一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法技术

本发明专利技术公开了一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，包括对历史故障案例的振动数据进行预处理和统计特征提取，其中历史故障案例的振动数据为低频采样；将对历史案例提取的统计特征作为神经网络的输入，进行网络学习；将新发生的异常事件提取统计特征后输入训练好的神经网络，利用相似度计算方法对神经网络的输出结果进行相似度计算，获取与新发生事件最为相似的历史故障案例。本方法提出了一种新颖且简单的数据预处理方法和一个新的统计特征，其对需要减轻同一模式下不同值引起的干扰或捕获不同输入之间的时序关系的情况效果十分明显。本发明专利技术方法对汽轮机轴系振动故障的诊断具有重要的应用价值。

A vibration fault diagnosis method for steam turbine shaft system based on neural network and case-based reasoning

The invention discloses a fault diagnosis method for steam turbine shafting vibration based on neural network and case-based reasoning, which includes pretreatment of vibration data of historical fault cases and extraction of statistical features, in which the vibration data of historical fault cases are sampled at low frequency, and the statistical features extracted from historical cases are taken as neural networks. Input, network learning; the statistical features of new abnormal events are extracted and input into the trained neural network, and the output results of the neural network are calculated by similarity calculation method to obtain the historical fault cases which are most similar to the new events. This method presents a novel and simple data preprocessing method and a new statistical feature, which is very effective in reducing the interference caused by different values in the same mode or in capturing the timing relationship between different inputs. The method has important application value for diagnosing vibration faults of steam turbine shafting.

【技术实现步骤摘要】
一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法
本专利技术涉及一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，用于电厂汽轮机轴系振动故障的诊断。
技术介绍
近年来，国内外多次发生大规模停电事件，如印度大停电、加拿大与美国东北部停电事件、欧洲大停电、纽约大停电、中国湖南省大停电、巴西和巴拉圭停电事件，使得电力系统中发电设备的故障诊断技术得到了更多的重视。据统计，2016年，全国发电总量为59897亿千瓦时，火力发电总量为42886亿千瓦时，占比71.6％。火力发电在整个电力行业占主导地位，对于火力发电设备的故障诊断是人们研究的重点。作为火力发电的主体，汽轮机安全影响着整个火力发电的运行状况，一旦汽轮机发生故障，极可能导致整个发电机组全线停机。目前电厂对汽轮机的故障诊断主要依赖两种方式：定期检修和专家诊断。定期检修主要是停机后对发电设备的零部件进行检查，判断是否松动或出现裂口等。定期检修存在“维修不足”或“维修过剩”的问题。1980年，美国全年工业维修费为2460亿美元，其中因为过剩维修和失修而导致的资金浪费高达750亿美元，占总维修费用的30％。并且定期检修经常无法做到对故障的及时发现。此外，当发电设备在运行过程中出现故障，导致设备无法正常运行时，则需联系专家人员到现场进行故障诊断。由于汽轮机的专业性和特殊性，汽轮机的故障诊断需要电力方面经验丰富的专家，并且整个汽轮机故障诊断的知识储备仍是由专家人员以经验教学的方式向下传播，导致汽轮机的故障诊断对个人的依赖性较强。然而依赖个人的故障诊断具有很强的主观性，知识也可能存在片面性和不完整性。因此设计一种不依赖人类专家的智能故障诊断系统十分必要。历史振动故障案例主要是以数值信号方式保存，然而振动信号数据量巨大，仅靠人工方法几乎无法识别其中有价值的信息。针对这种情况，提出了基于神经网络的相似振动故障案例检索。神经网络目前已在智能故障诊断方面得到广泛的利用。当它用于机械系统时，用于神经网络的数据通常是振动信号，主要是因为振动信号包含丰富的信息。然而，即使在正常状态，夹杂在固有振荡中的噪声也是十分复杂的。此外，振动信号通常是非线性和非平稳的，因此通常做法都是先提取包含有用信息的特征，再将提取的特征作为神经网络的输入，而不是直接将原始数据作为神经网络的输入。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法。本专利技术的目的是通过以下技术方案来实现的：一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，该方法包括以下步骤：步骤1、对汽轮机轴系历史故障案例的振动数据进行预处理；对汽轮机轴系历史故障案例的振动数据预处理的方法为：从原始数据中减去66um，其中66um是经过试验得到的。令x表示原始数据，则处理后的数据为y＝x-66，如果y<0，则将y的值重置为0。如果设备处于正常运行状态，由于每个设备运行环境不尽相同，振动信号可能是阈值以下的任何值，并且正常状态下不同的振动值会干扰神经网络，将其识别为不同的状态，因此利用上述的预处理过程将低于阈值的数据全部置为零。步骤2、对预处理后的振动数据进行分块，提取统计特征，其中包括四种常用的统计特征和一个新提出的统计特征。使用的四种常用的统计特征如下：需要注意的是，传统的统计特征是单独从每个块中提取，无法获取块与块之间的时间相关性。针对这种情况提出了一个新的统计特征，称之为相对位置RL。RL＝RMS-rmin，其中，rmin表示所有块提取的RMS的最小值。步骤3、将提取的历史故障案例的统计特征作为神经网络的输入，采用标准的三层BP神经网络进行模型训练。令总共包含a个历史振动故障案例，每个案例包含b组数据类型，则神经网络的输入节点为5*b，输出节点数为a。步骤4、按照步骤1的方法对新发生的异常事件进行数据预处理，再对预处理后的振动数据进行分块，提取统计特征。步骤5、将经过特征提取后的新发生异常事件作为训练好的神经网络的输入，输出结果。步骤6、利用相似度计算方法对步骤4神经网络的输出结果与历史故障案例进行相似度计算。计算方法为：其中，m表示神经网络输出向量维度，n表示新发生事件的振动数据分块后的个数，yij表示第i个数据块的第j维输出值，表示神经网络输出向量第j维输出的理想值，k为可调变量，可根据对象进行调整。步骤7、将步骤6的计算结果按照从大到小的顺序排列，如果排在第一位的计算结果大于某个阈值，则将其故障原因作为新发生异常事件的诊断结果。与现有技术相比，本专利技术的优点在于：针对汽轮机轴系振动故障诊断，提出了神经网络与案例推理的诊断方法。并且该方法中，针对低采样频率的振动数据，提出了一种新的数据预处理方法和一个新的统计特征。此外，结合神经网络，提出了一种新的相似度计算方法。在相似度计算方法中，引入了可调参数k，使得计算结果更为精确。附图内容图1表示本专利技术基于神经网络和案例推理的汽轮机轴系振动故障诊断方法的流程图；图2表示三个历史故障案例和新发生异常事件的原始数据(前三个为历史故障案例，最后一个为新发生异常事件)；图3表示历史案例和新发生异常事件振动数据的统计特征图(前三个分别对应三个历史故障案例的统计特征，最后一个为新发生异常事件的统计特征)；图4表示神经网络的输出。具体实施方式下面结合附图和具体实施例对本专利技术作进一步详细说明。如图1所示，本专利技术提供的一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，该方法包括以下步骤：步骤1、对汽轮机轴系历史故障案例的振动数据进行预处理；对汽轮机轴系历史故障案例的振动数据预处理的方法为：从原始数据中减去66um，其中66um是经过试验得到的。令x表示原始数据，则处理后的数据为y＝x-66，如果y<0，则将y的值重置为0。如果设备处于正常运行状态，由于每个设备运行环境不尽相同，振动信号可能是阈值以下的任何值，并且正常状态下不同的振动值会干扰神经网络，将其识别为不同的状态，因此利用上述的预处理过程将低于阈值的数据全部置为零。步骤2、对预处理后的振动数据进行分块，提取统计特征，其中包括四种常用的统计特征和一个新提出的统计特征。使用的四种常用的统计特征如下：需要注意的是，传统的统计特征是单独从每个块中提取，无法获取块与块之间的时间相关性。针对这种情况提出了一个新的统计特征，称之为相对位置RL。RL＝RMS-rmin，其中，rmin表示所有块提取的RMS的最小值。步骤3、将提取的历史故障案例的统计特征作为神经网络的输入，采用标准的三层BP神经网络进行模型训练。令总共包含a个历史振动故障案例，每个案例包含b组数据类型，则神经网络的输入节点为5*b，输出节点数为a。步骤4、按照步骤1的方法对新发生的异常事件进行数据预处理，再对预处理后的振动数据进行分块，提取统计特征。步骤5、将经过特征提取后的新发生异常事件作为训练好的神经网络的输入，输出结果。步骤6、利用相似度计算方法对步骤4神经网络的输出结果与历史故障案例进行相似度计算。计算方法为：其中，m表示神经网络输出向量维度，n表示新发生事件的振动数据分块后的个数，yij表示第i个数据块的第j维输出值，表示神经网络输出向量第j维输出的理想值，k为可调变量，可根据本文档来自技高网...

【技术保护点】
1.一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，其特征在于，该方法包括以下步骤：步骤1、对汽轮机轴系历史故障案例的振动数据进行预处理；步骤2、对步骤1预处理后的振动数据进行分块，提取统计特征，其中包括四种常用的统计特征和一个新提出的统计特征，使用的四种常用的统计特征如下：

【技术特征摘要】
1.一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，其特征在于，该方法包括以下步骤：步骤1、对汽轮机轴系历史故障案例的振动数据进行预处理；步骤2、对步骤1预处理后的振动数据进行分块，提取统计特征，其中包括四种常用的统计特征和一个新提出的统计特征，使用的四种常用的统计特征如下：一个新提出的统计特征称之为相对位置RL：RL＝RMS-rmin，其中，rmin表示所有块提取的RMS的最小值。步骤3、将提取的历史故障案例的统计特征作为神经网络的输入，采用标准的三层BP神经网络进行模型训练；步骤4、对新发生的异常事件进行数据预处理、分块和提取统计特征；步骤5、将经过特征提取后的新发生异常事件作为训练好的神经网络的输入，输出结果；步骤6、利用相似度计算方法对步骤4神经网络的输出结果与历史故障案例进行相似度计算；步骤7、将步骤6的计算结果按照从大到小的顺序排列，如果排在第一位的计算结果大于某个阈值，则将其故障原因作为新发生异常事件的诊断结果。2.根据权利要求1所述的一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法，其特征在于，所述步...

【专利技术属性】
技术研发人员：徐正国，方名菊，陈积明，程鹏，贺诗波，孙优贤，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33