汽轮机组智能故障诊断范文

本站小编为你精心准备了汽轮机组智能故障诊断参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

汽轮机组是一个大而复杂的系统，在电力生产中具有重要的地位。汽轮机组工况状态不仅影响该设备安全稳定的运行，而且会对后续的安全生产造成影响。如果故障状态没有被及时的获知，则对后续生产可能会出现故障也无法预知及加以预防，且故障严重时会造成重大的经济损失，甚至导致机毁人亡的事故。汽轮机组的故障类型多，引发的原因较为复杂，这都为汽轮机组故障诊断的准确性增加了难度，因此寻找一种快速准确的诊断方法对于汽轮机组的安全运行具有非常重要的现实意义。目前应用在汽轮机故障诊断中的方法主要有神经网络、小波分析、模糊数学、灰色理论、专家系统和统计理论等。在各种诊断方法中，神经网络由于其高效的并行信息处理、较强的容错性与学习能力越来越受到广泛的关注。因此，神经网络方法已经被应用于汽轮机的故障诊断中，其中使用的方法大都采用BP算法。BP算法采用的误差反向传播，它以输出期望值与实际值之差的平方和最小为训练目标，存在容易陷入局部极小点及收敛速度慢等问题，所以易造成基于神经网络的诊断方法误差大，收敛用时长。为了克服BP网络的这些缺陷，出现了多种改进的算法和新型神经网络，其中比较受关注的有WNN、PNN等。WNN是把小波变换的平移伸缩和时频聚焦特性引入神经网络而形成的一种新型神经网络，它在非线性逼近能力、分类能力和学习速度等方面均优于最常用的BP网络，且在应用于故障机理较为复杂的设备诊断时体现出较大的优势。PNN是以概率统计思想和Bayes分类规则而构成的分类神经网络，与BP网络相比，PNN的优势在于能用线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性。

PNN具有学习速度快、稳定性高、样本追加能力强等优点。所以本文把WNN和PNN应用于对汽轮机组的故障诊断。同时，由于汽轮机组设备的复杂性及运行环境的不确定性，且通过传感器所获得的设备状态信息也有不确定性。由于存在这些不确定性，则会导致故障诊断的准确率下降。若只用单一方法进行故障诊断，可能会出现漏检或误诊的情况。并且，同一种故障现象的故障原因可能有许多种，甚至涉及到多个子系统;而且由于专家间的经验与知识差异，做出的判断结果也可能不尽相同，甚至出现相互矛盾的情况，从而难以定位故障。要解决上述问题，需对同一故障对应的不同信息进行合理的融合，进而进行综合评判以得到合理的诊断结果。D－S证据理论是一种关于不确定性推理的理论，不仅可以用来处理偶然性不确定性问题，而且还可以用来处理认识性不确定性问题。它为解决复杂系统故障诊断的不确定性问题提供了一种新的途径。D－S合成公式比较注重证据之间的协调性，当证据信息冲突时，D－S合成公式直接抛弃所有冲突证据信息进行融合，这种简单粗暴的处理冲突证据方式易造成融合结果不合常理，且造成了故障信息的浪费。为了充分利用所有证据以便于获取合理可靠的融合结果，本文采用改进的D－S公式进行融合集成诊断。据此，本文提出了一个基于WNN－PNN和改进的D－S的集成故障诊断方法。该方法首先通过WNN和PNN网络对故障信息进行初步诊断，再根据初步诊断结果构造证据体，然后根据改进的D－S证据理论对多证据进行融合，得到证据融合决策诊断结果。

1改进的D－S理论

1．1D－S融合技术D－S证据理论主要是依据可信度函数运算的，在不确定因素处理、基于知识的证据进化以及应用范围等方面具有很大的灵活性。

1．2改进的D－S合成公式为了解决当k→1或k=1时，D－S合成公式融合结果不合理或无法运算的情况，Yager［16］对D－S合成公式做了改进，即D－S合成公式组合规则中冲突系数k不参与正则化过程，而只是把冲突系数k赋给了“未知项”。这样导致冲突信息被完全被否定。为了利用冲突信息，文献［17－18］引入了可信度的概念，根据可信度把证据冲突概率按各个命题的加权进行分配，文献［18］验证改进算法明显优于其他合成公式，所以本文选择式(2)对汽轮机故障融合诊断。

2改进的D－S集成诊断模型

2．1WNN网络故障诊断原理WNN是以小波基函数为神经元激励函数的前馈网络模型［6］，其基本策略是通过不断改变小波基的形状和尺度，调整网络的权值和阈值，使得误差平方和最小。基于WNN网络的故障诊断方法是充分利用小波变换良好的局部化性质和神经网络的强大自学习能力，将故障样本空间映射到故障模式中，形成具有较强的逼近能力和模式识别能力的诊断网络。

2．2PNN网络故障诊断原理PNN是基于Parzen窗口法实现贝叶斯分类规则的一种神经网络模型［7－10］。基于PNN的故障诊断方法实质上就是利用PNN网络模型的强大非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成应该具有较强容错能力和结构自适应能力的诊断网络系统。

2．3集成诊断策略据此，提出的基于WNN－PNN和改进型D－S的集成诊断策略，其结构图如图1所示。由图1可知，从传感器获取振动信号，对振动信号进行特征提取以获取样本;将获取的样本归一化后分别输入到WNN和PNN网络，经WNN和PNN网络进行初步诊断分别得到WNN的输出、PNN网络类别层输出概率的大小，两者经归一化后组成基本概率分配，进而形成证据;然后利用改进的D－S融合规则，计算出融合后的基本概率分配，经决策规则输出得到诊断结果。

2．4决策规则由于Bel(A)表示对A为真的信任程度，Pls(A)对A为非假的信任程度，所以信任区间［Bel(A)，Pls(A)］反映对A不确定性区间。Bel(A)和Pls(A)确定后，信任区间［Bel(A)，Pls(A)］就确定。即根据决策规则进行诊断。采用最大信任规则为决策规则，即选择Bel(A)最大的假设作为决策结果。

3仿真分析

3．1故障问题描述针对常见4种汽轮机组轴系振动故障:转子质量不平衡、转子不对中、油膜涡动和轴承松动，在转子振动试验台上进行模拟，对从试验台上获取的振动信号进行频域分析［19］，并提取振动信号的频域特征频谱中0．01f－0．39f、0．40f－0．49f、0．5f、0．51f－0．99f、1f、2f、3f－5f、odd*f、＞5f(f为转速工频)的9个不同频段上的幅值分量能量经归一化后作为特征量，进而建立各类故障的故障样本。4类故障共提取88个故障样本，其中前80个样本作为训练样本，其余8个作为测试样本。不平衡，转子不对中，油膜涡动、轴承松动4种类型的故障分别记为type1、type2、type3和type4，在集成诊断网络中分别用(1000)、(0100)、(0010)、(0001)表示。

3．2基本概率分配把不平衡、不对中、油膜涡动、轴承松动4种故障模式分别记为A1、A2、A3和A4。必须对每个测试样本经WNN初步诊断结果进行归一化，将归一化后的值作为证据体的基本概率分配;对PNN网络而言，因为PNN类别层的输出是测试样本属于各故障模式的概率大小，故以类别层输出构建证据体的基本概率分配。

3．3诊断网络训练根据WNN网络的算法结构和故障样本特点，设定WNN输入层节点数设为9;输出层节点数设为4;根据隐含层节点数的经验公式并经过试验验证得知，当隐含层神经元个数取12时误差最小，收敛速度快，故取隐含层的网络节点数为12。WNN网络中的学习率参数分别为0．4、0．1、0．001和0．001。把训练样本输入到WNN网络进行训练，得到的误差曲线如图2所示。由图2可知，WNN网络学习速度和收敛速度较快。根据PNN网络的算法结构和故障样本特性，可确定PNN网络的输入层有9个神经元，模式层有80个神经元，类别层和决策层均为4个神经元。把训练样本输入到PNN网络进行网络训练。经试验反复验证，径向基扩展系数取0．4。

3．4诊断结果及分析把测试样本输入到训练好的网络进行诊断，WNN和PNN的诊断经归一化的结果分别如图3、图4所示。把WNN和PNN归一化后的诊断结果作为证据，采用改进的D－S合成公式(式(2))进行融合诊断，诊断的结果如图5所示。为了比较，文中做了以D－S合成规则为融合算法的融合结果，如图6所示。由图3－图6可知，四种诊断方法均成功诊断出了所有的故障。以测试样本3为例，WNN网络、PNN网络、改进的D－S集成诊断网络和D－S集成诊断网络诊断出的样本3的故障类型均是油膜涡动，与实际故障相符;且WNN诊断出属于不平衡的概率为0．1027、转子不对中的概率为0．1102、油涡动的概率为0．7847、轴承松动的概率0．0024;PNN诊断结果分别为0．0264、0．0789、0．8482、0．0465;经D－S集成诊断网络得到的结果分别为0．0109、0．0156、0．9250、0．0013;经改进的D－S集成诊断网络得到的结果分别为0．0134、0．0188、0．9663、0．0016，由此融合结果可知样本3是油膜涡动故障的支持率由原来的0．7847、0．8482提高到了0．9663，属于不平衡、不对中、轴承松动的支持率降低了;比较图5和图6可知，与D－S合成公式相比，改进的D－S对样本3属于油膜涡动故障的支持率更高、更为合理。由图3－图6可知，集成诊断方法比单一的故障诊断方法诊断精度高，诊断结果更为合理;基于改进的D－S的集成诊断方法比基于D－S的集成方法的更接近期望输出，诊断精度更高。

4结论

本文提出了一个基于WNN－PNN和改进的D－S证据理论的集成故障诊断方法。该方法首先通过WNN和PNN网络对故障特征样本进行预诊断，再根据预诊断结果确定证据体的基本概率分配，进而经改进的D－S合成公式进行融合，然后采用最大信任规则对融合结果进行决策得到故障诊断结果。通过仿真结果可知:1)改集成诊断方法成功的诊断出了所有的故障;2)集成诊断方法比单一的故障诊断方法的诊断精度高;3)集成诊断方法在一定程度上加强了对原来支持率高的故障类型的支持，降低了对原来支持率较低的故障类型的支持;4)与基于D－S集成诊断方法相比，基于改进的D－S集成诊断方法的诊断结果更接近期望值，诊断精度更高。

作者：徐春梅 彭道刚 张悦 单位：上海电力学院自动化工程学院 华北电力大学河北省发电过程仿真与优化控制工程技术研究中心