机电之家论文网

电机

您现在的位置：机电论文网>> 电机>> 正文内容

作者： 来源： 发布时间：2018/2/11 16:12:47  点击数：427

分类号：tp206.3文献标识码：a
文章编号：0258-8013 (2000) 05-0076-04
study on self-learning vibration fault diagnosis
system of turbogenerator unit
ge zhi-hua， niu yu-guang， li ru-xiang， song zhi-ping
(north china electric power university, baoding 071003，china)
abstract：for a given diagnosis system, its diagnosis ability lies on the knowledge capacity. it is incapable to detect a new fault condition if no priori knowledge is given. we divide the conventional networks into several sub-nets, which is responsible for one specific fault class. the vibration series has obvious fractal feature. it can reflect the essential characteristics of new fault. when the new fault is taken on, a new sub-net is increased and trained with the sample. if other samples are identified as this new class according to proximity, it has been verified experimentally these fractal dimensions of one class are distributed approximately around a definite value that can represents the dimension of the standard sample for the novel fault. based on non-linear theorem, the approach of identifying new fault and self-learning for diagnosing is put forward.
key words：fault diagnosis; self-learning; non-linear; fractal dimension
1 引言
汽轮发电机组故障诊断常用的诊断方法(如模糊诊断、专家系统和神经网络等)是将人们掌握的有关故障知识加工成诊断系统所能接受的语言或语法，并将其存储记忆下来，诊断过程的实质是待诊样本与系统所记忆的故障知识的匹配过程。由于受到人们对故障机理认知程度的限制，目前还无法对某些异常现象作出准确的辨识。而将一个已建立起来的诊断系统用于汽轮发电机组故障诊断时，若待诊故障的知识不包含在系统之内(相对于该诊断系统为新故障)，则检测不出该故障或导致误诊。只有故障诊断系统具有记忆新故障的能力，使系统的诊断知识不断增加，实现诊断能力的自我扩充，才是解决上述问题的关键。
为此，本文着重于故障的非线性特征研究，提出新故障识别与诊断系统的自学习方法，并在这方面做一些探索。
2 新故障研究
欲掌握有关新振动故障机理，利用振动故障的数学模型进行分析是最可靠的方法之一。然而，由于缺乏对新故障机理的认识，精确描述故障的数学模型很难得到或难于求解；借助于实验研究，则必须首先掌握故障的起因，而这正是诊断系统所欠缺的。机组在运行过程中，对于新出现的振动故障，通常只能监测到关于振动状态的时间序列。根据测得故障的已知序列构造其所属的相空间，则可以通过分维数、测度熵、lyapunov指数等参数［1］再现其动力学特性。基于非线性理论，在没有掌握全部作用因素的条件下，相空间重构可以把握整个系统的运行机制，从而反向推论出系统内在的规律性。研究表明，非线性振动序列具有典型的分形特征［2］，不同故障分维数不同，分形维数和典型的非线性故障存在一定的对应关系，可以将分维数作为描述故障的一个重要参数［3］。
2.1 振动分形特征研究
振动故障诊断，首先需要进行状态的测量，提取出故障征兆并识别机组的运行状态。然而现场测得的振动信号往往不是规则的函数序列。例如：获得的振动时域波形极不光滑；振动的轴心轨迹呈椭圆形、8字形或不规则的圆形；象压力，温度等参数的变化趋势也没有确定的函数关系，这些信号在一定条件下都具有较明显的分形特征。因此，根据构造的振动序列所属的相空间，通过数学方法可提取其结构特征即分形维数。
令所研究的振动序列为｛x(tj)，j＝1，2，…，n｝，采用延迟时间法重构吸引子所属的相空间。选择适当的嵌入维数m和延迟时间τ，将时间序列拓展为m维相空间的一个相型分布

式中 p为样本矢量延迟；m为所构相空间矢量数，以上参数的选取参见文［4］。根据takens定理［5］，如果m≥2d＋1(d为原始动力系统吸引子维数)，吸引子则包含了系统的全部性态，用某信号延迟时间坐标矢量为基础的相空间与原始系统状态空间等价，由此可以对原来系统的性质进行深入的研究。
2.2 振动分维数
分形维数有多种形式的定义，其中关联维数可以较好地再现振动的本质特性。
任意给定正数δ,考察构造的矢量间距离

其中; k为样本偏移量。

基于“变尺度-δ覆盖”思想，在一定尺度和范围内，lnc(δ)～ln(δ)之间存在直线对应关系，d＝为关联维数。
3 故障识别
在以往应用的bp诊断模型中，首先对不同故障样本进行训练，输出值0和1分别代表故障不存在和存在两种状态。但是，一个训练好的bp网络只对已知内容进行联想，不具备进行新故障检测能力，如果待诊的样本知识不包含在诊断系统之内，则bp网络不能检测出该故障，或将其错误地归到某一已知类中。径向基函数(radial basis function，简称rbf)神经网络可以有效地解决此问题。

图1 rbf网络结构
fig.1 structure of rbf networks
rbf网络由输入层、一个隐含层和输出层组成，结构如图1所示。输入神经元采用线性函数，gauss函数作为隐层神经元的激励函数。隐层节点的响应函数为：

式中 x∈rn为网络的输入矢量；ci∈rn为第i个隐节点中心；σi为相应该隐节点作用宽度，表示隐节点作用函数的响应范围；m为输出矢量的维数。输出节点值：

由于gauss函数是非单调函数，具有局部响应特性，只在很窄范围内有较大的分类输出。因此，和bp诊断网络相比，rbf网络的分类能力增强。rbf网络的训练包括3步［6］：①采用递推k均值聚类法确定中心点c；②确定每个隐节点的宽度σ；③采用梯度算法迭代训练调整网络的权值w。通过调整c、σ和w三个参数，使输出误差达到精度要求。
输入层作为故障的征兆层x＝［x1，x2，…，xn］，各征兆元素｛xi｝对应网络输入的神经元，输出层y＝［y1，y2，…，ym］，故障元素{yi}作为网络输出的神经元，m为识别的故障类。输入特征参数包括：①频谱值(0.01～0.39)f1，(0.4～0.49)f1，
0.5f1，(0.51～0.99)f1, 1f1, 2f1, (3～5)f1,奇数f1,>;5f1(f1为转速工频)，②启动或停机振幅和转速关系，③相位特征，④轴心轨迹形状，⑤负荷特性。5个域共26个输入参数。
为适应对新故障进行识别，本文采用故障诊断子网络结构［6］，如图2所示。每个子网络代表一种故障，各子网络的输入空间一样，一个子网络负责识别一类故障。特点是当某子网络参数变化或需要增加一种新网络时，选用子网络结构，可以在对原有网络不必重新训练的情况下修改或增加新网络。

图2 组合子网络结构
fig.2 architecture of composite sub-nets
首先对每个子网络初始化，选择学习参数,分配各子网络代表的故障类，并根据实际，给定每类故障限定的阈值θ。各子网络的输入层节点数均为26个，训练网络的输入层参数见文［7］。当通过故障报警检查确定给定样本为故障状态时，提取相应的故障征兆送入子网络1，进行故障诊断，若输出值大于设定的阈值θ，则存在该故障。依次送入其它子网络，检测出全部可能发生的故障。如果每个子网络的输出值均小于该类故障给定的阈值θ，说明输入样本不属于已有故障空间，诊断网络不能识别该类故障，相对而言为新故障，需要增加一个子网络。采用下文介绍的方法获取新故障样本。
4 新故障样本提取
在模拟转子试验上进行4组故障试验，包括不平衡、碰摩、裂纹和油膜振荡。前3组实验各3个样本，油膜振荡取5个样本。提取14个实验样本的故障征兆经计算机处理后分别送入子网络1、子网络2、子网络3、子网络4和子网络5(分别代表不平衡、碰摩、裂纹、弯曲和不对中)，并且这5个网络提前学习完毕。给定子各网络阈值为0.5。诊断结果如表1，其中第4组实验的5个样本(样本4.1～样本4.5)没有被识别出故障类别，确定为新故障。这时增加子网络6，输入空间和前5个网络一样，通过以下自学习获取样本。
表1 诊断结果
tab.1 diagnosis result for experimental samples

样本序号	(0.01～ 0.39)f1	(0.40～ 0.49)f1	0.5f1	(0.51～ 0.99)f1	1f1	2f1	(3～5) f1	odd f1	>;5f1	诊断结果
1.1	0.00256	0.00122	0.00993	0.01826	0.81123	0.07904	0.04958	0.04958	0.00397	不平衡
1.2	0.05129	0.00267	0.00227	0.01846	0.75780	0.09388	0.03373	0.03373	0.00596	不平衡
1.3	0.00494	0.00162	0.00131	0.01049	0.84174	0.05299	0.01962	0.01962	0.00322	不平衡
2.1	0.118051	0.01598	0.00831	0.12527	0.56643	0.01725	0.04653	0.02356	0.07864	碰摩
2.2	0.03012	0.01275	0.02175	0.16904	0.61279	0.01977	0.05657	0.02518	0.0520	碰摩
2.3	0.11670	0.00545	0.00523	0.17401	0.56365	0.02107	0.05358	0.01288	0.05344	碰摩
3.1	0.00344	0.00344	0.00553	0.00723	0.54074	0.15488	0.12893	0.12893	0.02687	裂纹
3.2	0.00178	0.00178	0.00323	0.00566	0.58058	0.15624	0.11422	0.11422	0.0223	裂纹
3.3	0.01320	0.00261	0.00281	0.00642	0.63413	0.14974	0.07667	0.07667	0.0377	裂纹
4.1	0.02475	0.18273	0.39201	0.19642	0.05736	0.09657	0.02254	0.02254	0.0051	新故障
4.2	0.00482	0.2400	0.50575	0.07214	0.08549	0.03526	0.02535	0.02535	0.0059	新故障
4.3	0.02364	0.14473	0.53938	0.10211	0.05216	0.09117	0.02069	0.02069	0.00548	新故障
4.4	0.00755	0.26129	0.48180	0.07610	0.08415	0.03498	0.02331	0.02331	0.00550	新故障
4.5	0.01321	0.23394	0.4880	0.06358	0.09938	0.03841	0.02777	0.02777	0.00791	新故障

(1)4.1样本数据进行征兆处理和频谱值归一化，作为子网络6的输入并进行训练使其收敛；
(2)4.2样本送入训练好的子网络6,计算其输出隶属度；
(3)分别计算4.1和4.2样本的分维数，对应的分形曲线示于图3和图4；

图3 样本4.1 分形图
fig.3 fractal plot for sample 4.1

图4 样本4.2 分形图
fig.4 fractal plot for sample 4.2
(4)重复以上过程，利用子网络6计算样本
4.3～4.5的故障隶属度和分维数，结果见表2。从分维数的分布可以看到，这5个样本同属一类故障；
表2 分维数和诊断结果
tab.2 dimension and testing result

样本号	4.1	4.2	4.3	4.4	4.5
分维数	2.7	2.18	2.25	2.48	2.6
隶属度	0.990	0.760	0.802	0.899	0.930

(5)计算4.1～4.5样本分维数的平均值，得到平均分维数为2.43；
(6)选取样本4.4(其维数最近于平均维数)作为油膜振荡故障的标准样本，重新训练子网络6，获得稳定后的网络参数，作为油膜振荡故障的诊断网络。将样本4.4和文［7］给出的油膜振荡征兆相比，规律定性一致。采用自学习后的子网络6，样本4.1～4.5的诊断结果如表3。
表3 子网络6自学习后诊断结果
tab.3 diagnosis result after self-learning

样本号	4.1	4.2	4.3	4.4	4.5
隶属度	0.970	0.943	0.971	0.994	0.979

如果再接收到新样本，可以继续重复以上步骤，不断学习逐渐修正故障知识。
5 结束语
振动时间序列具有明显的分形特征，通过计算同类若干故障样本的关联维数，可以看出故障的维数分布具有一定的规律，关联维数可以作为区分典型非线性振动故障的参数之一。本文在诊断过程中采用rbf网络，具有局部激励响应特性，分类能力增强，有效地避免了故障的误诊断。采用组合子网络技术有利于实现故障诊断系统的知识扩充。本文的方法为非线性振动故障的自学习提供了一种思路。
作者简介：戈志华(1969-)，女，博士，讲师，从事电站设备故障诊断及非线性方面的研究;
牛玉广(1964-)，男，博士，副教授，从事电站控制及电站设备故障诊断等方面的研究。
作者单位：戈志华（华北电力大学动力系，河北省 保定市 071003）
牛玉广（华北电力大学动力系，河北省 保定市 071003）
李如翔（华北电力大学动力系，河北省 保定市 071003）
宋之平（华北电力大学动力系，河北省 保定市 071003）
参考文献：
［1］ ford j. chaos at random［j］. nature, 1983, 305(20).
［2］ logan d, mathaw j. using the correlation dimension for vibration fault diagnosis of rolling element bearings-ⅰ.basic concepts［j］. mechanical system and signal processing, 1996, 10(3): 241～250.
［3］ yukio i. nonlinear vibrations and chaos in rotordynamics［j］. jsme international journal, series c: dynamics, control, robotics, design and manufacturing, 1994, 37(2): 237～245.
［4］ 戈志华，李如翔，宋之平. 旋转机械振动状态预测［j］. 华北电力大学学报，1998, 25(3): 75～80.
［5］ takens f. detecting strange attractors in turbulence［m］．in: rand d a and young l s.dynamical systems and turbulence，berlin: springer-verlag, 1981.
［6］ chen y b, li x,orady e. integrated diagnosis using information-gain-weighted radial basis function neural networks［j］. computers industrial engineering, 1996,30(2): 243～255.
［7］ sohre, j. operating problem with high speed turbomachinery, cause and correction［c］. sawer's turbomachinery publications, norwalk, ct.

更多	字体：【小】-【中】-【大】【关闭此页】