支持向量机下的汽轮机组故障诊断范文

摘要：汽轮机组在生产设备中有着广泛的应用，但其故障频发，对其故障诊断的研究一直是科研工作者的重点方向之一。在MATLAB开发环境下，基于支持向量机算法为核心，利用常见故障的振动特性，构建了一种分类故障诊断模型，并对常见故障进行了诊断，结果表明：该故障诊断方法能够对汽轮机故障进行有效诊断和预测，为汽轮机故障诊断提供理论依据，有着重要的现实的意义。

关键词：汽轮机；故障诊断；支持向量机；汽轮机故障

引言

汽轮机是现代火力发电厂的重要设备，它是一种在高温高压下，通过蒸汽提供动力使转子带动机械旋转的装置[1]。汽轮机一旦发生故障会产生不可估量的连锁反应，导致人员伤亡和巨大经济损失，故对其运行状态安全监测和故障诊断变得尤为重要[2]。如何及早的检测和发现设备异常，成为世界各国的研究重点，李亮[3]等研究了支持向量机的汽轮发电机组故障分类时诊断；司娟宁等将支持向量机理论和时频分析相结合应用于柴油机气阀故障诊断。针对不同故障对象的诊断在理论和仿真方面都取得了有效的结果。汽轮机组故障虽然共计有数十种，但95.4%以上的故障是常见故障，对于常见典型故障做出快速而准确的判断具有实际需求意义。基于向量机的汽轮机组故障检测是未来的诊断发展方向，本文在分析研究常见典型故障的前提下，利用支持向量机理论的多元回归算法，在MATLAB开发环境中建立了新的汽轮机故障诊断模型，输入不同故障的特征频谱数据进行故障诊断模型的自主学习和分类，最后输入检测数据验证结果的准确度，该故障诊断方法模型具有较高的准确度，在故障诊断中可以提供一定的借鉴作用，有着重要的现实意义。

1支持向量机理论和研究方法

支持向量机理论（SVM）是一种二元分类模型，基于结构风险最小化原则，将样本空间通过一个非线性映射映射到另一个多维特征空间中，通过升维、线性化从而实现多元线性回归。这样做的优点在于通过向量机核函数的扩展定理后，可在未知非线性映射表达式的前提下，在高维特征空间可自主的建立线性学习机模型。通过调节特定参数，引入样本线性模型时，较好的简化算法和提高计算机计算效率。支持向量机是一种基于结构风险最小化原则和统计学中的VC维理论的多分类机器学习方法。汽轮机故障诊断的核心问题就是分类问题，通过将多个分类器组合，导入历史故障振动特征频谱数据进行分类训练生产诊断模型，最终达到故障检测的目的支持向量机的汽轮机组故障分析还处于初步研究阶段，故本文提出一种改进的支持向量机的故障诊断多分类方法。支持向量机的故障诊断方法是通过原始数据建模，调整转化为多元线性回归模型，最终实现故障分类检测的诊断方法。图1为基于支持向量的故障诊断方法模型，第一步为学习阶段。首先将包含多种历史参数数据通过统计学理论统计生产数据转换系统，随后利用转换系统将历史数据转换成0-1之间的标准化数据，将标准数据库数据随机分占85%的数据作为训练数据和15%为验证数据，让其自主形成非线性多元回归模型，既形成“支持向量机回归算法”。第二步是检测验证阶段，将训练标准化数据输入支持向量机多元回归算法模型中进行计算检测。通过调整或添加新参数来控制预测误差，让其满足模型精度为止。

2汽轮机组故障分析

汽轮机组故障虽然共计有数十种，但95%以上的故障为常见故障，主要包括油膜涡动、动静碰磨、不对中和转子不平衡四类，故对这四类典型故障的研究具有工程指导作用。油膜涡动是由于外界偶然扰动下而发生任意偏移，产生失稳分力而驱动汽轮机转子作涡动运动。涡动分收敛、发散和介于两者之间的三种状态。一般来说，常见的频谱图如图2（a）所示，涡动频率约为转速的0.4-0.5倍，振动的主要成分频率近似地等于第一临界转速，涡动振动频率在0.5fr时振动较大。动静碰磨由于零部件磨损或质量不均，在机组参数提高情况下产生机械松动，从而导致机组动、静部件之间发生碰撞和磨损。汽轮机组在固定参数下运转其径向与轴向的碰磨振动明显，如图2（b）所示碰磨故障的振动信号，可以发现其既有一倍频、二倍频和三倍频，又有少量的低频和高频（5fr）。转子不平衡故障是最常见的一类故障，其故障振动在频谱图上的特征是一倍频成分较大（如图2c），其余规律基本相近。转子不对中是汽轮机在长时间工作中造成轴承或连轴的轴心线的偏移或者倾斜，从而造成相邻两转子发生不对中现象。转子不对中特征频谱以一倍频和二倍频分量为主（如图2d），当二倍频所占的比例变大时，产生转子不对中越严重。

3故障诊断检测

基于汽轮机常见典型故障的特征频谱和支持向量多元线性回归理论的分析，在MATLAB环境下编程实现汽轮机组故障诊断模型，其诊断系统主要包含支持向量机算法的程序和人机交互界面。基于支持向量机的汽轮机故障诊断方法模型，本文利用汽轮机组的典型故障具有不同特征频谱的特点为研究对象，构建支持向量机多元回归故障诊断模型。首先，数据基准为频谱分析，输入正常、碰磨故障和不平衡等典型特征频域的相关数据，随后随机选取已知类别的样本进行学习分析，通过结构风险最小化原理将其建立多元支持向量机回归模型，达到故障检测的目的。训练结束后，检测新的测试数据样本，其结果见数据表1。由表2中的测试结果可以看出，诊断结果与试验状态时的故障状态一致，错误率为零，说明基于支持向量的故障诊断模型应用于汽轮机故障的诊断效果较好，且其具有故障样本训练量少，算法简单和故障分类能力强的优点。

4结论

本文分析了常见典型的汽轮机故障频谱特性，提出了一种以支持向量机算法为核心算法的汽轮机组故障诊断分析方法模型，在MATLAB开发环境下，确立边界条件和基本参数，导入数据进行训练学习，随后仿真模拟分析。结果表明，测试的8个样本都准确的判断出故障结果，该系统对汽轮机常见故障进行了较为精确的诊断，表明该方法具有较高的准确性，能够对汽轮机故障诊断进行有效的检测和预测，该研究为汽轮机故障诊断提供了理论依据，有着重要的实用价值。

参考文献：

[1]韩中合，刘明浩.基于支持向量机的汽轮机振动故障诊断系统[J].汽轮机技术，2013，55（2）：127-130.

[2]石志标，宋全刚，马明钊，等.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）：454-457，462.

[3]李亮，黄竹青，冯磊华，等.基于加权最小二乘支持向量机改进算法的汽轮机通流部分故障诊断研究[J].汽轮机技术，2012，54（2）：129-132.

作者：李金水 单位：武汉长利玻璃有限责任公司