基于GA-BP神經網絡的汽輪機故障診斷

張文靜

（廣東省機械技師學院，廣東 廣州 510000）

汽輪機是火電廠的核心設備之一，在火力發電系統中具有舉足輕重的作用，也是火電廠重點關注和運維的設備。汽輪機機械結構相對復雜，長期工作在高應力和高轉速的環境中，各部件出現故障的概率也較高。汽輪機一旦出現故障，會影響整個火電機組的正常運行，嚴重時可能會導致系統解列。因此，對汽輪機進行故障診斷研究意義重大。

目前，專家系統、支持向量機和神經網絡等智能算法在汽輪機故障領域得到廣泛應用。張棟良等將本體模型、模糊綜合評價法和貝葉斯網絡相結合，提出了一種基于組合模型的汽輪機故障診斷方法，算例分析表明，該方法對汽輪機的故障診斷效果較好[1]。范漢林采用EMPSO算法對支持向量機進行參數尋優，建立了EMPSO-SVM模型，并將該模型應用于汽輪機故障診斷，取得了良好的應用效果[2]。趙朋認為可用于建模的汽輪機故障數據相對較少，進而將汽輪機正常工況的數據與其他工況數據進行重構分析，并采用自編碼神經網絡對汽輪機不同工況下的運行數據進行建模，提出了一種基于自編碼神經網絡的汽輪機故障診斷方法[3]。但現有診斷方法的診斷精度相對較低，有待進一步研究診斷精度更高、穩定性更好的汽輪機故障診斷模型。

1 汽輪機常見故障分析

1.1 轉子不平衡

轉子不平衡是汽輪機常見故障之一[4]，在汽輪機的運行過程中，其轉子不停旋轉，在離心力的影響下，轉子可能會發生振動，從而使轉子的旋轉功能遭到破壞。汽輪機出現轉子不平衡故障的原因有很多，主要包括轉子質量不平衡、受熱彎曲、受熱不平衡以及部件脫落等。

從不平衡原理的角度進行分析可知，轉子速度達到最大時，其幅值也會出現峰值，此時相位角上升至180°。當轉子速度出現一階不平衡時，最大幅值出現在轉子速度第一次達到最大時，此時相位角上升角度接近180°；當轉子速度出現二階不平衡時，最大幅值出現在轉子速度第二次達到最大時，此時相位角上升角度略小于180°；當轉子速度同時存在一階和二階不平衡時，振動產生的相位變換會發生變化，一端相位角上升略小于180°，另一端接近360°。

1.2 動靜碰磨

汽輪機長期處于高溫、強振動的運行環境中，不可避免地會產生一定磨損，磨損的主要原因有機械扭曲、螺絲松動和轉子旋轉不正常等。過度磨損會使轉子受力增加，出現轉軸彎曲的現象，嚴重時會導致軸斷裂。根據磨損方向，動靜磨損可分為徑向磨損、軸向磨損和組合磨損，從旋轉周期接觸情況來看，又可以分為全周磨損和部分磨損[5]。

1.3 油膜渦動

油膜渦動主要是指軸承運動受干擾時出現的情況，油膜渦動會產生一定的彈性恢復力和不穩定的切向失穩分力。當阻尼力大于切向失穩分力時，軸承內的轉動能夠保持穩定，即渦動收斂；當阻尼力小于切向失穩分力時，渦動表現形式為發散曲線。此外，油膜渦動軌跡也可能呈現出雙環橢圓曲線。

1.4 轉子不對中

汽輪機正常運行時，機架中心的2兩個轉子控制器在一條直線上，當二者間存在一定傾斜角時，稱為轉子不對中。常見的轉子不對中故障主要分為3種：一是平行不對中，2條軸線間出現一定的平行偏移量；二是偏角不對中，2條軸線間存在一定的夾角；三是組合不對中，2條軸線間既存在一定偏移量，又存在一定的夾角[6]。

在時域范圍內，轉子不對中故障的振動周期相對穩定，轉子轉速較低時，聯軸器擺動幅度較大。對于平行不對中故障，擺動幅度是同向的；對于偏角不對中故障，擺動幅度是反向的。

2 GA-BP神經網絡

2.1 BP神經網絡

BP神經網絡實際上是一種誤差反向傳播的神經網絡模型，是目前使用最廣泛的神經網絡模型，學習過程中采用的是最速下降法。BP神經網絡的學習訓練方向為正時，輸入層輸入的樣本數據經過訓練后從輸出層輸出。如果輸出結果與期望值間的差距不滿足誤差要求，則采用誤差反向傳播的方式對網絡參數進行計算、調整，直至輸出結果滿足誤差要求。

BP神經網絡的網絡機構通常由輸入層、輸出層和隱含層構成，單個節點相當于一個神經元，每層的神經元間不存在聯系，不相鄰的2層神經元間也不存在連接關系，各層間依次傳播，完成樣本數據的訓練。BP神經網絡的原理可參考文獻[7]。

2.2 遺傳算法

遺傳算法（Genetic Algorithm）是根據生物遺傳理論提出的一種經典優化算法[8]，其尋優原理滿足達爾文進化論中的“適者生存”原則。GA算法將優化目標作為編碼串聯到生物種群中，通過選擇、交叉和變異等步驟完成生物進化，選擇適應度更好的個體作為父本，并淘汰適應度較差的生物個體，使新種群能夠繼承父本的優良信息，最終找到全局最優解。GA算法原理簡單，便于操作，在參數尋優方面得到了廣泛應用。

2.3 GA-BP神經網絡模型

該文采用GA算法對BP神經網絡的初始權值和閾值進行優化，通過選擇、交叉和變異等一系列操作，找出適應度值最好的個體，將其賦值給BP神經網絡，即可得到GA-BP神經網絡模型。構建GA-BP神經網絡模型的主要步驟如下。

2.3.1 種群初始化

采用實數編碼的方式進行個體編碼，種群中的每個個體都是一個實數串，種群由BP神經網絡中的所有權值和閾值組成。

2.3.2 構建適應度函數

該文所提GA-BP神經網絡用于汽輪機故障診斷，因此將GA-BP神經網絡模型的診斷精度為適應度值，如公式（1）所示。

式中：xn為樣本總量；ψ為診斷精度；m為汽輪機故障類型；xm為第m類故障診斷正確的樣本數量。

2.3.3 選擇操作

采用輪盤賭法進行選擇操作，第i個個體被選中的概率如公式（2）所示。

式中：pi為選擇概率；N為種群容量；fi為生物個體i的適應度值。

2.3.4 交叉操作

隨機選擇另一個染色體進行交叉，獲得新個體，該過程如公式（3）所示。

式中：akj、alj均為染色體基因；b為隨機數，b∈[0，1]。

2.3.5 變異操作

隨機選擇另一個染色體進行交叉，獲得新個體，該過程如公式（4）、公式（5）所示。

式中：amax和amin分別為alj最大值和最小值；g和Gmax分別為當前進化代數和最大進化代數；r2為隨機數，r2∈[0，1]。

GA-BP神經網絡模型的流程圖如圖1所示。

圖1 GA-BP神經網絡模型的流程圖

3 仿真分析

采用型號為ZT-3的汽輪機樣本數據進行仿真分析，具體見表1。將表1中的數據劃分為訓練集和測試集，分別取每種故障的前30組為訓練集，后12組為測試集。

表1 樣本數據和故障編碼

汽輪機出現不同故障時，其頻譜成分是不同的，包括4倍頻、3倍頻、2倍頻、1倍頻和0.5倍頻[9]。該文以汽輪機的5種頻譜成分為輸入量，以汽輪機的5種狀態（正常、轉子不平衡、動靜碰磨、油膜渦動和轉子不對中）為輸出量，建立網絡結構為5-12-5的基于GA-BP神經網絡的汽輪機故障診斷模型。GA-BP神經網絡設置如下：種群容量為20，最大進化代數為50，交叉概率和變異概率分別為0.4和0.1，學習率為0.001，訓練函數和傳遞函數分別為tansig函數和trainlm函數。

采用訓練集數據對GA-BP神經網絡模型進行訓練，利用測試集數據檢測診斷效果，GA-BP神經網絡模型的診斷結果如圖2所示。為了進行對比和分析，采用PSO-SVM模型、BP神經網絡模型和ELM模型對測試集進行故障診斷，診斷結果分別如圖3～圖5所示。

圖2 GA-BP神經網絡模型診斷結果

圖3 PSO-SVM神經網絡模型診斷結果

圖4 BP神經網絡模型診斷結果

圖5 ELM模型診斷結果

4種不同模型的對汽輪機故障診斷結果見表2。由表2可知，GA-BP神經網絡模型、PSO-SVM模型、BP神經網絡模型和ELM模型出現誤診斷的次數分別為2次、4次、6次和7次，診斷精度依次為96.67%、93.33%、90%和88.33%.通過對比可以看出，與其他幾種汽輪機故障診斷方法相比，基于GA-BP神經網絡的汽輪機故障診斷方法的誤診斷次數更少，診斷精度更高。

表2 4種模型診斷結果對比

4 結論

該文分析了汽輪機的4種常見故障，以汽輪機的頻譜成分為輸入量，汽輪機故障類型為輸出量，采用遺傳算法對BP神經網絡的權值和閾值進行優化，建立了基于GA-BP神經網絡的汽輪機故障診斷模型。采用某汽輪機樣本數據進行仿真分析，并與其他汽輪機故障診斷方法進行對比，結果表明，該文所提汽輪機故障診斷方法的誤診斷次數更少，診斷精度更高。