一种汽轮机通流部分故障诊断方法技术

本发明专利技术属于工业监测领域，具体为经验模态分解方法及概率神经网络在火电厂汽轮机通流部分故障诊断方向的应用，即一种汽轮机通流部分故障诊断方法。本发明专利技术提供一个基于经验模态分解和概率神经网络的汽轮机通流部分故障诊断新方法。首先通过采集火电厂汽轮机正常运行、不同故障时通流部分的故障征兆参数数据，利用经验模态分解在处理非平稳及非线性数据上的优势，对相应的征兆参数数据进行故障特征提取，再利用概率神经网络强大的非线性模式分类性能进行故障检测和识别，从而来有效诊断汽轮机通流部分故障。本发明专利技术能够快速准确地诊断火电厂汽轮机通流部分故障。

【技术实现步骤摘要】
一种汽轮机通流部分故障诊断方法
本专利技术属于工业监测领域，具体为经验模态分解方法及概率神经网络在火电厂汽轮机通流部分故障诊断方向的应用。
技术介绍
汽轮发电机组是电力生产企业的主要设备，无论是故障停机还是停机检修，都会造成巨大的经济损失。汽轮机通流部分故障诊断对于汽轮机本体的安全、经济运行具有重要意义。一方面可以通过故障检测排除机组存在的安全隐患，另一方面可以适当延长机组的大修周期，从而可以在保障机组运行安全性的同时提高机组的经济性。因此，研究先进的汽轮机通流部分故障诊断方法显得尤为重要。经验模态分解方法依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，可以很好地提取一组数据在时间上的变化趋势，这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解、小波分解方法具有本质性的差别。正是由于这样的特点，经验模态分解方法在理论上可以应用于任何类型的信号分解，因而在处理非平稳及非线性数据方面具有非常明显的优势。经验模态分解方法自从1998年被提出就被广泛应用于各个领域，取得了很好的效果，但尚未将该方法应用于汽轮机通流部分故障诊断这一领域。概率神经网络是由径向基函数网络发展而来的一种前馈型神经网络，其理论依据是概率密度估计和贝叶斯最小风险准则(贝叶斯决策理论)。基于概率神经网络的故障诊断方法实质上是利用概率神经网络模型的非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成一个具有较强容错能力和结构自适应能力的诊断网络系统。概率神经网络容易设计算法，网络结构简单，能用线性学习算法实现非线性学习算法的功能，适用于汽轮机通流部分故障诊断。专利
技术实现思路
本专利技术提供一个基于经验模态分解和概率神经网络的汽轮机通流部分故障诊断新方法。首先通过采集火电厂汽轮机正常运行、不同故障时通流部分的故障征兆参数数据，利用经验模态分解在处理非平稳及非线性数据上的优势，对相应的征兆参数数据进行故障特征提取，再利用概率神经网络强大的非线性模式分类性能进行故障检测和识别，从而来有效诊断汽轮机通流部分故障。本专利技术采用如下技术方案：一种汽轮机通流部分故障诊断新方法，包括如下步骤：(1)分别收集汽轮机正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态(也可为其他故障)时通流部分的热力参数数据，作为通流部分故障征兆数据。将每组故障征兆数据随机分为两部分，一部分作为概率神经网络训练样本，其余作为概率神经网络测试样本。(2)对故障征兆相关的热力参数信号进行EMD分解，分别得到若干个IMF分量和代表原信号变化趋势的趋势余量。不同热力参数信号的IMF分量个数不等。设其中的最大值为k，若某个样本的IMF个数少于k，则补充零向量使其具有k个IMF分量。(3)求出各IMF分量ci(t)及趋势余量r(t)的能量Ei、Er其中，各IMF分量ci(t)的能量式中n为数据点总数；趋势余量r(t)的能量Er＝|r(t)|2。(4)将Ei和Er作为第z个故障征兆参数的特征向量Aj,zAj,z＝[E1,E2,...,Ek,Er]，式中j＝1,2,3,4,5分别代表汽轮机通流部分处于正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态。(5)将Aj,z并行排列，作为该组故障征兆数据的特征向量TT＝[Aj,1,Aj,2,...,Aj,s]，式中，s为相应的故障征兆参数总类别数。(6)使用主元分析法，对该组故障征兆数据的特征向量进行处理，得到降维后的特征向量T'。(7)对汽轮机通流部分工作状态进行编码，以“1”表示正常运行状态，“2”表示磨损故障状态，“3”表示结垢故障，“4”表示喷嘴脱落故障，“5”表示叶片断裂故障。以此类推，若还需诊断其他故障，则将编码设定为“6”、“7”、“8”、“9”等等。将降维后的特征向量T'设置为概率神经网络的输入向量，将状态编码设置为输出类别向量，建立概率神经网络。(8)将训练样本的特征向量T'和对应的输出类别向量输入概率神经网络进行训练，训练结束后，将测试样本的特征向量T'输入训练完成的概率神经网络进行故障诊断，并根据输出结果来判断相应的汽轮机通流部分的工作状态。具体解释为：步骤(1)：分别收集汽轮机正常运行、不同故障时通流部分的热力参数数据，作为通流部分故障征兆数据。这其中，当磨损故障为调节级磨损时，调节级发生腐蚀、磨损，将使得通流面积增大，流量也随之增加，负荷在一定时间内增加。对于第一级组，由弗留格尔公式知，级前压力增大，即调节级后压力增大，同时调节级后各级组压力增大，高压缸排汽压力、再热蒸汽压力都将增大。因此，可采用主给水流量、机组负荷、调节级后压力和再热蒸汽压力参数作为调节级磨损的故障征兆参数。步骤(2)：对故障征兆参数信号进行EMD分解，分别得到若干个IMF分量。这其中，经验模态分解算法的具体流程图见图1。这其中，经验模态分解的处理结果为将原信号s(t)分解为m个本征模函数(即IMF，记为ci(t))和一个趋势余量，代表原信号的变化趋势，记为r(t)。理论上有步骤(3)：求出各IMF分量ci(t)及趋势余量r(t)的能量Ei、Er。这其中，各IMF分量ci(t)的能量式中n为数据点总数；趋势余量r(t)的能量Er＝|r(t)|2。步骤(4)：将Ei和Er作为第z个热力参数的特征向量Aj,z。这其中，Aj,z＝[E1,E2,...,Ek,Er]，式中j＝1,2,3,4,5分别代表汽轮机通流部分处于正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态。以此类推，若还需诊断其他故障，则将j设定为“6”、“7”、“8”、“9”等等。步骤(5)：将Aj,z并行排列，作为该组故障征兆数据的特征向量。这其中，该组故障征兆数据的特征向量T＝[Aj,1,Aj,2,...,Aj,s]，式中，s为相应的故障征兆参数总类别数。以调节级磨损故障为例，其特征向量T应包含主给水流量、机组负荷、调节级后压力和再热蒸汽压力这4项热力参数的特征向量。步骤(6)：使用主元分析法，对该组故障征兆数据的特征向量进行处理。这其中，主元分析法是采取一种数学降维的方法，找出几个综合变量来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关。这其中，使用主元分析法对汽轮机通流部分故障特征信息进行二次处理，可以看做是对信息的再提炼，目的是形成新的模式，增强类间距，排除误识别，提高故障的识别率。这其中，主元分析法可以得到p个主成分，但是，由于各个主成分的方差是递减的，包含的信息量也是递减的，所以实际分析时，一般不是选取p个主成分，而是根据各个主成分累计贡献率的大小选取前n个主成分。一般要求累计贡献率达到85％以上，这样才能保证综合变量能包括原始变量的绝大多数信息。步骤(7)：对汽轮机通流部分工作状态进行编码，以“1”表示正常运行状态，“2”表示磨损故障，“3”表示结垢故障，“4”表示喷嘴脱落故障，“5”表示叶片断裂故障。以此类推，若还需诊断其他故障，则将编码设定为“6”、“7”、“8”、“9”等等。将降维后的特征向量T'设置为概率神经网络的输入向量，将状态编码设置为输出类别向量，建立概率神经网络。这其中，概率神经网络的结构图如图2所示。概率神经网络共分4层：输入层、模式层、求和层和决策层(本文档来自技高网...

【技术保护点】
一种汽轮机通流部分故障诊断方法，包括如下步骤：(1)分别收集汽轮机正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态时通流部分的热力参数数据，作为通流部分故障征兆数据；将每组故障征兆数据随机分为两部分，一部分作为概率神经网络训练样本，其余作为概率神经网络测试样本；(2)对故障征兆相关的热力参数信号进行EMD分解，分别得到若干个IMF分量和代表原信号变化趋势的趋势余量；不同热力参数信号的IMF分量个数不等；设其中的最大值为k，若某个样本的IMF个数少于k，则补充零向量使其具有k个IMF分量；(3)求出各IMF分量ci(t)及趋势余量r(t)的能量Ei、Er，其中，各IMF分量ci(t)的能量式中n为数据点总数；趋势余量r(t)的能量Er＝|r(t)|2；(4)将Ei和Er作为第z个故障征兆参数的特征向量Aj,z，Aj,z＝[E1,E2,...,Ek,Er]，式中j＝1,2,3,4,5分别代表汽轮机通流部分处于正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态；(5)将Aj,z并行排列，作为该组故障征兆数据的特征向量T,T＝[Aj,1,Aj,2,...,Aj,s]，式中，s为相应的故障征兆参数总类别数；(6)使用主元分析法，对该组故障征兆数据的特征向量进行处理，得到降维后的特征向量T'；(7)对汽轮机通流部分工作状态进行编码，以“1”表示正常运行状态，“2”表示磨损故障状态，“3”表示结垢故障，“4”表示喷嘴脱落故障，“5”表示叶片断裂故障；将降维后的特征向量T'设置为概率神经网络的输入向量，将状态编码设置为输出类别向量，建立概率神经网络；(8)将训练样本的特征向量T'和对应的输出类别向量输入概率神经网络进行训练，训练结束后，将测试样本的特征向量T'输入训练完成的概率神经网络进行故障诊断，并根据输出结果来判断相应的汽轮机通流部分的工作状态。...

【技术特征摘要】
1.一种汽轮机通流部分故障诊断方法，包括如下步骤：(1)分别收集汽轮机正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态时通流部分的热力参数数据，作为通流部分故障征兆数据；将每组故障征兆数据随机分为两部分，一部分作为概率神经网络训练样本，其余作为概率神经网络测试样本；(2)对故障征兆相关的热力参数信号进行EMD分解，分别得到若干个IMF分量和代表原信号变化趋势的趋势余量；不同热力参数信号的IMF分量个数不等；设其中的最大值为k，若某个样本的IMF个数少于k，则补充零向量使其具有k个IMF分量；(3)求出各IMF分量ci(t)及趋势余量r(t)的能量Ei、Er，其中，各IMF分量ci(t)的能量式中n为数据点总数；趋势余量r(t)的能量Er＝|r(t)|2；(4)将Ei和Er作为第z个故障征兆参数的特征向量Aj,z，Aj,z＝[E1,E2,...,Ek,Er]，式中j＝1,2,3,4,5分别代表汽轮机通流部分处于正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态；(5)将Aj,z并行排列，作为该组故障征兆数据的特征向量T,T＝[Aj,1,Aj,2,...,Aj,s]，式中，s为相应的故障征兆参数总类别数；(6)使用主元分析法，对该组故障征兆数据的特征向量进行处理，得到降维后的特征向量T'；(7)对汽轮机通流部分工作状态进行编码，以“1”表示正常运行状态，“2”表示磨损故障状态，“3”表示结垢故障，“4”表示喷嘴脱落故障，“5”表示叶片断裂故障；将降维后的特征向量T'设置为概率神经网络的输入向量，将状态编码设置为输出类别向量，建立概率神经网络；(8)将训练样本的特征向量T'和对应的输出类别向量输入概率神经网络进行训练，训练结束后，将测试样本的特征向量T'输入训练完成的概率神经网络进行故障诊断，并根据输出结果来判断相应的汽轮机通流部分的工作状态。2.根据权利要求1所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述故障为磨损、结垢、喷嘴脱落或叶片断裂...

【专利技术属性】
技术研发人员：李蔚，盛德仁，陈坚红，俞芸萝，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33