汽輪機組智能故障診斷范文

本站小編為你精心準備了汽輪機組智能故障診斷參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

汽輪機組是一個大而復雜的系統，在電力生產中具有重要的地位。汽輪機組工況狀態不僅影響該設備安全穩定的運行，而且會對后續的安全生產造成影響。如果故障狀態沒有被及時的獲知，則對后續生產可能會出現故障也無法預知及加以預防，且故障嚴重時會造成重大的經濟損失，甚至導致機毀人亡的事故。汽輪機組的故障類型多，引發的原因較為復雜，這都為汽輪機組故障診斷的準確性增加了難度，因此尋找一種快速準確的診斷方法對于汽輪機組的安全運行具有非常重要的現實意義。目前應用在汽輪機故障診斷中的方法主要有神經網絡、小波分析、模糊數學、灰色理論、專家系統和統計理論等。在各種診斷方法中，神經網絡由于其高效的并行信息處理、較強的容錯性與學習能力越來越受到廣泛的關注。因此，神經網絡方法已經被應用于汽輪機的故障診斷中，其中使用的方法大都采用BP算法。BP算法采用的誤差反向傳播，它以輸出期望值與實際值之差的平方和最小為訓練目標，存在容易陷入局部極小點及收斂速度慢等問題，所以易造成基于神經網絡的診斷方法誤差大，收斂用時長。為了克服BP網絡的這些缺陷，出現了多種改進的算法和新型神經網絡，其中比較受關注的有WNN、PNN等。WNN是把小波變換的平移伸縮和時頻聚焦特性引入神經網絡而形成的一種新型神經網絡，它在非線性逼近能力、分類能力和學習速度等方面均優于最常用的BP網絡，且在應用于故障機理較為復雜的設備診斷時體現出較大的優勢。PNN是以概率統計思想和Bayes分類規則而構成的分類神經網絡，與BP網絡相比，PNN的優勢在于能用線性學習算法來完成以往非線性學習算法所做的工作，同時又能保持非線性算法的高精度等特性。

PNN具有學習速度快、穩定性高、樣本追加能力強等優點。所以本文把WNN和PNN應用于對汽輪機組的故障診斷。同時，由于汽輪機組設備的復雜性及運行環境的不確定性，且通過傳感器所獲得的設備狀態信息也有不確定性。由于存在這些不確定性，則會導致故障診斷的準確率下降。若只用單一方法進行故障診斷，可能會出現漏檢或誤診的情況。并且，同一種故障現象的故障原因可能有許多種，甚至涉及到多個子系統;而且由于專家間的經驗與知識差異，做出的判斷結果也可能不盡相同，甚至出現相互矛盾的情況，從而難以定位故障。要解決上述問題，需對同一故障對應的不同信息進行合理的融合，進而進行綜合評判以得到合理的診斷結果。D－S證據理論是一種關于不確定性推理的理論，不僅可以用來處理偶然性不確定性問題，而且還可以用來處理認識性不確定性問題。它為解決復雜系統故障診斷的不確定性問題提供了一種新的途徑。D－S合成公式比較注重證據之間的協調性，當證據信息沖突時，D－S合成公式直接拋棄所有沖突證據信息進行融合，這種簡單粗暴的處理沖突證據方式易造成融合結果不合常理，且造成了故障信息的浪費。為了充分利用所有證據以便于獲取合理可靠的融合結果，本文采用改進的D－S公式進行融合集成診斷。據此，本文提出了一個基于WNN－PNN和改進的D－S的集成故障診斷方法。該方法首先通過WNN和PNN網絡對故障信息進行初步診斷，再根據初步診斷結果構造證據體，然后根據改進的D－S證據理論對多證據進行融合，得到證據融合決策診斷結果。

1改進的D－S理論

1．1D－S融合技術D－S證據理論主要是依據可信度函數運算的，在不確定因素處理、基于知識的證據進化以及應用范圍等方面具有很大的靈活性。

1．2改進的D－S合成公式為了解決當k→1或k=1時，D－S合成公式融合結果不合理或無法運算的情況，Yager［16］對D－S合成公式做了改進，即D－S合成公式組合規則中沖突系數k不參與正則化過程，而只是把沖突系數k賦給了“未知項”。這樣導致沖突信息被完全被否定。為了利用沖突信息，文獻［17－18］引入了可信度的概念，根據可信度把證據沖突概率按各個命題的加權進行分配，文獻［18］驗證改進算法明顯優于其他合成公式，所以本文選擇式(2)對汽輪機故障融合診斷。

2改進的D－S集成診斷模型

2．1WNN網絡故障診斷原理WNN是以小波基函數為神經元激勵函數的前饋網絡模型［6］，其基本策略是通過不斷改變小波基的形狀和尺度，調整網絡的權值和閾值，使得誤差平方和最小。基于WNN網絡的故障診斷方法是充分利用小波變換良好的局部化性質和神經網絡的強大自學習能力，將故障樣本空間映射到故障模式中，形成具有較強的逼近能力和模式識別能力的診斷網絡。

2．2PNN網絡故障診斷原理PNN是基于Parzen窗口法實現貝葉斯分類規則的一種神經網絡模型［7－10］。基于PNN的故障診斷方法實質上就是利用PNN網絡模型的強大非線性分類能力，將故障樣本空間映射到故障模式空間中，從而形成應該具有較強容錯能力和結構自適應能力的診斷網絡系統。

2．3集成診斷策略據此，提出的基于WNN－PNN和改進型D－S的集成診斷策略，其結構圖如圖1所示。由圖1可知，從傳感器獲取振動信號，對振動信號進行特征提取以獲取樣本;將獲取的樣本歸一化后分別輸入到WNN和PNN網絡，經WNN和PNN網絡進行初步診斷分別得到WNN的輸出、PNN網絡類別層輸出概率的大小，兩者經歸一化后組成基本概率分配，進而形成證據;然后利用改進的D－S融合規則，計算出融合后的基本概率分配，經決策規則輸出得到診斷結果。

2．4決策規則由于Bel(A)表示對A為真的信任程度，Pls(A)對A為非假的信任程度，所以信任區間［Bel(A)，Pls(A)］反映對A不確定性區間。Bel(A)和Pls(A)確定后，信任區間［Bel(A)，Pls(A)］就確定。即根據決策規則進行診斷。采用最大信任規則為決策規則，即選擇Bel(A)最大的假設作為決策結果。

3仿真分析

3．1故障問題描述針對常見4種汽輪機組軸系振動故障:轉子質量不平衡、轉子不對中、油膜渦動和軸承松動，在轉子振動試驗臺上進行模擬，對從試驗臺上獲取的振動信號進行頻域分析［19］，并提取振動信號的頻域特征頻譜中0．01f－0．39f、0．40f－0．49f、0．5f、0．51f－0．99f、1f、2f、3f－5f、odd*f、＞5f(f為轉速工頻)的9個不同頻段上的幅值分量能量經歸一化后作為特征量，進而建立各類故障的故障樣本。4類故障共提取88個故障樣本，其中前80個樣本作為訓練樣本，其余8個作為測試樣本。不平衡，轉子不對中，油膜渦動、軸承松動4種類型的故障分別記為type1、type2、type3和type4，在集成診斷網絡中分別用(1000)、(0100)、(0010)、(0001)表示。

3．2基本概率分配把不平衡、不對中、油膜渦動、軸承松動4種故障模式分別記為A1、A2、A3和A4。必須對每個測試樣本經WNN初步診斷結果進行歸一化，將歸一化后的值作為證據體的基本概率分配;對PNN網絡而言，因為PNN類別層的輸出是測試樣本屬于各故障模式的概率大小，故以類別層輸出構建證據體的基本概率分配。

3．3診斷網絡訓練根據WNN網絡的算法結構和故障樣本特點，設定WNN輸入層節點數設為9;輸出層節點數設為4;根據隱含層節點數的經驗公式并經過試驗驗證得知，當隱含層神經元個數取12時誤差最小，收斂速度快，故取隱含層的網絡節點數為12。WNN網絡中的學習率參數分別為0．4、0．1、0．001和0．001。把訓練樣本輸入到WNN網絡進行訓練，得到的誤差曲線如圖2所示。由圖2可知，WNN網絡學習速度和收斂速度較快。根據PNN網絡的算法結構和故障樣本特性，可確定PNN網絡的輸入層有9個神經元，模式層有80個神經元，類別層和決策層均為4個神經元。把訓練樣本輸入到PNN網絡進行網絡訓練。經試驗反復驗證，徑向基擴展系數取0．4。

3．4診斷結果及分析把測試樣本輸入到訓練好的網絡進行診斷，WNN和PNN的診斷經歸一化的結果分別如圖3、圖4所示。把WNN和PNN歸一化后的診斷結果作為證據，采用改進的D－S合成公式(式(2))進行融合診斷，診斷的結果如圖5所示。為了比較，文中做了以D－S合成規則為融合算法的融合結果，如圖6所示。由圖3－圖6可知，四種診斷方法均成功診斷出了所有的故障。以測試樣本3為例，WNN網絡、PNN網絡、改進的D－S集成診斷網絡和D－S集成診斷網絡診斷出的樣本3的故障類型均是油膜渦動，與實際故障相符;且WNN診斷出屬于不平衡的概率為0．1027、轉子不對中的概率為0．1102、油渦動的概率為0．7847、軸承松動的概率0．0024;PNN診斷結果分別為0．0264、0．0789、0．8482、0．0465;經D－S集成診斷網絡得到的結果分別為0．0109、0．0156、0．9250、0．0013;經改進的D－S集成診斷網絡得到的結果分別為0．0134、0．0188、0．9663、0．0016，由此融合結果可知樣本3是油膜渦動故障的支持率由原來的0．7847、0．8482提高到了0．9663，屬于不平衡、不對中、軸承松動的支持率降低了;比較圖5和圖6可知，與D－S合成公式相比，改進的D－S對樣本3屬于油膜渦動故障的支持率更高、更為合理。由圖3－圖6可知，集成診斷方法比單一的故障診斷方法診斷精度高，診斷結果更為合理;基于改進的D－S的集成診斷方法比基于D－S的集成方法的更接近期望輸出，診斷精度更高。

4結論

本文提出了一個基于WNN－PNN和改進的D－S證據理論的集成故障診斷方法。該方法首先通過WNN和PNN網絡對故障特征樣本進行預診斷，再根據預診斷結果確定證據體的基本概率分配，進而經改進的D－S合成公式進行融合，然后采用最大信任規則對融合結果進行決策得到故障診斷結果。通過仿真結果可知:1)改集成診斷方法成功的診斷出了所有的故障;2)集成診斷方法比單一的故障診斷方法的診斷精度高;3)集成診斷方法在一定程度上加強了對原來支持率高的故障類型的支持，降低了對原來支持率較低的故障類型的支持;4)與基于D－S集成診斷方法相比，基于改進的D－S集成診斷方法的診斷結果更接近期望值，診斷精度更高。

作者：徐春梅 彭道剛 張悅 單位：上海電力學院自動化工程學院 華北電力大學河北省發電過程仿真與優化控制工程技術研究中心