基于WPD-tSNE-SVM方法的電站機組主軸故障診斷分析

曹康棲,李燦

(1. 國網江蘇省電力有限公司 濱海縣供電分公司,江蘇 鹽城 224599;2. 鄭州大學 機械與動力工程系,河南 鄭州 450001)

0 引言

機組運行精度受到多種因素的共同影響,其中高檔電站機組主軸是一個最關鍵的影響因素,對優化電站機組加工性能具有重要作用[1]。對于機組使用過程而言,主軸部件最易出現故障,即使專門為其配備監測報警系統也不能實現故障的精確監測,而且對于這類故障也缺乏足夠的維修條件。對主軸各組成部分進行分析可知,主軸軸承最易發生問題,這就要求針對這一部位開展故障因素的重點研究[2]。到目前為止,大多數工業生產管理過程還是按照前期經驗開展主軸部件的保養。進行故障確認時,需在保養期間先拆卸主軸,再對狀態進行檢查并診斷故障特征,接著針對實際故障實施具體維護。上述處理過程都占據了較長時間,而且各操作者所具備的技能不同對實際處理效果會造成直接影響。到目前為止,已有大量關于主軸機械運行故障檢測方面的文獻報道,相關理論研究成果也較為成熟[3],但應注意的是當主軸軸承處于較快轉速狀態時,將會產生多種類型的復雜頻率信號,從而對特定故障特征提取造成較大干擾。此外企業在實際生產過程中很少采集運行參數,無法獲得足夠故障樣本為分析過程提供支持。

小波包轉換可以實現低頻、高頻信號同步分解的處理過程,而且也不會造成計算結果產生冗余或者疏漏的問題,從而精確完成中、高頻數據的時頻局部化測試[4]。采用這一方法還能夠實現各類信號的自適應控制,從而自主確定最優小波基函數,經過分解得到特定頻帶范圍的信號分量,再結合這些信號特點完成設備運行狀態的監控與故障診斷。t分布鄰域嵌入分析技術是VAN DER M L[5]開發的一種能夠針對高維數據開展分析的非線性降維方法,能夠將結果轉換到符合分析條件的多個維度,由此實現樣本數據的準確分析。此外,還有學者利用支持向量機(SVM)建立通用分類方法,可以對小樣本或高維數據甚至一些非線性數據開展精確分析[6],此外還可以消除神經網絡學習模式不能準確滿足網絡結構的情況,因此該方法獲得進一步推廣。

本文針對柔性線電站機組運行過程中的主軸軸承故障開展了識別分析,同時采用小波包混合特征與支持向量機對電站機組軸承開展故障診斷,通過小波包分析方法分析主軸振動信號,再以SVM對重構特征實施故障分類。按照以上方法對主軸軸承故障實施診斷,可為之后的維護保養過程提供參考價值,促進維護效率的進一步提升,有效保障電站機組主軸的穩定運行。

1 本文模型

1.1 小波包分解(WPD)

通過小波變換計算得到時間和頻率之間的變化規律,再以伸縮和平移分析的方法對信號開展多尺度分析,但應注意經小波變換處理只能對低頻段數據進行分解與重構,而對小波變換方式進行優化后則能夠實現高低頻信號的同步檢測功能[7]。

1.2 非線性降維算法

tSNE處理方式是按照隨機鄰域嵌入(SNE)的方法來實現對稱處理的簡化梯度計算方法,是通過t分布取代高斯分布的模式判斷低維空間各點的相似度,以防止擁擠問題。tSNE是一種非線性降維的處理技術,能夠針對高維數據實施降維計算,由此得到具備可視化效果的數據。

tSNE可以利用高斯分布的方法距離轉換至呈對稱分布的聯合概率分布結果,以此展現高維空間參數相似度,構建以下表達式:

(1)

考慮到SNE數據存在較大的擁擠性,因此建立了自由度為1的t分布函數,將距離參數轉換為概率分布后再對低維數據相似度進行評價:

(2)

對包含2個分布的KL散度開展優化,建立下述目標函數表達式:

(3)

(4)

通過梯度下降的分析方法確定2個空間中的KL散度最小目標,再對低維可視化數據進行處理,由此實現數據的降維和可視化。

1.3 SVM故障分類原理

SVM是按照統計分析的方式針對小樣本數據設計的一種算法。該算法的處理過程為,以核函數將訓練樣本從初始空間集合中經非線性映射的方式形成高維特征空間,再為高維空間設置優化分類超平面,從而實現對樣本數據的分類。對于無法識別的樣本故障,則利用決策函數進行處理后再對最終類別進行判斷[8]。

(5)

(6)

1.4 模型流程

以下給出通過小波包混合函數與支持向量機方法進行電站機組軸承故障診斷的流程。

第1步:利用小波包方法分解主軸軸承的振動信號,之后根據各分量提取出均值、有效值、瞬時能量、峭度、樣本熵、排列墑、峰值以及峰值因子特征,再根據上述參數構建聯合特征空間。

第2步:以tSNE進行樣本處理使維度降低到2維,再對小波包混合特征樣本集參數開展分析。

第3步:以非線性多故障分類器對完成極差歸一化的參數進行故障分類,從中提取出故障特征,流程如圖1所示。

圖1 本文診斷方案流程

2 故障診斷結果分析

本實驗設計的數據采集系統由預裝了Labview的PC系統、加速度測試器以及NI數據采集系統共同構成,由采集系統收集實際工況下電站機組主軸的振動信號。加速度傳感器安裝在主軸軸承附近區域,對振動信號實施采集,保持采樣頻率為12 000Hz。上述測試過程都按照空載條件實施,保持轉速2 000r/min。

選擇振動加速度作為信號源,共存在4類主軸振動參數。從每個樣本中依次采集2 048點參數。總共存在100個實驗樣本,獲得圖2中的各時域信號。

圖2 振動信號時域圖

根據測試結果建立3層最優樹,再對非平穩軸承故障信號實施小波包分解,獲得8個頻帶信號。對頻帶區間信號混合特征進行分析,從而建立混合特征空間向量,每個樣本分別由112個特征量構成。按照隨機處理的方式從數據集內選出20個樣本建立訓練集,從中選出5個樣本構建得到測試集,結果見表1。

表1 樣本集

利用非線性降維tSNE方法處理時,需結合特征數據點相似度對不同模式進行識別,從而確定數據的變化特征,確保高維數據經過降維形成2維數據。獲得可視化特征數據集后,有助于更加精確判斷特征集的優劣性能。圖3顯示了采用tSNE方法對訓練樣本集進行降維得到2維數據的情況,可以明顯看到各樣本數據呈現規律分布特征,顏色一致的樣本呈現相互聚集的現象,說明小波包混合特征提取方法能夠滿足有效性,從而成為樣本數據分類的基礎。

圖3 樣本特征降維分布

對樣本數據實施極差歸一處理,再通過非線性支持向量機訓練多故障分類,經過測定得到圖4中的歸一化樣本集。

圖4 分類結果

根據分析結果可知,非線性SVM多故障分類器能夠滿足小波包混合特征的精確故障分析,再以SVM、BP神經網絡實現數據樣本的分類,具體見表2。從表2可知,各分類器都可以實現小波包混合特征集的高效分類,其中以徑向基核函數設置的非線性SVM診斷方式達到了更高的準確率。這是因為設備故障信號具有隨機和混沌特性,線性SVM和BP神經網絡模型具有分類局限性。非線性SVM適用于多場景下的相互關聯分析,對獲取高維數據具有很好的效果。

表2 模型對比

3 結語

本文利用小波包方法對主軸振動信號實施分解,完成樣本集tSNE降維,利用SVM完成重構特征故障分類。針對電站機組主軸運行,得到如下有益結論:

1)采用tSNE方法降維數據呈現規律分布特征,說明小波包混合特征提取方法能夠滿足有效性;

2)非線性SVM多故障分類器能夠滿足小波包混合特征的精確故障分析,各分類器都可以實現小波包混合特征集的高效分類。以徑向基核函數設置的非線性SVM診斷方式的準確率更高。