電廠汽輪機高中壓轉子振動突變故障識別研究

曾 娜

(安徽電氣工程職業技術學院 動力工程系,安徽 合肥 230051)

隨著人們生產及生活用電需求的不斷增加，各大電廠實現了飛速發展.汽輪機作為一種耦合機、電、液的復雜系統，能夠將鍋爐輸送過來的蒸汽熱能轉化成機械能，是電廠最為重要的大型旋轉機械設備之一[1].由于汽輪機常處于高溫、高轉速的工作環境，部件所受外力作用極大，加之汽輪機結構日趨復雜，導致其故障率持續上升[2].汽輪機高中壓轉子振動是影響汽輪機安全穩定運行的主要因素，若振動值發生突變，并超出正常范圍，極可能造成汽輪機出現不同程度的故障，甚至引發其他相關設備的連鎖故障，在嚴重損害電廠經濟效益的同時，還會因大范圍突發性停電而直接影響人們的正常生活和工業生產[3-4]，因此研究電廠汽輪機高中壓轉子振動突變故障識別方法越發受到人們的重視.

當前很多專家和學者均對該課題展開一系列研究，例如石志標和楊新等人，分別利用排列熵與IFOA-RVM相結合的方法，以及多特征提取與核極限學習機相結合的方法識別電廠汽輪機高中壓轉子振動突變故障[5-6].這兩種方法的計算復雜度較低，且故障識別穩定性優良，但難以快速識別程度較小的故障.

針對該問題，本文將電廠汽輪機高中壓轉子振動突變故障特征作為基礎，利用小波包分析結合改進的徑向基函數(Radical Basis Function

,RBF)神經網絡實現故障識別，以期為及時發現并解決電廠汽輪機高中壓轉子振動突變故障提供有效的技術支持.

1 電廠汽輪機高中壓轉子振動突變故障識別

1.1 電廠汽輪機高中壓轉子振動突變故障信號采集

電廠汽輪機型號通常為D5TC2F42，其軸系包含高中壓、低壓以及發電機3種轉子，每個轉子的支撐和連接形式分別為雙支撐、剛性連接，軸承數量共6個，其中3個軸瓦屬于可傾瓦，分別用#1、#2、#3表示，其余3個軸瓦為短橢圓瓦，分別用#4、#5、#6表示.該電廠汽輪機的軸系結構具體如圖1所示.

假設電廠汽輪機軸承中分面左45°方向為X向，右45°方向為Y向，當電廠汽輪機高中壓轉子發生振動突變故障時，其軸系會呈現出以下振動特點：

(1)3Y、4X向軸振出現波動的同時，還會伴隨著突發性振動增大情況，此時振動激發快，且振幅起伏變大；

(2)在電廠汽輪機處于低負荷、高真空工況下，#3和#4軸瓦出現振動突增現象，同時振幅波動頻率顯著升高[7-8]；

(3)當電廠汽輪機高中壓轉子的突發性振動發生時，頻譜內將產生3～23 Hz的連續譜，振動主頻率處于19～20Hz的低頻狀態；

(4)電廠汽輪機的轉速較低時，#3軸瓦的軸振仍處于較高數值.

將一體化電渦流位移傳感器布設于電廠汽輪機汽機前軸瓦、汽機后軸瓦、發電機前軸瓦，根據上述電廠汽輪機高中壓轉子振動突變故障時的軸系振動特點，利用該傳感器從不同測點采集電廠汽輪機高中壓轉子振動突變故障信號，將其經過電源及信號偏置后傳輸到PCB信號調理板實現放大與濾波處理，運用A/D板將處理后故障信號轉換為數字信號，并輸入到計算機以供相關技術人員進行故障信號分析，具體過程用圖2描述.

1.2 基于小波包分析的特征提取方法

依據采集的電廠汽輪機高中壓轉子振動突變故障信號，通過小波包分析從中提取故障特征.小波包函數分解法可以同時分解每個分解層的高頻與低頻區域.利用小波包基展開電廠汽輪機高中壓轉子振動突變故障信號時，其由低通和高通濾波兩部分構成[9-10]，在每次分解過程中，需要將上層次序為n的頻帶深入細化為下層次序分別為2n和2n+1的兩個子頻帶.

采用公式(1)描述電廠汽輪機高中壓轉子振動突變故障信號的小波包分解過程：

(1)

式中，平移參數用l、k描述；小波包系數用dl(j,2n)、dl(j+1,n)描述；尺度和頻率參數分別用j、n描述；低通濾波器組用ak描述；高通濾波器組用bk描述；當k的取值為0或1時，dk(j+1,n)分別代表尺度函數和小波函數.

小波包的重構過程用公式(2)表示：

(2)

式中，完成重構的小波包系數用dl(j+1,n)描述；重構后低通濾波器組用pl-2k描述；重構后高通濾波器組用ql-2k描述.

電廠汽輪機高中壓轉子振動突變故障信號用f(x)描述，根據Parseval能量積分等式[11]，可以獲得公式(3)所示時域內f(x)的能量表達式：

(3)

電廠汽輪機高中壓轉子振動突變故障信號的小波變換過程如公式(4)所示：

dx，

(4)

式中，基小波用φ(x)描述.通過Parseval恒等式將以上兩個公式聯系起來，可得到公式(5)所示結果：

(5)

式中，小波變換系數用d(j,k)描述，將其當作元素構造電廠汽輪機高中壓轉子振動突變故障特征向量，具體用公式(6)描述：

T=[E1,E2,…,EM]，

(6)

在能量較大的情況下，E(j,k)的數值一般比較高，因此需對其進行歸一化處理，以方便數據分析，進而獲得公式(7)所示小波包提取的電廠汽輪機高中壓轉子振動突變故障特征向量[12-13]：

e=E1,E2,…,EM/E(0,0).

(7)

1.3 基于人工魚優化RBF神經網絡的故障識別方法

將1.2小節提取的電廠汽輪機高中壓轉子振動突變故障特征向量e作為輸入量，將9種常見故障類型作為輸出量，使用RBF神經網絡識別電廠汽輪機高中壓轉子振動突變故障，并利用人工魚群算法對RBF神經網絡進行優化，以提升該網絡的收斂速度與尋優精度.

1.3.1 RBF神經網絡

RBF神經網絡由輸入層、隱含層和輸出層構成，每層的節點數量分別用n、q、m描述.隱含層節點的變換函數一般采用高斯函數[14-15]表示，具體為φ(δ)=exp(-δ2/B2)，其中神經元寬度用B描述，函數中心向量用δ描述.隱含層各節點均存在一個RBF中心向量，用Ck=[Ck1,Ck2,…,Cki,…,Ckn]T描述，其中k的取值范圍介于[1,q]之間.

RBF神經網絡中Ck的個數與隱含層節點個數相同，該網絡可以將電廠汽輪機高中壓轉子振動突變故障特征向量地輸入到各隱含層節點，假設隱含層節點用δk描述，定義的輸入模式用X=[X1,X2,…,Xi,…,Xn]T描述，其距離δk地RBF中心向量的歐幾里得范數計算過程用公式(8)描述：

(8)

式中，隱含層節點的RBF中心向量中次序為i的分量用Cki表示，可使用公式(9)描述變換后各隱含層節點的輸出結果：

(9)

式中，k的取值介于[1,q]范圍內；非線性高斯函數用φ(·)描述；B表示實常數.

RBF神經網絡的輸出為上式結果的加權和，具體如公式(10)所示：

(10)

式中，j的取值介于[1,m]范圍內；對于隱含層節點j，其輸出權向量用WJ=[Wj1,Wj2,…,Wjk,…,Wjq]描述；隱含層的輸出列向量用Z=[Z1,Z2,…,Zk,…,Zq]T描述.定義誤差函數E，其計算過程如下所示：

(11)

式中，網絡的期望和實際輸出分別用yq、ys描述.

1.3.2 基于人工魚群算法的RBF神經網絡優化

(1)設置人工魚群的群體大小為s，迭代次數最大值為n，人工魚的移動步長和可視域分別用st、vt表示；擁擠度因子用δ表示，初始權值用wij(0)表示.

(2)利用E實現每個人工魚目前位置食物濃度的定義，表示為FC=1/E，將最大FC的人工魚放入公告板.

(3)人工魚可視域的伙伴中心位置用ci描述，在對其進行初始化的基礎上采用最近鄰規則劃分輸入的電廠汽輪機高中壓轉子振動突變故障特征向量樣本，并依據樣本的均值調節中心，循環上述過程，停止條件為中心分布不再發生改變.

(4)每個人工魚需要分別對追尾與聚群行為進行模擬，并執行模擬后較大FC值的行為，缺省行為選擇覓食行為.

(a)使用式(12)描述覓食行為的權值學習形式：

(12)

式中，人工魚狀態的參數矩陣用{wij}描述，其中不同狀態的i行j列的元素用wij(j)、wij(i)、wij(i+1)描述，[0,Step]隨機數用random(Step)描述.

(b)聚群行為的權值學習形式.人工魚目前狀態用Xi描述，獲取可視域中伙伴數量nf構成集合KJi，若該集合非空，則從中尋找中心位置，同時搜尋可視域中的人工魚，搜尋完畢后求解該中心的食物濃度FCc，當FCc/nf>δFCi時，需要執行公式(13)，若以上集合為空集，需要執行覓食行為.

wij(i+1)=wij(i)+random(Step)(wij

(center)-wij(i))/di,center，

(13)

(c)追尾行為.查找可視域中的最大伙伴Xmax，當FCmax>δFCi時，需要執行公式(14)，如果可視域中不存在伙伴，需要執行覓食行為.

wij(i+1)=wij(i)+random(Step)(wij(max)-wij(i))/di,max.

(14)

(5)比較各人工魚每次行動后的當前狀態與公告板中狀態，若當前狀態更佳，則進行替換.

(6)如果迭代次數達到最大值，將公告板的FC值輸出，否則迭代次數加1并跳轉到過程(4).

(7)將提取到的故障特征作為輸入量輸入優化后的RBF神經網絡中，輸出電廠汽輪機高中壓轉子振動突變故障類型識別結果.

2 結果分析

將1.1小節中的D5TC2F42型電廠汽輪機作為實驗對象，測試質量不平衡、轉子熱彎曲、轉軸不對中、轉動部件飛脫、動靜碰磨、汽流激振、結構共振、結構剛度不足、轉子裂紋等9種常見電廠汽輪機高中壓轉子振動突變故障，將故障信號采樣頻率設置為1 800 Hz，使用本文方法采集以上9種故障信號與正常狀態信號各50組數據，并完成故障特征提取和故障識別.

使用本文方法的小波包分析分解并重構汽流激振故障信號，獲得的4個頻帶波形用圖3描述.

從圖3可以看出，本文方法能很好地分解并重構電廠汽輪機高中壓轉子振動突變故障信號，所得波形完整連續，且不存在噪聲，能有效反映各頻帶的信號特點，信號質量較高，有助于提升后續故障特征提取效果.

依據上述形式獲取其余8種故障信號的頻帶波形，并計算相應的能量分布，歸一化處理后便能獲得表1描述的各故障信號特征.

表1 電廠汽輪機高中壓轉子振動突變故障特征

將表1內故障特征作為本文方法的輸入量，用于識別采集的各類電廠汽輪機高中壓轉子振動突變故障樣本，使用A～J字母分別標記9種故障類型和正常狀態.不同故障程度下，本文方法的故障識別結果與實際結果用圖4描述.

從圖4可以發現，本文方法的故障識別結果與實際結果完全相同，表明本文方法具有較好的電廠汽輪機高中壓轉子振動突變故障特征提取效果和故障識別能力，即使在故障程度很低的情況下仍能表現出理想的故障識別性能.

比較本文方法使用前后的各類型電廠汽輪機高中壓轉子振動突變故障概率，以進一步驗證該方法的故障識別效果，結果見圖5.

從圖5可以看出，本文方法使用前的各類型電廠汽輪機高中壓轉子振動突變故障概率均處于較高數值，最高與最低故障概率分別約為88%和40%；本文方法使用后的各類型故障概率明顯降低，且始終低于10%.以上結果表明，本文方法具有較優的電廠汽輪機高中壓轉子振動突變故障識別效果，能有效減少電廠汽輪機運行過程中的高中壓轉子振動突變故障，使其安全性能顯著提升.

3 結 論

為解決電廠汽輪機結構復雜和特殊工作環境造成的故障頻發問題，提出電廠汽輪機高中壓轉子振動突變故障識別方法.該方法利用小波包分析提取的故障特征能很好地用于故障識別，因此所得結果與實際故障相同，并且該方法能準確識別故障程度較低的故障，有效彌補了已有方法存在的不足，原因在于該方法使用人工魚群算法優化RBF神經網絡，可極大地提升網絡的收斂速度和尋優精度.日后可進一步研究最優小波包基的自適應選擇問題，以不斷提升電廠汽輪機高中壓轉子振動突變故障識別性能.