曾 娜

(安徽電氣工程職業(yè)技術(shù)學(xué)院 動(dòng)力工程系,安徽 合肥 230051)

隨著人們生產(chǎn)及生活用電需求的不斷增加，各大電廠實(shí)現(xiàn)了飛速發(fā)展.汽輪機(jī)作為一種耦合機(jī)、電、液的復(fù)雜系統(tǒng)，能夠?qū)㈠仩t輸送過來的蒸汽熱能轉(zhuǎn)化成機(jī)械能，是電廠最為重要的大型旋轉(zhuǎn)機(jī)械設(shè)備之一[1].由于汽輪機(jī)常處于高溫、高轉(zhuǎn)速的工作環(huán)境，部件所受外力作用極大，加之汽輪機(jī)結(jié)構(gòu)日趨復(fù)雜，導(dǎo)致其故障率持續(xù)上升[2].汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)是影響汽輪機(jī)安全穩(wěn)定運(yùn)行的主要因素，若振動(dòng)值發(fā)生突變，并超出正常范圍，極可能造成汽輪機(jī)出現(xiàn)不同程度的故障，甚至引發(fā)其他相關(guān)設(shè)備的連鎖故障，在嚴(yán)重?fù)p害電廠經(jīng)濟(jì)效益的同時(shí)，還會因大范圍突發(fā)性停電而直接影響人們的正常生活和工業(yè)生產(chǎn)[3-4]，因此研究電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障識別方法越發(fā)受到人們的重視.

當(dāng)前很多專家和學(xué)者均對該課題展開一系列研究，例如石志標(biāo)和楊新等人，分別利用排列熵與IFOA-RVM相結(jié)合的方法，以及多特征提取與核極限學(xué)習(xí)機(jī)相結(jié)合的方法識別電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障[5-6].這兩種方法的計(jì)算復(fù)雜度較低，且故障識別穩(wěn)定性優(yōu)良，但難以快速識別程度較小的故障.

針對該問題，本文將電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障特征作為基礎(chǔ)，利用小波包分析結(jié)合改進(jìn)的徑向基函數(shù)(Radical Basis Function

,RBF)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障識別，以期為及時(shí)發(fā)現(xiàn)并解決電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障提供有效的技術(shù)支持.

1 電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障識別

1.1 電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障信號采集

電廠汽輪機(jī)型號通常為D5TC2F42，其軸系包含高中壓、低壓以及發(fā)電機(jī)3種轉(zhuǎn)子，每個(gè)轉(zhuǎn)子的支撐和連接形式分別為雙支撐、剛性連接，軸承數(shù)量共6個(gè)，其中3個(gè)軸瓦屬于可傾瓦，分別用#1、#2、#3表示，其余3個(gè)軸瓦為短橢圓瓦，分別用#4、#5、#6表示.該電廠汽輪機(jī)的軸系結(jié)構(gòu)具體如圖1所示.

假設(shè)電廠汽輪機(jī)軸承中分面左45°方向?yàn)閄向，右45°方向?yàn)閅向，當(dāng)電廠汽輪機(jī)高中壓轉(zhuǎn)子發(fā)生振動(dòng)突變故障時(shí)，其軸系會呈現(xiàn)出以下振動(dòng)特點(diǎn)：

(1)3Y、4X向軸振出現(xiàn)波動(dòng)的同時(shí)，還會伴隨著突發(fā)性振動(dòng)增大情況，此時(shí)振動(dòng)激發(fā)快，且振幅起伏變大；

(2)在電廠汽輪機(jī)處于低負(fù)荷、高真空工況下，#3和#4軸瓦出現(xiàn)振動(dòng)突增現(xiàn)象，同時(shí)振幅波動(dòng)頻率顯著升高[7-8]；

(3)當(dāng)電廠汽輪機(jī)高中壓轉(zhuǎn)子的突發(fā)性振動(dòng)發(fā)生時(shí)，頻譜內(nèi)將產(chǎn)生3～23 Hz的連續(xù)譜，振動(dòng)主頻率處于19～20Hz的低頻狀態(tài)；

(4)電廠汽輪機(jī)的轉(zhuǎn)速較低時(shí)，#3軸瓦的軸振仍處于較高數(shù)值.

將一體化電渦流位移傳感器布設(shè)于電廠汽輪機(jī)汽機(jī)前軸瓦、汽機(jī)后軸瓦、發(fā)電機(jī)前軸瓦，根據(jù)上述電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障時(shí)的軸系振動(dòng)特點(diǎn)，利用該傳感器從不同測點(diǎn)采集電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障信號，將其經(jīng)過電源及信號偏置后傳輸?shù)絇CB信號調(diào)理板實(shí)現(xiàn)放大與濾波處理，運(yùn)用A/D板將處理后故障信號轉(zhuǎn)換為數(shù)字信號，并輸入到計(jì)算機(jī)以供相關(guān)技術(shù)人員進(jìn)行故障信號分析，具體過程用圖2描述.

1.2 基于小波包分析的特征提取方法

依據(jù)采集的電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障信號，通過小波包分析從中提取故障特征.小波包函數(shù)分解法可以同時(shí)分解每個(gè)分解層的高頻與低頻區(qū)域.利用小波包基展開電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障信號時(shí)，其由低通和高通濾波兩部分構(gòu)成[9-10]，在每次分解過程中，需要將上層次序?yàn)閚的頻帶深入細(xì)化為下層次序分別為2n和2n+1的兩個(gè)子頻帶.

采用公式(1)描述電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障信號的小波包分解過程：

(1)

式中，平移參數(shù)用l、k描述；小波包系數(shù)用dl(j,2n)、dl(j+1,n)描述；尺度和頻率參數(shù)分別用j、n描述；低通濾波器組用ak描述；高通濾波器組用bk描述；當(dāng)k的取值為0或1時(shí)，dk(j+1,n)分別代表尺度函數(shù)和小波函數(shù).

小波包的重構(gòu)過程用公式(2)表示：

(2)

式中，完成重構(gòu)的小波包系數(shù)用dl(j+1,n)描述；重構(gòu)后低通濾波器組用pl-2k描述；重構(gòu)后高通濾波器組用ql-2k描述.

電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障信號用f(x)描述，根據(jù)Parseval能量積分等式[11]，可以獲得公式(3)所示時(shí)域內(nèi)f(x)的能量表達(dá)式：

(3)

電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障信號的小波變換過程如公式(4)所示：

dx，

(4)

式中，基小波用φ(x)描述.通過Parseval恒等式將以上兩個(gè)公式聯(lián)系起來，可得到公式(5)所示結(jié)果：

(5)

式中，小波變換系數(shù)用d(j,k)描述，將其當(dāng)作元素構(gòu)造電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障特征向量，具體用公式(6)描述：

T=[E1,E2,…,EM]，

(6)

在能量較大的情況下，E(j,k)的數(shù)值一般比較高，因此需對其進(jìn)行歸一化處理，以方便數(shù)據(jù)分析，進(jìn)而獲得公式(7)所示小波包提取的電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障特征向量[12-13]：

e=E1,E2,…,EM/E(0,0).

(7)

1.3 基于人工魚優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的故障識別方法

將1.2小節(jié)提取的電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障特征向量e作為輸入量，將9種常見故障類型作為輸出量，使用RBF神經(jīng)網(wǎng)絡(luò)識別電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障，并利用人工魚群算法對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，以提升該網(wǎng)絡(luò)的收斂速度與尋優(yōu)精度.

1.3.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，每層的節(jié)點(diǎn)數(shù)量分別用n、q、m描述.隱含層節(jié)點(diǎn)的變換函數(shù)一般采用高斯函數(shù)[14-15]表示，具體為φ(δ)=exp(-δ2/B2)，其中神經(jīng)元寬度用B描述，函數(shù)中心向量用δ描述.隱含層各節(jié)點(diǎn)均存在一個(gè)RBF中心向量，用Ck=[Ck1,Ck2,…,Cki,…,Ckn]T描述，其中k的取值范圍介于[1,q]之間.

RBF神經(jīng)網(wǎng)絡(luò)中Ck的個(gè)數(shù)與隱含層節(jié)點(diǎn)個(gè)數(shù)相同，該網(wǎng)絡(luò)可以將電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障特征向量地輸入到各隱含層節(jié)點(diǎn)，假設(shè)隱含層節(jié)點(diǎn)用δk描述，定義的輸入模式用X=[X1,X2,…,Xi,…,Xn]T描述，其距離δk地RBF中心向量的歐幾里得范數(shù)計(jì)算過程用公式(8)描述：

(8)

式中，隱含層節(jié)點(diǎn)的RBF中心向量中次序?yàn)閕的分量用Cki表示，可使用公式(9)描述變換后各隱含層節(jié)點(diǎn)的輸出結(jié)果：

(9)

式中，k的取值介于[1,q]范圍內(nèi)；非線性高斯函數(shù)用φ(·)描述；B表示實(shí)常數(shù).

RBF神經(jīng)網(wǎng)絡(luò)的輸出為上式結(jié)果的加權(quán)和，具體如公式(10)所示：

(10)

式中，j的取值介于[1,m]范圍內(nèi)；對于隱含層節(jié)點(diǎn)j，其輸出權(quán)向量用WJ=[Wj1,Wj2,…,Wjk,…,Wjq]描述；隱含層的輸出列向量用Z=[Z1,Z2,…,Zk,…,Zq]T描述.定義誤差函數(shù)E，其計(jì)算過程如下所示：

(11)

式中，網(wǎng)絡(luò)的期望和實(shí)際輸出分別用yq、ys描述.

1.3.2 基于人工魚群算法的RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化

(1)設(shè)置人工魚群的群體大小為s，迭代次數(shù)最大值為n，人工魚的移動(dòng)步長和可視域分別用st、vt表示；擁擠度因子用δ表示，初始權(quán)值用wij(0)表示.

(2)利用E實(shí)現(xiàn)每個(gè)人工魚目前位置食物濃度的定義，表示為FC=1/E，將最大FC的人工魚放入公告板.

(3)人工魚可視域的伙伴中心位置用ci描述，在對其進(jìn)行初始化的基礎(chǔ)上采用最近鄰規(guī)則劃分輸入的電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障特征向量樣本，并依據(jù)樣本的均值調(diào)節(jié)中心，循環(huán)上述過程，停止條件為中心分布不再發(fā)生改變.

(4)每個(gè)人工魚需要分別對追尾與聚群行為進(jìn)行模擬，并執(zhí)行模擬后較大FC值的行為，缺省行為選擇覓食行為.

(a)使用式(12)描述覓食行為的權(quán)值學(xué)習(xí)形式：

(12)

式中，人工魚狀態(tài)的參數(shù)矩陣用{wij}描述，其中不同狀態(tài)的i行j列的元素用wij(j)、wij(i)、wij(i+1)描述，[0,Step]隨機(jī)數(shù)用random(Step)描述.

(b)聚群行為的權(quán)值學(xué)習(xí)形式.人工魚目前狀態(tài)用Xi描述，獲取可視域中伙伴數(shù)量nf構(gòu)成集合KJi，若該集合非空，則從中尋找中心位置，同時(shí)搜尋可視域中的人工魚，搜尋完畢后求解該中心的食物濃度FCc，當(dāng)FCc/nf>δFCi時(shí)，需要執(zhí)行公式(13)，若以上集合為空集，需要執(zhí)行覓食行為.

wij(i+1)=wij(i)+random(Step)(wij

(center)-wij(i))/di,center，

(13)

(c)追尾行為.查找可視域中的最大伙伴Xmax，當(dāng)FCmax>δFCi時(shí)，需要執(zhí)行公式(14)，如果可視域中不存在伙伴，需要執(zhí)行覓食行為.

wij(i+1)=wij(i)+random(Step)(wij(max)-wij(i))/di,max.

(14)

(5)比較各人工魚每次行動(dòng)后的當(dāng)前狀態(tài)與公告板中狀態(tài)，若當(dāng)前狀態(tài)更佳，則進(jìn)行替換.

(6)如果迭代次數(shù)達(dá)到最大值，將公告板的FC值輸出，否則迭代次數(shù)加1并跳轉(zhuǎn)到過程(4).

(7)將提取到的故障特征作為輸入量輸入優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)中，輸出電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障類型識別結(jié)果.

2 結(jié)果分析

將1.1小節(jié)中的D5TC2F42型電廠汽輪機(jī)作為實(shí)驗(yàn)對象，測試質(zhì)量不平衡、轉(zhuǎn)子熱彎曲、轉(zhuǎn)軸不對中、轉(zhuǎn)動(dòng)部件飛脫、動(dòng)靜碰磨、汽流激振、結(jié)構(gòu)共振、結(jié)構(gòu)剛度不足、轉(zhuǎn)子裂紋等9種常見電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障，將故障信號采樣頻率設(shè)置為1 800 Hz，使用本文方法采集以上9種故障信號與正常狀態(tài)信號各50組數(shù)據(jù)，并完成故障特征提取和故障識別.

使用本文方法的小波包分析分解并重構(gòu)汽流激振故障信號，獲得的4個(gè)頻帶波形用圖3描述.

從圖3可以看出，本文方法能很好地分解并重構(gòu)電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障信號，所得波形完整連續(xù)，且不存在噪聲，能有效反映各頻帶的信號特點(diǎn)，信號質(zhì)量較高，有助于提升后續(xù)故障特征提取效果.

依據(jù)上述形式獲取其余8種故障信號的頻帶波形，并計(jì)算相應(yīng)的能量分布，歸一化處理后便能獲得表1描述的各故障信號特征.

表1 電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障特征

將表1內(nèi)故障特征作為本文方法的輸入量，用于識別采集的各類電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障樣本，使用A～J字母分別標(biāo)記9種故障類型和正常狀態(tài).不同故障程度下，本文方法的故障識別結(jié)果與實(shí)際結(jié)果用圖4描述.

從圖4可以發(fā)現(xiàn)，本文方法的故障識別結(jié)果與實(shí)際結(jié)果完全相同，表明本文方法具有較好的電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障特征提取效果和故障識別能力，即使在故障程度很低的情況下仍能表現(xiàn)出理想的故障識別性能.

比較本文方法使用前后的各類型電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障概率，以進(jìn)一步驗(yàn)證該方法的故障識別效果，結(jié)果見圖5.

從圖5可以看出，本文方法使用前的各類型電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障概率均處于較高數(shù)值，最高與最低故障概率分別約為88%和40%；本文方法使用后的各類型故障概率明顯降低，且始終低于10%.以上結(jié)果表明，本文方法具有較優(yōu)的電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障識別效果，能有效減少電廠汽輪機(jī)運(yùn)行過程中的高中壓轉(zhuǎn)子振動(dòng)突變故障，使其安全性能顯著提升.

3 結(jié) 論

為解決電廠汽輪機(jī)結(jié)構(gòu)復(fù)雜和特殊工作環(huán)境造成的故障頻發(fā)問題，提出電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障識別方法.該方法利用小波包分析提取的故障特征能很好地用于故障識別，因此所得結(jié)果與實(shí)際故障相同，并且該方法能準(zhǔn)確識別故障程度較低的故障，有效彌補(bǔ)了已有方法存在的不足，原因在于該方法使用人工魚群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)，可極大地提升網(wǎng)絡(luò)的收斂速度和尋優(yōu)精度.日后可進(jìn)一步研究最優(yōu)小波包基的自適應(yīng)選擇問題，以不斷提升電廠汽輪機(jī)高中壓轉(zhuǎn)子振動(dòng)突變故障識別性能.