支持向量機(jī)下的汽輪機(jī)組故障診斷范文

本站小編為你精心準(zhǔn)備了支持向量機(jī)下的汽輪機(jī)組故障診斷參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：汽輪機(jī)組在生產(chǎn)設(shè)備中有著廣泛的應(yīng)用，但其故障頻發(fā)，對(duì)其故障診斷的研究一直是科研工作者的重點(diǎn)方向之一。在MATLAB開(kāi)發(fā)環(huán)境下，基于支持向量機(jī)算法為核心，利用常見(jiàn)故障的振動(dòng)特性，構(gòu)建了一種分類故障診斷模型，并對(duì)常見(jiàn)故障進(jìn)行了診斷，結(jié)果表明：該故障診斷方法能夠?qū)ζ啓C(jī)故障進(jìn)行有效診斷和預(yù)測(cè)，為汽輪機(jī)故障診斷提供理論依據(jù)，有著重要的現(xiàn)實(shí)的意義。

關(guān)鍵詞：汽輪機(jī)；故障診斷；支持向量機(jī)；汽輪機(jī)故障

引言

汽輪機(jī)是現(xiàn)代火力發(fā)電廠的重要設(shè)備，它是一種在高溫高壓下，通過(guò)蒸汽提供動(dòng)力使轉(zhuǎn)子帶動(dòng)機(jī)械旋轉(zhuǎn)的裝置[1]。汽輪機(jī)一旦發(fā)生故障會(huì)產(chǎn)生不可估量的連鎖反應(yīng)，導(dǎo)致人員傷亡和巨大經(jīng)濟(jì)損失，故對(duì)其運(yùn)行狀態(tài)安全監(jiān)測(cè)和故障診斷變得尤為重要[2]。如何及早的檢測(cè)和發(fā)現(xiàn)設(shè)備異常，成為世界各國(guó)的研究重點(diǎn)，李亮[3]等研究了支持向量機(jī)的汽輪發(fā)電機(jī)組故障分類時(shí)診斷；司娟寧等將支持向量機(jī)理論和時(shí)頻分析相結(jié)合應(yīng)用于柴油機(jī)氣閥故障診斷。針對(duì)不同故障對(duì)象的診斷在理論和仿真方面都取得了有效的結(jié)果。汽輪機(jī)組故障雖然共計(jì)有數(shù)十種，但95.4%以上的故障是常見(jiàn)故障，對(duì)于常見(jiàn)典型故障做出快速而準(zhǔn)確的判斷具有實(shí)際需求意義。基于向量機(jī)的汽輪機(jī)組故障檢測(cè)是未來(lái)的診斷發(fā)展方向，本文在分析研究常見(jiàn)典型故障的前提下，利用支持向量機(jī)理論的多元回歸算法，在MATLAB開(kāi)發(fā)環(huán)境中建立了新的汽輪機(jī)故障診斷模型，輸入不同故障的特征頻譜數(shù)據(jù)進(jìn)行故障診斷模型的自主學(xué)習(xí)和分類，最后輸入檢測(cè)數(shù)據(jù)驗(yàn)證結(jié)果的準(zhǔn)確度，該故障診斷方法模型具有較高的準(zhǔn)確度，在故障診斷中可以提供一定的借鑒作用，有著重要的現(xiàn)實(shí)意義。

1支持向量機(jī)理論和研究方法

支持向量機(jī)理論（SVM）是一種二元分類模型，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，將樣本空間通過(guò)一個(gè)非線性映射映射到另一個(gè)多維特征空間中，通過(guò)升維、線性化從而實(shí)現(xiàn)多元線性回歸。這樣做的優(yōu)點(diǎn)在于通過(guò)向量機(jī)核函數(shù)的擴(kuò)展定理后，可在未知非線性映射表達(dá)式的前提下，在高維特征空間可自主的建立線性學(xué)習(xí)機(jī)模型。通過(guò)調(diào)節(jié)特定參數(shù)，引入樣本線性模型時(shí)，較好的簡(jiǎn)化算法和提高計(jì)算機(jī)計(jì)算效率。支持向量機(jī)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則和統(tǒng)計(jì)學(xué)中的VC維理論的多分類機(jī)器學(xué)習(xí)方法。汽輪機(jī)故障診斷的核心問(wèn)題就是分類問(wèn)題，通過(guò)將多個(gè)分類器組合，導(dǎo)入歷史故障振動(dòng)特征頻譜數(shù)據(jù)進(jìn)行分類訓(xùn)練生產(chǎn)診斷模型，最終達(dá)到故障檢測(cè)的目的支持向量機(jī)的汽輪機(jī)組故障分析還處于初步研究階段，故本文提出一種改進(jìn)的支持向量機(jī)的故障診斷多分類方法。支持向量機(jī)的故障診斷方法是通過(guò)原始數(shù)據(jù)建模，調(diào)整轉(zhuǎn)化為多元線性回歸模型，最終實(shí)現(xiàn)故障分類檢測(cè)的診斷方法。圖1為基于支持向量的故障診斷方法模型，第一步為學(xué)習(xí)階段。首先將包含多種歷史參數(shù)數(shù)據(jù)通過(guò)統(tǒng)計(jì)學(xué)理論統(tǒng)計(jì)生產(chǎn)數(shù)據(jù)轉(zhuǎn)換系統(tǒng)，隨后利用轉(zhuǎn)換系統(tǒng)將歷史數(shù)據(jù)轉(zhuǎn)換成0-1之間的標(biāo)準(zhǔn)化數(shù)據(jù)，將標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)數(shù)據(jù)隨機(jī)分占85%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)和15%為驗(yàn)證數(shù)據(jù)，讓其自主形成非線性多元回歸模型，既形成“支持向量機(jī)回歸算法”。第二步是檢測(cè)驗(yàn)證階段，將訓(xùn)練標(biāo)準(zhǔn)化數(shù)據(jù)輸入支持向量機(jī)多元回歸算法模型中進(jìn)行計(jì)算檢測(cè)。通過(guò)調(diào)整或添加新參數(shù)來(lái)控制預(yù)測(cè)誤差，讓其滿足模型精度為止。

2汽輪機(jī)組故障分析

汽輪機(jī)組故障雖然共計(jì)有數(shù)十種，但95%以上的故障為常見(jiàn)故障，主要包括油膜渦動(dòng)、動(dòng)靜碰磨、不對(duì)中和轉(zhuǎn)子不平衡四類，故對(duì)這四類典型故障的研究具有工程指導(dǎo)作用。油膜渦動(dòng)是由于外界偶然擾動(dòng)下而發(fā)生任意偏移，產(chǎn)生失穩(wěn)分力而驅(qū)動(dòng)汽輪機(jī)轉(zhuǎn)子作渦動(dòng)運(yùn)動(dòng)。渦動(dòng)分收斂、發(fā)散和介于兩者之間的三種狀態(tài)。一般來(lái)說(shuō)，常見(jiàn)的頻譜圖如圖2（a）所示，渦動(dòng)頻率約為轉(zhuǎn)速的0.4-0.5倍，振動(dòng)的主要成分頻率近似地等于第一臨界轉(zhuǎn)速，渦動(dòng)振動(dòng)頻率在0.5fr時(shí)振動(dòng)較大。動(dòng)靜碰磨由于零部件磨損或質(zhì)量不均，在機(jī)組參數(shù)提高情況下產(chǎn)生機(jī)械松動(dòng)，從而導(dǎo)致機(jī)組動(dòng)、靜部件之間發(fā)生碰撞和磨損。汽輪機(jī)組在固定參數(shù)下運(yùn)轉(zhuǎn)其徑向與軸向的碰磨振動(dòng)明顯，如圖2（b）所示碰磨故障的振動(dòng)信號(hào)，可以發(fā)現(xiàn)其既有一倍頻、二倍頻和三倍頻，又有少量的低頻和高頻（5fr）。轉(zhuǎn)子不平衡故障是最常見(jiàn)的一類故障，其故障振動(dòng)在頻譜圖上的特征是一倍頻成分較大（如圖2c），其余規(guī)律基本相近。轉(zhuǎn)子不對(duì)中是汽輪機(jī)在長(zhǎng)時(shí)間工作中造成軸承或連軸的軸心線的偏移或者傾斜，從而造成相鄰兩轉(zhuǎn)子發(fā)生不對(duì)中現(xiàn)象。轉(zhuǎn)子不對(duì)中特征頻譜以一倍頻和二倍頻分量為主（如圖2d），當(dāng)二倍頻所占的比例變大時(shí)，產(chǎn)生轉(zhuǎn)子不對(duì)中越嚴(yán)重。

3故障診斷檢測(cè)

基于汽輪機(jī)常見(jiàn)典型故障的特征頻譜和支持向量多元線性回歸理論的分析，在MATLAB環(huán)境下編程實(shí)現(xiàn)汽輪機(jī)組故障診斷模型，其診斷系統(tǒng)主要包含支持向量機(jī)算法的程序和人機(jī)交互界面。基于支持向量機(jī)的汽輪機(jī)故障診斷方法模型，本文利用汽輪機(jī)組的典型故障具有不同特征頻譜的特點(diǎn)為研究對(duì)象，構(gòu)建支持向量機(jī)多元回歸故障診斷模型。首先，數(shù)據(jù)基準(zhǔn)為頻譜分析，輸入正常、碰磨故障和不平衡等典型特征頻域的相關(guān)數(shù)據(jù)，隨后隨機(jī)選取已知類別的樣本進(jìn)行學(xué)習(xí)分析，通過(guò)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理將其建立多元支持向量機(jī)回歸模型，達(dá)到故障檢測(cè)的目的。訓(xùn)練結(jié)束后，檢測(cè)新的測(cè)試數(shù)據(jù)樣本，其結(jié)果見(jiàn)數(shù)據(jù)表1。由表2中的測(cè)試結(jié)果可以看出，診斷結(jié)果與試驗(yàn)狀態(tài)時(shí)的故障狀態(tài)一致，錯(cuò)誤率為零，說(shuō)明基于支持向量的故障診斷模型應(yīng)用于汽輪機(jī)故障的診斷效果較好，且其具有故障樣本訓(xùn)練量少，算法簡(jiǎn)單和故障分類能力強(qiáng)的優(yōu)點(diǎn)。

4結(jié)論

本文分析了常見(jiàn)典型的汽輪機(jī)故障頻譜特性，提出了一種以支持向量機(jī)算法為核心算法的汽輪機(jī)組故障診斷分析方法模型，在MATLAB開(kāi)發(fā)環(huán)境下，確立邊界條件和基本參數(shù)，導(dǎo)入數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，隨后仿真模擬分析。結(jié)果表明，測(cè)試的8個(gè)樣本都準(zhǔn)確的判斷出故障結(jié)果，該系統(tǒng)對(duì)汽輪機(jī)常見(jiàn)故障進(jìn)行了較為精確的診斷，表明該方法具有較高的準(zhǔn)確性，能夠?qū)ζ啓C(jī)故障診斷進(jìn)行有效的檢測(cè)和預(yù)測(cè)，該研究為汽輪機(jī)故障診斷提供了理論依據(jù)，有著重要的實(shí)用價(jià)值。

參考文獻(xiàn)：

[1]韓中合，劉明浩.基于支持向量機(jī)的汽輪機(jī)振動(dòng)故障診斷系統(tǒng)[J].汽輪機(jī)技術(shù)，2013，55（2）：127-130.

[2]石志標(biāo)，宋全剛，馬明釗，等.基于改進(jìn)粒子群優(yōu)化支持向量機(jī)的汽輪機(jī)組故障診斷[J].動(dòng)力工程學(xué)報(bào)，2012，32（6）：454-457，462.

[3]李亮，黃竹青，馮磊華，等.基于加權(quán)最小二乘支持向量機(jī)改進(jìn)算法的汽輪機(jī)通流部分故障診斷研究[J].汽輪機(jī)技術(shù)，2012，54（2）：129-132.

作者：李金水 單位：武漢長(zhǎng)利玻璃有限責(zé)任公司