基于支持向量机的水电机组轴系运行故障诊断及预测研究论文.pdfVIP

基于支持向量机的水电机组轴系运行故障诊断及预测研究 周叶 等 基于支持向量机的水电机组轴系运行 故障诊断及预测研究 周叶 唐澍 潘罗平 夏伟 （北京中水科水电科技开发有限公司，北京 100038） 摘要：本文利用水电机组状态监测中的轴系监测数据，构建基于支持向量机的轴系 运行故障分类模型。以机组振动信号的能量成分为学习样本，进行故障诊断分类器 的学习，从而实现水电机组轴系运行常见故障的诊断。本文还结合状态监测技术的 实时采集数据，提出了一种充分利用稳定性历史数据和实时数据的方法，以实现轴 系运行监测数据的在线样本扩充、学习和实时诊断。 关键词：水电机组；轴系；故障诊断；支持向量机；小波包分解 0 引言 近年来随着大型、巨型水电机组的投入运行，水电机组运行设备容量、尺寸的加大，设 备部件相对刚度削弱，给水电机组的稳定运行和故障预防带来了难度，而水电机组的运行稳 定性问题，又集中反映在水电机组轴系运行稳定性以及轴系统各部件的运行状态上，因此从 水电机组轴系运行特性下手，进行故障诊断和预测方法研究，应用数学方法进行特征提取和 建模，既符合水电机组设备故障诊断分步开展策略，也容易取得实用效果[1] 。 对水电机组现场试验和实时状态监测中采集的大量机组轴系振动、摆度数据，如何从轴 系运行状态数据出发，寻找数据中的模式和数据间的函数依赖规律，利用这些模式和函数依 赖对已知或未知的数据进行分类和识别，这也是机器学习的范畴。 经过几十年的研究，以人工神经网络为代表的传统机器学习方法已经取得了较大的成 就，这种方法利用已知样本建立非线性模型，克服了传统参数估计方法的困难，在众多领域 得到了广泛的应用。但神经网络技术基于传统统计学，其应用经验风险最小化原则来优化机 器学习的参数，保证学习机器对数目有限的训练样本的学习能力最优。但理论和实践结构都 表明，经验风险和实际风险之间具有一定的差异，特别在小样本情况下，这种差异尤其明显 [2] 。目前神经网络技术研究理论基石不足，有较大的经验成分，在技术上仍存在一些不易解 决的问题，例如网络结构的设计问题，学习算法中局部极小问题，学习的快速性问题等等[3] 。 为了克服这些难题，Vapnik 等人在 1995 年提出了基于分类和回归问题的支持向量机 （Support Vector Machine,SVM ）理论，它是实现结构风险最小化原则的一种新的机器学习 方法，在小样本、非线性、高维问题及泛化能力上表现突出[4] 。SVM 是统计学理论中最年 轻的部分，也是最实用的部分[5]，它目前已经成为机器学习的研究热点之一，并已经取得了 很好的研究成果。 支持向量机技术主要用来解决模式识问题和函数回归问题，在实际中有很多具体应用， 如基本粒子辨识、脸型检测、字符分类、时间序列预测、疾病诊断等。对水电机组而言，支 持向量机的模式识别，对应机组运行状态的正常和异常模式分类，而函数回归问题则通过建 立机组运行状态数学模型，进行未来数据值的预测，并进一步进行故障预估和状态预警。 当前在水电行业中基于支持向量机的机器学习方法研究不多，主要有[6]中对水电机组 振动故障的研究以及[7]中对机组状态趋势数据进行预测，但将支持向量机技术与日益发展 的状态监测技术结合起来，尤其是利用各状态监测系统的实时采集数据和历史数据，进行在 线样本扩充学习和实时诊断，仍鲜见研究，也是水电机组故障诊断中模式识别方法研究的难 全国水电厂自动化技术 2012 年度学术交流研讨会 点。 本文利用水电机组状态监测中的轴系监测数据，构建基于支持向量机的轴系运行故障分 类模型。以机组振动信号的能量成分为学习样本，进行故障诊断分类器的学习，从而实现水 电机组轴系运行常见故障的诊断。本文还结合状态监测技术的实时采集数据，提出了一种充 分利用稳定性历史数据和实时数据的方法，以实现轴系运行监测数据的在线样本扩充、学习 和实时诊断。 1 支持向量机 [2] 1．1 支持向量机分类 支持向量机方法（Support Vector Machine，SVM ）是从线性可分情况下的最优分类超平 面（Optimal Hyperplan