一种汽轮发电机转子异常振动故障诊断方法

本发明涉及发电机领域，特别是指一种汽轮发电机转子异常振动故障诊断方法。

背景技术：

1、汽轮发电机是火力发电厂重要的电气设备，而汽轮机的转子异常振动故障相当常见，故障的种类和引起故障的原因繁多，不同运行参数具有极高的耦合性，且不同机组之间难以资源共享。目前振动故障诊断技术的智能化发展日趋成熟。基于专家系统的故障诊断方法包括基于规则推理、案例推理、模型推理等方法。鉴于汽轮发电机组结构复杂，故障信息难提取等特点，基于规则推理存在知识获取不易、诊断效率低、对多故障并存问题诊断能力低；基于案例推理诊断速度过慢，推理过程不易理解等显著问题。而基于神经网络的故障诊断方法是一种利用大量历史数据来建立训练系统与决策结果之间的映射关系的技术，通过积累历史数据，该方法能够不断修正、自我进化和学习，以提高模型的准确性和性能。有学者提出一种附加动量法和自适应速率相结合的改进bp神经网络故障诊断模型对汽轮发电机组故障进行诊断，减少了网络的迭代次数，加快了收敛速度，提高了准确率。然而bp神经网络存在收敛于局部最小值的严重缺陷。有学者通过使用径向基神经网络对汽轮机转子故障进行诊断，从根本上解决了bp网络的局部最优问题，但是rbf网络的隐层神经元数远远高于前者,结构过于庞大,运算量也有所增加，不符合实际需求。

2、目前，国内大多数汽轮发电机组均安装了分散式控制系统(distributed controlsystem，dcs)，能够提供机组实时运行过程中的主要状态参量信息。庞大的历史运营生产数据可以为神经网络提供充足的先验知识。概率神经网络(probabilistic neural network，pnn)是一种rbf网络的分支。具有训练时间短且不易收敛到局部最小点的优点，因其在输出层引入贝叶斯最小风险准则对样本进行分类，可以最大限度的利用故障的先验知识，特别适合于求解模式识别问题。但汽轮机的dcs数据量大、维数高、非线性，增大了神经网络诊断的难度。

技术实现思路

1、本发明的主要目的在于克服现有技术中的上述缺陷，提出一种汽轮发电机转子异常振动故障诊断方法，利用待诊断发电机的历史监测数据，建立故障诊断模型，实现对转子异常振动故障的预先诊断。建模所需数据容易获取，且使用的是待诊断发电机自身监测数据，不存在泛化问题，有助于对汽轮发电机转子异常振动进行预先诊断。

2、本发明采用如下技术方案：

3、一种汽轮发电机转子异常振动故障诊断方法，其特征在于，包括如下：

4、采集发电机运行的历史监测数据，进行数据预处理，采用拉普拉斯特征映射对数据预处理后的数据进行数据约简和特征提取，得到特征样本；

5、采用所述特征样本对概率神经网络进行训练和测试，再结合灰狼算法对所述概率神经网络进行优化，得到故障诊断模型；

6、采用所述故障诊断模型对所述发电机的转子异常振动故障进行预先诊断。

7、所述历史监测数据包括有电信号和振动信号；所述电信号包括有功功率、无功功率、定子电压、三相电流、励磁电压和励磁电流；所述振动信号包括汽机端轴承x向/y向振动、励磁端轴承x向/y向振动。

8、所述数据预处理包括剔除异常数据集、补全数据集和数据集分组。

9、所述剔除异常值具体为：设定所述历史监测数据中的各个参数的波动阈值，将低于所述波动阈值的数据集剔除。

10、所述补全数据集具体包括：

11、对所述历史监测数据的数据集计算视在功率spq与虚拟视在功率sui，计算两者之差δs，δs若大于0.5％则视为异常数据集，将其剔除，再使用热卡填补法补全数据集；

12、

13、

14、

15、其中，p为发电机有功功率，q为发电机无功功率，u为发电机定子端电压，i为发电机定子端三相电流的均值。

16、所述分组具体为：根据机组负荷变化的典型工况，将数据集按照不同工作时间段进行分组。

17、采用所述特征样本对概率神经网络进行训练和测试，具体包括如下：

18、将所述特征样本分为训练集和测试集，所述训练集和所述测试集中的所述特征样本均包括正常运行样本与故障样本，通过所述训练集对所述概率神经网络进行训练，采用所述测试集对训练好的所述概率神经网络进行测试。

19、结合灰狼算法对所述概率神经网络进行优化是指使用灰狼优化算法对所述概率神经网络中的超参数平滑因子进行优化。

20、使用灰狼优化算法对所述概率神经网络中的超参数平滑因子进行优化，具体包括如下：

21、结合所述概率神经网络进行训练和测试后得到的诊断错误率之和构建适应度值；

22、基于适应度值更新灰狼算法中的α值、值、δ值，其中α值、β值、δ值代表目前取得的三个最优解；若当前适应度值小于α值，则将α值更新为当前适应度值；若当前适应度值大于α值且小于β值，则将β值更新为当前适应度值；若当前适应度值大于β值且小于δ值，则将δ值更新为当前适应度值；

23、以更新后的α值、β值、δ值进行下一轮迭代，迭代次数达到设定值后得到最优适应度值以及对应的超参数平滑因子值。

24、由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

25、本发明的方法，利用dcs系统采集的历史运行监测数据，基于三个角度对数据进行预处理以避免异常数据对诊断模型产生影响；采用拉普拉斯特征映射对数据进行数据约简、特征提取，能在保持原始信息的情况下，大大降低故障神经网络的计算量，提高故障诊断的有效性和诊断精度；根据特征提取得到的特征样本，作为概率神经网络的输入征兆，结合灰狼算法对神经网络进行优化，建立故障诊断模型，经过灰狼算法优化，概率神经网络的非线性分类能力强，能够极大程度地利用故障的先验知识对汽轮机转子的异常振动进行预先诊断。

26、本发明提供的方法在建模过程中所需数据容易获取，且使用的是待诊断发电机自身监测数据，不存在泛化问题，有助于对汽轮发电机转子异常振动进行预先诊断，进而制定合理的解决方案，为防止故障扩大保障机组安全运转提供保障。

技术特征：

1.一种汽轮发电机转子异常振动故障诊断方法，其特征在于，包括如下：

2.如权利要求1所述的一种汽轮发电机转子异常振动故障诊断方法，其特征在于，所述历史监测数据包括有电信号和振动信号；所述电信号包括有功功率、无功功率、定子电压、三相电流、励磁电压和励磁电流；所述振动信号包括汽机端轴承x向/y向振动、励磁端轴承x向/y向振动。

3.如权利要求1所述的一种汽轮发电机转子异常振动故障诊断方法，其特征在于，所述数据预处理包括剔除异常数据集、补全数据集和数据集分组。

4.如权利要求3所述的一种汽轮发电机转子异常振动故障诊断方法，其特征在于，所述剔除异常值具体为：设定所述历史监测数据中的各个参数的波动阈值，将低于所述波动阈值的数据集剔除。

5.如权利要求3所述的一种汽轮发电机转子异常振动故障诊断方法，其特征在于，所述补全数据集具体包括：

6.如权利要求3所述的一种汽轮发电机转子异常振动故障诊断方法，其特征在于，所述分组具体为：根据机组负荷变化的典型工况，将数据集按照不同工作时间段进行分组。

7.如权利要求1所述的一种汽轮发电机转子异常振动故障诊断方法，其特征在于，采用所述特征样本对概率神经网络进行训练和测试，具体包括如下：

8.如权利要求1所述的一种汽轮发电机转子异常振动故障诊断方法，其特征在于，结合灰狼算法对所述概率神经网络进行优化是指使用灰狼优化算法对所述概率神经网络中的超参数平滑因子进行优化。

9.如权利要求8所述的一种汽轮发电机转子异常振动故障诊断方法，其特征在于，使用灰狼优化算法对所述概率神经网络中的超参数平滑因子进行优化，具体包括如下：

技术总结
一种汽轮发电机转子异常振动故障诊断方法，包括如下：采集发电机运行的历史监测数据，进行数据预处理，采用拉普拉斯特征映射对数据预处理后的数据进行数据约简和特征提取，得到特征样本；采用所述特征样本对概率神经网络进行训练和测试，再结合灰狼算法对所述概率神经网络进行优化，得到故障诊断模型；采用所述故障诊断模型对所述发电机的转子异常振动故障进行预先诊断。本发明方法数据容易获取，且所建模型使用的是待诊断发电机自身监测数据，不存在泛化问题，有助于对汽轮发电机转子异常振动进行预先诊断，进而制定合理的解决方案，为防止故障扩大保障机组安全运转提供保障。

技术研发人员：方瑞明,林聘,彭长青,陈卫文
受保护的技术使用者：华侨大学
技术研发日：
技术公布日：2024/1/5