭梯度神经网络的多步预报
在前面训练前馈神经网络模型的参数是为了解决时间序列单步预报的问题,所以,给出的用前馈神经网络模型作多步预报的结果并不理想。具体原因在于该模型的输入向量在训练网络参数时并没有使用,然而在应用该网络进行预报时要求该网络能够与这些输人向量相匹配,从而导致很大的预报误差。为了保证对时间序列未来状态预报的精确,在训练该模型的参数时应当使用输入向量,从而满足多步预报的需要。多步递归网络(MSRN)模型正是将预报的输出量反馈为输入量,利用一种比较特殊的学习方法来实现长周期预报的需要。
本文提出一个局部递归神经网络用来建立MSRN模型。该网络的建立也是起源于一个多层前馈神经网络,通过从输出神经元到输入神经元增加反馈节点,如图3所示。
递归神经网络的神经元与通常一样被分成输入层、隐含层和输出层。输入层由两部分神经元组成,第一部分作为外部的输入,来源于原始数据或者所测得的时间序列数据,第二部分由记忆了前面网络的输出的反馈神经元组成。在这里引入向量C(k)来表示反馈神经元的活动,每一种神经元由下式计算所得:
Ci(k)=Zi(x(k+h+1))=x(k+h+1i),i=1,∧,h
式中Zi—算子,用来得出网络输出的第i个延迟量
x—网络输出
余下的该网络里的神经元(隐含层和输出层的神经元)遵循与多层前馈神经网络相同的公式及算子,仍然使用Sigmoid函数计算前面层的输出。
由于反馈神经元的存在,局部神经网络的训练采用动态BP学习算法,该网络的训练也可以使用传统的BP学习算法,在训练过程中传统的BP学习算法可以使之很好的收敛。
当MSRN模型的结构用作多步预报时,等同于经典神经网络用作多步预报时的结构,但是在网络参数的修正方式上有很大的不同。参数的修正是通过训练一个多层前馈神经网络而得到的,并且它的值在预报过程中保持固定,用预报网络的输出结果作为递归网络学习的一种模式输入,MSRN模型就可以捕捉不同模式之间的相互关系,从而用作长周期的预报。
四、实验仿真及在关键机组振动中的实际应用
为对比分析MSRN模型的性能及其实际的应用效果,分别对模拟数据和天津石化炼油厂烟机振动进行预报。
1.模拟信号的预报对比
产生一个模拟信号:
x(k+1)=λx(k)(1x(k))
λ=3.97,x(0)=0.5
该映射描述了一个混乱无序的时间序列,前面预报的误差对后面的预报有很强的影响,因此,这种无序时间序列可以很好地用来测试多步预报的性能。取序列长度为100,分别采用多层前馈神经网络、MSRN模型对该序列进行了单步预报与多步预报。单步预报结果如图4、图5所示。
选择时间序列51~58区段作为多步预报区段,两种多步预报(h=7)方法的预报结果分别显示在图6、图7中。由图可见:单步递推的多步预报网络在前2步的预报中误差最小,随着步数的递增,预报误差呈不稳定的增长,到第6步曲线的发展趋势还可以比较清楚的表示,但到第7、第8步已经完全丧失预报能力;而利用MSRN模型作多步预报虽然预报误差随着预报步数增加,但各步预报结果具有很好的时间序列的趋势特征,通过比较,在整个预报区间的预报总误差比多层前馈神经网络要小得多。因为单步递推网络着重于时间序列的局部信息,而多步预报网络着重于时间序列多步的整体信息。所以,MSRN模型在多步预报上可以较好地反映时间序列多步趋势变化特征,加之其良好的实际应用能力,可成为一种实用的多步预报工具。
2.机组振动的状态预报
采集了天津石化公司炼油厂烟汽轮机的振动原始数据,按月统计了该机组某个测点的振动峰峰值,并以此为依据进行多步预报。图8、图9分别显示了利用多层前馈网络和MSRN模型的完整训练曲线,选择时间序列31一35区段作为多步预报区段,则两种预报方法的预报结果也显示在图中。从图可知,MSRN模型可以很好地预报机组振动的发展趋势,为生产提供有参考价值的信息。
3.状态预报在生产实际中的应用
2002年对炼油厂的能量回收机组进行了周期性的状态监测。根据监测结果,从20()2年1月至6月机组运行平稳,但从7月大修后机组运行状态变差,烟气透平的壳体及转子轴振动均超标。按规定需要停车检修。而如果停车检修经济损失很大。为此,运用风险评估管理系统对能量回收机组的运行状态进行了预报及风险评估,以决定是否停机检修。预报及风险评估的结果显示能量回收机组尤其是烟气透平的运行状态很差,但从未来3个月内的发展趋势来看,振动变化并不明显,可以维持运行2~3个月。结合对影响机组运行的其他因素的分析,最后厂方决定不停机,继续运行。在7~9月能量回收机组又连续运行了3个月,避免了一次计划外停车,为炼油厂增加直接经济效益约60万元。经比较实际的振动变化情况与预报及风险评估的结果非常吻合,预报结果与实际状态见图10和图11。
五、结论
通过天津石化烟机振动的多步预报结果,说明MSRN模型具有良好的多步预报能力。解决了动设备运行风险管理中的关键技术难题,找出了状态预报及风险评估软件的关键算法,在技术上保证了预报及风险评估的准确性。但石化企业动设备运行状态预报是一项非常复杂的工作,它需要在生产实际的应用中进行不断的改进和提高,尤其是在此基础上如何进一步提高状态预报和评估的准确性是一个长期的研究课题。
参考文献
1InesM,GalvanandPedroI.MultisteplearningRuleforRecurrentNeuralModels.AnApplicationtoTimeSeriesForecasting.NeuralProcessingLettes13:115133,2001
2徐光华,屈梁生.基于概率神经网络的机组状态多步预报方法.西安交通大学学报,1999,33(5):89~93