张国平
(湖南机电职业技术学院,湖南 长沙 410151)
汽轮机是发电系统的关键设备,由于长期处于高速运行状态,故障发生频率较高。而且任何一个小小的故障,都可能引起连锁反应,造成巨大经济损失,甚至灾难性后果。1988年2月28日,陕西秦岭发电厂200MW的5号汽轮发电机组发生了事故,造成经济损失约3000万元[1]。汽轮机的故障诊断,已经成为国内外研究的热点,开展汽轮机故障诊断研究,对于生产实践中避免重大事故,有着重要的现实意义。
汽轮机启动和停止过程中,振动信号包含了丰富状态信息,对于状态监测具有独特的价值。然而,启动和停止过程信号,要比平稳过程信号复杂得多,其信号频率和幅值均随时间而变化,属于典型的非平稳信号。针对这些特点,本文引入了连续HMM。HMM是一种时间序列的统计模型[2],能用参数描述随机过程统计特性的概率模型,是一种双随机过程。其由两部分组成:马尔可夫链和一般随机过程。HMM的基本理论,创立于20世纪70年代,80年代中期得到传播,之后逐渐成为信号处理领域中的一个重要的研究方向。目前国内外还没有非常成熟、有效的对汽轮机进行诊断的方法。本文将HMM应用到汽轮机故障诊断系统中来,是一种有针对性的信号的建模和识别工具。
如图1所示,汽轮机指蒸汽在汽轮机中膨胀做功,将热能转化为机械能,其主要由高压缸和低压缸组成。高、低压转子通过刚性联轴器,接成一个轴系,再通过刚性联轴器与发电机转子相联。
图1 汽轮机结构图
传统的监测系统,一般是设置阈值,通过超限报警,并不对振动信号及振动故障进行分析诊断。本文对汽轮机的故障分析,是通过振动监测的方法实现的。振动分析法简单直观,诊断结果可信度高,并具有无损性和在线性等优点。因此在工业生产和科学研究中,振动分析法得到了极为广泛的重视[3]。汽轮机故障,主要体现在转子质量不平衡、转子不对中、滑动轴承油膜振荡等故障。汽轮机设备常见的振动故障及其对应的频率特征如下:
(1)由质量不平衡引起的强迫振动,其振动频率等于1 X(X代表转速)。
(2)由转子的不均匀升温,而产生的热弯曲变形,相当于给转子附加不平衡,由此导致的强迫振动频率为1 X。
(3)由机组的轴线不对中,引起的强迫振动,其频率为1 X及2 X;
(4)刚度不对称的水平转子,由于重力引起的强迫振动,频率为2X;
(5)发电机定子由于磁拉力不均匀,而引起的强迫振动,其频率为3 X;
(6)由于油膜轴承的不稳定,而导致的自激振荡,其频率为(1/2)X。
HMM是在马尔可夫链的基础上发展起来的[4~5],即将马尔可夫模型的概念,扩展到一个双重的内含不可见从属随机过程的随机过程,它只能通过另一套产生观察序列的随机过程,才能观察到。
图2 HMM基本组成结构框图
采用最大似然准则的Baum-Welch算法,是目前HMM采用的主要训练方法。针对不同的HMM类型,其训练算法略有差别,本文主要介绍连续HMM训练算法。在连续HMM中不再采用离散的矩阵来描述观测层,而是采用连续观测密度函数进行描述。定义ξt(i,j)为给定训练序列(观察值序列)O和模型λ时,时刻t时Markov链处于θi状态和时刻t+1时处于θi状态时的概率,即
其中,αt(i),βt(i)为前向变量和后向变量。
常用的概率密度函数,通常表示为下列密度函数的有限混合的形式,
其中,
o是观测矢量;
cjk为混合系数,表示状态j中第k个混合密度函数的系数;
M为混合度,表示包含的混合密度函数个数;
N(o)为任意的对数凹函数或椭圆对称密度函数,其均值向量为μjk,方差矩阵为σjk,N(o)通常采用高斯密度函数。
连续HMM的训练模型[6]如图3所示。
图3 连续HMM训练模型
对连续HMM采用Baum-Welch算法时,定义中间变量
则有
系统分为硬件平台和软件平台。硬件由加速度传感器、信号调理器和嵌入式工控机等部件组成。其中压电式加速度传感器的电荷灵敏度为48.4mV/(ms-2),工作电流为2~10mA,工作电压为12~24 V(DC),频率范围为 0.2~2 kHz,最大允许加速度为100m/s2。在模拟振动试验台上采集到的加速度信号如图4所示。根据试验台转速的大小,此图能够反映机械故障的信号特征。
图4 转子不平衡波形图
图5 转子不平衡频谱图
对于振动台运行状态,选4组数据用于识别,以检验系统诊断效果。对转子不平衡、轴承基座松动、动静件摩擦以及转子不对中运行状态等4组数据,分别进行了测试,其识别的具体情况如表1。总的识别率接近90%,识别时间约为46ms,结果较为理想。
表1 CHMM的典型故障识别率(%)
本文开发的基于连续HMM的在线系统在模拟试验台的状态识别上,有着较好的识别率。实验证明该系统是有效的。实验中发现,有时候会产生误判,这可能与传感器的灵敏度或外界干扰、振动测点的选择以及传感器的安装有较大的关系。
虽然实验取得了良好的效果,但是系统的可靠性、鲁棒性还有待进一步提高,真正应用于汽轮机故障诊断,还有许多工作要做。
[1]徐 敏.设备故障诊断手册[M].西安:西安交通大学出版社,1998.
[2]Rabiner L R.An introduction to the hidden Markov models[C].IEEE ASSPMag,1986.
[3]陆汝华,杨胜跃.基于DHMM的轴承故障音频诊断方法[J].计算机工程与应用,2007,(17):218-220.
[4]K.T.Abou-Moustafa,M.Cheriet,C.Y.Suen.On the structure of hidden Markov models[J].Pattern Recognition Letters,2004,(25):923–931.
[5]冯长建.HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用[D].杭州:浙江大学机械系,2002.
[6]宋雪萍,马 辉.基于CHMM的旋转机械故障诊断技术[J].中国机械工程,2006,(5):126-130.