基于隱馬爾可夫模型的汽輪機故障診斷方法研究

王曉峰,夏 靜,韓 捷,雷文平

(1.國家電投河南電力有限公司技術信息中心,河南 鄭州 450001; 2.鄭州恩普特科技股份有限公司，河南 鄭州 450001)

基于隱馬爾可夫模型的汽輪機故障診斷方法研究

王曉峰1,夏 靜1,韓 捷2,雷文平2

(1.國家電投河南電力有限公司技術信息中心,河南 鄭州 450001; 2.鄭州恩普特科技股份有限公司，河南 鄭州 450001)

為提高汽輪機故障診斷的準確率,本文提出一種基于小波包能量與隱馬爾可夫模型相結合的汽輪機故障診斷方法.對汽輪機振動信號進行小波包分解,將小波包能量作為特征集;分別對每種故障狀態的樣本訓練HMM(Hidden Markov Model),并構建故障診斷知識庫;最后利用訓練好的HMM對待測樣本進行故障診斷.通過對汽輪機常見故障的診斷分析表明,基于隱馬爾可夫模型的故障診斷方法的準確率優于BP神經網絡、SVM(Suppvrt Vectwr Machine)等方法.

小波包能量; 隱馬爾可夫模型; 汽輪機; 故障診斷

0 引言

隨著電力工業的迅速發展,汽輪機機組朝著智能化、高容量、復雜化等方向發展,這使得汽輪機組的結構和系統日趨復雜.一旦汽輪機組發生故障,往往會導致巨大的經濟損失,嚴重情況下還會導致人員傷亡.因此,汽輪機的智能診斷方法越來越多地受到了國內外研究學者的關注.楊奎河[1]提出一種小波包分析與最小二乘支持向量機相結合的汽輪機故障診斷型.白蕾[2]對碰摩、松動、不對中、不平衡四種典型汽輪機轉子振動故障信號,采用小波包和Kolmogorov熵相結合的方法對其進行故障診斷.劉福榮[3]提出了一種基于粒子群優化聚類的汽輪機組振動故障診斷.本文提出了一種基于小波包能量與隱馬爾可夫模型相結合的汽輪機故障診斷方法.

由Rabinerd[4]提出的隱馬爾可夫模型作為一種統計分析模型,適用于隨機過程時間序列統計建模,它在語音識別[4,5]、機械故障診斷[6-8]等領域中有很多成功的應用.本文將HMM方法應用于汽輪機故障診斷中.本文對汽輪機各狀態下的振動信號提取小波包能量特征,并對不同故障類型分別訓練HMM模型,最后利用訓練的HMM模型對不同故障樣本進行識別,以達到故障診斷的目的.

1 理論基礎

1.1 小波包分析

小波分析是一種有效的時頻分析方法,具有良好的時頻定位特性.小波分析在低頻處有較高的頻率分辨率,在高頻處有較高的時間分辨率,適合處理復雜的非平穩信號.然而小波分析在高頻部分的分辨率較差,因此小波包分析被研究學者提出.小波包分析在小波分析的基礎上對高頻頻帶進行進一步分解,提高了頻率的分辨率,示意圖如圖1所示.經過k次分解,信號被分解成2k個不同頻帶的信號,每個頻帶信號的能量被稱為小波包能量,表示為

T=[E0,E1,…,E2k-1]

(1)

經過歸一化處理后,可表示為

(2)

式中,E=∑iEi

圖1 三層小波包分解示意圖Fig.1 three-level wavelet packet decomposition

1.2 隱馬爾可夫模型

隱馬爾可夫模型是馬爾可夫模型的擴展,該模型中只有觀測序列值可被觀測,而狀態變量是不可觀測的,需要利用觀測值序列進行估計.HMM是一個雙隨機馬爾可夫過程,其中狀態之間的轉移是隨機,且觀測值也是隨機的.HMM過程可由圖2來表示,該模型的主要參數包括:

(1) 狀態數目N.該模型包含N個獨立的狀態變量S={S1,S2,…,SN},定義t時刻的狀態為qt∈S,則狀態序列可以表示為Q={q1,q2,…,qT},其中T表示狀態序列的長度;

(2) 觀測值數目M.該模型包含M個觀測值V={v1,v2,…,vM}.定義t時刻的觀測值為ot∈V,則觀測序列可以表示為O={o1,o2,…,oT};

(3) 狀態轉移矩陣A.該矩陣描述了各狀態之間的轉移概率,A={aij},其中

aij=P(qt+1=Sj|qt=Si)

(3)

(4) 觀測概率分布B.該矩陣描述了觀測值在各狀態下的概率分布,B={bj(k)},其中

bj(k)=P(ot=vk|qt=Sj)

(4)

(5) 初始化轉態概率分布π.π={πi},其中

πi=P(q1=Si)

(5)

由以上可知,一個完整的HMM模型可以表示為λ={N,M,A,B,π},該模型也可簡化表示為

λ={A,B,π}

(6)

HMM中存在三個基本問題,包括:

(1) 評估問題.已知模型參數λ和狀態序列Q={q1,q2,…,qT},如何確定該條件下最有可能的觀測序列.

(2) 解碼問題.已知模型參數λ和觀測序列O={o1,o2,…,oT},如何確定一組最佳的狀態序列解釋該觀測序列.

(3) 學習問題.已知觀測序列O={o1,o2,…,oT},如何獲得一組最佳的模型參數λ,以便最好地描述該觀測序列.

針對以上三個問題,分別存在Forward-Back,Viterbi和Baum-Welch算法進行求解.

圖2 HMM基本示意圖Fig.2 A HMM structure scheme

2 基于HMM的故障診斷模型

本文結合小波包能量特征提取與HMM模型,構建了一種基于HMM模型的汽輪機故障診斷模型,見圖3.具體的診斷流程如下:

(1) 對各故障狀態下的汽輪機轉軸進行數據采集,獲得訓練樣本以及測試樣本.

(2) 對各樣本數據進行分段處理,并提取每個數據段的小波包能量,構成觀測序列.

(3) 對每種狀態下的樣本分別訓練HMM模型,構成HMM模型庫{λ1,λ2,λ3,λ4}.

(4) 將測試樣本的特征序列分別輸入到每個HMM模型中,分別計算似然概率Pλi;其中最大值決定了該訓練樣本的分類結果.

圖3 基于HMM的故障診斷模型Fig.3 The scheme of turbine generator fault diagnosis

3 實驗驗證

本文利用汽輪機模擬轉子實驗臺對汽輪機轉子振動的4種典型狀態進行了模擬實驗,包括:轉子質量不平衡、轉子動靜碰磨、軸系不對中以及正常狀態.對每種狀態分別采集30組數據,每組數據時長1s.將采集到的數據分為兩組:訓練樣本和測試樣本.其中,各狀態下隨機選取20組作為該狀態的訓練樣本,剩余10組作為測試樣本.將每組數據等分成10段,每段的時間長度為0.1s;然后利用db4小波對每段數據進行三層小波包分解,分別計算第三層共計8個小波包能量,這樣每組數據可得8×10的特征向量.該特征向量序列構成了HMM模型中的一組觀測序列.利用Baum-Welch算法對每種故障狀態數據分別訓練一種HMM模型,最終可獲得{λ1,λ2,λ3,λ4}.HMM選取的主要參數如下:狀態數為N=2,各狀態下高斯元數目M=2.圖4給出了不同狀態數對Baum-Welch訓練算法復雜度的影響.該圖表明,當狀態數選取越多,其計算量越大.通過比較不同狀態數下的診斷結果發現,其對診斷正確率的影響并不是很大.

診斷結果如圖5所示,其中被錯誤分類的樣本用黑色圓圈標記.從該圖中可以看到,測試樣本中有2組轉子質量不平衡故障被誤分;碰摩故障與不對中故障全被被正確分類;1組正常狀態數據被誤分.為了驗證HMM模型在汽輪機故障診斷中的有效性,本文分別比較了KNN,BPNN與HMM的診斷結果,其結果如表1所示.對比這三種診斷方法,HMM模型的診斷正確率最高,為92.5%.該結果表明了基于HMM的汽輪機故障診斷方法是有效的.

圖4 狀態數對計算效率的影響Fig.4 Effect of state number on computation complexity

圖5 診斷結果Fig.5 Fault diagnosis results using the proposed method

表1 不同分類方法診斷結果比較Tab.1 Comparisons of diagnosis results using different classification methods

4 結論

本文提出了一種基于小波包能量與隱馬爾可夫模型相結合的汽輪機故障診斷模型,并在汽輪機故障診斷中得到了成功的應用.通過對不同故障類型分別訓練HMM模型,構建了專家知識庫;利用訓練好的HMM對樣本依次測試,并最終實現故障診斷.與BPNN和SVM方法相比,提高了故障診斷正確率.

[1] 楊奎河,單甘霖,趙玲玲.基于最小二乘支持向量機的汽輪機故障診斷[J].控制與決策,2007,22(7):778-782.

YANG Kuihe,SHAN Ganlin,ZHAO Lingling.Turbine fault diagnosis based on least squares support vector machine[J].Journal of Control and Decision,2007,22(7):778-782.

[2] 白蕾,梁平.基于小波包濾波的汽輪機轉子振動故障的Kolmogorov熵診斷[J].振動與沖擊,2008,27(5):148-151,168.

BAI Lei，LIANG Ping. Kolmogorov entropy diagnosis of turbine rotor vibration fault based on wavelet packet filtering[J].Journal of Vibration and Shock，2008,27(5)：148-151,168.

[3] 劉福榮,王宏偉,高曉智.基于粒子群優化聚類的汽輪機組振動故障診斷[J].振動與沖擊,2010,29(8):9-12,238.

LIU Furong, WANG Hongwei, GAO Xiaozhi. Vibration fault diagnosis of steam turbine based on particle swarm optimization clustering[J].Journal of Vibration and Shock, 2010，29 ( 8 ): 9-12，238.

[4] Rabiner L.Atutorial on hidden markov models and selected applications in speech recognition[J].Proceedings of the IEEE,1989,77(2):257-286.

[5] Nefian A V.Dynamic bayesian networks for audio-visual speech recognition[J].Eurasip Journal on Applied Signal Processing,2002(11):1274-1288.

[6] Boutros T，Liang M.Detection and diagnosis of bearing and cutting tool faults using hidden Markov models[J].Mechanical Systems and Signal Processing,2011,25(6):2102-2124.

[7] Dong M.Anovel approach to equipment health management based on auto-regressive hidden semi-markov model(AR-HSMM)[J].Science in China Series F-Information Sciences,2008,51(9):1291-1304.

[8] Lee J M.Diagnosis of mechanical fault signals using continuous hidden markov model[J].Journal of Sound and Vibration,2004,276(3-5):1065-1080.

Fault diagnosis on turbine generators via hidden Markov model

WANG Xiao-feng1,XIA Jing1,HAN Jie2,LEI Wenping2

(1.SPIC HeNan Electric Power Co.,Ltd.Technology&Information Center, ZhengZhou,450001,China;2.Zhengzhou Expert Technology Co.,Ltd,ZhengZhou,450001,China)

In order to improve the diagnosis precision, a fault diagnosis method turbine generators is proposed based on wavelet packet energy and hidden Markov model (HMM). Firtsly, the wavelet packet decomposition is used to generate feature sets. Then, an HMM model is trained for working conditions on turbine generators. Finally, the trained HMMs are applied to calculate the probabilities of testing samples as inputs, whereas the maximum value determines corresponding class. Therefore, it is proven from experimental results that the performances of the proposed method are better than those of BP network and SVM method.

wavelet packet energy; hidden Markov model; turbine generator; fault diagnosis

王曉峰(1965-),男,碩士研究生,高級工程師.E-mail:yongyao_li@163.com

TH 212; TH 213.3

A

1672-5581(2016)06-0541-04