一种改进型BP网络在汽轮发电机组故障诊断中的应用华北电力大学何成兵顾煜炯杨昆法和反馈算法，并阐述输入层与输出层神经元部分连接的依据及其连接优先权值的确定问题。结合汽轮发电机组故障诊断实例，从单故障识别和多故障识别两个角度证明了该模型具有较强的故障识别能力，其诊断结果也更符合故障实际情况。
入征兆对输出结果的影响，见图。部分连接在输出节点与相应故障的特征输入节点间建立，如代表不平衡故障的输出节点与代表振动一倍频的输入节点相连。
对于汽轮发电机组故障诊断，征兆与故障间不是简单的一一对应关系，而是呈现出交错复杂的情况。一种故障可能对应多种征兆，一种征兆也可能对应多种故障。在一个多征兆故障里，有的征兆起主要作用，是主要征兆；有的征兆起次要作用，是辅助征兆。这些征兆对故障诊断结果的贡献大小也不相同。因此，在直接连接的输入与输出神经元间，增加不同的优先权值，主要征兆的优先权值高，辅助征兆的优先权值低。
大型汽轮发电机组是一个复杂系统，它融机、电技术为一体，对可靠性要求很高，系统一旦出现故障，将导致巨大的经济损失乃至严重的社会后果。因此，对此类大型机电系统必须进行在线的或离线的故障诊断，并且诊断必须快速、准确和高效。
在长期的实践中，人们提出不少有效的故障诊断方法，如模糊诊断、模式识别、统计贝叶斯方法、灰色理论等，但近年来，神经网络理论在机械故障诊断领域得到了广泛的应用。我们知道，故障诊断就是对机器或系统的故障模式进行分类或识别，而神经网络具有复杂的非线性映射、联想记忆和自学习能力，是一种性能优良的模式识别器，因而非常适用于机械故障诊断。神经网络有多种模型，如前馈神经网络、自组织特征映射、双向联想记忆等。其中，用误差反向传播算法训练的前馈BP神经网络，有能力形成任意复杂的决策面，是神经网络中应用最多的一种模型。本文就是在BP神经网络基础上，提出一种加优先权值的改进BP网络模型，并对它进行了具体阐述。
1改进BP网络模型1.1改进BP网络模型结构1.2改进BP网络模型的前馈、学习算法该网络中主要调整的设计参数是输入层与隐含层间的连接权值《（“、隐含层与输出层间的连接权值故（2）、隐含层与输出层各节点阈值吸）、0丨2）和输入层与输出层间的部分连接权值％。
标准BP网络对不同程度的单故障情况具有联想能力，但分辨率低，对多故障诊断能力差，往往只能诊断出其中一种故障。针对这种情况，可以在BP网络基础上增加输入与输出神经元的部分连接，以增加输何成兵（1974-），男，博士生。动力系，102206单故障诊断实例用相同的故障样本对中BP网络和本文中加优先权值的改进BP网络进行测试，测试样本和结果见表2.由该表可以看出：（1）两种BP网络对单故障都具有较强的联想能力和较高的分辨率；（2）两种BP网络对单故障诊断性能近似。
单故障诊断实例该模型网络层间仍采用前馈计算公式：本输入层与输出层间的连接优先权值。
1.3改进BP网络模型优先权值的确定由式（2）可知，连接优先权值*ji的确定是很重要的，它实际上包括了两个问题：第一，确定哪些输入与输出神经元间需要连接，哪些不需要连接（毫无疑问，不需要连接的，ji=0）；第二，对于建立连接的输入与输出神经元，其优先权值如何确定。对于本文中的改进BP网络模型，输出节点与相应故障的特征输入节点建立连接，其优先权值既可根据专家经验确定，也可从故障样本中利用统计分析得到，在故障样本不是足够大的情况下，优先权值应从振动故障机理出发，结合专家经验来确定。对于故障主要征兆，其优先权值为1，其它征兆根据它对故障诊断结果贡献大小，赋值01间的小数，贡献越大赋值越大，贡献越小赋值越小。以不对中故障为例，由的故障机理分析可知，振动频率的1倍频、2倍频是其主要征兆，同时伴有3倍频及以上倍频的辅助征兆，那么再第4行。
2汽轮发电机组故障诊断实例2.1模型结构和样本选取本文以中计算实例为例，转子实验台共模拟了3种故障形式，取5个振动征兆输入和3个故障原因输出。网络结构相应为：输入层，5个神经元；隐含层，4个神经元；输出层，3个神经元。具体结构见图，图中，X1X5分别对应振动信号频谱分析中的0.40.5倍频、1倍频、2倍频、3倍频以及大于3倍频；F1F3为3种故障形式，分别对应大油膜振荡、大不平衡和大不对中。
根据中机组振动故障机理分析，并结合，确定了输入层与输出层间神经元连接的优先权值，见表1.表1输入层与输出层连接的优先权值序模拟特征征兆加优先权值的改进网络输出结论大中大中大中AA大中大中大中AAB注：表中A、B、C分别代表油膜振荡、不平衡和不对中故障。根据模糊数学原理，定义输出值>0.75、0.750.5、0.5和<0.5分别代表故障程度严重、中等、未知和不存在。以下各表均相同。
表3单故障情况下两种改进网络性能比较序模拟特征征兆中BP网络输出加优先权值的改进网络输出大大中中大