劉隆波，黃金娥，沈君賢

1.92942部隊， 北京100161 2.哈爾濱工程大學 航天與建筑工程學院 黑龍江 哈爾濱 150001

隨著現(xiàn)代制造技術的提升，對燃氣輪機的性能和工作條件要求越來越高，同時也出現(xiàn)了更多的機組故障，因此對汽輪機運的故障診斷提出了更高的要求。燃氣輪機故障診斷可以根據(jù)機組發(fā)生故障時的振動信號找出故障的特征信息，并利用它進行故障預警和排除，從而指導維修任務[1]。關于故障診斷，很多專家學者對此做了大量的研究。西工大宋曉萍和廖明夫[2]使用快速傅里葉變換分離法和盲源分離法分離雙轉子飛機發(fā)動機的振動信號，并利用FastICA算法對不同頻率的振動信號進行分離。海軍航空工程學院王曉鋼[3]提出了貝葉斯數(shù)值理論應用于航空發(fā)動機汽輪機故障診斷,通過建立燃氣輪機數(shù)值診斷貝葉斯理論模型,計算出系統(tǒng)的故障狀態(tài)的根源失效概率,通過使用極限狀態(tài)識別規(guī)則,確定工作狀態(tài)。本文以艦船汽輪機為研究對象，通過功率譜密度故障篩選出疑似故障，用小波分析提取故障特征向量，最后輸入訓練好的神經網絡進行識別，實現(xiàn)了汽輪機故障的綜合故障診斷，具有一定的工程意義和應用價值。

1 信號篩選

由于大多數(shù)旋轉機械在故障時刻，對于不同頻率能量的變化比較敏感。因此，本文選擇功率譜密度進行信號篩選。首先，功率譜密度是將時間域的振動描述轉化為頻率域的振動描述，即信號在時間域的總功率等于在頻率域的總功率，可以得到隨機過程的功率譜密度[4～5]。其次，通過加窗來減少非整數(shù)周期給傅里葉變換帶來的誤差，Hanning窗具有較好的頻率分辨率，還可減少頻譜泄露。經過處理的信號得到加速度功率譜密度，它反映信號不同的頻率段的能量分布[6]。

在工程試驗中數(shù)據(jù)采集是連續(xù)長時間的，對每個時間段的信號都進行細化的分析將會大大增加工作量。由于特定故障發(fā)生存在固定頻率，大多數(shù)是在基頻的倍數(shù)出現(xiàn)峰值。因此，可以對功率譜密度圖進行典型頻率段劃分。只需監(jiān)測典型頻率段內振幅有效值的變化就能在大量數(shù)據(jù)中篩選故障段。在試驗現(xiàn)場，對固定測點監(jiān)測易發(fā)故障的典型頻率段，就能快速發(fā)現(xiàn)疑似故障，細化分析后進行及時檢修。對于旋轉機械，根據(jù)基頻選擇劃分區(qū)間如下：

ω=[kX-5,kX+5]

k=1,2,3,4

(1)

式中：X為汽輪機的基頻。

選擇轉子不平衡、齒輪缺陷、緊固件松動3種汽輪機常見的故障作為診斷研究的基礎，通過將正常狀態(tài)信號與轉子不平衡、齒輪缺陷、緊固件松動故障時功率譜密度圖進行比較。

1)轉子不平衡

傳感器布置在轉子支承座處，通過功率譜密度(power spectral density,PSD)故障篩選出一個基頻的突變信號。轉子的不平衡故障往往對應著基頻峰值的出現(xiàn)。由圖1可以清楚地看到基頻峰值信號從0.39突變到3.08，突變將近10倍。此時，發(fā)生了轉子不平衡的故障。

(a)正常狀態(tài)

(b)故障狀態(tài)圖1 轉子不平衡頻譜圖

2)齒輪缺陷及傳力不均勻

傳感器布置在齒輪箱處，通PSD故障篩選出一個基頻的突變信號。齒輪缺陷及傳力不均勻故障往往對應著基頻與齒數(shù)乘積頻率峰值的出現(xiàn)。由圖2可以清楚地看到在齒輪箱處傳感器測量信號的基頻峰值信號從2.13突變到12.40，突變將近6倍，此時，發(fā)生了齒輪缺陷及傳力不均勻的故障。

(a)正常狀態(tài)

(b)故障狀態(tài)圖2 齒輪缺陷及傳力不均勻頻譜

3)緊固件松動

傳感器布置在軸承處，通過PSD故障篩選出3倍基頻的一個峰值信號。根據(jù)經驗，可以認為：如果3X峰值最大，是軸與軸承間的松動；如果是4X有峰值，是由于軸承本身是松動的。此時3X頻率(333.75 Hz)處峰值的出現(xiàn)，由圖3可以清楚地看到在軸承處傳感器測量的信號由基頻峰值信號向3倍基頻峰值的變化，此時對應發(fā)生了軸與軸承間松動的故障。

(a)正常狀態(tài)

(b)故障狀態(tài)圖3 緊固件松動

2 基于小波變換的故障特征提取

2.1 小波變換

在信號處理中使用最廣泛的是傅里葉變換，但是它存在一種缺乏時域信息的缺陷。小波變換的概念最早是由法國工程師j.m.orlet于1974年提出的，它是時間和頻域的局部轉換[7]，由于結合了時域和頻域的優(yōu)勢，它可以對故障信號進行細化、放大。小波變換的這些特點能夠從故障信號中提取有效信息，通過同時具有時域頻域雙表達特性，解決了大量傅里葉變換難以處理的問題。這對于提取瞬時變化的振動信號特征是十分必要的。

小波基庫由許多小波基組成。不同的小波基能夠反映信號不同的特征。因此，根據(jù)信號特征的不同，最好能夠選擇一個最優(yōu)的小波基來表達信號特征。另外，小波基函數(shù)的選取直接決定了信號特征提取的效果[8]，進而影響故障診斷。然而，在小波分析中，并沒有一套選擇小波基的準則。通常情況，根據(jù)信號的特征不同來進行小波基的選取。根據(jù)文獻，陳澤鑫[9]提出了對于沖擊信號，選擇最優(yōu)小波基來提取故障特征信息的方法。本文通過對比相似性系數(shù)，選取Sym8作為最優(yōu)小波基函數(shù)。Sym8函數(shù)形狀與信號波形相近，這樣能夠抑制不同形狀信號，放大相近部分信號特征，從而達到提取信號故障特征目的。

2.2 故障特征提取

振動信號經過小波變換后能夠分解到不同頻段上并且保留時域信號特征。不同頻段對應著不同故障的特征頻率，如果能夠準確提取各個頻帶分量的信號特征作為信號特征向量就能有效地對燃氣輪機故障進行診斷。在此基礎上，選擇5種統(tǒng)計特征參數(shù)就可以更精確地描述裝備不同角度的狀態(tài)特征。這些統(tǒng)計參數(shù)分別為方根幅值、有效值、峰值指標、峭度、裕度指標。在經過小波分解后的振動信號，各個頻帶的信號相當獨立。故障信號集中在固定的頻率段，也就是固定的層數(shù)。通常的分析方法是提取每個頻帶的能量(信號的均方根值)作為故障特征向量，但是這種方法對于多故障有一定局限。有時候不同故障的能量信息是相同的，光從能量角度判斷過于單一，缺乏穩(wěn)定性。本文選擇了5種有量綱與無量綱的參數(shù)進行多角度提取故障信號特征。表1給出信號篩選出的轉子不平衡故障的特征提取數(shù)據(jù)。

表1 故障統(tǒng)計參數(shù)提取表

3 基于BP神經網絡的故障識別

采用傳統(tǒng)的故障分類識別方法，故障診斷的穩(wěn)定性與可靠性得不到保證。本文提出人工神經網絡故障識別分類方法，選擇具備誤差反向傳播的學習模式BP神經網絡。BP神經網絡通常包含多個隱含層，其學習訓練分為前向計算和誤差的反向傳播計算。在正向傳播過程中，輸入信號方差歸一化后從輸入層經隱層逐層處理傳向輸出層，每一層神經元的狀態(tài)僅影響下一層的神經元狀態(tài)。如果輸出值與期望不符，神經網絡會根據(jù)誤差從后向前逐層進行修正各層神經元狀態(tài)權值，使誤差信號達到最小[10～12]。具體過程如下：

1)初始化：確定網絡的輸入層、隱含層和輸出層的節(jié)點個數(shù)。隨機初始化BP神經網絡權值和神經元閾值。

2)前向傳播：把輸入值作方差歸一化處理，按照公式計算隱含層神經元和輸出層的輸入與輸出。

3)后前傳播：比較輸出值與期望值。若存在誤差，由誤差反向傳播更新權值和閾值，直至滿足最終條件。

4)用訓練好的BP神經網絡對疑似故障樣本進行識別。

4 綜合故障診斷實例

本文提出基于小波變換和BP神經網絡的故障診斷方法，其算法流程如圖4所示。

圖4 算法流程

圖4中的具體步驟為：

1)信號篩選：先挑選同一工況內的振動信號，對信號進行FFT變換，加Hanning窗得到信號的功率譜密度。根據(jù)式(1)劃分功率譜密度的典型頻率段，計算這些頻率段中幅值的有效值，觀察有效值的突變判斷該信號中是否有疑似故障段。

2)小波變換：使用小波對疑似故障段信號進行分解，獲取疑似故障頻率段的信號分量。計算信號分量的方根幅值、有效值、峰值、峭度、裕度指標，并構成最終的特征向量。

3)BP神經網絡的故障診斷：先將同一工況已知的正常與故障信號特征向量組成矩陣，方差歸一化后作為標準特征的訓練樣本輸入BP神經網絡。經過訓練后的BP神經網絡，輸入試驗中出現(xiàn)的疑似故障段的特征向量，即能進行故障識別。

對4種已知狀態(tài)正常、轉子不平衡、齒輪缺陷、緊固件松動的數(shù)據(jù)用小波分析提取特征向量，分別選取5組特征向量訓練神經網絡。最大訓練次數(shù)為500次。設學習率與動量因子分別為0.1和0.3。目標誤差設置為0.01。由于輸入的特征參數(shù)依然選取5個，確定了神經網絡隱含層節(jié)點數(shù)為5，輸出值為1個三維向量。表3給出了神經網絡輸出對應的不同狀態(tài)。

表2 不同狀態(tài)對應的輸出表

經過300次迭代訓練，神經網絡訓練完畢。為了證明方法的有效性，對上述訓練好的神經網絡進行測試。測試數(shù)據(jù)運行相同的特征提取方法，經方差歸一化后輸入神經網絡識別。歸一化后得到的測試樣本數(shù)據(jù)如表3所示。

表3 歸一化后得到的測試樣本數(shù)據(jù)表

表4為經過測試后的輸出值。表中第1組數(shù)據(jù)為[-0.212，0.192，-0.181]，這3個數(shù)據(jù)對于0和1，更加接近0。因此故障輸出值為[0,0,0]。由故障輸出代碼表可以判斷此時發(fā)動機為正常運行狀態(tài)。一般也可以根據(jù)小于0.5或大于0.5判斷輸出值是接近0還是1。如第11組數(shù)據(jù)[0.191,0.927,0.305]，根據(jù)0.5這一閾值判斷得到的故障輸出值為[0,1,0]。由故障輸出代碼表可以判定此時發(fā)動機存在齒輪缺陷故障。

表4 BP神經網絡輸出與狀態(tài)判斷表

后續(xù)通過1000組數(shù)據(jù)的測試，綜合故障診斷率能夠達到97.5%。說明小波與神經網絡結合的故障診斷方法對故障診斷有著較高的識別準確率。

5 結論

本文通過研究基于小波分析與BP神經網絡相結合的故障診斷方法，以艦船燃氣輪機試驗數(shù)據(jù)為應用對象，驗證了該方法用于艦船燃氣輪機等旋轉機械故障診斷的可行性和工程適用性。根據(jù)結果分析，可得出以下結論：1)本文選取的試驗振動數(shù)據(jù)，通過PSD進行故障篩選的方法能快速判別機組運行是否出現(xiàn)故障狀態(tài)；2)以變換后信號的特征參量作為神經網絡的輸入，實現(xiàn)了對3種典型故障狀態(tài)的識別，形成了具有較高準確率的燃氣輪機故障診斷方法。