一種汽輪機通流部分故障診斷方法
【專利摘要】本發(fā)明屬于工業(yè)監(jiān)測領(lǐng)域，具體為經(jīng)驗?zāi)B(tài)分解方法及概率神經(jīng)網(wǎng)絡(luò)在火電廠汽輪機通流部分故障診斷方向的應(yīng)用，即一種汽輪機通流部分故障診斷方法。本發(fā)明提供一個基于經(jīng)驗?zāi)B(tài)分解和概率神經(jīng)網(wǎng)絡(luò)的汽輪機通流部分故障診斷新方法。首先通過采集火電廠汽輪機正常運行、不同故障時通流部分的故障征兆參數(shù)數(shù)據(jù)，利用經(jīng)驗?zāi)B(tài)分解在處理非平穩(wěn)及非線性數(shù)據(jù)上的優(yōu)勢，對相應(yīng)的征兆參數(shù)數(shù)據(jù)進行故障特征提取，再利用概率神經(jīng)網(wǎng)絡(luò)強大的非線性模式分類性能進行故障檢測和識別，從而來有效診斷汽輪機通流部分故障。本發(fā)明能夠快速準確地診斷火電廠汽輪機通流部分故障。
【專利說明】一種汽輪機通流部分故障診斷方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于工業(yè)監(jiān)測領(lǐng)域，具體為經(jīng)驗?zāi)B(tài)分解方法及概率神經(jīng)網(wǎng)絡(luò)在火電廠汽 輪機通流部分故障診斷方向的應(yīng)用。

【背景技術(shù)】
[0002] 汽輪發(fā)電機組是電力生產(chǎn)企業(yè)的主要設(shè)備，無論是故障停機還是停機檢修，都會 造成巨大的經(jīng)濟損失。汽輪機通流部分故障診斷對于汽輪機本體的安全、經(jīng)濟運行具有重 要意義。一方面可以通過故障檢測排除機組存在的安全隱患，另一方面可以適當(dāng)延長機組 的大修周期，從而可以在保障機組運行安全性的同時提高機組的經(jīng)濟性。因此，研究先進的 汽輪機通流部分故障診斷方法顯得尤為重要。
[0003] 經(jīng)驗?zāi)B(tài)分解方法依據(jù)數(shù)據(jù)自身的時間尺度特征來進行信號分解，無須預(yù)先設(shè)定 任何基函數(shù)，可以很好地提取一組數(shù)據(jù)在時間上的變化趨勢，這一點與建立在先驗性的諧 波基函數(shù)和小波基函數(shù)上的傅里葉分解、小波分解方法具有本質(zhì)性的差別。正是由于這樣 的特點，經(jīng)驗?zāi)B(tài)分解方法在理論上可以應(yīng)用于任何類型的信號分解，因而在處理非平穩(wěn) 及非線性數(shù)據(jù)方面具有非常明顯的優(yōu)勢。經(jīng)驗?zāi)B(tài)分解方法自從1998年被提出就被廣泛 應(yīng)用于各個領(lǐng)域，取得了很好的效果，但尚未將該方法應(yīng)用于汽輪機通流部分故障診斷這 一領(lǐng)域。
[0004] 概率神經(jīng)網(wǎng)絡(luò)是由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來的一種前饋型神經(jīng)網(wǎng)絡(luò)，其理論依據(jù) 是概率密度估計和貝葉斯最小風(fēng)險準則（貝葉斯決策理論）。基于概率神經(jīng)網(wǎng)絡(luò)的故障診 斷方法實質(zhì)上是利用概率神經(jīng)網(wǎng)絡(luò)模型的非線性分類能力，將故障樣本空間映射到故障模 式空間中，從而形成一個具有較強容錯能力和結(jié)構(gòu)自適應(yīng)能力的診斷網(wǎng)絡(luò)系統(tǒng)。概率神經(jīng) 網(wǎng)絡(luò)容易設(shè)計算法，網(wǎng)絡(luò)結(jié)構(gòu)簡單，能用線性學(xué)習(xí)算法實現(xiàn)非線性學(xué)習(xí)算法的功能，適用于 汽輪機通流部分故障診斷。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供一個基于經(jīng)驗?zāi)B(tài)分解和概率神經(jīng)網(wǎng)絡(luò)的汽輪機通流部分故障診斷 新方法。首先通過采集火電廠汽輪機正常運行、不同故障時通流部分的故障征兆參數(shù)數(shù)據(jù)， 利用經(jīng)驗?zāi)B(tài)分解在處理非平穩(wěn)及非線性數(shù)據(jù)上的優(yōu)勢，對相應(yīng)的征兆參數(shù)數(shù)據(jù)進行故障 特征提取，再利用概率神經(jīng)網(wǎng)絡(luò)強大的非線性模式分類性能進行故障檢測和識別，從而來 有效診斷汽輪機通流部分故障。
[0006] 本發(fā)明采用如下技術(shù)方案：
[0007] -種汽輪機通流部分故障診斷新方法，包括如下步驟：
[0008] (1)分別收集汽輪機正常運行和磨損故障、結(jié)垢故障、噴嘴脫落故障、葉片斷裂故 障5種狀態(tài)（也可為其他故障）時通流部分的熱力參數(shù)數(shù)據(jù)，作為通流部分故障征兆數(shù)據(jù)。 將每組故障征兆數(shù)據(jù)隨機分為兩部分，一部分作為概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，其余作為概率 神經(jīng)網(wǎng)絡(luò)測試樣本。
[0009] (2)對故障征兆相關(guān)的熱力參數(shù)信號進行EMD分解，分別得到若干個IMF分量和代 表原信號變化趨勢的趨勢余量。不同熱力參數(shù)信號的IMF分量個數(shù)不等。設(shè)其中的最大值 為k，若某個樣本的IMF個數(shù)少于k，則補充零向量使其具有k個IMF分量。
[0010] ⑶求出各MF分量Ci(t)及趨勢余量r(t)的能量Ei、Er
[0011] 其中，各頂F分量Ci(t)的能量式中η為數(shù)據(jù)點總數(shù)；趨 勢余量r(t)的能量|r(t)|2。

【權(quán)利要求】
1. 一種汽輪機通流部分故障診斷方法，包括如下步驟： (1) 分別收集汽輪機正常運行和磨損故障、結(jié)垢故障、噴嘴脫落故障、葉片斷裂故障5 種狀態(tài)時通流部分的熱力參數(shù)數(shù)據(jù)，作為通流部分故障征兆數(shù)據(jù)；將每組故障征兆數(shù)據(jù)隨 機分為兩部分，一部分作為概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，其余作為概率神經(jīng)網(wǎng)絡(luò)測試樣本； (2) 對故障征兆相關(guān)的熱力參數(shù)信號進行EMD分解，分別得到若干個IMF分量和代表原 信號變化趨勢的趨勢余量；不同熱力參數(shù)信號的IMF分量個數(shù)不等；設(shè)其中的最大值為k， 若某個樣本的MF個數(shù)少于k，則補充零向量使其具有k個IMF分量； (3) 求出各IMF分量Ci⑴及趨勢余量r⑴的能量Ερ民， 其中，各IMF分量Ci(t)的能量
，式中η為數(shù)據(jù)點總數(shù)；趨勢余 量 r(t)的能量 Er = |r(t) |2 ; (4) 將Ei和民作為第z個故障征兆參數(shù)的特征向量Α1ζ， Α』，ζ = [Ep E2,. . .，Ek，EJ，式中j = 1，2, 3, 4, 5分別代表汽輪機通流部分處于正常運行 和磨損故障、結(jié)垢故障、噴嘴脫落故障、葉片斷裂故障5種狀態(tài)； (5) 將并行排列，作為該組故障征兆數(shù)據(jù)的特征向量T， T = [Aj:1，Aj:2,. . .，Aj，s]，式中，s為相應(yīng)的故障征兆參數(shù)總類別數(shù)； (6) 使用主元分析法，對該組故障征兆數(shù)據(jù)的特征向量進行處理，得到降維后的特征向 T， 里1 ; (7) 對汽輪機通流部分工作狀態(tài)進行編碼，以"1"表示正常運行狀態(tài)，"2"表示磨損故 障狀態(tài)，"3"表示結(jié)垢故障，"4"表示噴嘴脫落故障，"5"表示葉片斷裂故障；將降維后的特 征向量Τ'設(shè)置為概率神經(jīng)網(wǎng)絡(luò)的輸入向量，將狀態(tài)編碼設(shè)置為輸出類別向量，建立概率神 經(jīng)網(wǎng)絡(luò)； (8) 將訓(xùn)練樣本的特征向量Τ'和對應(yīng)的輸出類別向量輸入概率神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn) 練結(jié)束后，將測試樣本的特征向量Τ'輸入訓(xùn)練完成的概率神經(jīng)網(wǎng)絡(luò)進行故障診斷，并根據(jù) 輸出結(jié)果來判斷相應(yīng)的汽輪機通流部分的工作狀態(tài)。
2. 根據(jù)權(quán)利要求1所述的一種汽輪機通流部分故障診斷方法，其特征在于：所述故障 為磨損、結(jié)垢、噴嘴脫落、葉片斷裂。
3. 根據(jù)權(quán)利要求1或2所述的一種汽輪機通流部分故障診斷方法，其特征在于：所述 流通部分磨損故障為調(diào)節(jié)級磨損時，所述步驟（1)采用主給水流量、機組負荷、調(diào)節(jié)級后壓 力和再熱蒸汽壓力參數(shù)作為調(diào)節(jié)級磨損的故障征兆參數(shù)；所述步驟（5)其特征向量Τ應(yīng)包 含主給水流量、機組負荷、調(diào)節(jié)級后壓力和再熱蒸汽壓力這4項熱力參數(shù)的特征向量。
4. 根據(jù)權(quán)利要求1-3任一所述的一種汽輪機通流部分故障診斷方法，其特征在于：所 述步驟⑵：對故障征兆參數(shù)信號進行EMD分解，EMD分解的處理結(jié)果為將原信號分解為m 個IMF和一個代表原信號變化趨勢的趨勢余量；所述EMD分解流程包括如下步驟： 1) 計算出序列s(t)的所有局部極值點； 2) 利用3次樣條插值，求出所有極大值點構(gòu)成的上包絡(luò)線和所有極小值點構(gòu)成的下包 絡(luò)線，記為uQ(t)和v Q(t); 3) 記上下包絡(luò)線的均值為
并記信號與上下包絡(luò)線均值的差為 h〇 (t) = s (t) -m〇 (t)； 4) 判斷& (t)是否滿足MF的條件，如果滿足，&⑴就是一個MF，記為Cl (t);如果 不滿足，記hjt)為新的s(t); 5. Eri(t) =s(t)-Cl(t)，為新的待分析信號，重復(fù)步驟1)到4)，直至rn(t)是一個單 調(diào)信號或小于規(guī)定的閥值。
5. 根據(jù)權(quán)利要求1-4任一所述的一種汽輪機通流部分故障診斷方法，其特征在于：所 述步驟￠)中使用主元分析法對汽輪機通流部分故障特征信息進行二次處理；主元分析 法可以得到P個主成分，是根據(jù)各個主成分累計貢獻率的大小選取前η個累計貢獻率達到 85%以上的主成分，保證綜合變量能包括原始變量的絕大多數(shù)信息。
6. 根據(jù)權(quán)利要求1-5任一所述的一種汽輪機通流部分故障診斷方法，其特征在于：所 述步驟（7)概率神經(jīng)網(wǎng)絡(luò)共分4層：輸入層、模式層、求和層和決策層，輸入層接收來自測試 樣本的值，其神經(jīng)元數(shù)目和樣本矢量的維數(shù)相等；模式層神經(jīng)元的個數(shù)等于各個類別訓(xùn)練 樣本數(shù)之和；在求和層，故障模式和神經(jīng)兀 對應(yīng)，這些神經(jīng)兀將對應(yīng)模式層的一組神經(jīng) 元輸出求和，從而得到故障模式的估計概率密度函數(shù)；網(wǎng)絡(luò)的決策層由簡單的辨別器組成， 其作用是在各個故障模式的估計概率密度中選擇一個具有最大后驗概率的神經(jīng)元作為整 個系統(tǒng)的輸出。
7. 根據(jù)權(quán)利要求1-6任一所述的一種汽輪機通流部分故障診斷方法，其特征在于：所 述步驟（8)概率神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果"1"、"2"、"3"、"4"、"5"分別對應(yīng)汽輪機通流部分正 常運行和磨損故障、結(jié)垢故障、噴嘴脫落故障、葉片斷裂故障5種狀態(tài)。
8. 根據(jù)權(quán)利要求1-7任一所述的一種汽輪機通流部分故障診斷方法，其特征在于：若 診斷磨損、結(jié)垢、噴嘴脫落、葉片斷裂以外的其他故障，步驟（1)分別收集其他故障時的征 兆數(shù)據(jù)；步驟（4)的j設(shè)定為"6、7、8、9…"；步驟（7)將故障編碼對應(yīng)的設(shè)定為"6"、"7"、 "8"、"9"…;則步驟⑶概率神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果"6"、"7"、"8"、"9"等分別對應(yīng)相應(yīng)的其 他汽輪機通流部分故障。
【文檔編號】G01M99/00GK104142254SQ201410385051
【公開日】2014年11月12日 申請日期:2014年8月6日 優(yōu)先權(quán)日:2014年8月6日
【發(fā)明者】李蔚, 盛德仁, 陳堅紅, 俞蕓蘿 申請人:浙江大學(xué)