TRT系統中的透平機作為一種旋轉機械，是高爐煤氣余壓發電設備中的重要組成部分，它的正常運轉可以保證穩定高爐爐頂壓力，降低爐況的變化范圍，使高爐更易取得高效的產出，其結構復雜，故障特征的表現及故障的產生原因普遍具有模糊性和復雜性，對其進行潛伏性故障診斷存在一定的困難[1-5]。針對以上問題，國內外在此方面已經進行了一定的研究，但是與其在生產中廣泛應用的現狀不相符合。
    針對以上情況，本文在對高爐煤氣余壓發電技術做深入了解的基礎上，選擇此技術中的關鍵設備透平機作為研究對象，針對其存在旋轉機械的特點，通過理論分析，首先應用小波變換的方法[6-7]將透平機運行狀況相關數據中的噪聲濾除，然后通過分析透平機運行過程中相關環節的關系，在現場采集到的大量數據信息積累的基礎上，采用量子神經網絡實現對TRT系統中透平機運行狀況的潛伏性故障診斷。
1 透平機運行數據的預處理
    由于TRT機組的工作現場環境復雜，透平機的運行受到電磁及地面振動等諸多因素的影響，從傳感器獲得的信號中不可避免地混有大量的噪聲干擾，這對正確預測透平機的運行狀況非常不利。因此，首先需要對從現場采集到的透平機運行數據進行濾波處理。

    比較圖1中濾波前后的透平機位移信號可以看出，此算法可以有效地濾除高頻、低頻的噪聲干擾信號，還原原始信號。
    通過比較圖2中濾波前后的透平機轉速信號可以看出，此算法處理信號的局部細節特征有很好的效果。

    通過比較圖3中用軟硬閾值折中算法濾波前后的透平機振動信號可以看出，此算法無論是從濾波效果還是保存有用信號中的尖峰和突變部分都做得非常好。
    通過比較濾波前后的三組透平機運行數據，可以看出濾波后的信號中噪聲部分被有效地抑制。同時，濾波后的信號作為隨后的透平機運行狀況預測的輸入數據，可以有效地提高預測的可靠性和準確性。
　為了體現軟硬閾值折衷法在小波閾值濾波算法中的優勢，分別采用軟閾值算法、硬閾值算法和軟硬閾值折衷法對透平機運行中振動信號的濾波進行了比較實驗，實驗所得的信噪比和均方差兩項指標如表1所示。
    從表1中可以看出，軟硬閾值折衷法的濾波性能在信噪比和均方差上都要優于另外兩種算法，此方法不僅能夠避免硬閾值函數的不連續性，并且能夠去除軟閾值函數在小波系數的分解過程中產生的差值，是一種更加有效的濾波算法。

2 透平機前軸瓦溫度的預測
    選取在透平機運行時對軸瓦溫度影響較大的7個運行參數(透平機的軸位移、進氣側X向振動、進氣側Y向振動、進氣壓力、潤滑油壓力、潤滑油溫度、轉速)作為輸入層節點。隱層神經元節點數的選取沒有明確的規定，但是隱層節點太少，不能反映后續值與前驅值的相互關系，容錯性差；隱層節點太多會導致學習時間過長，網絡預測能力下降。本文采用經驗公式與試湊法相結合
    研究人員通過理論的分析已經證明，含有單個隱含層的神經網絡能夠模擬任何連續函數，僅當神經網絡的學習存在不連續的問題時，才需要設計出兩個隱含層。實踐結果顯示，如果存在一個隱含層的節點數添加了很多，卻仍然不能使網絡的性能有所提高的情況，可以通過選取兩個隱含層，并且適當減少隱含層節點數的方法提高神經網絡的性能。因此，在量子神經網絡隱含層的選取上，可使用具有一個或者兩個隱含層的網絡模型結構，并比較兩者的訓練性能上的差別。本文以選取兩個隱含層為例，分別含有24和18節點的網絡結構，得到預測結果以及訓練曲線，如圖4和圖5所示。

    通過圖4可以看出，預測曲線能很好地逼近實際曲線，尤其在運行中狀態突變的時刻預測效果非常明顯，此量子神經網絡對透平機前軸瓦溫度的預測能夠得到滿意的結果。
    通過圖5可以看到，在經過195次訓練后，所建立的神經網絡到達了目標精度，相對誤差為0.54%。
    通過表2的比較可以看出，量子神經網絡模型選取7-24-18-1的結構，無論是在網絡訓練的速度還是在減少泛化誤差上都做得最好。選擇三層的7-24-1網絡結構，盡管在提高目標精度的前提下，仍然具有較快的訓練速度，但是泛化誤差卻增大了。通過比較以上數據，可以得到以下結論：

     (1)量子神經網絡模型能夠實現對TRT系統中透平機運行狀況的預測。
     (2) 對網絡結構的選擇很重要，盡管具有兩個隱含層的網絡達到的目標精度較低，但是其泛化誤差更小，更合適對新的樣本進行預測。
     (3) 網絡的訓練精度不能選取得過高，否則在降低網絡訓練速度的同時，網絡的泛化能力也有所下降。
    本文針對含有噪聲的TRT系統中透平機運行的振動信號運用小波變換閾值化方法中的軟硬閾值折衷算法進行濾波處理，能夠克服軟閾值算法和硬閾值算法各自的不足之處，取得較為理想的濾波效果。通過基于量子神經網絡的TRT系統中透平機前軸瓦溫度的預測研究可以看出，量子神經網絡對TRT系統中透平機運行狀況的預測應用是可行的。同時，量子神經網絡通過不斷地訓練和自學習，可以從透平機運行的歷史數據中掌握一定的規律，并可以參照這些規律對未來透平機的運行狀況做出合理的預測。
參考文獻
[1] 王曉放，申巖，黃鐘岳，等. 通用化透平壓縮機運行性能高速在線評估系統設計[J]. 大連理工大學學報，2005,45(1)：36-38.
[2] 馮志鵬，宋希庚，薛冬新，等. 旋轉機械振動故障診斷理論與技術進展綜述[J]. 振動與沖擊，2001，20(4)：36-40.
[3] 馮志鵬，宋希庚，薛冬新. 基于廣義回歸神經網絡的時間序列預測研究[J]. 振動、測試與診斷，2003，23(2)：105-109.
[4] 王維民，高金吉，江志農. 基于有限元模型的旋轉機械故障診斷方法研究[J]. 振動與沖擊，2006，25(4)：30-33.
[5] 宋濤，湯寶平，李鋒. 基于流形學習和K-最近鄰分類器的旋轉機械故障診斷方法[J]. 振動與沖擊，2013，32(5)：149-153.
[6] 臧玉萍，張德江，王維正. 基于小波變換技術的發動機異響故障診斷[J]. 機械工程學報，2009，45(6)：239-245.
[7] 盧艷宏，馮源. 基于小波變換和TMS320F2812的水泵故障診斷系統研究[J]. 計算機測量與控制，2012，20(10)：2642-2644.
[8] 李盼池，宋考平，楊二龍. 基于受控旋轉門的量子神經網絡模型算法及應用[J]. 控制與決策，2011，26(6)：888-901.
[9] 徐小力，左云波，吳國新. 量子神經網絡在旋轉機組狀態趨勢預測中的應用[J]. 機械強度，2010，32(4)：526-530.
[10] 龔瑞昆，馬亮，趙延軍，等．基于量子神經網絡信息融合的變壓器故障診斷[J]．電力系統保護與控制，2011，39(23)：79-88.