基于FOA－SVM的汽轮机振动故障诊断

石志标，苗 莹

（东北电力大学机械工程学院，吉林 132012）

基于FOA－SVM的汽轮机振动故障诊断

石志标，苗 莹

（东北电力大学机械工程学院，吉林 132012）

为解决支持向量机算法（Support Vector Machine，SVM）的核函数参数及惩罚因子参数选取的盲目性，利用果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）对SVM中参数进行优化。提出基于FOA的SVM故障诊断算法，并对汽轮机故障实验数据进行模式识别。该算法能对SVM相关参数自动寻优，且能达到较理想的全局最优解。通过与常用的粒子群算法（Particle Swarm Optimization，PSO）与遗传算法（Genetic Algorithm，GA）优化后支持向量机进行对比。结果表明，FOA－SVM算法稳定、识别速度快、识别率高。

支持向量机；汽轮机；振动诊断；果蝇算法

现代化生产的高速发展，使汽轮机向大型化、高容量化发展［1］。为提高生产效率、保证汽轮机设备的安全运行，对其运行状态监测及故障诊断尤其重要。汽轮机机组故障类型较多，常见故障有转子质量不平衡、转子不对中、转子碰磨、油膜振荡等，且均能以振动信号形式显现，因此对汽轮机振动信号快速有效识别极为重要［2］。用于汽轮机故障诊断的神经网络为常用智能算法之一［3］，但其存在过拟合、收敛速度慢、易发散、易陷入局部极小值等问题，严重影响实用性。Vapnik等［4］提出的支持向量机算法（Support Vector Machine，SVM）为基于结构风险最小化方法的统计学习理论，为专门的小样本统计理论［5］，具有较强泛化能力，并能克服神经网络中存在的过拟合、收敛速度慢、易陷入局部极小值、样本需求量大等缺点，在汽轮机故障诊断中应用前景广阔。而支持向量机（SVM）参数选取困难影响其实用性。Pan［6］提出的果蝇算法（Fruit Fly Optimization Algorithm，FOA）为基于果蝇觅食行为推演出寻求全局优化的新方法。具有较强的全局搜索能力，且易于实现。用FOA算法对SVM参数进行优化，提出FOA＿SVM汽轮机故障诊断算法。

1 FOA＿SVM算法

1.1 FOA算法基本原理

FOA为由果蝇觅食行为推演的寻求全局优化方法［7］。果蝇本身在感官知觉上优于其他物种，尤其嗅觉与视觉，其嗅觉能搜集飘浮空气中的各种气味，甚至能嗅到40 km外的食物源，飞近食物后亦可发现食物与同伴聚集位置，见图1。按果蝇搜寻食物特性，将其归纳为：

图1 果蝇群体迭代搜索食物示意图Fig．1 Diagram of fruit flies iterative searching for food

（7）进入果蝇迭代寻优。重复执行（2）～（5），并判断味道浓度是否优于前一迭代味道浓度，若是则执行（6）。

1.2 基于FOA的SVM参数优化

SVM对非线性问题分类性能取决于结合因素，应该选合适的径向基参数σ2将数据映射到高维特征空间；对该特征空间寻找合适的惩罚因子C，使学习机的置信范围及经验风险具有最佳比例。因此对σ2，C的联合优化极其重要。为便于编程，对SVM中核函数参数σ2做简单变换1／σ2＝g，将g作为径向基核函数参数进行研究。用FOA算法对其优化，即

（1）对初始果蝇群体位置、参数初始化，其群体位置区间为［1，2］，种群规模30，迭代次数100，设定SVM初始参数。

（2）果蝇寻优开始，利用FOA调整参数C，g。

（3）利用味道浓度判定函数求出味道浓度。

（4）据味道浓度值寻找极值，保留最佳位置。

（5）检查结束条件。若满足，则结束寻优；否则转（2）。结束条件为寻优达到最大进化代数或味道浓度是否优于前一迭代味道浓度。

FOA算法优化SVM参数流程见图2。

图2 FOA算法优化SVM参数流程图Fig．2 Flow chart for FOA algorithm to optimize SVMparameter

2 故障模拟试验及故障数据

研究汽轮机轴系典型故障需大量故障试验数据。为此，设计故障试验方案，利用转子故障模拟试验台进行轴系典型故障试验，获得故障数据。

汽轮机转子常见故障有：①质量不平衡，能间接反映转子的零件松动、叶片掉块、变形等；②转子与静止结构碰摩及转子不对中。转子轴承系统在某种工作状态下亦会发生高速滑动轴承特有故障，即③油膜涡动、④油膜振荡。转子轴颈在油膜中的剧烈振动会直接导致机器零部件损坏。本文对常见的4种故障进行模拟试验。所用ZT－3转子振动模拟试验台见图3。

试验台用直流并励电动机驱动，电动机轴经联轴器直接驱动转子，电动机额定电流为2．5 A，输出功率250 W。调速器可对电动机在0～10 000 r／min范围内无级调速。试验台长1 200 mm，宽108 mm，高145 mm，质量约45 kg，转轴直径9．5 mm，油膜振荡试验用轴长500 mm，其它试验用长320 mm转轴，转子规格Φ76 mm×19 mm。质量不平衡试验中采取在每个转子两侧面周向平衡槽内增加不平衡螺钉方法在左侧转子上加重0．6 g；转子不对中采取在轴承座一侧加垫片方法致轴承座左右位置偏差模拟转子不对中故障；转子动静碰摩用摩擦螺钉模拟，摩擦试验按所需位置固定摩擦螺钉架，启动电机使在所需的转速内运转，调整摩擦螺钉，观察到冲击信号后锁紧翼型螺母；油膜振荡采用专用轴及油膜轴承，该轴承轴瓦长于普通轴承，可增大轴承长径比以获得较小比压，便于油膜涡动与油膜振荡激发。传感器采用电涡流传感器，频率范围0～10 kHz，每个转子在x，y方向各设一个测点。传感器获取振动信号后进行初步滤波、放大，经A／D将模拟信号转换为数字信号输入计算机进行后期处理。试验所用南京东大测振仪器厂的ZXP－1600B汽机振动测试分析系统可存储各通道原始波形动态信号及振动特征数据。存储方式为按转速变化及按时间间隔变化，具有16通道同步正周期采集及同屏显示功能。采样频率为32倍基频，在每个采样周期内的采样点512，测试数据存储于二进制文件库中。

时域波形为原始振动信号的信息来源。时域分析提供的信息较有限。而频域分析能通过测试对象的动态特征对设备状态进行评价。为在试验台的安全操作规范内充分显示转速对故障影响，每50 r／min取一组数据，每类故障取50组数据，将其进行傅里叶变换后的各频率段能量占比作为判断故障类型的特征向量。将频率段分为：m1＝（0．01～0．39）f，m2＝（0．40～0．49）f，m3＝0．5f，m4＝（0．51～0．99）f，m5＝1f，m6＝2f，m7＝（3～5）f，m8＝（＞5）f，m9＝奇数倍频，其中f为转频。

图3 ZT－3转子振动模拟试验台Fig．3 ZT－3 rotor vibration simulation test rig

3 基于FOA-SVM的故障诊断

3.1 SVM参数优化过程及分析

为评价算法性能，用GA-SVM［8］、PSO－SVM［9－10］、及FOA-SVM三种算法对样本进行识别。由于三种算法均为全局寻优的概率搜索算法，因此参数均设为：种群最大数量30，最大进化代数100，SVM参数C变化范围［10－1，102］，g变化范围［10－2，103］。虽三种算法初始参数相同，但由于种群寻优过程不同，所达最优解的进化代数各不相同。为便于观察，对三种算法适应度变化进行比较，见图4。由图4看出，相同种群数量、进化代数及故障样本下，PSO算法曲线在进化代数第15代时达最大值，即出现最优解；GA算法曲线在进化代数第21代时出现最优解；FOA算法曲线在进化代数第12代时出现最优解。通过比较，PSO算法与FOA算法进化较快，但PSO算法不稳定，在第9代陷入局部最小，在第15代达最优解；GA算法与FOA算均较稳定，但GA算法迭代次数多，优化速度较慢。因此，FOA算法无论算法稳定程度，或进化速度均能达到较理想效果。

图4 三种算法适应度变化Fig．4 Three algorithmswith the change of fitness

3.2 识别结果及讨论

用三种算法对每类故障的30组训练集数据进行训练，用其余20组测试。FOA-SVM测试结果见图5，PSO-SVM测试结果见图6，GA-SVM测试结果见图7。各图中accuracy为测试集的识别正确率。1为不平衡故障，2为不对中故障，3为油膜震荡，4为转子碰摩故障。

各算法识别结果见表1。由表1看出，FOA＿SVM与PSO＿SVM的运行时间相当，但识别率前者较后者高出6．25%；FOA＿SVM与GA＿SVM的识别率分别达100%及98．75%，均较高，但运行时间前者较后者快36．12%。故经FOA算法优化的SVM或识别率或运行时间均优于其余两种，对汽轮机振动故障识别应用前景广阔。

表1 各算法识别结果Tab.1 Recognition results under different algorithms

图5 测试集下FOA-SVM测试结果Fig．5 The test results of FOA-SVMin the test set

图6 测试集下PSO-SVM测试结果Fig．6 The test results of PSO-SVMin the test set

图7 测试集下GA-SVM测试结果Fig．7 The test results of GA-SVMin the test set

4 结 论

本文利用果蝇优化算法（FOA）对SVM中参数优化，提出基于FOA的SVM故障诊断算法，并对汽轮机故障进行模式识别，结论如下：

（1）对SVM参数优化，FOA算法较PSO算法更稳定，较GA算法进化更快。

（2）对故障识别率，FOA算法达100%，而PSO与GA分别为93．75%及98．75%。

（3）对运行时间，FOA算法仅用2．102 s，PSO与GA分别用2．474 s及3．873 s。

总之，FOA－SVM算法对参数优化快速稳定，识别率最高、识别速度最快。

［1］宾光富，何立东，高金吉．基于模态振型分析的大型汽轮机低压转子高速动平衡方法［J］．振动与冲击，2013，32（14）：87－92．

BIN Guang-fu，HE Li-dong，GAO Jin-ji．High-speed dynamic balancing method for low pressure rotor of a large steam turbine based on modal shape analysis［J］．Journal of Vibration and Shock，2013，32（14）：87－92．

［2］石志标，宋全刚，马明钊．基于改进粒子群优化支持向量机的汽轮机组故障诊断［J］．动力工程学报，2012，32（6）：454－457．

SHI Zhi-biao，SONG Quan-gang，MA Ming-zhao．Fault diagnosis of steam turbine based on MPSO-SVMalgorithm［J］．Journal of Chinese Society of Power Engineering，2012，32（6）：454－457．

［3］程力旻，谢志江，刘利云，等．运用免疫遗传神经网络的汽轮机振动故障诊断［J］．振动、测试与诊断2010，30（6）：675－678． CHENG Li-min，XIE Zhi-jiang，LIU Li-yun，et al．Vibration fault diagnosis of steam turbine using immune genetic neural networks［J］．Journal of Vibration，Measurement and Diagnosis，2010，30（6）：675－678．

［4］Vapnik V N．The nature of statistical learning theory［M］．New York：Springer-Verlag，1995．

［5］吴峰崎，孟光．基于支持向量机的转子振动信号故障分类研究［J］．振动工程学报，2006，19（2）：238－241．

WU Feng-qi，MENG Guang．Fault classification of rotor vibration signal based on support vectormachine［J］．Journal of Vibration Engineering，2006，19（2）：238－241．

［6］Pan W T．A new fruit fly optimization algorithm：taking the financial distressmodel as an example［J］．Knowledge-Based Systems，2012，26：69－74．

［7］潘文超．果蝇优化算法［M］．台湾：沧海书局，2011．

［8］陈彦龙，张培林，李兵．基于DCT和GA-SVM的轴承故障诊断［J］．计算机工程，2012，38（19）：247－249．

CHEN Yan-long，ZHANG Pei-lin，LI Bing．Bearing fault diagnosis based on DCT and GA-SVM［J］．Computer Engineering，2012，38（19）：247－249．

［9］兰秀菊，张丽霞，鲁建．基于小波分析和PSO-SVM的控制图混合模式识［J］．浙江工业大学学报，2012，40（5）：532－536．

LAN Xiu-ju，ZHANG Li-xia，LU Jian．The mixed patterns recognition of control chart based on wavelet analysis and PSO-SVM［J］．Journal of Zhejiang University of Technology，2012，40（5）：532－536．

［10］王星星，吴贞焕，杨国安．基于改进粒子群算法的最小二乘影响系数法的理论及实验研究［J］．振动与冲击，2013，32（8）：100－104．

WANG Xing-xing，WU Zhen-huan，YANGGuo-an．Theory and tests for least square influence coefficientmethod based on an improved particle swarm optimization algorithm［J］．Journal of Vibration and Shock，2013，32（8）：100－104．

Vibration fault diagnosis for steam turbine by using support vector machine based on fruit fly optim ization algorithm

SHIZhi-biao，MIAO Ying
（School of Mechanical Engineering，Northeast Dianli University，Jilin 132012，China）

In order to solve the problem that the selection of the kernel function parameters and penalty factor parameters in the support vector machine（SVM）algorithm is blindfold，the fruit fly optimization algorithm（FOA）was applied to optimize the parameters in SVM．A fault diagnosis algorithm of SVMbased on FOA was put forward，and then the pattern recognition of experimental turbine failure data was performed．The algorithm can optimize the SVMparameters automatically，and achieve ideal global optimal solution．Comparingwith the SVMwhich is optimized by the commonly used methods of the particle swarm optimization（PSO）and the Genetic Algorithm（GA），the results demonstrate that FOASVMhas the fastest recognition speed and the highest recognition rate．

support vectormachine；turbine；vibration diagnosis；fruit fly optimization algorithm

TK267

：A

10．13465／j．cnki．jvs．2014．22．020

吉林省科技发展计划项目（20100506）

2013－09－23 修改稿收到日期：2013－11－15

石志标男，博士，教授，1960年生