[發明專利]一種基于全狀態信息的機組故障快速診斷方法

有效

• 申請號: 201310515885.4
• 申請日: 2013-10-28
• 公開（公告）號: CN103558042A
• 公開（公告）日: 2014-02-05
• 發明（設計）人: 劉春旺;溫廣瑞;李濤;屈世棟;侯振宇;廖與禾;馮世杰;高麗巖;臧廷朋;山崧;李楊;江鋮
• 申請（專利權）人: 中國石油化工股份有限公司
• 主分類號: G01M99/00
• 分類號: G01M99/00
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

1.一種基于全狀態信息的機組故障快速診斷方法，其特征在于，包括如下步驟：

1）用概率神經網絡進行機組故障識別，所述神經網絡的結構是一個四層的前向網絡，包括輸入層、模式層、累加層和輸出層，首先獲旋轉機械14類常見故障的樣本數據，即故障轉子同一截面上相互垂直的X通道和Y通道的振動信號的故障，進行訓練樣本數據，訓練樣本數據是采用已有的確定故障類型的機組數據,或采用可能故障類型的數值模擬數據來構造訓練樣本數據,為了考慮測量噪聲的影響，產生訓練樣本的模擬數據中加入一定的噪聲；

2）對14類典型故障數據通過全息譜分析或時域統計分析獲得所有14類故障的特征值，所有的特征值構成特征向量；

3）將步驟2）得到的14類樣本特征向量分別作為14類模式單元的權向量W_j；

4）選取待診斷數據進行全息譜分析獲取特征向量作為神經網絡輸入層的輸入向量X_j，將輸入樣本數據與訓練樣本數據采用相同的參數；

5）將每個模式單元的輸入向量X_j與權向量W_j進行標量積運算，即Z_j=X_j·W_j，然后對Z_j進行非線性運算；

6）對同一故障模式所對應的模式單元的輸出g(Z_j)求和以估計該種故障的概率密度，即其中，R表示一種故障模式；

7）將14類故障模式對應的14個累加層的輸出f_R(X)作為輸入，其中，R表示一種故障模式，進入判定單元即輸出層，通過貝葉斯判定策略判定故障模式。

2.根據權利要求1所述的一種基于全狀態信息的機組故障快速診斷方法，其特征在于，步驟1）所述的旋轉機械14類常見故障包括：工頻故障、不對中、橫向裂紋、動靜碰摩、旋轉脫離、油膜渦動、傳感器故障、交流干擾、低頻激振、高頻激振、喘振、流體激勵、支座松動和氣封磨損。

3.根據權利要求1所述的一種基于全狀態信息的機組故障快速診斷方法，其特征在于，步驟2）所述的14類故障所對應的特征值如下：

工頻故障：工頻全息橢圓大小及偏心率

不對中：2X全息橢圓大小及偏心率，3X全息橢圓大小

橫向裂紋：1X全息橢圓大小，2X全息橢圓大小及偏心率

動靜碰摩：高倍頻分量的全息橢圓大小和偏心率

旋轉脫離：0.7～0.86X倍頻范圍內的全息橢圓大小及相對于工頻橢圓的進動方向

油膜渦動：0.4～0.52X頻率范圍內的全息橢圓大小及偏心率

傳感器故障：各個倍頻橢圓的偏心率及偏斜角

交流干擾：50Hz處全息橢圓的偏斜角及偏心率

低頻激振：低頻區存在與工頻無關的自激頻率分量

高頻激振：高頻區存在與轉子工頻無關、獨立的自激分量

喘振：低頻濾波時域統計特征值

流體激勵：低頻濾波時域統計特征值

支座松動：低頻濾波時域統計特征值

氣封磨損：低頻濾波時域統計特征值。

4.根據權利要求1所述的一種基于全狀態信息的機組故障快速診斷方法，其特征在于，步驟4）中為了使概率神經網絡獲得準確的機組信息，選取旋轉機械14類常見故障的樣本數據所對應的故障的特征值利用全息譜方法來獲取振動信號的特征量。

5.根據權利要求1所述的一種基于全狀態信息的機組故障快速診斷方法，其特征在于，步驟5）中所述的非線性運算，是采用g(Z_j)=exp[(Z_j-1)/σ²]，如果X_i和W_i都標準化到單位長度,上式等價于g(Z_j)=exp[-W_j-X)^T(W_j-X)/2σ²]，其中，σ為平滑參數，不同的平滑參數σ值對f_A(X)的影響不同，較小的σ值使得估計的母體密度函數對應于訓練樣本的位置具有不同的模式，較大的σ值，在各點間產生較大等級的內插，靠近訓練樣本的X值，估計具有大約與給定樣本相同的出現概率。需要根據不同的實際情況選擇適當平滑值；T表示矩陣的轉置。