基于FOA－SVM的汽輪機振動故障診斷

石志標，苗 瑩

（東北電力大學機械工程學院，吉林 132012）

基于FOA－SVM的汽輪機振動故障診斷

石志標，苗 瑩

（東北電力大學機械工程學院，吉林 132012）

為解決支持向量機算法（Support Vector Machine，SVM）的核函數參數及懲罰因子參數選取的盲目性，利用果蠅優化算法（Fruit Fly Optimization Algorithm，FOA）對SVM中參數進行優化。提出基于FOA的SVM故障診斷算法，并對汽輪機故障實驗數據進行模式識別。該算法能對SVM相關參數自動尋優，且能達到較理想的全局最優解。通過與常用的粒子群算法（Particle Swarm Optimization，PSO）與遺傳算法（Genetic Algorithm，GA）優化后支持向量機進行對比。結果表明，FOA－SVM算法穩定、識別速度快、識別率高。

支持向量機；汽輪機；振動診斷；果蠅算法

現代化生產的高速發展，使汽輪機向大型化、高容量化發展［1］。為提高生產效率、保證汽輪機設備的安全運行，對其運行狀態監測及故障診斷尤其重要。汽輪機機組故障類型較多，常見故障有轉子質量不平衡、轉子不對中、轉子碰磨、油膜振蕩等，且均能以振動信號形式顯現，因此對汽輪機振動信號快速有效識別極為重要［2］。用于汽輪機故障診斷的神經網絡為常用智能算法之一［3］，但其存在過擬合、收斂速度慢、易發散、易陷入局部極小值等問題，嚴重影響實用性。Vapnik等［4］提出的支持向量機算法（Support Vector Machine，SVM）為基于結構風險最小化方法的統計學習理論，為專門的小樣本統計理論［5］，具有較強泛化能力，并能克服神經網絡中存在的過擬合、收斂速度慢、易陷入局部極小值、樣本需求量大等缺點，在汽輪機故障診斷中應用前景廣闊。而支持向量機（SVM）參數選取困難影響其實用性。Pan［6］提出的果蠅算法（Fruit Fly Optimization Algorithm，FOA）為基于果蠅覓食行為推演出尋求全局優化的新方法。具有較強的全局搜索能力，且易于實現。用FOA算法對SVM參數進行優化，提出FOA＿SVM汽輪機故障診斷算法。

1 FOA＿SVM算法

1.1 FOA算法基本原理

FOA為由果蠅覓食行為推演的尋求全局優化方法［7］。果蠅本身在感官知覺上優于其他物種，尤其嗅覺與視覺，其嗅覺能搜集飄浮空氣中的各種氣味，甚至能嗅到40 km外的食物源，飛近食物后亦可發現食物與同伴聚集位置，見圖1。按果蠅搜尋食物特性，將其歸納為：

圖1 果蠅群體迭代搜索食物示意圖Fig．1 Diagram of fruit flies iterative searching for food

（7）進入果蠅迭代尋優。重復執行（2）～（5），并判斷味道濃度是否優于前一迭代味道濃度，若是則執行（6）。

1.2 基于FOA的SVM參數優化

SVM對非線性問題分類性能取決于結合因素，應該選合適的徑向基參數σ2將數據映射到高維特征空間；對該特征空間尋找合適的懲罰因子C，使學習機的置信范圍及經驗風險具有最佳比例。因此對σ2，C的聯合優化極其重要。為便于編程，對SVM中核函數參數σ2做簡單變換1／σ2＝g，將g作為徑向基核函數參數進行研究。用FOA算法對其優化，即

（1）對初始果蠅群體位置、參數初始化，其群體位置區間為［1，2］，種群規模30，迭代次數100，設定SVM初始參數。

（2）果蠅尋優開始，利用FOA調整參數C，g。

（3）利用味道濃度判定函數求出味道濃度。

（4）據味道濃度值尋找極值，保留最佳位置。

（5）檢查結束條件。若滿足，則結束尋優；否則轉（2）。結束條件為尋優達到最大進化代數或味道濃度是否優于前一迭代味道濃度。

FOA算法優化SVM參數流程見圖2。

圖2 FOA算法優化SVM參數流程圖Fig．2 Flow chart for FOA algorithm to optimize SVMparameter

2 故障模擬試驗及故障數據

研究汽輪機軸系典型故障需大量故障試驗數據。為此，設計故障試驗方案，利用轉子故障模擬試驗臺進行軸系典型故障試驗，獲得故障數據。

汽輪機轉子常見故障有：①質量不平衡，能間接反映轉子的零件松動、葉片掉塊、變形等；②轉子與靜止結構碰摩及轉子不對中。轉子軸承系統在某種工作狀態下亦會發生高速滑動軸承特有故障，即③油膜渦動、④油膜振蕩。轉子軸頸在油膜中的劇烈振動會直接導致機器零部件損壞。本文對常見的4種故障進行模擬試驗。所用ZT－3轉子振動模擬試驗臺見圖3。

試驗臺用直流并勵電動機驅動，電動機軸經聯軸器直接驅動轉子，電動機額定電流為2．5 A，輸出功率250 W。調速器可對電動機在0～10 000 r／min范圍內無級調速。試驗臺長1 200 mm，寬108 mm，高145 mm，質量約45 kg，轉軸直徑9．5 mm，油膜振蕩試驗用軸長500 mm，其它試驗用長320 mm轉軸，轉子規格Φ76 mm×19 mm。質量不平衡試驗中采取在每個轉子兩側面周向平衡槽內增加不平衡螺釘方法在左側轉子上加重0．6 g；轉子不對中采取在軸承座一側加墊片方法致軸承座左右位置偏差模擬轉子不對中故障；轉子動靜碰摩用摩擦螺釘模擬，摩擦試驗按所需位置固定摩擦螺釘架，啟動電機使在所需的轉速內運轉，調整摩擦螺釘，觀察到沖擊信號后鎖緊翼型螺母；油膜振蕩采用專用軸及油膜軸承，該軸承軸瓦長于普通軸承，可增大軸承長徑比以獲得較小比壓，便于油膜渦動與油膜振蕩激發。傳感器采用電渦流傳感器，頻率范圍0～10 kHz，每個轉子在x，y方向各設一個測點。傳感器獲取振動信號后進行初步濾波、放大，經A／D將模擬信號轉換為數字信號輸入計算機進行后期處理。試驗所用南京東大測振儀器廠的ZXP－1600B汽機振動測試分析系統可存儲各通道原始波形動態信號及振動特征數據。存儲方式為按轉速變化及按時間間隔變化，具有16通道同步正周期采集及同屏顯示功能。采樣頻率為32倍基頻，在每個采樣周期內的采樣點512，測試數據存儲于二進制文件庫中。

時域波形為原始振動信號的信息來源。時域分析提供的信息較有限。而頻域分析能通過測試對象的動態特征對設備狀態進行評價。為在試驗臺的安全操作規范內充分顯示轉速對故障影響，每50 r／min取一組數據，每類故障取50組數據，將其進行傅里葉變換后的各頻率段能量占比作為判斷故障類型的特征向量。將頻率段分為：m1＝（0．01～0．39）f，m2＝（0．40～0．49）f，m3＝0．5f，m4＝（0．51～0．99）f，m5＝1f，m6＝2f，m7＝（3～5）f，m8＝（＞5）f，m9＝奇數倍頻，其中f為轉頻。

圖3 ZT－3轉子振動模擬試驗臺Fig．3 ZT－3 rotor vibration simulation test rig

3 基于FOA-SVM的故障診斷

3.1 SVM參數優化過程及分析

為評價算法性能，用GA-SVM［8］、PSO－SVM［9－10］、及FOA-SVM三種算法對樣本進行識別。由于三種算法均為全局尋優的概率搜索算法，因此參數均設為：種群最大數量30，最大進化代數100，SVM參數C變化范圍［10－1，102］，g變化范圍［10－2，103］。雖三種算法初始參數相同，但由于種群尋優過程不同，所達最優解的進化代數各不相同。為便于觀察，對三種算法適應度變化進行比較，見圖4。由圖4看出，相同種群數量、進化代數及故障樣本下，PSO算法曲線在進化代數第15代時達最大值，即出現最優解；GA算法曲線在進化代數第21代時出現最優解；FOA算法曲線在進化代數第12代時出現最優解。通過比較，PSO算法與FOA算法進化較快，但PSO算法不穩定，在第9代陷入局部最小，在第15代達最優解；GA算法與FOA算均較穩定，但GA算法迭代次數多，優化速度較慢。因此，FOA算法無論算法穩定程度，或進化速度均能達到較理想效果。

圖4 三種算法適應度變化Fig．4 Three algorithmswith the change of fitness

3.2 識別結果及討論

用三種算法對每類故障的30組訓練集數據進行訓練，用其余20組測試。FOA-SVM測試結果見圖5，PSO-SVM測試結果見圖6，GA-SVM測試結果見圖7。各圖中accuracy為測試集的識別正確率。1為不平衡故障，2為不對中故障，3為油膜震蕩，4為轉子碰摩故障。

各算法識別結果見表1。由表1看出，FOA＿SVM與PSO＿SVM的運行時間相當，但識別率前者較后者高出6．25%；FOA＿SVM與GA＿SVM的識別率分別達100%及98．75%，均較高，但運行時間前者較后者快36．12%。故經FOA算法優化的SVM或識別率或運行時間均優于其余兩種，對汽輪機振動故障識別應用前景廣闊。

表1 各算法識別結果Tab.1 Recognition results under different algorithms

圖5 測試集下FOA-SVM測試結果Fig．5 The test results of FOA-SVMin the test set

圖6 測試集下PSO-SVM測試結果Fig．6 The test results of PSO-SVMin the test set

圖7 測試集下GA-SVM測試結果Fig．7 The test results of GA-SVMin the test set

4 結 論

本文利用果蠅優化算法（FOA）對SVM中參數優化，提出基于FOA的SVM故障診斷算法，并對汽輪機故障進行模式識別，結論如下：

（1）對SVM參數優化，FOA算法較PSO算法更穩定，較GA算法進化更快。

（2）對故障識別率，FOA算法達100%，而PSO與GA分別為93．75%及98．75%。

（3）對運行時間，FOA算法僅用2．102 s，PSO與GA分別用2．474 s及3．873 s。

總之，FOA－SVM算法對參數優化快速穩定，識別率最高、識別速度最快。

［1］賓光富，何立東，高金吉．基于模態振型分析的大型汽輪機低壓轉子高速動平衡方法［J］．振動與沖擊，2013，32（14）：87－92．

BIN Guang-fu，HE Li-dong，GAO Jin-ji．High-speed dynamic balancing method for low pressure rotor of a large steam turbine based on modal shape analysis［J］．Journal of Vibration and Shock，2013，32（14）：87－92．

［2］石志標，宋全剛，馬明釗．基于改進粒子群優化支持向量機的汽輪機組故障診斷［J］．動力工程學報，2012，32（6）：454－457．

SHI Zhi-biao，SONG Quan-gang，MA Ming-zhao．Fault diagnosis of steam turbine based on MPSO-SVMalgorithm［J］．Journal of Chinese Society of Power Engineering，2012，32（6）：454－457．

［3］程力旻，謝志江，劉利云，等．運用免疫遺傳神經網絡的汽輪機振動故障診斷［J］．振動、測試與診斷2010，30（6）：675－678． CHENG Li-min，XIE Zhi-jiang，LIU Li-yun，et al．Vibration fault diagnosis of steam turbine using immune genetic neural networks［J］．Journal of Vibration，Measurement and Diagnosis，2010，30（6）：675－678．

［4］Vapnik V N．The nature of statistical learning theory［M］．New York：Springer-Verlag，1995．

［5］吳峰崎，孟光．基于支持向量機的轉子振動信號故障分類研究［J］．振動工程學報，2006，19（2）：238－241．

WU Feng-qi，MENG Guang．Fault classification of rotor vibration signal based on support vectormachine［J］．Journal of Vibration Engineering，2006，19（2）：238－241．

［6］Pan W T．A new fruit fly optimization algorithm：taking the financial distressmodel as an example［J］．Knowledge-Based Systems，2012，26：69－74．

［7］潘文超．果蠅優化算法［M］．臺灣：滄海書局，2011．

［8］陳彥龍，張培林，李兵．基于DCT和GA-SVM的軸承故障診斷［J］．計算機工程，2012，38（19）：247－249．

CHEN Yan-long，ZHANG Pei-lin，LI Bing．Bearing fault diagnosis based on DCT and GA-SVM［J］．Computer Engineering，2012，38（19）：247－249．

［9］蘭秀菊，張麗霞，魯建．基于小波分析和PSO-SVM的控制圖混合模式識［J］．浙江工業大學學報，2012，40（5）：532－536．

LAN Xiu-ju，ZHANG Li-xia，LU Jian．The mixed patterns recognition of control chart based on wavelet analysis and PSO-SVM［J］．Journal of Zhejiang University of Technology，2012，40（5）：532－536．

［10］王星星，吳貞煥，楊國安．基于改進粒子群算法的最小二乘影響系數法的理論及實驗研究［J］．振動與沖擊，2013，32（8）：100－104．

WANG Xing-xing，WU Zhen-huan，YANGGuo-an．Theory and tests for least square influence coefficientmethod based on an improved particle swarm optimization algorithm［J］．Journal of Vibration and Shock，2013，32（8）：100－104．

Vibration fault diagnosis for steam turbine by using support vector machine based on fruit fly optim ization algorithm

SHIZhi-biao，MIAO Ying
（School of Mechanical Engineering，Northeast Dianli University，Jilin 132012，China）

In order to solve the problem that the selection of the kernel function parameters and penalty factor parameters in the support vector machine（SVM）algorithm is blindfold，the fruit fly optimization algorithm（FOA）was applied to optimize the parameters in SVM．A fault diagnosis algorithm of SVMbased on FOA was put forward，and then the pattern recognition of experimental turbine failure data was performed．The algorithm can optimize the SVMparameters automatically，and achieve ideal global optimal solution．Comparingwith the SVMwhich is optimized by the commonly used methods of the particle swarm optimization（PSO）and the Genetic Algorithm（GA），the results demonstrate that FOASVMhas the fastest recognition speed and the highest recognition rate．

support vectormachine；turbine；vibration diagnosis；fruit fly optimization algorithm

TK267

：A

10．13465／j．cnki．jvs．2014．22．020

吉林省科技發展計劃項目（20100506）

2013－09－23 修改稿收到日期：2013－11－15

石志標男，博士，教授，1960年生