一种汽涡轮发电机组振动故障诊断方法、装置及计算设备与流程

1.本发明属于电力传动控制设备以及机械润滑密封技术领域，具体涉及一种汽涡轮发电机组振动故障诊断方法、装置及计算设备。


背景技术：

2.为维持大型汽涡轮发电机组正常运转，电厂通常采用监控发电机组内部零组件之运转状况加以评估。发电机组设备运转时所潜在之异常振动信号分析后所得之振动特征是用来评估设备运转状态之重要指标。汽涡轮发电机组之振动来源大致可分为电磁振动故障与机械振动故障。机组之电磁振动主要发生于发电机上，亦可能透过轴系传递至机组之其它部位。
3.常见的电磁振动故障有：转子绕组匝间短路、定转子间气隙不均、定子绕组端部振动、转子中心位置偏移、负载不平衡与电磁共振等。
4.常见之机械振动故障包括：转子不对中、转子不平衡、轴承松动、转子碰磨、油膜涡动、蒸汽涡动等。
5.所以发电机组的故障诊断对电力系统非常重要，然而现阶段并没有有效的汽涡轮发电机组振动故障诊断方法。


技术实现要素：

6.为了解决上述技术问题，本发明提出了一种汽涡轮发电机组振动故障诊断方法、装置及计算设备，可用于人造卫星、导弹等军事化装备，以及高速高精电机传动领域的飞轮储能、发电机、人工心脏泵的高可靠性稳定控制系统等。
7.为了达到上述目的，本发明的技术方案如下：
8.一方面，本发明公开一种汽涡轮发电机组振动故障诊断方法，具体包括以下步骤：
9.s1：收集转子不对中、转子不平衡、轴承松动、转子碰磨、油膜涡动、蒸汽涡动六类汽涡轮发电机组的故障振动信号，经傅立叶转换成离散频谱幅值，再依据能量特性区分为n个主要频段，对每个频段幅值进行模糊化处理，得到模糊化数值；
10.s2：建立资料数据库，每一笔资料含有n个输入特征，将资料数据库内的资料划分为训练集和测试集；
11.s3：建立最佳支持矢量分类器模型；
12.s4：利用训练集对最佳支持矢量分类器模型进行训练，再利用测试集进行测试验证。
13.在上述技术方案的基础上，还可做如下改进：
14.作为优选的方案，s1中，依据能量的特性区分为8个主要频段，分别为：s1、s2、s3、s4、s5、s6、s7、s8；
15.s1代表0～0.4f；s2代表0.4～0.49f；s3代表0.5f；s4代表0.51～0.99f；s5代表f；s6代表2f；s7代表3～5f；
16.s8代表5f以上；
17.其中：f为机组运转频率，单位hz。
18.作为优选的方案，s1中，利用下式(1)对每个频段幅值进行模糊化处理，得到模糊化数值；
[0019][0020]
其中：k与x0之值因机组部位不同，k代表系数，x代表振幅，x0代表初始振幅。
[0021]
作为优选的方案，还包括：
[0022]
s5：利用倒传递类神经网络验证最佳支持矢量分类器模型的建模效率及诊断准确度。
[0023]
作为优选的方案，s3包括以下内容：
[0024]
设定一组两类别可线性分割的训练集资料为s＝{(x
k
,y
k
)},k＝1,2,...,n；
[0025]
其中，x
k
为在输入模式的特征空间，x
k
为此组两类别资料的标示；x
k
的值为{
‑
1, 1}；
[0026]
通过找到一超平面来分割此两类资料，此超平面表示为式(2)：
[0027]
y
h
(x)＝w
t
x b
ꢀꢀ
(2)
[0028]
则其分类决策函数即为式(3)所示：
[0029]
y(x)＝sign(w
t
x b)
ꢀꢀ
(3)
[0030]
在式(3)中w为超平面的法矢量，b是原点到超平面的距离，x则是输入的资料集；此组可线性分割的训练集资料，满足式(4)与式(5)：
[0031]
w
t
x
k
b≥1,when y(x
k
)＝1
ꢀꢀ
(4)
[0032]
w
t
x
k
b≤
‑
1,when y(x
k
)＝
‑1ꢀꢀ
(5)
[0033]
其中，w是最佳超平面单位法矢量，b为最佳超平面常数；
[0034]
将式(4)与式(5)合并为式(6)：
[0035]
y
k
(w
t
x
k
b)≥1,for k＝1,2,...,n
ꢀꢀ
(6)
[0036]
在空间中任一点x到超平面(w,b)的距离如式(7)所示：
[0037][0038]
为了找出相距最远的支持超平面，支持超平面边界值如式(8)表示为：
[0039][0040]
由式(4)与式(5)可知
[0041][0042]
为确保样本能够明确的分开，边界值m(w,b)越大越好，即或越小越好，如式(10)所示；
[0043][0044]
y
k
(w
t
x
k
b)≥1,k＝1,2,...,n
[0045]
利用lagrange乘数法将上式转换成另一个二次方程式最小化问题，找出使l为最小值的w,b：
[0046][0047]
其中：α
k
≥0为lagrange乘数，为求l的最小值，将式(11)分别对w及对b进行偏微分：
[0048][0049][0050]
将式(12)与式(13)代入式(11)得到式(14)：
[0051][0052][0053]
利用式(14)可得最佳lagrange乘数并将代入式(11)得最佳超平面单位法矢量w
*
：
[0054][0055]
并利用kkt条件：
[0056][0057]
得到处理分类问题的函数并解得最佳超平面常数b
*
：
[0058][0059]
作为优选的方案，当无法得到一个最佳超平面将两类资料进行完全分类时，导入松弛变量ζ
k
，将式(6)改写为：
[0060]
y
k
(w
t
x
k
b)≥1
‑
ζ
k
,for k＝1,2,...,n
ꢀꢀ
(18)
[0061]
在求最佳超平面时，应越小越好，将视为惩罚函数并赋予一权重值c，表示如式(19)所示：
[0062]
[0063][0064]
利用lagrange乘数法将式(19)改写成式(20)：
[0065][0066][0067]
kkt条件为：
[0068]
α
k
(y
k
(w
t
x
k
b)
‑
1 ζ
k
)＝0,for k＝1,2,...,n
ꢀꢀ
(21)
[0069]
(c
‑
α
k
)ζ
k
＝0,for k＝1,2,
…
,n
ꢀꢀ
(22)
[0070]
利用式(20)得到最佳lagrange乘数再将代入式(11)得最佳超平面单位法矢量w
*
，利用kkt条件求得最佳超平面常数b
*
；
[0071]
利用φ(x
k
)将式(19)改写为：
[0072][0073][0074]
利用lagrange乘数法将式(23)写为：
[0075][0076]
其中：α
k
＞0，β
k
＞0皆为lagrange乘数；
[0077]
为求解l的最小值，对式(24)进行偏微分，得到式(25)：
[0078]
[0079]
再将式(25)代入式(24)得：
[0080][0081][0082]
定义核心函数：
[0083]
k(x
k
,x
l
)＝φ(x
k
)
t
φ(x
l
)
ꢀꢀ
(27)
[0084]
核心函数满足下列条件：
[0085]
∫k(x
k
,x
l
)g(x
k
)g(x
l
)dx
k
dx
l
≥0
ꢀꢀ
(28)
[0086]
其中，g(x)为可积分的函数。
[0087]
另一方面，本发明还公开一种汽涡轮发电机组振动故障诊断装置，包括：
[0088]
收集处理模块，用于收集转子不对中、转子不平衡、轴承松动、转子碰磨、油膜涡动、蒸汽涡动六类汽涡轮发电机组的故障振动信号，经傅立叶转换成离散频谱幅值，再依据能量特性区分为n个主要频段，对每个频段幅值进行模糊化处理，得到模糊化数值；
[0089]
数据库建立模块，用于建立资料数据库，每一笔资料含有n个输入特征，将资料数据库内的资料划分为训练集和测试集；
[0090]
模型建立模块，用于建立最佳支持矢量分类器模型；
[0091]
训练测试模块，用于利用训练集对最佳支持矢量分类器模型进行训练，再利用测试集进行测试验证。
[0092]
另一方面，本发明还公开一种计算设备，
[0093]
计算设备包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，的一个或多个程序包括用于实现上述任一种汽涡轮发电机组振动故障诊断方法的指令；
[0094]
或，计算设备包括：汽涡轮发电机组振动故障诊断装置。
[0095]
本发明公开一种汽涡轮发电机组振动故障诊断方法、装置及计算设备，其建立最佳支持矢量分类器模型进行汽涡轮发电机组振动故障诊断，可以有效简化传统专家系统知识撷取流程，改善传统类神经网络训练速度缓慢、网络架构与参数不易决定和容易陷入局部最佳解的问题。
附图说明
[0096]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0097]
图1本发明实施例提供的汽涡轮发电机组振动故障诊断方法流程图。
具体实施方式
[0098]
下面结合附图详细说明本发明的优选实施方式。
[0099]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0100]
为了达到本发明的目的，一种汽涡轮发电机组振动故障诊断方法、装置及计算设备的其中一些实施例中，如图1所示，一种汽涡轮发电机组振动故障诊断方法具体包括以下步骤：
[0101]
s1：收集转子不对中、转子不平衡、轴承松动、转子碰磨、油膜涡动、蒸汽涡动六类汽涡轮发电机组的故障振动信号，经傅立叶转换成离散频谱幅值，再依据能量特性区分为8个主要频段，对每个频段幅值进行模糊化处理，得到模糊化数值；
[0102]
s2：建立资料数据库，每一笔资料含有8个输入特征，将资料数据库内的资料划分为训练集和测试集；
[0103]
s3：建立最佳支持矢量分类器模型；
[0104]
s4：利用训练集对最佳支持矢量分类器模型进行训练，再利用测试集进行测试验证。
[0105]
为了进一步地优化本发明的实施效果，在另外一些实施方式中，其余特征技术相同，不同之处在于，s1中，依据能量的特性区分为8个主要频段，分别为：s1、s2、s3、s4、s5、s6、s7、s8；
[0106]
s1代表0～0.4f；s2代表0.4～0.49f；s3代表0.5f；s4代表0.51～0.99f；s5代表f；s6代表2f；s7代表3～5f；s8代表5f以上；
[0107]
其中：f为机组运转频率，单位hz。
[0108]
为了进一步地优化本发明的实施效果，在另外一些实施方式中，其余特征技术相同，不同之处在于，s1中，利用下式(1)对每个频段幅值进行模糊化处理，得到模糊化数值；
[0109][0110]
其中：k与x0之值因机组部位不同，k代表系数，x代表振幅，x0代表初始振幅。
[0111]
模糊化数值用以描述故障与症兆间模糊性、不确定性与两者间在概念上的不精确性。
[0112]
为了进一步地优化本发明的实施效果，在另外一些实施方式中，其余特征技术相同，不同之处在于，还包括：
[0113]
s5：利用倒传递类神经网络验证最佳支持矢量分类器模型的建模效率及诊断准确度。
[0114]
为了进一步地优化本发明的实施效果，在另外一些实施方式中，其余特征技术相同，不同之处在于，s3包括以下内容：
[0115]
设定一组两类别可线性分割的训练集资料为s＝{(x
k
,y
k
)},k＝1,2,...,n；
[0116]
其中，x
k
为在输入模式的特征空间，x
k
为此组两类别资料的标示；x
k
的值为{
‑
1, 1}；
[0117]
通过找到一超平面来分割此两类资料，此超平面表示为式(2)：
[0118]
y
h
(x)＝w
t
x b
ꢀꢀ
(2)
[0119]
则其分类决策函数即为式(3)所示：
[0120]
y(x)＝sign(w
t
x b)
ꢀꢀ
(3)
[0121]
在式(3)中w为超平面的法矢量，b是原点到超平面的距离，x则是输入的资料集；此组可线性分割的训练集资料，满足式(4)与式(5)：
[0122]
w
t
x
k
b≥1,when y(x
k
)＝1
ꢀꢀ
(4)
[0123]
w
t
x
k
b≤
‑
1,when y(x
k
)＝
‑1ꢀꢀ
(5)
[0124]
其中，w是最佳超平面单位法矢量，b为最佳超平面常数；
[0125]
将式(4)与式(5)合并为式(6)：
[0126]
y
k
(w
t
x
k
b)≥1,for k＝1,2,...,n
ꢀꢀ
(6)
[0127]
在空间中任一点x到超平面(w,b)的距离如式(7)所示：
[0128][0129]
通过以上条件许多超平面都能符合，由于要在众多的超平面中挑选出最佳超平面，svc分类的能力基于训练点到超平面的距离，此距离又称为边界值。
[0130]
欲找到最大超平面，即等于找出相距最远(边界值最大)的支持超平面，支持超平面边界值如式(8)表示为：
[0131][0132]
由式(4)与式(5)可知
[0133][0134]
为确保样本能够明确的分开，边界值m(w,b)越大越好，即或越小越好，如式(10)所示；
[0135][0136]
subject to y
k
(w
t
x
k
b)≥1,for k＝1,2,...,n
[0137]
此为svc所要解决的主要问题，利用lagrange乘数法将上式转换成另一个二次方程式最小化问题，找出使l为最小值的w,b：
[0138][0139]
其中：α
k
≥0为lagrange乘数，为求l的最小值，将式(11)分别对w及对b进行偏微分：
[0140]
[0141][0142]
将式(12)与式(13)代入式(11)得到式(14)，一个新的最佳化问题形式：
[0143][0144][0145]
利用式(14)得到最佳lagrange乘数并将代入式(11)得最佳超平面单位法矢量w
*
：
[0146][0147]
并利用kkt条件：
[0148][0149]
得到处理分类问题的函数并解得最佳超平面常数b
*
：
[0150][0151]
为了进一步地优化本发明的实施效果，在另外一些实施方式中，其余特征技术相同，不同之处在于，在某些真实情况下，将无法得到一个最佳超平面将两类资料进行完全分类；
[0152]
当无法得到一个最佳超平面将两类资料进行完全分类时，导入松弛变量ζ
k
，将式(6)改写为：
[0153]
y
k
(w
t
x
k
b)≥1
‑
ζ
k
,for k＝1,2,...,n
ꢀꢀ
(18)
[0154]
其中：ζ
k
≥0，当训练资料在分类发生错误时，ζ
k
就会大于零。因此，在求最佳超平面时，应越小越好，将视为惩罚函数并赋予一权重值c，表示如式(19)所示：
[0155][0156][0157]
利用lagrange乘数法将式(19)改写成式(20)：
[0158][0159]
[0160]
kkt条件为：
[0161]
α
k
(y
k
(w
t
x
k
b)
‑
1 ζ
k
)＝0,for k＝1,2,...,n
ꢀꢀ
(21)
[0162]
(c
‑
α
k
)ζ
k
＝0,for k＝1,2,...,n
ꢀꢀ
(22)
[0163]
利用式(20)得到最佳lagrange乘数再将代入式(11)得最佳超平面单位法矢量w
*
，利用kkt条件求得最佳超平面常数b
*
；
[0164]
利用φ(x
k
)将式(19)改写为：
[0165][0166][0167]
利用lagrange乘数法将式(23)写为：
[0168][0169]
其中：α
k
＞0，β
k
＞0皆为lagrange乘数；
[0170]
为求解l的最小值，对式(24)进行偏微分，得到式(25)：
[0171][0172]
再将式(25)代入式(24)得：
[0173][0174][0175]
映射函数φ(x
k
)可能是一复杂之函数，其内积形式却可能变得很简单，定义核心函数：
[0176]
k(x
k
,x
l
)＝φ(x
k
)
t
φ(x
l
)
ꢀꢀ
(27)
[0177]
核心函数满足下列条件：
[0178]
∫k(x
k
,x
l
)g(x
k
)g(x
l
)dx
k
dx
l
≥0
ꢀꢀ
(28)
[0179]
其中，g(x)为可积分的函数。
[0180]
另一方面，本发明实施例还公开一种汽涡轮发电机组振动故障诊断装置，包括：
[0181]
收集处理模块，用于收集转子不对中、转子不平衡、轴承松动、转子碰磨、油膜涡动、蒸汽涡动六类汽涡轮发电机组的故障振动信号，经傅立叶转换成离散频谱幅值，再依据能量特性区分为n个主要频段，对每个频段幅值进行模糊化处理，得到模糊化数值；
[0182]
数据库建立模块，用于建立资料数据库，每一笔资料含有n个输入特征，将资料数据库内的资料划分为训练集和测试集；
[0183]
模型建立模块，用于建立最佳支持矢量分类器模型；
[0184]
训练测试模块，用于利用训练集对最佳支持矢量分类器模型进行训练，再利用测试集进行测试验证。
[0185]
此外，本发明实施例还公开一种计算设备。
[0186]
计算设备包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，的一个或多个程序包括用于实现上述任一实施例公开的汽涡轮发电机组振动故障诊断方法的指令；
[0187]
或，计算设备包括：上述实施例公开的汽涡轮发电机组振动故障诊断装置。
[0188]
本发明公开一种汽涡轮发电机组振动故障诊断方法、装置及计算设备，其建立最佳支持矢量分类器模型进行汽涡轮发电机组振动故障诊断。
[0189]
支持向量分类器是对于数据分类和回归的一种新的技术，其可广泛地应用在各式各样的领域中处理各种不同的学习问题。支持矢量分类器主要是利用超平面将资料分隔成两个或多个不同类别，其在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，性能优于现有的学习方法。
[0190]
本发明可以有效简化传统专家系统知识撷取流程，改善传统类神经网络训练速度缓慢、网络架构与参数不易决定和容易陷入局部最佳解的问题。
[0191]
本发明具有架构简单、收敛快速等特性，可应用于解决最佳化问题上，适用范围广，可以拓展到其他电机类故障诊断中。
[0192]
应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、cd
‑
rom、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。
[0193]
上述实施例只为说明本发明的技术构思及特点，其目的在于让本领域普通技术人员能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。