轉子系統碰摩故障模式識別方法研究

孫皓 楊亞東

摘 要：針對轉子系統發生的碰摩故障，通過研究其與電機電流信號的對應關系來進行識別分析。首先對轉子系統不同狀態下的電流信號去除工頻，然后利用小波包分解能量法處理不含工頻成分的電流信號來構造神經網絡分類所需的特征向量，最后利用ELM和PSO-ELM分類識別，整個過程快速而高效，碰摩故障識別效率及精度也很好地滿足了要求。

關鍵詞：碰摩故障;電流信號;小波包分解能量法;ELM;PSO-ELM

0引言

轉子系統作為旋轉機械裝備中重要的動力輸出裝置，當系統發生碰摩故障時會對整個設備運行狀態產生影響，為了及早精確地識別轉子碰摩故障，避免巨大的生產經濟損失，全球很多學者已經積極地加入轉子碰摩故障研究的相關領域，在具體理論和試驗技術上取得了很大的突破，并把最新診斷技術逐漸應用到工業生產實踐。人工神經網絡作為一門新興學科，其研究成果幾乎延伸到各個工程領域，利用神經網絡良好的分類功能可以有效的對轉子系統碰摩故障模式進行識別。

1轉子系統碰磨故障模式識別

1.1小波包分解能量法特征提取

轉子系統出現故障時，會導致電流信號每個頻帶能量變化，因此能量作為神經網絡訓練與識別的輸入是可行的。首先對各種故障條件下測得的電機電流信號進行4層小波包變換，之后重構最后一層的16個節點系數，計算出相應的頻段能量，節點（，）表示第層（=1，2，3，4）第個節點（=1，2，3，…，，14 ，15，16）。

式中：為節點（4，）頻帶的電流信號能量;為小波系數;代表采樣點數。

1.2 PSO-ELM神經網絡理論

ELM是最近出現的快速學習算法，該算法特別之處是獲得單隱層結構網絡的輸出權重時，相應輸入權重和偏置隨機產生。粒子群算法（PSO）的誕生深受生物學理論影響，它的類型屬于群體優化算法。PSO中種群內的每個粒子自帶適應度值，有時也會成為模型的最優解。在搜尋過程中，每個粒子的速度大小、移動方向和空間位置都會實時變化，這樣粒子通過個體最優解和種群最優解來自我更新。

2碰摩故障試驗

2.1試驗平臺

試驗平臺分為DHRMT旋轉機械試驗分析平臺和自行設計碰摩施加裝置兩大部分，試驗分析平臺又包括轉子系統與信號采集系統。碰摩試驗平臺裝有基于霍耳效應測量原理的電流傳感器。碰摩施加裝置，主要由磁力底座、支架和碰摩螺釘組成，在轉子運行過程中，通過調節螺釘與轉軸之間的距離使其碰撞來實現碰摩現象的發生。為了避免劃傷轉子，具體螺釘材料選擇剛度相對較小的銅材料。

2.2試驗方案

碰磨故障模式識別試驗中，將采樣頻率設為5kHz，控制轉速大小為1100 rpm使轉子系統穩定正常運行，采集此狀態的電機電流信號作為參考以便與故障的信號進行對比。在相同轉速情況下利用碰磨施加裝置使轉子與螺釘發生碰摩并采集電流信號。為了將轉子碰摩故障與轉子其他常見故障進行區分，在相同試驗條件下分別對轉子系統施加平行不對中和轉角不對中故障，采集對應電流信號并保存。

3試驗數據處理與分析

轉子系統發生的故障在電流信號中的調制現象微弱，而原始信號的主要工頻分量會對數據處理效果造成影響，故首先分別對無故障、轉子碰摩、轉角不對中和平行不對中的電流信號去除工頻，然后利用小波包分解能量法處理不含工頻成分的電流信號，為了構造神經網絡分類識別過程中的特征向量，分別采集轉子不同運行模式下的電機電流信號各50組數據，對其進行4層小波包分解后求取能量分布后，隨機選擇35組進行訓練，剩下15組進行測試，表1為部分測試樣本數據。

使用ELM神經網絡進行識別工作，輸入層節點數設為16，輸出層節點數設為4，分別對應特征向量的維數和轉子的不同運行狀態，根據經驗將隱含層節點數取為9。圖3（a）為ELM測試結果的分類情況，平均識別正確率為91.67%，具體碰摩故障模式的識別率為93.33%。

根據PSO優化ELM神經網絡的流程，粒子群算法的種群規模為25，最大迭代次數150，連接權重位于[-1，1]之間，然后使用PSO算法對ELM的參數訓練，最后使用訓練好的模型對轉子運行狀況模式進行識別。圖3（b）為PSO-ELM測試結果的分類情況，平均識別率為96.67%，碰摩故障的測試樣本全部歸類正確，說明PSO優化ELM神經網絡相比于傳統ELM精確度更高，粒子群算法的優化效果十分明顯。

4結論

本文基于電機電流信號對轉子系統碰摩故障模式進行了識別，采用小波包分解信號求取各節點的能量分布，將其作為PSO-ELM的特征向量來進行分辨，通過處理電流信號分解后的能量信息能夠有效識別轉子系統碰摩故障模式，不必具體捕捉電流信號中的特征頻率進行研究分析;小波包考慮了信號特定頻率的變化和隨時間的變化，有利于故障特征的提取;利用PSO-ELM識別碰摩故障模式的平均正確率為96.67%，優化效果十分明顯，可將其作為碰磨故障模式識別的工具。

參考文獻

[1]何成兵， 顧煜炯， 楊昆. 一種新的轉子碰摩故障診斷特征的研究[J]. 機械強度， 2003， 25（4）：355-359.

[2]汪江， 金銳， 陸頌元. 大型機組動靜碰摩故障振動特征分析與現場處理[J]. 汽輪機技術， 2002， 44（1）：45-47.