本站小編為你精心準備了支持向量機下的汽輪機組故障診斷參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：汽輪機組在生產設備中有著廣泛的應用，但其故障頻發，對其故障診斷的研究一直是科研工作者的重點方向之一。在MATLAB開發環境下，基于支持向量機算法為核心，利用常見故障的振動特性，構建了一種分類故障診斷模型，并對常見故障進行了診斷，結果表明：該故障診斷方法能夠對汽輪機故障進行有效診斷和預測，為汽輪機故障診斷提供理論依據，有著重要的現實的意義。

關鍵詞：汽輪機；故障診斷；支持向量機；汽輪機故障

引言

汽輪機是現代火力發電廠的重要設備，它是一種在高溫高壓下，通過蒸汽提供動力使轉子帶動機械旋轉的裝置[1]。汽輪機一旦發生故障會產生不可估量的連鎖反應，導致人員傷亡和巨大經濟損失，故對其運行狀態安全監測和故障診斷變得尤為重要[2]。如何及早的檢測和發現設備異常，成為世界各國的研究重點，李亮[3]等研究了支持向量機的汽輪發電機組故障分類時診斷；司娟寧等將支持向量機理論和時頻分析相結合應用于柴油機氣閥故障診斷。針對不同故障對象的診斷在理論和仿真方面都取得了有效的結果。汽輪機組故障雖然共計有數十種，但95.4%以上的故障是常見故障，對于常見典型故障做出快速而準確的判斷具有實際需求意義。基于向量機的汽輪機組故障檢測是未來的診斷發展方向，本文在分析研究常見典型故障的前提下，利用支持向量機理論的多元回歸算法，在MATLAB開發環境中建立了新的汽輪機故障診斷模型，輸入不同故障的特征頻譜數據進行故障診斷模型的自主學習和分類，最后輸入檢測數據驗證結果的準確度，該故障診斷方法模型具有較高的準確度，在故障診斷中可以提供一定的借鑒作用，有著重要的現實意義。

1支持向量機理論和研究方法

支持向量機理論（SVM）是一種二元分類模型，基于結構風險最小化原則，將樣本空間通過一個非線性映射映射到另一個多維特征空間中，通過升維、線性化從而實現多元線性回歸。這樣做的優點在于通過向量機核函數的擴展定理后，可在未知非線性映射表達式的前提下，在高維特征空間可自主的建立線性學習機模型。通過調節特定參數，引入樣本線性模型時，較好的簡化算法和提高計算機計算效率。支持向量機是一種基于結構風險最小化原則和統計學中的VC維理論的多分類機器學習方法。汽輪機故障診斷的核心問題就是分類問題，通過將多個分類器組合，導入歷史故障振動特征頻譜數據進行分類訓練生產診斷模型，最終達到故障檢測的目的支持向量機的汽輪機組故障分析還處于初步研究階段，故本文提出一種改進的支持向量機的故障診斷多分類方法。支持向量機的故障診斷方法是通過原始數據建模，調整轉化為多元線性回歸模型，最終實現故障分類檢測的診斷方法。圖1為基于支持向量的故障診斷方法模型，第一步為學習階段。首先將包含多種歷史參數數據通過統計學理論統計生產數據轉換系統，隨后利用轉換系統將歷史數據轉換成0-1之間的標準化數據，將標準數據庫數據隨機分占85%的數據作為訓練數據和15%為驗證數據，讓其自主形成非線性多元回歸模型，既形成“支持向量機回歸算法”。第二步是檢測驗證階段，將訓練標準化數據輸入支持向量機多元回歸算法模型中進行計算檢測。通過調整或添加新參數來控制預測誤差，讓其滿足模型精度為止。

2汽輪機組故障分析

汽輪機組故障雖然共計有數十種，但95%以上的故障為常見故障，主要包括油膜渦動、動靜碰磨、不對中和轉子不平衡四類，故對這四類典型故障的研究具有工程指導作用。油膜渦動是由于外界偶然擾動下而發生任意偏移，產生失穩分力而驅動汽輪機轉子作渦動運動。渦動分收斂、發散和介于兩者之間的三種狀態。一般來說，常見的頻譜圖如圖2（a）所示，渦動頻率約為轉速的0.4-0.5倍，振動的主要成分頻率近似地等于第一臨界轉速，渦動振動頻率在0.5fr時振動較大。動靜碰磨由于零部件磨損或質量不均，在機組參數提高情況下產生機械松動，從而導致機組動、靜部件之間發生碰撞和磨損。汽輪機組在固定參數下運轉其徑向與軸向的碰磨振動明顯，如圖2（b）所示碰磨故障的振動信號，可以發現其既有一倍頻、二倍頻和三倍頻，又有少量的低頻和高頻（5fr）。轉子不平衡故障是最常見的一類故障，其故障振動在頻譜圖上的特征是一倍頻成分較大（如圖2c），其余規律基本相近。轉子不對中是汽輪機在長時間工作中造成軸承或連軸的軸心線的偏移或者傾斜，從而造成相鄰兩轉子發生不對中現象。轉子不對中特征頻譜以一倍頻和二倍頻分量為主（如圖2d），當二倍頻所占的比例變大時，產生轉子不對中越嚴重。

3故障診斷檢測

基于汽輪機常見典型故障的特征頻譜和支持向量多元線性回歸理論的分析，在MATLAB環境下編程實現汽輪機組故障診斷模型，其診斷系統主要包含支持向量機算法的程序和人機交互界面。基于支持向量機的汽輪機故障診斷方法模型，本文利用汽輪機組的典型故障具有不同特征頻譜的特點為研究對象，構建支持向量機多元回歸故障診斷模型。首先，數據基準為頻譜分析，輸入正常、碰磨故障和不平衡等典型特征頻域的相關數據，隨后隨機選取已知類別的樣本進行學習分析，通過結構風險最小化原理將其建立多元支持向量機回歸模型，達到故障檢測的目的。訓練結束后，檢測新的測試數據樣本，其結果見數據表1。由表2中的測試結果可以看出，診斷結果與試驗狀態時的故障狀態一致，錯誤率為零，說明基于支持向量的故障診斷模型應用于汽輪機故障的診斷效果較好，且其具有故障樣本訓練量少，算法簡單和故障分類能力強的優點。

4結論

本文分析了常見典型的汽輪機故障頻譜特性，提出了一種以支持向量機算法為核心算法的汽輪機組故障診斷分析方法模型，在MATLAB開發環境下，確立邊界條件和基本參數，導入數據進行訓練學習，隨后仿真模擬分析。結果表明，測試的8個樣本都準確的判斷出故障結果，該系統對汽輪機常見故障進行了較為精確的診斷，表明該方法具有較高的準確性，能夠對汽輪機故障診斷進行有效的檢測和預測，該研究為汽輪機故障診斷提供了理論依據，有著重要的實用價值。

參考文獻：

[1]韓中合，劉明浩.基于支持向量機的汽輪機振動故障診斷系統[J].汽輪機技術，2013，55（2）：127-130.

[2]石志標，宋全剛，馬明釗，等.基于改進粒子群優化支持向量機的汽輪機組故障診斷[J].動力工程學報，2012，32（6）：454-457，462.

[3]李亮，黃竹青，馮磊華，等.基于加權最小二乘支持向量機改進算法的汽輪機通流部分故障診斷研究[J].汽輪機技術，2012，54（2）：129-132.

作者：李金水 單位：武漢長利玻璃有限責任公司