基于MATLAB的汽轮机振动故障诊断仿真研究

刘海峰

(广东粤电靖海发电有限公司，广东 揭阳 515223)

基于MATLAB的汽轮机振动故障诊断仿真研究

刘海峰

(广东粤电靖海发电有限公司，广东 揭阳 515223)

SOM神经网络是一种极具理论与使用价值的分类方法。基于SOM神经网络算法，在小样本情况下对汽轮机机组故障诊断进行了仿真研究，建立了多故障分类器，并将其应用于典型的汽轮机振动故障诊断。结果表明，应用该算法可以正确且快速有效地诊断多类汽轮机故障，可以为现场生产中汽轮机振动故障类型判断提供参考。

汽轮机组；振动故障；故障诊断；SOM神经网络；多故障分类器

0 引 言

汽轮机组日趋高参数、大型化发展，由于其设备结构的复杂性和运行环境的特殊性，因此故障率较高且危害性大，必须加强机组运行的振动监测和故障诊断。引起汽轮机组振动故障的原因有以下几类：轴系质量不平衡、动静摩擦、轴系不对中、气流激振、油膜失稳、部件松动及发电机电磁力不平衡等。在汽轮机组实际运行过程中对振动故障类型进行判断非常困难，因此如何能够根据振动参数对振动故障进行快速、准确的分类，受到了国内外的高度重视[1-2]。随着模式识别和计算机技术的迅速发展以及各种先进数学算法的出现，为汽轮机振动故障诊断技术的发展提供了有利的条件。文中利用SOM神经网络以汽轮机典型故障数据样本集为基础建立多故障分类器，并利用新分类器对测试数据进行诊断，结果显示该多故障分类器能够准确诊断振动故障类型，可以为现场生产中汽轮机振动故障类型判断提供参考。

1 SOM神经网络分类方法

1.1 SOM神经网络简介

自组织特征映射网络(SOM, Self-Organizing Feature Map)是由全连接的神经元阵列组成的无导师、自组织、自学习网络。典型的SOM网络结构如图1所示，由输入层和竞争层组成，输入层神经个数为m，竞争层由a×b个神经元组成的二维平面阵列，输入层和竞争层各神经元之间实现全连接[3]。其典型特征是可以在一维或二维的处理单元阵列上形成输入信号的特征拓扑分布，但也可以推广到多维处理单元阵列中去。SOM网络模型由以下四个部分组成：

(1)处理单元阵列，用于接收事件输入，并且形成对这些信号的“判别函数”。

(2)比较选择机制，用于比较“判别函数”，并选择一个具有最大函数输出值的处理单元。

(3)局部互联作用，用于同时激励被选择的处理单元及其最邻近的处理单元。

(4)自适应过程，用于修正被激励的处理单元的参数，以增加其对应于特定输入“判别函数”的输出值。

图1 二维阵列SOM神经网络模型

1.2 SOM学习算法

SOM自组织特征映射算法能够自动找出输入数据之间的相似度，将相似的输入在网络上就近配置，因此是一种可以构成对输入数据有选择地给予反应的网络[4-5]。其学习算法步骤如下：

(1)网络初始化 用随机数设定输入层和映射层之间权值的初始值，对m个输入神经元到输出神经元的连接权值赋予较小的权值。选取输出神经元j个“邻接神经元”的集合Sj。其中，Sj(0)表示时刻t=0的神经元j的“邻接神经元”的集合，Sj(t)表示时刻t的“邻接神经元”的集合。区域Sj(t)随着时间的增长而不断缩小。

(2)输入向量的输入 把输入向量X=(x1,x2,x3, …,xm)T的输入给输入层。

(3)计算映射层的权值向量和输入向量的距离(欧式距离) 在映射层，计算各神经元的权值向量和输入向量的欧式距离。映射层的第j个神经元和输入向量的距离，如图1所示。

(1)

(4)权值的学习 按下式(2)修正输出神经元j*及其“邻接神经元”的权值。

Δωij=ωij(t+1)-ωij(t)=η(t)(xi(t)-ωij(t))

(2)

式中，η为一个大于0小于1的常数，随着时间变化逐渐下降到0。

(3)

(5)计算输出ok

‖X-Wj‖)

(4)

式中，f(*)一般为0～1函数或者其它非线性函数。

(6)是否达到预先设定的要求 如达到要求则算法结束；否则，返回到步骤(2)，进入下一轮学习。

1.3 MATLAB语言编程实现

文中所涉及的程序代码较多，编程过程非常繁琐，所以选用第四代计算机语言——MATLAB语言。MATLAB语言具有编程效率高、使用方便、扩充和交互性好、移植性和开放性好、语句简单、方便绘图等优点，而且包含丰富的函数库，使开发者省去了大量的重复编程。文中的全部程序都是基于MATLAB7.10平台开发的。

2 振动故障分类模型建立

文中选用了文献[6]中的振动数据进行训练，以汽轮机典型的振动故障进行SOM神经网络仿真，数据样本集见表1。

表1 SOM神经网络仿真样本数据

2.1 模型建立

分析汽轮机典型的振动频谱特征，每个振动故障样本中有9个主要振动故障特征，选取故障特征P1-P9即(0.01～0.39)f1、(0.40～0.49)f1、0.5f1、(0.01～0.39)f1、1f1、2f1、(3～5)f1、oddf1、>5f1(其中f1为振动工频)作为模型输入；L1-L5即质量不平衡、动静碰磨、轴系不对中、部件松动、油膜振荡等5个振动故障类型，作为模型输出。

2.2 SOM网络仿真

利用newsom创建一个自组织特征映射，由于SOM网络的训练步数影响网络的分类性能，训练过程中分别选择50、100、200、500、1000次，仿真分类结果见表2。

表2 SOM网络在不同训练次数下的分类结果

当训练步数为50时，网络仅仅对样本进行了初步分为3类，这样的分类不够精确。当训练步数为200时，每个样本都被划分为一类，这样分类结果就更加细化了，当步数为500、1 000时，同样是每个样本都被划为一类，这时再提高训练步数，已经没有实际意义了。

对于汽轮机组振动故障诊断问题，基于SOM神经网络的故障诊断系统如图2所示。

图2 基于SOM神经网络的故障诊断系统

机组的振动状态监测是对机组可能发生的振动故障类型预先判断，振动故障诊断的问题可以转化为对机组运行状态分类的问题。对于汽轮机组，通常将其振动信号的频率划分为几个不同的频段，然后以不同频段对应的最大振幅的比值作为振动故障特征量[7-11]。这样就得到相应的特征空间，在此基础上采用SOM神经网络仿真对这些特征进行分类，结果如图3所示。

图3 SOM神经网络仿真结果

2.3 SOM故障诊断系统的诊断测试

在此选取了5个试验样本对SOM神经网络仿真建立的多故障分类器进行测试。从表3可以明显地看出试验样本所属的类别。

由表2中的测试结果可以看出，对于典型的汽轮机故障类型，多故障分类器可以进行准确的识别。5个测试样本最终都被准确分类，错分率为零。这主要是由于SOM神经网络仿真时，虽然每次激发的神经元可能不一样即每次执行后的结果不一样，但无论激活哪个神经元，最后的分类结果不会改变，因而SOM神经网络的具有较高的自分类性能，同时分类速度较快。

表3 多故障分类器测试结果(训练步数200)

通过对汽轮机组故障进行仿真诊断，结果表明将该分类器应用于汽轮机典型故障诊断并取得了满意的效果，该分类器只需要少量的故障样本训练分类器，具有算法简单和故障分类能力强的优点。仿真实验结果验证了该方法的有效性，可以为现场生产中汽轮机振动故障类型判断提供参考。

3 基于SOM神经网络的汽轮机故障诊断系统开发

文中以MATLAB为平台开发了汽轮机故障诊断系统，包括三大模块：数据采集、数据分析以及故障诊断。该系统首先通过采集汽轮机运行振动数据建立“振动数据库”，其次对数据库中的数据进行筛选并提取特征量；最后根据数据诊断汽轮机故障类型。故障诊断时，在用户界面点击“故障诊断”按钮，诊断结果如图4所示。

图4 汽轮机故障诊断系统运行界面

4 结束语

文中基于MATLAB采用SOM神经网络算法，在小样本情况下对汽轮机机组故障诊断进行了仿真研究，建立了多故障分类器，将其应用于典型的汽轮机故障诊断，仿真实验结果证明了该方法是一种极具理论与使用价值的分类方法，并且得出以下结论：

(1) SOM神经网络分类方法可以正确且有效地诊断多类汽轮机故障，不会出现拒绝分类区，明显的减少分类时间，分类精度也较理想。

(2) 利用汽轮机多个典型故障数据训练多分类器并利用新分类器对未知样本数据进行分析、识别，结果表明SOM神经网络在汽轮机故障诊断中有着良好的应用前景。

(3)对于常见的多类识别问题，振动故障诊断的问题就转化为把机组的现行工作状态归类的问题。

[1] 李录平．汽轮机组故障诊断技术[M]．北京：中国电力出版社，2001．

[2] 李录平，晋风华．汽轮机发电组碰磨振动的检测、诊断与控制[M]．北京：中国电力出版社，2006．

[3] 郭庆琳，郑 琳．基于模糊粗糙集数据挖掘的汽轮机组故障诊断研究[J]．中国电机工程学报，2007，27(8)：81-87．

[4] MATLAB中文论坛. MATLAB神经网络30个案例分析[M]. 北京: 北京航空航天大学出版社, 2010, 4.

[5] 朱 凯，王正林. 精通MATLAB神经网络[M]. 北京: 电子工业出版社, 2010,1.

[6] 张鸿雁．基于改进支持向量机方法的汽轮机故障诊断研究[J]． 煤矿机械，2008，29(7)：197-199．

[7] 程卫国，傅志中，陆文华，等．MATLAB在汽轮机振动故障诊断中的应用[J]．中国动力工程学报，2005，25(1)：97-101．

[8] 梁 平，龙新峰，吴庚申．基于ARMA及神经网络的汽轮机振动故障诊断研究[J]．热能动力工程，2007，22(1)：6-10．

[9] 贾 爽，贺利乐．基于粒子群优化SOM神经网络的轴系多振动故障诊断 [J]．机械传动，2011，35(6)：76-82．

[10] 张彼德，欧 健，孙才新，等．汽轮发电机多故障诊断的SOM的神经网络方法[J]．重庆大学学报(自然科学版)，2005，28(2)：36-38

[11] 张彼德，欧 健，孙才新，等．运用免疫遗传神经网络的汽轮机振动故障诊断方法[J]．振动、测试与诊断，2010，30(6)：675-678.

Research on Simulation of Turbine Vibration Fault Diagnosis Based on MATLAB

LIU Hai-feng,

(Guangdong Yudian Jinghai Power Generation Co., Ltd. Jieyang 515223, Guangdong Province, China)

SOM neural network is a classification method of theoretical use value highly. Based on SOM neural network algorithm, in the case of small sample turbine fault diagnosis simulation studies, the multi-fault classifier is established, and it is applied to a typical turbine vibration fault diagnosis. The results show that the algorithm can be applied quickly and efficiently diagnose and correct many types of turbine failure, which can determine the type of turbine vibration fault reference in the production site.

Turbine; Vibration fault; Fault diagnosis; Som neural network; Multi-Fault classifier

2015-06-11

2015-07-10

刘海峰(1987-)，男，工学硕士，主要从事电厂生产技术工作。

10.3969/j.issn.1009-3230.2015.08.003

TK263.7

B

1009-3230(2015)08-0010-04