張文靜

（廣東省機(jī)械技師學(xué)院，廣東 廣州 510000）

汽輪機(jī)是火電廠的核心設(shè)備之一，在火力發(fā)電系統(tǒng)中具有舉足輕重的作用，也是火電廠重點(diǎn)關(guān)注和運(yùn)維的設(shè)備。汽輪機(jī)機(jī)械結(jié)構(gòu)相對復(fù)雜，長期工作在高應(yīng)力和高轉(zhuǎn)速的環(huán)境中，各部件出現(xiàn)故障的概率也較高。汽輪機(jī)一旦出現(xiàn)故障，會影響整個火電機(jī)組的正常運(yùn)行，嚴(yán)重時可能會導(dǎo)致系統(tǒng)解列。因此，對汽輪機(jī)進(jìn)行故障診斷研究意義重大。

目前，專家系統(tǒng)、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等智能算法在汽輪機(jī)故障領(lǐng)域得到廣泛應(yīng)用。張棟良等將本體模型、模糊綜合評價法和貝葉斯網(wǎng)絡(luò)相結(jié)合，提出了一種基于組合模型的汽輪機(jī)故障診斷方法，算例分析表明，該方法對汽輪機(jī)的故障診斷效果較好[1]。范漢林采用EMPSO算法對支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，建立了EMPSO-SVM模型，并將該模型應(yīng)用于汽輪機(jī)故障診斷，取得了良好的應(yīng)用效果[2]。趙朋認(rèn)為可用于建模的汽輪機(jī)故障數(shù)據(jù)相對較少，進(jìn)而將汽輪機(jī)正常工況的數(shù)據(jù)與其他工況數(shù)據(jù)進(jìn)行重構(gòu)分析，并采用自編碼神經(jīng)網(wǎng)絡(luò)對汽輪機(jī)不同工況下的運(yùn)行數(shù)據(jù)進(jìn)行建模，提出了一種基于自編碼神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)故障診斷方法[3]。但現(xiàn)有診斷方法的診斷精度相對較低，有待進(jìn)一步研究診斷精度更高、穩(wěn)定性更好的汽輪機(jī)故障診斷模型。

1 汽輪機(jī)常見故障分析

1.1 轉(zhuǎn)子不平衡

轉(zhuǎn)子不平衡是汽輪機(jī)常見故障之一[4]，在汽輪機(jī)的運(yùn)行過程中，其轉(zhuǎn)子不停旋轉(zhuǎn)，在離心力的影響下，轉(zhuǎn)子可能會發(fā)生振動，從而使轉(zhuǎn)子的旋轉(zhuǎn)功能遭到破壞。汽輪機(jī)出現(xiàn)轉(zhuǎn)子不平衡故障的原因有很多，主要包括轉(zhuǎn)子質(zhì)量不平衡、受熱彎曲、受熱不平衡以及部件脫落等。

從不平衡原理的角度進(jìn)行分析可知，轉(zhuǎn)子速度達(dá)到最大時，其幅值也會出現(xiàn)峰值，此時相位角上升至180°。當(dāng)轉(zhuǎn)子速度出現(xiàn)一階不平衡時，最大幅值出現(xiàn)在轉(zhuǎn)子速度第一次達(dá)到最大時，此時相位角上升角度接近180°；當(dāng)轉(zhuǎn)子速度出現(xiàn)二階不平衡時，最大幅值出現(xiàn)在轉(zhuǎn)子速度第二次達(dá)到最大時，此時相位角上升角度略小于180°；當(dāng)轉(zhuǎn)子速度同時存在一階和二階不平衡時，振動產(chǎn)生的相位變換會發(fā)生變化，一端相位角上升略小于180°，另一端接近360°。

1.2 動靜碰磨

汽輪機(jī)長期處于高溫、強(qiáng)振動的運(yùn)行環(huán)境中，不可避免地會產(chǎn)生一定磨損，磨損的主要原因有機(jī)械扭曲、螺絲松動和轉(zhuǎn)子旋轉(zhuǎn)不正常等。過度磨損會使轉(zhuǎn)子受力增加，出現(xiàn)轉(zhuǎn)軸彎曲的現(xiàn)象，嚴(yán)重時會導(dǎo)致軸斷裂。根據(jù)磨損方向，動靜磨損可分為徑向磨損、軸向磨損和組合磨損，從旋轉(zhuǎn)周期接觸情況來看，又可以分為全周磨損和部分磨損[5]。

1.3 油膜渦動

油膜渦動主要是指軸承運(yùn)動受干擾時出現(xiàn)的情況，油膜渦動會產(chǎn)生一定的彈性恢復(fù)力和不穩(wěn)定的切向失穩(wěn)分力。當(dāng)阻尼力大于切向失穩(wěn)分力時，軸承內(nèi)的轉(zhuǎn)動能夠保持穩(wěn)定，即渦動收斂；當(dāng)阻尼力小于切向失穩(wěn)分力時，渦動表現(xiàn)形式為發(fā)散曲線。此外，油膜渦動軌跡也可能呈現(xiàn)出雙環(huán)橢圓曲線。

1.4 轉(zhuǎn)子不對中

汽輪機(jī)正常運(yùn)行時，機(jī)架中心的2兩個轉(zhuǎn)子控制器在一條直線上，當(dāng)二者間存在一定傾斜角時，稱為轉(zhuǎn)子不對中。常見的轉(zhuǎn)子不對中故障主要分為3種：一是平行不對中，2條軸線間出現(xiàn)一定的平行偏移量；二是偏角不對中，2條軸線間存在一定的夾角；三是組合不對中，2條軸線間既存在一定偏移量，又存在一定的夾角[6]。

在時域范圍內(nèi)，轉(zhuǎn)子不對中故障的振動周期相對穩(wěn)定，轉(zhuǎn)子轉(zhuǎn)速較低時，聯(lián)軸器擺動幅度較大。對于平行不對中故障，擺動幅度是同向的；對于偏角不對中故障，擺動幅度是反向的。

2 GA-BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)實(shí)際上是一種誤差反向傳播的神經(jīng)網(wǎng)絡(luò)模型，是目前使用最廣泛的神經(jīng)網(wǎng)絡(luò)模型，學(xué)習(xí)過程中采用的是最速下降法。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練方向?yàn)檎龝r，輸入層輸入的樣本數(shù)據(jù)經(jīng)過訓(xùn)練后從輸出層輸出。如果輸出結(jié)果與期望值間的差距不滿足誤差要求，則采用誤差反向傳播的方式對網(wǎng)絡(luò)參數(shù)進(jìn)行計算、調(diào)整，直至輸出結(jié)果滿足誤差要求。

BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)機(jī)構(gòu)通常由輸入層、輸出層和隱含層構(gòu)成，單個節(jié)點(diǎn)相當(dāng)于一個神經(jīng)元，每層的神經(jīng)元間不存在聯(lián)系，不相鄰的2層神經(jīng)元間也不存在連接關(guān)系，各層間依次傳播，完成樣本數(shù)據(jù)的訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)的原理可參考文獻(xiàn)[7]。

2.2 遺傳算法

遺傳算法（Genetic Algorithm）是根據(jù)生物遺傳理論提出的一種經(jīng)典優(yōu)化算法[8]，其尋優(yōu)原理滿足達(dá)爾文進(jìn)化論中的“適者生存”原則。GA算法將優(yōu)化目標(biāo)作為編碼串聯(lián)到生物種群中，通過選擇、交叉和變異等步驟完成生物進(jìn)化，選擇適應(yīng)度更好的個體作為父本，并淘汰適應(yīng)度較差的生物個體，使新種群能夠繼承父本的優(yōu)良信息，最終找到全局最優(yōu)解。GA算法原理簡單，便于操作，在參數(shù)尋優(yōu)方面得到了廣泛應(yīng)用。

2.3 GA-BP神經(jīng)網(wǎng)絡(luò)模型

該文采用GA算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，通過選擇、交叉和變異等一系列操作，找出適應(yīng)度值最好的個體，將其賦值給BP神經(jīng)網(wǎng)絡(luò)，即可得到GA-BP神經(jīng)網(wǎng)絡(luò)模型。構(gòu)建GA-BP神經(jīng)網(wǎng)絡(luò)模型的主要步驟如下。

2.3.1 種群初始化

采用實(shí)數(shù)編碼的方式進(jìn)行個體編碼，種群中的每個個體都是一個實(shí)數(shù)串，種群由BP神經(jīng)網(wǎng)絡(luò)中的所有權(quán)值和閾值組成。

2.3.2 構(gòu)建適應(yīng)度函數(shù)

該文所提GA-BP神經(jīng)網(wǎng)絡(luò)用于汽輪機(jī)故障診斷，因此將GA-BP神經(jīng)網(wǎng)絡(luò)模型的診斷精度為適應(yīng)度值，如公式（1）所示。

式中：xn為樣本總量；ψ為診斷精度；m為汽輪機(jī)故障類型；xm為第m類故障診斷正確的樣本數(shù)量。

2.3.3 選擇操作

采用輪盤賭法進(jìn)行選擇操作，第i個個體被選中的概率如公式（2）所示。

式中：pi為選擇概率；N為種群容量；fi為生物個體i的適應(yīng)度值。

2.3.4 交叉操作

隨機(jī)選擇另一個染色體進(jìn)行交叉，獲得新個體，該過程如公式（3）所示。

式中：akj、alj均為染色體基因；b為隨機(jī)數(shù)，b∈[0，1]。

2.3.5 變異操作

隨機(jī)選擇另一個染色體進(jìn)行交叉，獲得新個體，該過程如公式（4）、公式（5）所示。

式中：amax和amin分別為alj最大值和最小值；g和Gmax分別為當(dāng)前進(jìn)化代數(shù)和最大進(jìn)化代數(shù)；r2為隨機(jī)數(shù)，r2∈[0，1]。

GA-BP神經(jīng)網(wǎng)絡(luò)模型的流程圖如圖1所示。

圖1 GA-BP神經(jīng)網(wǎng)絡(luò)模型的流程圖

3 仿真分析

采用型號為ZT-3的汽輪機(jī)樣本數(shù)據(jù)進(jìn)行仿真分析，具體見表1。將表1中的數(shù)據(jù)劃分為訓(xùn)練集和測試集，分別取每種故障的前30組為訓(xùn)練集，后12組為測試集。

表1 樣本數(shù)據(jù)和故障編碼

汽輪機(jī)出現(xiàn)不同故障時，其頻譜成分是不同的，包括4倍頻、3倍頻、2倍頻、1倍頻和0.5倍頻[9]。該文以汽輪機(jī)的5種頻譜成分為輸入量，以汽輪機(jī)的5種狀態(tài)（正常、轉(zhuǎn)子不平衡、動靜碰磨、油膜渦動和轉(zhuǎn)子不對中）為輸出量，建立網(wǎng)絡(luò)結(jié)構(gòu)為5-12-5的基于GA-BP神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)故障診斷模型。GA-BP神經(jīng)網(wǎng)絡(luò)設(shè)置如下：種群容量為20，最大進(jìn)化代數(shù)為50，交叉概率和變異概率分別為0.4和0.1，學(xué)習(xí)率為0.001，訓(xùn)練函數(shù)和傳遞函數(shù)分別為tansig函數(shù)和trainlm函數(shù)。

采用訓(xùn)練集數(shù)據(jù)對GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，利用測試集數(shù)據(jù)檢測診斷效果，GA-BP神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果如圖2所示。為了進(jìn)行對比和分析，采用PSO-SVM模型、BP神經(jīng)網(wǎng)絡(luò)模型和ELM模型對測試集進(jìn)行故障診斷，診斷結(jié)果分別如圖3～圖5所示。

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)模型診斷結(jié)果

圖3 PSO-SVM神經(jīng)網(wǎng)絡(luò)模型診斷結(jié)果

圖4 BP神經(jīng)網(wǎng)絡(luò)模型診斷結(jié)果

圖5 ELM模型診斷結(jié)果

4種不同模型的對汽輪機(jī)故障診斷結(jié)果見表2。由表2可知，GA-BP神經(jīng)網(wǎng)絡(luò)模型、PSO-SVM模型、BP神經(jīng)網(wǎng)絡(luò)模型和ELM模型出現(xiàn)誤診斷的次數(shù)分別為2次、4次、6次和7次，診斷精度依次為96.67%、93.33%、90%和88.33%.通過對比可以看出，與其他幾種汽輪機(jī)故障診斷方法相比，基于GA-BP神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)故障診斷方法的誤診斷次數(shù)更少，診斷精度更高。

表2 4種模型診斷結(jié)果對比

4 結(jié)論

該文分析了汽輪機(jī)的4種常見故障，以汽輪機(jī)的頻譜成分為輸入量，汽輪機(jī)故障類型為輸出量，采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，建立了基于GA-BP神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)故障診斷模型。采用某汽輪機(jī)樣本數(shù)據(jù)進(jìn)行仿真分析，并與其他汽輪機(jī)故障診斷方法進(jìn)行對比，結(jié)果表明，該文所提汽輪機(jī)故障診斷方法的誤診斷次數(shù)更少，診斷精度更高。