基于MATLAB的汽輪機振動故障診斷仿真研究

劉海峰

(廣東粵電靖海發電有限公司，廣東 揭陽 515223)

基于MATLAB的汽輪機振動故障診斷仿真研究

劉海峰

(廣東粵電靖海發電有限公司，廣東 揭陽 515223)

SOM神經網絡是一種極具理論與使用價值的分類方法。基于SOM神經網絡算法，在小樣本情況下對汽輪機機組故障診斷進行了仿真研究，建立了多故障分類器，并將其應用于典型的汽輪機振動故障診斷。結果表明，應用該算法可以正確且快速有效地診斷多類汽輪機故障，可以為現場生產中汽輪機振動故障類型判斷提供參考。

汽輪機組；振動故障；故障診斷；SOM神經網絡；多故障分類器

0 引 言

汽輪機組日趨高參數、大型化發展，由于其設備結構的復雜性和運行環境的特殊性，因此故障率較高且危害性大，必須加強機組運行的振動監測和故障診斷。引起汽輪機組振動故障的原因有以下幾類：軸系質量不平衡、動靜摩擦、軸系不對中、氣流激振、油膜失穩、部件松動及發電機電磁力不平衡等。在汽輪機組實際運行過程中對振動故障類型進行判斷非常困難，因此如何能夠根據振動參數對振動故障進行快速、準確的分類，受到了國內外的高度重視[1-2]。隨著模式識別和計算機技術的迅速發展以及各種先進數學算法的出現，為汽輪機振動故障診斷技術的發展提供了有利的條件。文中利用SOM神經網絡以汽輪機典型故障數據樣本集為基礎建立多故障分類器，并利用新分類器對測試數據進行診斷，結果顯示該多故障分類器能夠準確診斷振動故障類型，可以為現場生產中汽輪機振動故障類型判斷提供參考。

1 SOM神經網絡分類方法

1.1 SOM神經網絡簡介

自組織特征映射網絡(SOM, Self-Organizing Feature Map)是由全連接的神經元陣列組成的無導師、自組織、自學習網絡。典型的SOM網絡結構如圖1所示，由輸入層和競爭層組成，輸入層神經個數為m，競爭層由a×b個神經元組成的二維平面陣列，輸入層和競爭層各神經元之間實現全連接[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的特征拓撲分布，但也可以推廣到多維處理單元陣列中去。SOM網絡模型由以下四個部分組成：

(1)處理單元陣列，用于接收事件輸入，并且形成對這些信號的“判別函數”。

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

(3)局部互聯作用，用于同時激勵被選擇的處理單元及其最鄰近的處理單元。

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

圖1 二維陣列SOM神經網絡模型

1.2 SOM學習算法

SOM自組織特征映射算法能夠自動找出輸入數據之間的相似度，將相似的輸入在網絡上就近配置，因此是一種可以構成對輸入數據有選擇地給予反應的網絡[4-5]。其學習算法步驟如下：

(1)網絡初始化 用隨機數設定輸入層和映射層之間權值的初始值，對m個輸入神經元到輸出神經元的連接權值賦予較小的權值。選取輸出神經元j個“鄰接神經元”的集合Sj。其中，Sj(0)表示時刻t=0的神經元j的“鄰接神經元”的集合，Sj(t)表示時刻t的“鄰接神經元”的集合。區域Sj(t)隨著時間的增長而不斷縮小。

(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)計算映射層的權值向量和輸入向量的距離(歐式距離) 在映射層，計算各神經元的權值向量和輸入向量的歐式距離。映射層的第j個神經元和輸入向量的距離，如圖1所示。

(1)

(4)權值的學習 按下式(2)修正輸出神經元j*及其“鄰接神經元”的權值。

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

(2)

式中，η為一個大于0小于1的常數，隨著時間變化逐漸下降到0。

(3)

(5)計算輸出ok

‖X-Wj‖)

(4)

式中，f(*)一般為0～1函數或者其它非線性函數。

(6)是否達到預先設定的要求 如達到要求則算法結束；否則，返回到步驟(2)，進入下一輪學習。

1.3 MATLAB語言編程實現

文中所涉及的程序代碼較多，編程過程非常繁瑣，所以選用第四代計算機語言——MATLAB語言。MATLAB語言具有編程效率高、使用方便、擴充和交互性好、移植性和開放性好、語句簡單、方便繪圖等優點，而且包含豐富的函數庫，使開發者省去了大量的重復編程。文中的全部程序都是基于MATLAB7.10平臺開發的。

2 振動故障分類模型建立

文中選用了文獻[6]中的振動數據進行訓練，以汽輪機典型的振動故障進行SOM神經網絡仿真，數據樣本集見表1。

表1 SOM神經網絡仿真樣本數據

2.1 模型建立

分析汽輪機典型的振動頻譜特征，每個振動故障樣本中有9個主要振動故障特征，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為振動工頻)作為模型輸入；L1-L5即質量不平衡、動靜碰磨、軸系不對中、部件松動、油膜振蕩等5個振動故障類型，作為模型輸出。

2.2 SOM網絡仿真

利用newsom創建一個自組織特征映射，由于SOM網絡的訓練步數影響網絡的分類性能，訓練過程中分別選擇50、100、200、500、1000次，仿真分類結果見表2。

表2 SOM網絡在不同訓練次數下的分類結果

當訓練步數為50時，網絡僅僅對樣本進行了初步分為3類，這樣的分類不夠精確。當訓練步數為200時，每個樣本都被劃分為一類，這樣分類結果就更加細化了，當步數為500、1 000時，同樣是每個樣本都被劃為一類，這時再提高訓練步數，已經沒有實際意義了。

對于汽輪機組振動故障診斷問題，基于SOM神經網絡的故障診斷系統如圖2所示。

圖2 基于SOM神經網絡的故障診斷系統

機組的振動狀態監測是對機組可能發生的振動故障類型預先判斷，振動故障診斷的問題可以轉化為對機組運行狀態分類的問題。對于汽輪機組，通常將其振動信號的頻率劃分為幾個不同的頻段，然后以不同頻段對應的最大振幅的比值作為振動故障特征量[7-11]。這樣就得到相應的特征空間，在此基礎上采用SOM神經網絡仿真對這些特征進行分類，結果如圖3所示。

圖3 SOM神經網絡仿真結果

2.3 SOM故障診斷系統的診斷測試

在此選取了5個試驗樣本對SOM神經網絡仿真建立的多故障分類器進行測試。從表3可以明顯地看出試驗樣本所屬的類別。

由表2中的測試結果可以看出，對于典型的汽輪機故障類型，多故障分類器可以進行準確的識別。5個測試樣本最終都被準確分類，錯分率為零。這主要是由于SOM神經網絡仿真時，雖然每次激發的神經元可能不一樣即每次執行后的結果不一樣，但無論激活哪個神經元，最后的分類結果不會改變，因而SOM神經網絡的具有較高的自分類性能，同時分類速度較快。

表3 多故障分類器測試結果(訓練步數200)

通過對汽輪機組故障進行仿真診斷，結果表明將該分類器應用于汽輪機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練分類器，具有算法簡單和故障分類能力強的優點。仿真實驗結果驗證了該方法的有效性，可以為現場生產中汽輪機振動故障類型判斷提供參考。

3 基于SOM神經網絡的汽輪機故障診斷系統開發

文中以MATLAB為平臺開發了汽輪機故障診斷系統，包括三大模塊：數據采集、數據分析以及故障診斷。該系統首先通過采集汽輪機運行振動數據建立“振動數據庫”，其次對數據庫中的數據進行篩選并提取特征量；最后根據數據診斷汽輪機故障類型。故障診斷時，在用戶界面點擊“故障診斷”按鈕，診斷結果如圖4所示。

圖4 汽輪機故障診斷系統運行界面

4 結束語

文中基于MATLAB采用SOM神經網絡算法，在小樣本情況下對汽輪機機組故障診斷進行了仿真研究，建立了多故障分類器，將其應用于典型的汽輪機故障診斷，仿真實驗結果證明了該方法是一種極具理論與使用價值的分類方法，并且得出以下結論：

(1) SOM神經網絡分類方法可以正確且有效地診斷多類汽輪機故障，不會出現拒絕分類區，明顯的減少分類時間，分類精度也較理想。

(2) 利用汽輪機多個典型故障數據訓練多分類器并利用新分類器對未知樣本數據進行分析、識別，結果表明SOM神經網絡在汽輪機故障診斷中有著良好的應用前景。

(3)對于常見的多類識別問題，振動故障診斷的問題就轉化為把機組的現行工作狀態歸類的問題。

[1] 李錄平．汽輪機組故障診斷技術[M]．北京：中國電力出版社，2001．

[2] 李錄平，晉風華．汽輪機發電組碰磨振動的檢測、診斷與控制[M]．北京：中國電力出版社，2006．

[3] 郭慶琳，鄭 琳．基于模糊粗糙集數據挖掘的汽輪機組故障診斷研究[J]．中國電機工程學報，2007，27(8)：81-87．

[4] MATLAB中文論壇. MATLAB神經網絡30個案例分析[M]. 北京: 北京航空航天大學出版社, 2010, 4.

[5] 朱 凱，王正林. 精通MATLAB神經網絡[M]. 北京: 電子工業出版社, 2010,1.

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

[7] 程衛國，傅志中，陸文華，等．MATLAB在汽輪機振動故障診斷中的應用[J]．中國動力工程學報，2005，25(1)：97-101．

[8] 梁 平，龍新峰，吳庚申．基于ARMA及神經網絡的汽輪機振動故障診斷研究[J]．熱能動力工程，2007，22(1)：6-10．

[9] 賈 爽，賀利樂．基于粒子群優化SOM神經網絡的軸系多振動故障診斷 [J]．機械傳動，2011，35(6)：76-82．

[10] 張彼德，歐 健，孫才新，等．汽輪發電機多故障診斷的SOM的神經網絡方法[J]．重慶大學學報(自然科學版)，2005，28(2)：36-38

[11] 張彼德，歐 健，孫才新，等．運用免疫遺傳神經網絡的汽輪機振動故障診斷方法[J]．振動、測試與診斷，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，工學碩士，主要從事電廠生產技術工作。

10.3969/j.issn.1009-3230.2015.08.003

TK263.7

B

1009-3230(2015)08-0010-04