您好,欢迎访问三七文档
当前位置:首页 > 商业/管理/HR > 经营企划 > 基于网络的水电机组振动多故障诊断方法
2007年1月农业机械学报第38卷第1期基于网络的水电机组振动多故障诊断方法梁武科彭文季罗兴【摘要】提出了应用学习矢量量化神经网络诊断水电机组的多故障,可避免BP神经网络容易陷入局部最小与学习速度缓慢的问题。通过算例仿真检验,该网络能够有效地识别并分离出各种故障类型。关键词:水电机组振动故障诊断学习矢量量化中图分类号:TM612;TP806+3文献标识码:A收稿日期:20050701国家自然科学基金资助项目(项目编号:90410019)梁武科西安理工大学水利水电学院教授,710048西安市彭文季西安理工大学水利水电学院博士生罗兴西安理工大学水利水电学院教授博士生导师引言BP神经网络因能逼近任意非线性函数而成为目前应用最为广泛的一种神经网络。但BP网络采用的是沿梯度下降的搜索求解算法,学习速度缓慢,还有可能陷入局部最小问题,不能保证求出全局最小值[1]。学习矢量量化(learningvectorquantization,简称为LVQ)[2],是一种有教师状态下对竞争层进行训练的算法,其竞争层通过自动学习来识别输入向量,即它是一种自适应数据分类方法,在模式识别领域得到了广泛应用[3~5]。本文利用LVQ网络来实现对水电机组振动的多故障识别分类,并与传统的BP网络诊断进行比较。水电机组的振动故障简述水电机组的结构复杂,激振因素较多,振动是非线性的,其振动机理十分复杂,因此,任何建立准确理论和数值模型的方法都只能是近似的和有限的[6]。通常根据激振因素的不同,对水电机组的振动进行分类。引起水轮发电机组振动的原因很多,大致可归纳为机械、水力和电气3个方面[7]。机械振动机械振动主要有:转动部分质量不平衡、主轴不对中、轴承轴瓦间隙大或推力轴承的推力头松动、推力轴瓦不平以及其他紧固件松动、机组转动部件与固定部件的碰磨等引起的振动。其振动的特点是振动频率为转速频率(转频)及转频的倍数。水力振动水力振动主要有:压力管道中水力振动;蜗壳、导叶和转轮水流不均匀、导叶后面或转轮叶片后面的卡门涡列、水封间隙不等或迷宫环型式不当、空化、尾水管涡带、协联关系不正确等引起的振动。其振动的特点是振频随振源的变化而不同。电磁振动电磁振动主要有:磁拉力不平衡、定子铁芯松动、负序电流等引起的振动。其振动的特点是振动频率只有转频和极频(100Hz)2种。水电机组振动多故障诊断方法故障诊断的神经网络方法目前,已有不少文献对水电机组的振动故障机理进行分析及试验研究,得到了大量有关机组振动的典型故障征兆,通常故障征兆以振动信号的频域特征来描述。以水电机组过流部分为例,记牨为转频,通常以(04~05)牨、牨、2牨、3牨、大于3牨频段所对应的最大振幅比值作为振动故障的特征量。基于神经网络的故障识别方法,是根据水电机组不同状态的振动信号,通过建立故障模式训练样本集,对网络进行训练。当网络训练完毕后,对于每一个新输入的状态信息,网络将能够迅速地给出分类结果。其诊断流程如图1所示。图1神经网络故障诊断流程图神经网络的结构LVQ神经网络由一个竞争层和线性输出层组成。图2是一个典型的LVQ神经网络结构图[8]。在该网络中,竞争层的作用是分类,但它首先是将输入矢量划分为较精细的子类别,然后线性层将竞争层的分类结果进行合并,形成期望的目标分类类别。图2LVQ神经网络拓扑结构图其中,爲是输入矩阵的元素个数,爳1是竞争神经元个数,爳2是线性神经元个数。一般称由竞争层学习得到的分类为子类别,而线性层得到的类别为目标类别。竞争层和线性层都是每个神经元对应一类,所以竞争层通过学习最多可以将输入分为爳1个子类,而线性层以后最多能形成爳2个目标类别,通常有爳1>爳2。显然,LVQ网络的分类能力受网络结构的限制,一旦网络结构确定,分类数目就确定了。神经网络的学习规则神经网络学习的过程实际上就是逐渐调整权值的过程[9~11]。由于LVQ网络在建立时,竞争层和线性层之间的连接权值矩阵┧2就已经确定了(如果与竞争层某一神经元对应的矢量子类别属于线性层某个神经元所对应的目标类别,则这2个神经元的连接权值为1,否则二者的连接权值为零),并且┧2一旦定义好就不再改变,所以,网络训练时只需要调整竞争层的权值矩阵┧1。在网络训练过程中,假设当前输入下的第牏个神经元获得竞争胜利,那么网络中的连接权值矩阵┧1的第牏行向量的调整公式如下:若分类正确,则牏牥1(牠+1)=牏牥1(牠)+犣(牘(牠+1)-牏牥1(牠))(1)若分类不正确,则牏牥1(牠+1)=牏牥1(牠)-犣(牘(牠+1)-牏牥1(牠))(2)式中犣——比例系数,犣∈(0,1),在调整权值矩阵过程中反映调整速率牏牥1(牠)——竞争层牥1中第牏个神经元在牠时刻的权值经过这样的处理后,每个神经元移向那些落入形成子类的类中的向量,而远离那些落入其他类中的向量。水电机组振动故障诊断仿真故障及征兆样本集的收集由于水电机组振动的振因较多,应用神经网络诊断水电机组振动引起的故障时,考虑到神经网络的规模,本文采用并行神经网络,即将用于水电机组故障诊断的神经网络按照振动部位分为过流部分、轴系和发电机3个子网络。用神经网络进行故障诊断,首先要通过特征提取获得机组振动故障状态的特征向量,把这些特征向量作为网络的输入信号。以过流部分子网络为例,取振动信号频谱中的(04~05)牨、牨、2牨、3牨、大于3牨频段上的幅值比作为特征向量。同时选取水轮发电机组的4种典型故障(涡带偏心、不对中、不平衡、叶片断裂),对于这4类故障分别选取2组频谱值,构成相应4类故障的8组学习样本,并定义这4类故障代码分别为1、2、3、4。表1是用于网络训练对应于4种典型故障的代表性样本,表2是用于测试网络的样本。表中数据已用牀max=max(牀牏),牀牏=牀牏燉牀max的方式将原始数据进行了归一化处理。表故障诊断的学习样本故障类型样本输入(04~05)牨牨2牨3牨>3牨故障代码涡带偏心0.880.220.020.040.061涡带偏心0.850.250.060.020.011不平衡0.040.980.100.020.022不平衡0.030.960.120.040.032不对中0.020.410.430.340.153不对中0.020.450.420.280.293叶片断裂0.010.010.010.220.874叶片断裂0.010.010.020.250.904表故障诊断的测试样本故障类型样本输入(0.4~0.5)牨牨2牨3牨>3牨故障代码涡带偏心0.820.280.050.040.031不平衡0.020.910.080.010.022不对中0.010.480.480.360.203叶片断裂0.010.010.010.260.924网络对水电机组振动多故障的分类由于LVQ网络是一种训练竞争层的有监督方法,其竞争层自动学习分类输入矢量。但是,竞争层找到的类别仅仅决定于输入矢量间的距离(欧氏距离)。显然,如果2个输入矢量非常相似,竞争层可能将它们归入同一类。所以在实际应用中竞争层神经元的个数对分类的结果有直接的影响。另一方面,因输入向量的维数要与故障征兆向量的维数相等,而输出层的节点数多少取决于实际需要区分的故障种类数目,即输入输出的节点数在事先都是确定的,所以LVQ网络的设计主要在于竞争层节点数的选择(对一般的故障分类时,要对竞争层的节点数进行反复调试)。首先创建一个LVQ神经网络,其输入层为5个902第1期梁武科等:基于LVQ网络的水电机组振动多故障诊断方法神经元,输出层设计成3个神经元,竞争层分别取5、7、10、50个神经元。然后分别用训练样本对网络进行训练和对参数样本进行仿真检验。设置训练步数为1000,观察其分类性能。为便于比较,本文也创建了一个BP网络,输入层为5个神经元,输出层为3个神经元,隐含层为6、7、10个神经元,用相同的训练样本和测试样本进行仿真检验,最大训练步数设为3000。2种神经网络的分类结果如表3和表4所示。表网络故障诊断的分类结果隐节点数训练步数分类结果521234731234104123450151234表﹣网络故障诊断的分类结果隐节点数训练步数分类结果61948123471857123410>30001234从表3和表4可以看出,虽然二者都能正确分类,但LVQ网络的训练要比BP网络快得多,并且LVQ网络对竞争层的节点数要求并不是“很严格”,只要竞争层的节点数大于输出层节点数都可以得到与分类代号一致的分类结果,这主要是由于本文相同故障的训练样本和测试样本中特征向量相似程度高以及各故障之间区隔显著的原因。图3是LVQ网络竞争层节点数为10的训练结果,经过4次训练后,网络误差为0;图4是BP网络隐含层节点数为7的训练结果,经过1857次训练后,网络误差才达到要求。图3LVQ网络的训练结果图4BP网络的训练结果结束语对学习矢量量化神经网络诊断方法在水轮发电机组振动故障诊断中的应用进行了探讨。LVQ网络只通过内部单元的相互作用,就可以完成复杂的分类处理,具有很好的模式分类性能。LVQ网络不需要将输入向量进行归一化、正交化处理,只需要直接计算输入向量与竞争层之间的距离,就可以实现模式识别,简单易行。仿真结果证明,利用LVQ网络进行水电机组多故障诊断分类是合适的。参考文献1韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2004.2闻新,周露,李翔,等.MATLAB神经网络仿真与应用[M].北京:科学出版社,2003.3TolbaAS,AbuRezqAN.Combinedclassifiersforinvariantfacerecognition[J].PatternAnalysis&Applications,2000,3(4):289~302.4DingXiangqian,YangNing,XiaoXiezhong.Anintelligentapproachtosensoryevaluation:LVQneuralnetwork[J].JournalofDonghuaUniversity,2004,21(3):40~42.5ZhangYanxia,ZhaoYongheng.Learningvectorquantizationforclassifyingastronomicalobjects[J].ChineseJournalofAstronomyandAstrophysics,2003,3(2):183~190.6马震岳,董毓新.水电站机组及厂房振动的研究与治理[M].北京:中国水利水电出版社,2004.7沈东,褚福涛,陈思.水轮发电机组振动故障诊断与识别[J].水动力学研究与进展,2000,15(1):129~133.8董长虹.MATLAB神经网络与应用[M].北京:国防工业出版社,2005.9任辉,顾家柳,贺尔铭,等.含噪声的转子碰摩混沌信号分类识别[J].航空动力学报,2002,17(4):442~446.10IssamAbuMahfouz.Drillflankwearestimationusingsupervisedvectorquantizationneuralnetworks[J].NeuralComputingandApplications,2005,14(3):167~175.11飞思科技产品开发中心.神经网络理论与MATLAB实现[M].北京:电子工业出版社,2005.012农业机械学报2007年
本文标题:基于网络的水电机组振动多故障诊断方法
链接地址:https://www.777doc.com/doc-706060 .html