基于MATLAB的汽輪機(jī)振動(dòng)故障診斷仿真研究

劉海峰

(廣東粵電靖海發(fā)電有限公司，廣東 揭陽 515223)

基于MATLAB的汽輪機(jī)振動(dòng)故障診斷仿真研究

劉海峰

(廣東粵電靖海發(fā)電有限公司，廣東 揭陽 515223)

SOM神經(jīng)網(wǎng)絡(luò)是一種極具理論與使用價(jià)值的分類方法?；赟OM神經(jīng)網(wǎng)絡(luò)算法，在小樣本情況下對(duì)汽輪機(jī)機(jī)組故障診斷進(jìn)行了仿真研究，建立了多故障分類器，并將其應(yīng)用于典型的汽輪機(jī)振動(dòng)故障診斷。結(jié)果表明，應(yīng)用該算法可以正確且快速有效地診斷多類汽輪機(jī)故障，可以為現(xiàn)場(chǎng)生產(chǎn)中汽輪機(jī)振動(dòng)故障類型判斷提供參考。

汽輪機(jī)組；振動(dòng)故障；故障診斷；SOM神經(jīng)網(wǎng)絡(luò)；多故障分類器

0 引 言

汽輪機(jī)組日趨高參數(shù)、大型化發(fā)展，由于其設(shè)備結(jié)構(gòu)的復(fù)雜性和運(yùn)行環(huán)境的特殊性，因此故障率較高且危害性大，必須加強(qiáng)機(jī)組運(yùn)行的振動(dòng)監(jiān)測(cè)和故障診斷。引起汽輪機(jī)組振動(dòng)故障的原因有以下幾類：軸系質(zhì)量不平衡、動(dòng)靜摩擦、軸系不對(duì)中、氣流激振、油膜失穩(wěn)、部件松動(dòng)及發(fā)電機(jī)電磁力不平衡等。在汽輪機(jī)組實(shí)際運(yùn)行過程中對(duì)振動(dòng)故障類型進(jìn)行判斷非常困難，因此如何能夠根據(jù)振動(dòng)參數(shù)對(duì)振動(dòng)故障進(jìn)行快速、準(zhǔn)確的分類，受到了國(guó)內(nèi)外的高度重視[1-2]。隨著模式識(shí)別和計(jì)算機(jī)技術(shù)的迅速發(fā)展以及各種先進(jìn)數(shù)學(xué)算法的出現(xiàn)，為汽輪機(jī)振動(dòng)故障診斷技術(shù)的發(fā)展提供了有利的條件。文中利用SOM神經(jīng)網(wǎng)絡(luò)以汽輪機(jī)典型故障數(shù)據(jù)樣本集為基礎(chǔ)建立多故障分類器，并利用新分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行診斷，結(jié)果顯示該多故障分類器能夠準(zhǔn)確診斷振動(dòng)故障類型，可以為現(xiàn)場(chǎng)生產(chǎn)中汽輪機(jī)振動(dòng)故障類型判斷提供參考。

1 SOM神經(jīng)網(wǎng)絡(luò)分類方法

1.1 SOM神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

自組織特征映射網(wǎng)絡(luò)(SOM, Self-Organizing Feature Map)是由全連接的神經(jīng)元陣列組成的無導(dǎo)師、自組織、自學(xué)習(xí)網(wǎng)絡(luò)。典型的SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由輸入層和競(jìng)爭(zhēng)層組成，輸入層神經(jīng)個(gè)數(shù)為m，競(jìng)爭(zhēng)層由a×b個(gè)神經(jīng)元組成的二維平面陣列，輸入層和競(jìng)爭(zhēng)層各神經(jīng)元之間實(shí)現(xiàn)全連接[3]。其典型特征是可以在一維或二維的處理單元陣列上形成輸入信號(hào)的特征拓?fù)浞植?，但也可以推廣到多維處理單元陣列中去。SOM網(wǎng)絡(luò)模型由以下四個(gè)部分組成：

(1)處理單元陣列，用于接收事件輸入，并且形成對(duì)這些信號(hào)的“判別函數(shù)”。

(2)比較選擇機(jī)制，用于比較“判別函數(shù)”，并選擇一個(gè)具有最大函數(shù)輸出值的處理單元。

(3)局部互聯(lián)作用，用于同時(shí)激勵(lì)被選擇的處理單元及其最鄰近的處理單元。

(4)自適應(yīng)過程，用于修正被激勵(lì)的處理單元的參數(shù)，以增加其對(duì)應(yīng)于特定輸入“判別函數(shù)”的輸出值。

圖1 二維陣列SOM神經(jīng)網(wǎng)絡(luò)模型

1.2 SOM學(xué)習(xí)算法

SOM自組織特征映射算法能夠自動(dòng)找出輸入數(shù)據(jù)之間的相似度，將相似的輸入在網(wǎng)絡(luò)上就近配置，因此是一種可以構(gòu)成對(duì)輸入數(shù)據(jù)有選擇地給予反應(yīng)的網(wǎng)絡(luò)[4-5]。其學(xué)習(xí)算法步驟如下：

(1)網(wǎng)絡(luò)初始化 用隨機(jī)數(shù)設(shè)定輸入層和映射層之間權(quán)值的初始值，對(duì)m個(gè)輸入神經(jīng)元到輸出神經(jīng)元的連接權(quán)值賦予較小的權(quán)值。選取輸出神經(jīng)元j個(gè)“鄰接神經(jīng)元”的集合Sj。其中，Sj(0)表示時(shí)刻t=0的神經(jīng)元j的“鄰接神經(jīng)元”的集合，Sj(t)表示時(shí)刻t的“鄰接神經(jīng)元”的集合。區(qū)域Sj(t)隨著時(shí)間的增長(zhǎng)而不斷縮小。

(2)輸入向量的輸入 把輸入向量X=(x1,x2,x3, …,xm)T的輸入給輸入層。

(3)計(jì)算映射層的權(quán)值向量和輸入向量的距離(歐式距離) 在映射層，計(jì)算各神經(jīng)元的權(quán)值向量和輸入向量的歐式距離。映射層的第j個(gè)神經(jīng)元和輸入向量的距離，如圖1所示。

(1)

(4)權(quán)值的學(xué)習(xí) 按下式(2)修正輸出神經(jīng)元j*及其“鄰接神經(jīng)元”的權(quán)值。

Δωij=ωij(t+1)-ωij(t)=η(t)(xi(t)-ωij(t))

(2)

式中，η為一個(gè)大于0小于1的常數(shù)，隨著時(shí)間變化逐漸下降到0。

(3)

(5)計(jì)算輸出ok

‖X-Wj‖)

(4)

式中，f(*)一般為0～1函數(shù)或者其它非線性函數(shù)。

(6)是否達(dá)到預(yù)先設(shè)定的要求 如達(dá)到要求則算法結(jié)束；否則，返回到步驟(2)，進(jìn)入下一輪學(xué)習(xí)。

1.3 MATLAB語言編程實(shí)現(xiàn)

文中所涉及的程序代碼較多，編程過程非常繁瑣，所以選用第四代計(jì)算機(jī)語言——MATLAB語言。MATLAB語言具有編程效率高、使用方便、擴(kuò)充和交互性好、移植性和開放性好、語句簡(jiǎn)單、方便繪圖等優(yōu)點(diǎn)，而且包含豐富的函數(shù)庫(kù)，使開發(fā)者省去了大量的重復(fù)編程。文中的全部程序都是基于MATLAB7.10平臺(tái)開發(fā)的。

2 振動(dòng)故障分類模型建立

文中選用了文獻(xiàn)[6]中的振動(dòng)數(shù)據(jù)進(jìn)行訓(xùn)練，以汽輪機(jī)典型的振動(dòng)故障進(jìn)行SOM神經(jīng)網(wǎng)絡(luò)仿真，數(shù)據(jù)樣本集見表1。

表1 SOM神經(jīng)網(wǎng)絡(luò)仿真樣本數(shù)據(jù)

2.1 模型建立

分析汽輪機(jī)典型的振動(dòng)頻譜特征，每個(gè)振動(dòng)故障樣本中有9個(gè)主要振動(dòng)故障特征，選取故障特征P1-P9即(0.01～0.39)f1、(0.40～0.49)f1、0.5f1、(0.01～0.39)f1、1f1、2f1、(3～5)f1、oddf1、>5f1(其中f1為振動(dòng)工頻)作為模型輸入；L1-L5即質(zhì)量不平衡、動(dòng)靜碰磨、軸系不對(duì)中、部件松動(dòng)、油膜振蕩等5個(gè)振動(dòng)故障類型，作為模型輸出。

2.2 SOM網(wǎng)絡(luò)仿真

利用newsom創(chuàng)建一個(gè)自組織特征映射，由于SOM網(wǎng)絡(luò)的訓(xùn)練步數(shù)影響網(wǎng)絡(luò)的分類性能，訓(xùn)練過程中分別選擇50、100、200、500、1000次，仿真分類結(jié)果見表2。

表2 SOM網(wǎng)絡(luò)在不同訓(xùn)練次數(shù)下的分類結(jié)果

當(dāng)訓(xùn)練步數(shù)為50時(shí)，網(wǎng)絡(luò)僅僅對(duì)樣本進(jìn)行了初步分為3類，這樣的分類不夠精確。當(dāng)訓(xùn)練步數(shù)為200時(shí)，每個(gè)樣本都被劃分為一類，這樣分類結(jié)果就更加細(xì)化了，當(dāng)步數(shù)為500、1 000時(shí)，同樣是每個(gè)樣本都被劃為一類，這時(shí)再提高訓(xùn)練步數(shù)，已經(jīng)沒有實(shí)際意義了。

對(duì)于汽輪機(jī)組振動(dòng)故障診斷問題，基于SOM神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)如圖2所示。

圖2 基于SOM神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)

機(jī)組的振動(dòng)狀態(tài)監(jiān)測(cè)是對(duì)機(jī)組可能發(fā)生的振動(dòng)故障類型預(yù)先判斷，振動(dòng)故障診斷的問題可以轉(zhuǎn)化為對(duì)機(jī)組運(yùn)行狀態(tài)分類的問題。對(duì)于汽輪機(jī)組，通常將其振動(dòng)信號(hào)的頻率劃分為幾個(gè)不同的頻段，然后以不同頻段對(duì)應(yīng)的最大振幅的比值作為振動(dòng)故障特征量[7-11]。這樣就得到相應(yīng)的特征空間，在此基礎(chǔ)上采用SOM神經(jīng)網(wǎng)絡(luò)仿真對(duì)這些特征進(jìn)行分類，結(jié)果如圖3所示。

圖3 SOM神經(jīng)網(wǎng)絡(luò)仿真結(jié)果

2.3 SOM故障診斷系統(tǒng)的診斷測(cè)試

在此選取了5個(gè)試驗(yàn)樣本對(duì)SOM神經(jīng)網(wǎng)絡(luò)仿真建立的多故障分類器進(jìn)行測(cè)試。從表3可以明顯地看出試驗(yàn)樣本所屬的類別。

由表2中的測(cè)試結(jié)果可以看出，對(duì)于典型的汽輪機(jī)故障類型，多故障分類器可以進(jìn)行準(zhǔn)確的識(shí)別。5個(gè)測(cè)試樣本最終都被準(zhǔn)確分類，錯(cuò)分率為零。這主要是由于SOM神經(jīng)網(wǎng)絡(luò)仿真時(shí)，雖然每次激發(fā)的神經(jīng)元可能不一樣即每次執(zhí)行后的結(jié)果不一樣，但無論激活哪個(gè)神經(jīng)元，最后的分類結(jié)果不會(huì)改變，因而SOM神經(jīng)網(wǎng)絡(luò)的具有較高的自分類性能，同時(shí)分類速度較快。

表3 多故障分類器測(cè)試結(jié)果(訓(xùn)練步數(shù)200)

通過對(duì)汽輪機(jī)組故障進(jìn)行仿真診斷，結(jié)果表明將該分類器應(yīng)用于汽輪機(jī)典型故障診斷并取得了滿意的效果，該分類器只需要少量的故障樣本訓(xùn)練分類器，具有算法簡(jiǎn)單和故障分類能力強(qiáng)的優(yōu)點(diǎn)。仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性，可以為現(xiàn)場(chǎng)生產(chǎn)中汽輪機(jī)振動(dòng)故障類型判斷提供參考。

3 基于SOM神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)故障診斷系統(tǒng)開發(fā)

文中以MATLAB為平臺(tái)開發(fā)了汽輪機(jī)故障診斷系統(tǒng)，包括三大模塊：數(shù)據(jù)采集、數(shù)據(jù)分析以及故障診斷。該系統(tǒng)首先通過采集汽輪機(jī)運(yùn)行振動(dòng)數(shù)據(jù)建立“振動(dòng)數(shù)據(jù)庫(kù)”，其次對(duì)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行篩選并提取特征量；最后根據(jù)數(shù)據(jù)診斷汽輪機(jī)故障類型。故障診斷時(shí)，在用戶界面點(diǎn)擊“故障診斷”按鈕，診斷結(jié)果如圖4所示。

圖4 汽輪機(jī)故障診斷系統(tǒng)運(yùn)行界面

4 結(jié)束語

文中基于MATLAB采用SOM神經(jīng)網(wǎng)絡(luò)算法，在小樣本情況下對(duì)汽輪機(jī)機(jī)組故障診斷進(jìn)行了仿真研究，建立了多故障分類器，將其應(yīng)用于典型的汽輪機(jī)故障診斷，仿真實(shí)驗(yàn)結(jié)果證明了該方法是一種極具理論與使用價(jià)值的分類方法，并且得出以下結(jié)論：

(1) SOM神經(jīng)網(wǎng)絡(luò)分類方法可以正確且有效地診斷多類汽輪機(jī)故障，不會(huì)出現(xiàn)拒絕分類區(qū)，明顯的減少分類時(shí)間，分類精度也較理想。

(2) 利用汽輪機(jī)多個(gè)典型故障數(shù)據(jù)訓(xùn)練多分類器并利用新分類器對(duì)未知樣本數(shù)據(jù)進(jìn)行分析、識(shí)別，結(jié)果表明SOM神經(jīng)網(wǎng)絡(luò)在汽輪機(jī)故障診斷中有著良好的應(yīng)用前景。

(3)對(duì)于常見的多類識(shí)別問題，振動(dòng)故障診斷的問題就轉(zhuǎn)化為把機(jī)組的現(xiàn)行工作狀態(tài)歸類的問題。

[1] 李錄平．汽輪機(jī)組故障診斷技術(shù)[M]．北京：中國(guó)電力出版社，2001．

[2] 李錄平，晉風(fēng)華．汽輪機(jī)發(fā)電組碰磨振動(dòng)的檢測(cè)、診斷與控制[M]．北京：中國(guó)電力出版社，2006．

[3] 郭慶琳，鄭 琳．基于模糊粗糙集數(shù)據(jù)挖掘的汽輪機(jī)組故障診斷研究[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2007，27(8)：81-87．

[4] MATLAB中文論壇. MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M]. 北京: 北京航空航天大學(xué)出版社, 2010, 4.

[5] 朱 凱，王正林. 精通MATLAB神經(jīng)網(wǎng)絡(luò)[M]. 北京: 電子工業(yè)出版社, 2010,1.

[6] 張鴻雁．基于改進(jìn)支持向量機(jī)方法的汽輪機(jī)故障診斷研究[J]． 煤礦機(jī)械，2008，29(7)：197-199．

[7] 程衛(wèi)國(guó)，傅志中，陸文華，等．MATLAB在汽輪機(jī)振動(dòng)故障診斷中的應(yīng)用[J]．中國(guó)動(dòng)力工程學(xué)報(bào)，2005，25(1)：97-101．

[8] 梁 平，龍新峰，吳庚申．基于ARMA及神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)振動(dòng)故障診斷研究[J]．熱能動(dòng)力工程，2007，22(1)：6-10．

[9] 賈 爽，賀利樂．基于粒子群優(yōu)化SOM神經(jīng)網(wǎng)絡(luò)的軸系多振動(dòng)故障診斷 [J]．機(jī)械傳動(dòng)，2011，35(6)：76-82．

[10] 張彼德，歐 健，孫才新，等．汽輪發(fā)電機(jī)多故障診斷的SOM的神經(jīng)網(wǎng)絡(luò)方法[J]．重慶大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005，28(2)：36-38

[11] 張彼德，歐 健，孫才新，等．運(yùn)用免疫遺傳神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)振動(dòng)故障診斷方法[J]．振動(dòng)、測(cè)試與診斷，2010，30(6)：675-678.

Research on Simulation of Turbine Vibration Fault Diagnosis Based on MATLAB

LIU Hai-feng,

(Guangdong Yudian Jinghai Power Generation Co., Ltd. Jieyang 515223, Guangdong Province, China)

SOM neural network is a classification method of theoretical use value highly. Based on SOM neural network algorithm, in the case of small sample turbine fault diagnosis simulation studies, the multi-fault classifier is established, and it is applied to a typical turbine vibration fault diagnosis. The results show that the algorithm can be applied quickly and efficiently diagnose and correct many types of turbine failure, which can determine the type of turbine vibration fault reference in the production site.

Turbine; Vibration fault; Fault diagnosis; Som neural network; Multi-Fault classifier

2015-06-11

2015-07-10

劉海峰(1987-)，男，工學(xué)碩士，主要從事電廠生產(chǎn)技術(shù)工作。

10.3969/j.issn.1009-3230.2015.08.003

TK263.7

B

1009-3230(2015)08-0010-04