关键词：汽轮发电机组；轴系监测；神经网络；故障诊断；客户机/服务器1引言
20世纪80年代以来投运的200MW等级以上的机组，几乎都装备了轴系在线监测系统（TSI），并已产生巨大的经济效益。但到目前为止，绝大部分轴系监测系统仍然停留在单机版，作为一个孤立的、非智能化的信息显示系统存在于电厂主控室，极不适应于电厂安全生产管理自动化需要。
本文介绍的网络化汽轮发电机组轴系监测系统，应用先进的故障诊断策略，最新的计算机技术，特别是网络通信和数据库技术，对现有轴系监测系统的进行智能化、网络化改造，既可实现对机组振动状态监测、数据管理分析和诊断，又可将特征参数在电厂生产管理系统（MIS）及INTERNET上进行有选择的信息发布和数据查询、分析，对现场生产科学管理、决策具有重要实际意义。
2网络化轴系监测系统模型
2.1概述
网络化轴系监测系统由监测端、服务器端、和客户端3部分构成。整体结构如图１所示。
监测端由数据采集系统及主控室振动分析工作站组成。工作站采用多台机组集成监测诊断方式，由数据采集系统将现有TSI监测仪表（如Bently公司3300，3500系统等）中原始振动参数取出送入分析工作站进行监测、分析和诊断。同时工作站采用客户机/服务器方式将需要发布的数据发送数据库服务器。
服务器端由数据库服务器、中间件和Web服务器组成。由Web服务器接受客户端的请求提交数据库服务器，并将数据库服务器运行结果送回客户端。客户端由有使用权限的电站ＭＩＳ系统用户（生产管理层）及远方因特网用户（远方专家）组成。
系统数据网络发布采用Browser/Server网络结构。
2.2Browser/Server网络结构
系统客户端与服务器端之间采用三层Browser/Server网络体系结构实现用户在MIS系统、Internet中利用Windows标准浏览器（如IE）以网页形式查询、分析机组轴系运行状态数据。其结构如图2所示：Browser/Server结构中，Server端由Web服务器、Database服务器及其中间件组成，Client和Server之间物理上通过Internet或Intrate相连，软件上遵守HTTP（超文本传输协议），Browser通过URL（统一资源地址）和Server端建立连接，从而实现以整个Internet空间为背景的数据存储和访问。当Browser发出访问数据的请求时，Web服务器会通过中间件向数据库服务器提出数据访问的请求，一方面DBMS将Web服务器传来的数据写入数据库，另一方面DBMS将检索到的数据通过中间件形成动态HTML页面，传给Web服务器，再通过HTTP交由Browser形成网页显示在用户的浏览器窗口中。
在Intranet环境下开发Browser/Server模式的网络监测系统具有如下优点：
（１）Browser/Server属瘦客户模式。用户仅通过Windows标准浏览器就可以访问数据库中的信息；
（２）易使用和维护。系统维护和升级都在服务器端进行，减轻了系统维护与升级的成本与工作量；
（３）良好的兼容和可扩展性。Browser/Server模式由于采用标准的TCP/IP技术，HTTP协议，它可以与企业现有网络很好地结合,并可直接接入Internet，有良好的扩展性；
（４）安全性好。防火墙技术将保证电站网络的安全性，如果结合WindowsNT和InternetInformationServer的高度安全性，使用户在操作系统级就可达到NT的C2级系统安全。
2.3系统振动数据采集
振动数据采集子系统由工业控制计算机、信号滤波板及数据采集板组成，主要用于采集、分析振动信号，如涡流传感器输出的动态信号（轴振、瓦振信号等），但亦可采集、分析静态信号（如轴位移、差胀、偏心及压流类信号等）。数据采集子系统通过网络接口与上位机（电厂主控室振动分析工作站）相连，可将原始数据及分析后的数据传送给上位机，以简化监测系统的结构、提高系统可靠性。数据采集子系统的工作方式由上位机设置，并具有自检程序，当由于某种原因出现死机时，看门狗电路将使系统自启动。数据采集子系统使用电子盘以最大程度地减少装置的机械移动部件，进一步提高装置在工业环境下的使用寿命。
3系统故障诊断策略
3.1RBFNN故障诊断模型
系统故障诊断模块基于RBF径向基函数网络。
RBF网络由输入层，一个隐含层和输出层组成，结构如图3所示。
RBF网络隐含层的作用函数是以Gauss函数作为隐层神经元的激励函数。Gauss函数是非单调函数，具有局部响应特性，只在很窄的范围内有较大的分类输出，RBF网络的各层节点的响应函数为：
式中X∈Rn为网络的输入向量；Ci∈Rn为第i个隐节点中心；б为相应该隐节点作用宽度，表示隐节点作用函数的响应范围；n为输出向量的维数。和BP网络的Sigmoid函数相比，Gauss函数形成的决策边界是自我限定的。通过非线性变换将输入向量映射到新的空间，输出节点值：
RBF网络的训练过程包括3步：①采用递推K均值聚类法确定中心点C,б,W；②确定每个隐节点的宽度C,б,W；③采用LMS算法迭代训练调整网络的权值。通过调整C,б,W3个参数，使输出误差达到精度要求。
Gauss函数的作用只在某一中心附近作用，使网络具有局部激活特性。而且，在对各隐节点进行局部调整的时候，不会影响其它节点。和BP网络相比，RBF网络的优点在于：
各层神经元作用函数不同且隐含层的激励函数为Gauss函数是非单调函数，决策边界作用域明显减小，激励作用加强。这种响应特性对诊断新故障样本尤其有利，不会发生将新故障样本归类到已知故障类的错误，最差的情况是判断为正常样本。而应用BP诊断网络，如果待诊样本不包含在诊断系统之内，仍可能将此样本划分到已知的分类空间，造成误诊断。
3.2改进的RBFNN故障诊断模型
图3中RBF网络存在如下问题：①网络训练前，识别故障种类随标准样本变化，因而，输出节点数不易确定[1][2]下一页
