Przedstawiono zastosowanie sztucznych sieci neuronowych do wczesnej detekcji stanu narastania nieszczelności parowych w obrębie komory spalania kotła energetycznego. Zestaw proponowanych w literaturze sygnałów wrażliwych na przeciek rozszerzono o dalsze zmienne pomiarowe osiągając znacznie lepszą jakość klasyfikacji niż przy minimalnym zestawie 3-4 zmiennych. Jako sieci klasyfikujące zbadano struktury radialne Radial Basis Function (RBF) oraz struktury wielowarstwowego perceptronu Multilayer Perceptron (MLP) o jednej lub dwu warstwach ukrytych, uczone metodami z nauczycielem. Redukcję rozważanego początkowo zbioru zmiennych wejściowych prowadzono poprzez analizę wrażliwości uzyskanych sieci, testując ich zdolności generalizacji na nieznanych sytuacjach awarii tego samego typu. Uzyskano klasyfikację przekraczającą 90% poprawnego przyporządkowania stanów procesu na nieznanych na etapie uczenia przypadkach niesprawności. W niezależnych testach na 11 awariach potwierdzono większą przydatność w omawianym zadaniu struktur MLP niż RBF, mimo wyższej wrażliwości sieci RBF na sygnały wejściowe.
EN
An application of artificial neural networks for early detection of rising steam leaks and leaks within the combustion chamber of power unit, is presented. A set of signals sensitive to leakage proposed in the literature has been supplemented with further measuring variables enabling reaching significantly better classification quality than with the minimum set of 3-4 variables. As classification networks the Radial Basis Function (RBF) and Multilayer Perceptron (MLP) having one or two hidden layers trained with the teacher, were examined. Reduction of input variables belonging to the considered set was realised with sensitivity analysis of resulting networks, testing their generalisation ability on unknown failure situations of the same type. Classification exceeding 90% of proper process states attribution for unknown during the learning phase faults cases was obtained. The 11 independent test cases confirmed that for discussed tasks MLP structures were more useful than RBF ones, despite higher sensitivity of RBF networks to input signals.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.