基于加权最小二乘支持向量机改进算法的汽轮机通流部分故障诊断研究

第54卷第2期2012年4月汽轮机技术TURBINETECHNOLOGYVO154NO2APR2012基于加权最小二乘支持向量机改进算法的汽轮机通流部分故障诊断研究李亮，黄竹青，冯磊华，王运民，李清长沙理工大学能源与动力工程学院，长沙410114摘要汽轮机通流部分故障特征数据较多、故障类型复杂，很难建立精确的机理模型。提出一种基于加权最小二乘支持向量机WEIGHTEDLEASTSQUARESSUPPOVECTORMACHINES，WLSSVM的改进算法，该算法用输出变量的留一交叉检验误差取代原有误差确定加权系数，解决了WLSSVM由于加权系数与模型支持值相互影响，样本在剔除与不剔除之间反复变化而不收敛的问题。实验结果表明该方法能有效地剔除异常样本，减少故障特征量的数目，提高了校正模型的稳健性及WLSSVM特征预测的速度和预测的精度。关键词最小二乘支持向机；汽轮机；通流部分；故障诊断分类号TK247文献标识码A文章编号10015884201202012904FAULTDIAGNOSISANDRESEARCHABOUTFLOWPASSAGEOFSTEAMTURBINEBASEDONANIMPROVEDALGORITHMOFWEIGHTEDLEASTSQUARESSUPPORTVECTORMACHINESLILIANG，HUANGZHUQING，FENGLEIHUA，WANGYUNMIN，LIQINGSCHOOLOFENERGYANDPOWERENGINEERING，CHANGSHAUNIVERSITYOFSCIENCEANDTECHNOLOGY，CHANGSHA410114，CHINAABSTRACTFLOWPASSAGEOFSTEAMTURBINEHAVELOTSOFFAULTFEATURES，TYPESOFFAULTARECOMPLEX，ITSDIFFICULTTOESTABLISHTHEPRECISEMECHANISMMODE1THISPAPERPROVIDESANIMPROVEDALGORITHMBASEDONWEIGHTEDLEASTSQUARESSUPPORTVECTORMACHINESWLSSVM，THISIMPROVEDALGORITHMUSELEAVEONEOUTCROSSVALIDATIONLOOCVDEVIATIONOFOUTPUTVARIABLEREPLACEORIGINALDEVIATIONTODETERMINEWEIGHTEDCOEFFICIENTRESOLVEDTHEPROBLEMTHATSAMPLEREPEATEDCHANGESANDCANNOTCONVERGENCEBECAUSEOFTHEINFLUENCEBETWEENWEIGHTEDCOEFFICIENTANDSUPPORTVALUEOFMODE1THEEXPERIMENTRESULTSSHOWTHATTHISMETHODCANEFFECTIVELYREMOVEABNORMALSAMPLES，REDUCETHENUMBEROFFAULTFEATURESIMPROVETHEROBUSTNESSOFCALIBRATIONMODELSANDTHESPEEDANDACCURACYABOUTFEATURESPREDICTIONKEYWORDSLEASTSQUARESSUPPORTVECTORMACHINES；STEAMTURBINE；FLOWPASSAGE；FAULTDIAGNOSIS喜舍塞望篓酱景。塞U改GNNV,I要望篓苎票箬不收敛的运统的经济性和安全性往往达不到要求，甚至发生严重事故。；孬聂一L30汽轮机技术第54卷STYBE，1，为了获得鲁棒性，对式1的误差E进行加权，设E对应的权值为式1的优化问题变为RAIN，JW，E一VKE2“，6ESTY妒BE，1，N对应的LAGRANGE函数为L，B，E；ORJ，E一BE一Y3消去变量、E后，上述优化问题可归结为求解以下线性方程组。1力吲L力，儿JLYJ其中，OLN】为支持值；Y【Y一，】；VDIAG毒_，DIAG表示对角矩阵，0为惩罚系数；11，Z；力，FL，L1，一，IV，K，F为RBF核函数K，FEXP一LI一ZLI5加权系数的选择依赖于误差变量EY，由以下权函数确定。LEKICCCI毫乓2一C11OOTHER1，6这里，J是误差变量E的标准方差的鲁棒估计值，即G，R是E的75分点与25分点的间距；常数C、C根据异常样本的实际分布情况决定。最后求解式4得到和B，确定函数模型AKXK，B7由式7知，支持值A的绝对值越大，样本在模型中的作用越大。由式6可知，下次迭代计算时该样本的加权系数为1并被重新引入模型，使该样本在剔除与不剔除之间反复变化而不收敛，从而降低了建模过程中对异常样本的检测和剔除效果。为解决WLSSVM算法这一缺陷，本文提出了如下改进算法。12WLSSVM改进算法WLSSVM的改进算法的基本思想是用输出变量的留一交叉检验1EAVEONEOUTCRO88VALIDATION误差Y取代E用于确定加权系数。由于与A无直接联系，不会出现原有算法中O和互相影响的问题。该算法的具体实现步骤如下1给定惩罚系数，并令样本初始加权系数1，1，；2计算DIAG击，击；3计算各个样本的留一交叉检验误差1，具体步骤为设第个样本作为留一检验的测试样本，剩下的N一1个样本作为训练样本；根据式4，令T门，求解下列方程其中，为去掉第行和第列之后得到的矩阵，YY一，Y，Y，Y为Y去掉第个元素后的向量；计算第个样本的留一检验估计值T6与检验误差YY一，其中T为的第行向量；4用取代E，按式6重新计算各种样本的加权系数JI1，N；5回到式4进行下次迭代，直到收敛或达到最大迭代次数；6选取JJ个相关变量作为加权最小二乘支持向量机改进算法的输入，假设训练输入数据为，如果属于第Q类故障，则YQ1，若不属于第Q类故障，则Y。0。6把训练样本映射到高维特征空间，基于全部样本及加权系数1，选取适当的核函数和惩罚参数，求解2式得到模型系数OL、B，最终得到如式7所示的校正模型；7通过获得的参数、6及对应的支持向量，可得到第Q类故障类型，用同样的方法和不同的学习样本可得到汽轮机通流部分所有故障的诊断模型；8建好的模型用于汽轮机通流部分故障诊断。2实例分析汽轮机通流部分故障有一个演化过程，如通流部分的磨损、结垢等故障，只有通过运行前后数据的比较分析，才能得出正确的结果。21实验数据采集湖南某电厂一台600MW汽轮机组出力偏低，效率下降10，本文以机组热耗验收工况THA为基准工况，取大修前20RAIN的数据连续记录该机组通流部分的故障特征信号，每隔20S提取一组信号，组成一个多变量的时间序列，前3O个点作为回归训练样本，后3O个数据作为检验样本。对其进行故障诊断，并与大修结果进行对比。汽轮机通流部分有关故障模式的热力、振动特征信号有机组负荷、主蒸汽流量、各级组流量一6，、各级组前后压力一，一，上标16表示第几个级组，O表示级前，B表示级后，其中调节级后压力、高压缸排汽压力、再热蒸汽压力3、中压缸排汽5、排汽真空、按变工况计算可以获得高压缸相对内效率、中压缸相对效率，、转子两端轴承的垂直振动工频分量。、垂直振动低频分量。、汽缸的上、下温度差。、胀差、轴向位移L21“。汽轮机通流部分的故障模式较多，此处仅选择真空恶化和通流部分结垢高压缸来进行分析。影响故障的各种因素X，置作为支持向量机的输入，置是T时刻的特第2期李亮等基于加权最TD“乘支持向量机改进算法的汽轮机通流部分故障诊断研究131征信号，T1，2，7,，故障类型作为输出，建立输入与输出之间的映射关系，X。样本数据在建模前都经过基线校正、多项式卷积平滑及标准正态变量STANDARDNORMALVARIATE变换等预处理步骤，以减少噪声引入的误差。22加权算法参数选择选取6个核主元作为最小二乘支持向量机的输入，把训练样本映射到高维特征空间，惩罚系数取10，RBF核函数参数取100，式6中的权函数参数C。25，C3，利用训练样本求解式6所表示的二次优化问题，从而求出、B及对应的支持向量机。通过获得的参数、B及对应的支持向量，可得到第Q类故障类型，用同样的方法和不同的学习样本可得到所有的故障的诊断预测模型。23结果与讨论实验数据来源于大修前20MIN的汽轮机排汽真空值，由于样本是在实际生产条件下采集的，本身就可能含有异常样本，为此，分别用WLSSVM原有算法和改进算法对所有样本进行建模，剔除加权系数很小10I4的那部分可疑样本，并对剩下的样本作LSSVM留一交叉检验，并得到WLSSVM原有算法及改进算法的预测曲线，如图1所示。室州蜮鉴图1机组排汽真空两种算法预测值与实际值比较曲线由图L可知，相比于原有算法，WLSSVM改进算法的预测值更接近实际测量值，且异常样本数量偏低。由此可见，随着可疑样本的剔除，预测性能得到了进一步提高，改进算法能更好地克服异常样本的影响。而由于实际测量值皆大于汽轮机运行规程中设定的标准值一90KPA，则不属于第10类故障，则Y1O0。用均方误差RMSEP及平方相关系数指标分析一下两种算法，可以得到如表1所示的对比表。对比发现，剔除可疑样本后模型的预测效有显著改善，因而被剔除样本很可能确为异常样本。WISSVM改进算法比原有算法多剔除2个可疑样本，预测性能进一步提高，说明改进算法能更好地克服异常样本的影响，其异常检测能力优于原有算法。表1可疑样本剔除前后模型预测性能对比衙式中Y表示是第I个故障因素，多表示模型预测值，Y1NY是标准分析值的算术均值。，机组负荷、主蒸汽流量、调节级后压力1的预测输出与实际测量值比较曲线如图2、图3、图4所示，预测输出与实际测量值的平均误差分别为3846、068和1551参要H姜图2机组负荷预测值与测量值比较曲线图3主蒸汽流量预测值与测量值比较曲线图4机组调节级级后压力预测值与测量值比较曲线由图2可以看出，随着时间向后推移，机组输出负荷越来越低，最后降至的498MW，是原规定输出负荷的85；由图3可以看出，随着时间向后延伸，主蒸汽流量越来越少。且越往后变化速率越快；由图4可以看出，调节级级后压力随着时间推移慢慢增加，最后达到12572MPA，是原压力的132汽轮机技术第54卷123倍。由上述3个特征分量变化分析机组输出负荷和主蒸汽流量皆下降了15，而调节级级后压力有明显升高，可能是高压缸通流部分结垢引起的。级组通流部分结垢后，级组前后的压力比减少。利用这一现象，即可以对汽轮机通流部分结垢情况进行常规诊断。第1、2级组前后压力比的基准值与测量值比较曲线如图5、图6所示。J墓鼎螺1嫌丑_R出世J盂II搛图5第一级组基准值与测量值比较曲线图6第二级组基准值与测量值比较曲线由图5、图6可见，第一级组的测量值都比设计值稍大且在允许范围内，而第二级组的实际值基本都小于设计值，这说明该汽轮机通流部分高压缸出现结垢现象，当汽轮发电机组运行时，携带溶有铜杂质的过热蒸汽进入汽轮机后，由于温度和压力的下降，铜腐蚀产物和其它化合物在蒸汽中的溶解度随压力的下降而减小。当其中某物质的溶解度下降到低于其在蒸汽中的含量时，该物质就会以固态形式析出，并沉积在汽轮机的通流部分。汽轮机的大修检查证明了这一点。3结论1WLSSVM改进算法能更好地克服异常样本的影响，解决了原有算法样本在剔除与不剔除之间反复变化而不收敛的问题，使预测性能进一步提高，模型的预测效果有显著改善。2从预测结果可以看到，WLSSVM改进算法具有较高的预测精度，将该方法应用于汽轮机通流部分故障诊断中，能实现提前预判，提高了汽轮机运行的经济性和安全性。参考文献1吴茜，史进渊大功率汽轮机通流部分故障诊断特征规律的研究J动力工程，2001，211101010132杨勇平，杨昆汽轮机通流部分故障诊断的热力判据研究J热能动力工程，1999UYKENSJAK，VANDEWALLEJLEASTSQUARESSUPPOVECTORMACHINESCLASSIFIERSJNEURALPROCESSINGLETTERS，1999，932933OO4VAPNIKVTHENATUREOFSTATISTICALLEARNINGTHEORYMNEWYORKSPRINGER，19955杨奎河，单甘霖，赵玲玲基于最小二乘支持向量机的故障诊断方法J控制与决策，2007，2277787826SUYKENSJAK，DEBRABANTERJ，LUKASL，ETA1WEIGHTEDLEASTSQUARESSUPPOVECTORMACHINESROBUSTNESSANDSPARSEAPPROXIMATIONJNEUROCOMPUTING，2002，4814851057CHAPELLEO，VAPNIKV，BOUSQUETO，ETA1CHOOSINGMMULTIPLEPARAMETERSFORSUPPOVECTORMACHINESJMACHINELEARNING，2002，461311598温雯，郝志峰，邵壮丰迭代重加权最小二乘支持向量机快速算法研究J计算机科学，2010，3782242289陈国强，叶春汽轮机通流部分故障诊断J动力工程，2004，241981011O唐桂忠，张广明，巩建鸣基于核主元分析和最小二乘支持向量机的汽轮机通流部分故障预测方法J2008远东无损检测新技术论坛，200840641011吴茜，史进渊大功率汽轮机通流部分故障诊断特征规律的研究J动力工程，2001，2111010101312李勇，徐君诏，黄萍力凝汽式汽轮机通流部分结垢诊断方法研究J汽轮机技术，2008，505371373上接第101页参考文献丁尔谋发电厂空冷技术M北京