[发明专利]一种汽轮机通流部分故障诊断方法

说明书

技术领域

本发明属于工业监测领域，具体为经验模态分解方法及概率神经网络在火电厂汽轮机通流部分故障诊断方向的应用。

背景技术

汽轮发电机组是电力生产企业的主要设备，无论是故障停机还是停机检修，都会造成巨大的经济损失。汽轮机通流部分故障诊断对于汽轮机本体的安全、经济运行具有重要意义。一方面可以通过故障检测排除机组存在的安全隐患，另一方面可以适当延长机组的大修周期，从而可以在保障机组运行安全性的同时提高机组的经济性。因此，研究先进的汽轮机通流部分故障诊断方法显得尤为重要。

经验模态分解方法依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，可以很好地提取一组数据在时间上的变化趋势，这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解、小波分解方法具有本质性的差别。正是由于这样的特点，经验模态分解方法在理论上可以应用于任何类型的信号分解，因而在处理非平稳及非线性数据方面具有非常明显的优势。经验模态分解方法自从1998年被提出就被广泛应用于各个领域，取得了很好的效果，但尚未将该方法应用于汽轮机通流部分故障诊断这一领域。

概率神经网络是由径向基函数网络发展而来的一种前馈型神经网络，其理论依据是概率密度估计和贝叶斯最小风险准则(贝叶斯决策理论)。基于概率神经网络的故障诊断方法实质上是利用概率神经网络模型的非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成一个具有较强容错能力和结构自适应能力的诊断网络系统。概率神经网络容易设计算法，网络结构简单，能用线性学习算法实现非线性学习算法的功能，适用于汽轮机通流部分故障诊断。

发明内容

本发明提供一个基于经验模态分解和概率神经网络的汽轮机通流部分故障诊断新方法。首先通过采集火电厂汽轮机正常运行、不同故障时通流部分的故障征兆参数数据，利用经验模态分解在处理非平稳及非线性数据上的优势，对相应的征兆参数数据进行故障特征提取，再利用概率神经网络强大的非线性模式分类性能进行故障检测和识别，从而来有效诊断汽轮机通流部分故障。

本发明采用如下技术方案：

一种汽轮机通流部分故障诊断新方法，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(也可为其他故障)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。以此类推，若还需诊断其他故障，则将编码设定为“6”、“7”、“8”、“9”等等。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。