基于形态学特征及支持向量机的水电机组轴系故障识别.pdf

年第 期 水电与新能源 第 卷.:././.收稿日期:作者简介:王勇劲男高级工程师从事水电机组故障诊断及性能测试研究工作基于形态学特征及支持向量机的水电机组轴系故障识别王勇劲王永建苟方映廖 涛林志鹏胡 波(.华电电力科学研究院有限公司浙江 杭州 .华电四川发电有限公司四川 成都)摘要:为解决水电机组主轴运行期间的潜在故障提出了多重分形谱、粒子群寻优和支持向量机对主轴图像数据多维度故障识别的方法实现机组轴系运行中的摆度波形形态学特性提取获得多重分形谱数据采用粒子群寻优算法从海量样本中寻优获得异常故障特征形成故障特征集由支持向量机分类方法对故障特征集进行分类识别有效识别图形数据堆积过程中故障样本分类实现轴系故障识别以便确定相应的解决措施关键词:形态学支持向量机故障识别中图分类号:文献标志码:文章编号:()(.):.:轴系故障诊断现状随着大容量水电装机及关键设备复杂工况连续运行主轴轴系不对中、转动不平衡、轴线弯曲等潜在故障频发极大制约了水电机组轴系健康稳定目前在线监测装置作为水电状态检测主要手段发挥着监视机组运行状态并预防主轴突发故障作用对于摆度异常引起的偶发故障监测系统无法可靠预警并诊断然而主轴摆度波形趋势特征曲线作为表征机组偶发故障的重要症状未形成有效深度挖掘无法获取对主轴摆度过程曲线异常突变引起的渐发性故障特征有效诊断迫切需要对波形图形时间、空间形变特性发展趋势进行有效识别由此实现摆度波形形变趋势的图像学诊断机制实现机组轴系偶发故障实时诊断本研究对主轴摆度波形图形特征潜在故障发展过程中呈现出的波形空间不对称、尖刺、突变等形变症状进行多重分形谱提取表征形变特征随负荷、流量、外部能量冲击等因素变化特性改进后获得 个形变特征王勇劲等:基于形态学特征及支持向量机的水电机组轴系故障识别 年 月个形变特征随实时波形产生的波形空间不对称会逐渐加剧实现长期波形空间不对称导致故障特性不断加剧过程特性的数学描述 通过粒子群智能分类算法()对形变特征进行筛选实现海量波形特性故障筛选采用支持向量机()对筛选后波形进行智能识别实现已知故障和未知故障样本的匹配分类获得渐发性故障特征智能诊断轴系故障识别流程如图 试验中待识别未知样本库使用的数据如表 图 轴系故障识别流程图表 试验中待识别未知样本库使用的数据列表来源样本数多重分形谱特征提取改进算法提取特征分类方法流域电站 个形变特征 个形变特征 、流域电站 个形变特征 个形变特征 、流域电站 个形变特征 个形变特征 、多重分形谱特征提取方法选取流域 个电站 台混流式具备上导、下导、水导典型结构机组作为试验机组调取在线监测系统 年周期数据采用 个样本值作为待识别波形特征图谱开展故障智能识别采用多重分形算法统计波形特征形变因素时对波形特征全部像素点的灰度分布进行提取获得波形的概率测度()为描述摆度波形空间不对称、尖刺、突变等形变症状计算获取()与 的关系由式()、()、()计算获得、()和()的多重分形的 个特征值由式()提取计算多重分形特征值中的、()、()、个特征值实现多重分形改进算法由此作为后续粒子群寻优的待识别未知样本库 已知、待识别故障样本波形如图、图 随机样本中 和()、()()、()的关系曲线如图、图 随机样本库多重分形谱形变特征部分提取值样本如表()()()()其中()是全部像素点的灰度之和()()()()()()()()()()()()、()()()图 类已知故障的波形图 粒子群智能寻优采用改进多重分形算法获得轴系不对中、转动不平衡、轴线弯曲三类已知故障样本空间随机获取轴系 个样本作为待识别样本对比所获取的摆度波形与 类轴系不对中、转动不平衡、轴线弯曲已知故障的多重分形谱形变特征相似故障波形形变特征极大值和极小值数值和相应位置保持趋势一致与粒子群寻水 电 与 新 能 源 年第 期图 待识别随即样本波形图图 随机样本中 和()、()的关系曲线图图 随机样本中()、()的关系曲线图表 随机样本库多重分形谱形变特征部分提取值样本样本序号()().王勇劲等:基于形态学特征及支持向量机的水电机组轴系故障识别 年 月优()对于数据集寻找最优解特性一致故选取粒子群寻优算法作为消除干扰数据方法解决轴系故障识别过程中大量无效波形干扰精准智能识别问题粒子群寻优算法寻优过程中将、()、()、的 个维度多重分形形变特征值进行编号标记为一个集合其中 为 将未知多重分形特征标记为其中 为其中惯性权重的起始值和终止值设定为 值为.、为.是循环迭代中最大判断数目是实时循环迭代数目由此获得与待识别数据差异性最小的一个样本集合 由此作为机组智能诊断的待识别未知样本库 算法获得与待识别数据差异性最小的一个样本集合 如表 以此为基础大大提高下面(支持向量机)智能识别算法的精度和效率表 粒子群寻优后的多重分形谱特征提取值部分样本样本序号()().由粒子群寻优结果发现实测后获取了 个样本采用粒子群寻优获取了 个波形异常状态样本保留了最关键的数据消除了干扰 支持向量机方法的智能故障分类对随机 个样本、粒子群寻优后 个样本分类作为诊断图形集该空间按原有编号进行标记设立轴系不对中、转动不平衡、轴线弯曲 类原始故障分类属性采用每次从其中挑选一类为正类将未知样本归为决策函数值最大的类的分类策略引入了一种基于可辨识矩阵的启发式属性约简算法作为属性特征重要性的判别方法作为分类模型 如式()开展“一对多”方法的模糊支持向量机进行多目标分类采用了高斯核函数如式()设定核函数系数为样本空间极大值和极小值后获得 为.由式()、()确定核属性并获得 值为()由式()、()计算并判断所得的特征属性的重要性找出不含核属性的属性集合获得支持向量机多类分类结果().()可辨识矩阵由 提出可辨识矩阵的元素 定义为:()()()()()()()()()()()式()中()是分类对象 在属性 上的值把它作为类别属性()是记录 在 上的值即为条件属性式()表示:当决策属性不同且条件属性也完全不相同时元素值是互不相同的属性组合元素值为 当决策属性相同时元素值为 当决策属性不同而条件属性完全不同时元素值为 改进的归类判别函数:()()()式中:为分类阀值为每个样本对应的辨识矩阵系数 为样本()为符号函数()为所采用的核函数改进的误差阀值函数:()()其中:为每个样本对应的辨识矩阵系数 为样本()为符号函数()为所采用的核函数未寻优随机 个样本支持向量机分类结果见图粒子群寻优后 个样本支持向量机分类结果见图 试验中数据分类特性及概率分布见表 水 电 与 新 能 源 年第 期图 未寻优随机 个样本支持向量机分类结果图 粒子群寻优后 个样本支持向量机分类结果表 试验中数据分类特性及概率分布样本状态数据集样本总数分类样本数分类概率/分类样本数转动不平衡轴线弯曲轴系不对中不可分错分类.分类样本数转动不平衡轴线弯曲轴系不对中不可分错分类.对比诊断结果发现、数值极大制约了后期 寻优和 分类结果、数值越大 寻优越准确 分类越精确 粒子群寻优过程中惯性权重的起始值和终止值设定为.、.该值取值多重分形特征谱值最大值和最小值由此划分出故障样本空间的限制范围实现从 个随机样本中寻优获得 个故障特征样本增加了粒子群寻优算法适应性和寻优精度 分类结果表明可辨识矩阵的引入分类模型及核函数系数范围界定提升了三类故障智能分类的精确性随机分类和寻优后分类对分类精度影响较大随机 分类模型出现了过多的不可分和错分类样本对待识别对象精准分类形成较大干扰出现.不可分样本.的错分类样本 智能识别模型较好的识别了轴系不对中、转动不平衡、轴线弯曲三类已故障样本图形分类概率较高为.、.、.消除了样本错分类并将不可分样本降低至 采用支持向量机分类方法与粒子群寻优后轴轴系不对中、转动不平衡、轴线弯曲样本序号集中为 至、至分布于、号机组 台机组在数据采集期间存在磁拉力不平衡力、水力不平衡力引起的上导、水导摆度异常偏大情况转动不平衡样本序号集中为 至 分布于、号机组 台机组在转动过程中存在质量不平衡因素导致的启机过程中上机架振动、上导摆度异常偏大现象 结 语本文为解决水电机组主轴运行期间潜在故障的有效识别提出多重分形谱、粒子群寻优和支持向量机故障识别模型对主轴图像数据多维度故障识别的方法有效识别图形数据堆积过程中故障样本分类问题解决了轴系故障识别过程中大量波形特征精准智能识别有效消除诊断过程中无效数据和正常状态波形相互干扰问题采用标记图形的方法对分类识别后的故障进行溯源确定机组编号和故障位置获得了故障原因提升机组故障诊断水平参考文献:武哲.旋转机械故障诊断与预测方法及其应用研究.北京:北京交通大学 韩捷 张瑞林.旋转机械故障机理及诊断技术.北京:机械工业出版社 韦祥 李本威 吴易明.和核主元分析的机械振动特征提取.振动、测试与诊断 ():罗颂荣 程军圣 郑近德.基于 分形模糊熵的轴承早期故障诊断.振动、测试与诊断 ():.():秦正飞 高磊 王军现 等.基于优化支持向量机多分类器的水电机组故障诊断.水电与抽水蓄能():王建国 张文兴.支持向量机建模及其智能优化.北京:清华大学出版社 李东东 周文磊 郑晓霞 等.基于多重分形谱和支持向量机的风电机组行星齿轮箱故障诊断与研究.电力系统保护与控制 ():