[发明专利]一种汽轮机通流部分故障诊断方法

权利要求书

1.一种汽轮机通流部分故障诊断方法，包括如下步骤：

(1)分别收集汽轮机正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态时通流部分的热力参数数据，作为通流部分故障征兆数据；将每组故障征兆数据随机分为两部分，一部分作为概率神经网络训练样本，其余作为概率神经网络测试样本；

(2)对故障征兆相关的热力参数信号进行EMD分解，分别得到若干个IMF分量和代表原信号变化趋势的趋势余量；不同热力参数信号的IMF分量个数不等；设其中的最大值为k，若某个样本的IMF个数少于k，则补充零向量使其具有k个IMF分量；

(3)求出各IMF分量c_i(t)及趋势余量r(t)的能量E_i、E_r，

其中，各IMF分量c_i(t)的能量式中n为数据点总数；趋势余量r(t)的能量E_r＝|r(t)|²；

(4)将E_i和E_r作为第z个故障征兆参数的特征向量A_j,z，

A_j,z＝[E₁,E₂,...,E_k,E_r]，式中j＝1,2,3,4,5分别代表汽轮机通流部分处于正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态；

(5)将A_j,z并行排列，作为该组故障征兆数据的特征向量T,

T＝[A_j,1,A_j,2,...,A_j,s]，式中，s为相应的故障征兆参数总类别数；

(6)使用主元分析法，对该组故障征兆数据的特征向量进行处理，得到降维后的特征向量T'；

(7)对汽轮机通流部分工作状态进行编码，以“1”表示正常运行状态，“2”表示磨损故障状态，“3”表示结垢故障，“4”表示喷嘴脱落故障，“5”表示叶片断裂故障；将降维后的特征向量T'设置为概率神经网络的输入向量，将状态编码设置为输出类别向量，建立概率神经网络；

(8)将训练样本的特征向量T'和对应的输出类别向量输入概率神经网络进行训练，训练结束后，将测试样本的特征向量T'输入训练完成的概率神经网络进行故障诊断，并根据输出结果来判断相应的汽轮机通流部分的工作状态。

2.根据权利要求1所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述故障为磨损、结垢、喷嘴脱落、叶片断裂。

3.根据权利要求1或2所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述流通部分磨损故障为调节级磨损时，所述步骤(1)采用主给水流量、机组负荷、调节级后压力和再热蒸汽压力参数作为调节级磨损的故障征兆参数；所述步骤(5)其特征向量T应包含主给水流量、机组负荷、调节级后压力和再热蒸汽压力这4项热力参数的特征向量。

4.根据权利要求1-3任一所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述步骤(2)：对故障征兆参数信号进行EMD分解，EMD分解的处理结果为将原信号分解为m个IMF和一个代表原信号变化趋势的趋势余量；所述EMD分解流程包括如下步骤：

1)计算出序列s(t)的所有局部极值点；

2)利用3次样条插值，求出所有极大值点构成的上包络线和所有极小值点构成的下包络线，记为u₀(t)和v₀(t)；

3)记上下包络线的均值为：并记信号与上下包络线均值的差为h₀(t)＝s(t)-m₀(t)；

4)判断h₀(t)是否满足IMF的条件,如果满足，h₀(t)就是一个IMF，记为c₁(t)；如果不满足，记h₀(t)为新的s(t)；

5)记r₁(t)＝s(t)-c₁(t)，为新的待分析信号，重复步骤1)到4)，直至r_n(t)是一个单调信号或小于规定的阀值。