基于高斯混合模型的汽轮机振动故障诊断_图文_百度文库

1、第卷第期核动力工程年月文章编号：（）基于高斯混合模型的汽轮机振动故障诊断罗绵辉，梁平（华南理工大学电力学院广州）摘要：采用高斯混合模型（）与小波包分析相结合的方法，对汽轮机振动故障进行了诊断研究。首先对振动故障信号进行小波包分解，去除干扰信号，提取包含故障特征信息的频段作为故障特征矢量。以此特征矢量建立，并用建立的模型识别各种故障。利用在实验台上测得的实验数据进行建模及故障识别。计算结果中，当模数时，识别故障的正确率约一，表明结合小波包分析进行汽轮机振动故障诊断的方法能取得较好的效果。关键词：高斯混合模型（）；汽轮机故障诊断；小波包分析；算法中图分类号：文献标识码：引言信号输入模型中，找到最大

2、的后验概率，即可识别故障类型。振动是汽轮机发电机组多种故障的主要表现征兆之一。振动信号包含丰富的汽轮机组故障特征，对振动故障信号进行及时识别有助于分析汽轮机故障的原因。汽轮机的振动原因是多方面的，振动过程也较为复杂，直接对振动故障的整个过小波包分解基本原理根据多分辨分析和小波包理论，定义子空间程建立模型非常困难，但可以把振动产生的过程抽象成一个随机过程（从振动信号中提取出来的特征参数在特征空间中的分布是一个随机过程），这样针对振动产生过程就可以建立一个概率模型高斯混合模型（）将待识别的振动信号输入模型中。找到最大的后验概率，即可识别故障类型。本文建立了用于汽轮机振动故障诊断的，利用实验台所测数

3、据进行了建；是函数”。（）的闭包空间，而【，尹是（）函数的闭包空间，且令函数甜。（，）满足双尺度方程【】”抽）压）（，一七）七：（）压）”。）（）（）式中，）（）；弘）和）为多分辨分析（）中定义的共轭滤波器。由式（）模计算及故障识别。构造的序列缸。（）一称为由基函数确定的正交小波包。当行刀时，（，）和材。）分别为尺故障诊断原理故障诊断原理是利用小波包分析对振动信号进行去除干扰信号处理，提取（，）频段信号作为特征序列；对这些特征矢量进行聚类，把每种故障类型概率函数当作一个多维高斯分布函数，再利用模型参数估计最大期望算法（算法）进行迭代，求最大似然估计，从而求出每一类的均值、协方差矩阵等参数，并计

4、算故障出现的概率，建立；最后，将待识别的振动度函数缈）和小波基函数缈（），则。（，刀是正交尺度函数妒（）的正交小波包，它是原信号在各种尺度上所有频段内的全部分解结果。设？（）叼，则：（，）可表示为：；（）驰）（）式中，略为函数）在空间叼的投影系数；醇。（）可分解为”（）和巧”（）；其在子空间收稿日期：修回日期：罗绵辉等：基于高斯混合模型的汽轮机振动做障诊断町”和叼”“上的投影系数分别为，和力“。从而得到小波包分解算法为：每种故障特征分布情况。算法力，。吼去瓦）；钆寺瓦）（一）（）算法就是根据已知的样本序列（训练样本），估计出模型的混合权值、各个单高斯分布的均值矢量及协方差矩阵等参数，使能最佳地

5、表示样本的分布概率。这一过程叫模型的训练【】，用算法来完成。小波包分解过程，实质上就是通过一组低通、设独立观测到的训练样本序列为：高通组合的共轭正交滤波器弘（七）和舀），层层将信号细化分解成不同的频带】。基小波的选取汲，）根据极大似然准则构造对数似然函数：不同的小波函数具有不同的函数特性。所以需要针对被分析对象的特点选择合适的基小波函数，以更好地表现信号特性。由于汽轮机转子振动故障信号具有平稳和非平稳两种形态，所以要求选用的小波函数应具有较好的“变焦”特性（即时频双局部化特性），这样才能同时满足平稳信号和非平稳信号分析的要求。鉴于时频双局部化特性与小波函数的紧支性密切相关，所以采用具有紧支性的

6、“”小波，其支撑长度为，并且具有正交性。，。托）烈舟（制剖引（）由于式（）涉及到累加求和取对数后再累加，直接对其优化得到模型的参数是不现实的，一般采用算法对之进行简化，核心思想是将看作是非完备数据集，引入未观察到的随机矢量序列：】，侈，比，（）如果第个样本是由第七个高斯混合元所及算法理论产生，则，从而构成完备数据集伍，），与之相应的对数似然函数变为：一个具有阶（个混合数）的，可。表示成个单高斯分布的加权和【】，即：崦十。辑），嘉（）“例二渺争小）百（）式中，为维矢量，是汽轮机振动信号特征序列；口（江，）是第个单高斯分布的权式中，为已知训练样本序列；，为随机变量；假设已知模型初始值为五，则可定义

7、辅助函数重，且口；，是单高斯分布函数，其均值为，协方差矩阵为五，即：，、协，名如下：瓣二，胪）：可（，。），胪兰兰。口，另（寺，粥等÷，。一，扛一角矩阵【。（）式中，协方差矩阵可以用满矩阵，也可简化为对由于可以较好地逼近任意总体分布函（口，冽，胪，州另÷，俨（吖搠纠一数【】，而汽轮机每种故障的振动信号具有各自的特征，因此，用作诊断建模可以较好描述这就是算法中的（）步，接着将期望最大化即进行（）步核动力工程最终得混合权值、均值矢量及协方差矩阵的重估公式如下：口。，专善（三，旯）。，三，旦（寺，节。一。，一一，）烈，舻（）式中，。为混合权值；为样本序列；为模型初始值；肿。，为均

8、值矢量；五螂，为协方差矩阵。实验与结果实验装置实验在实验台上进行，其结构如图所示，测点通道见表。在实验台上进行了种振动故障测试，即不平衡（汽轮机主轴不平衡）、不对中（汽轮机主轴中心线不对中）、碰撞摩擦（汽轮机动静部件碰撞摩擦）、轴承松动（汽轮机主轴轴承松动）。实验中各种故障的采样频率为，则小波包分解频率为，其中不平衡、碰摩、松动故障的转速为，不对中故障的转速为。提取故障振动信号特征序列把原始信号进行级小波包分解，在分解尺度上形成了个频带（频率段）（图）。则小波包分解可表示为：（，）一硪，削（，）斗硪，）硪，）硪，）饿，）政，）硪，）各频段小波包分解系数对应的频带见表。不平衡、不对中、碰摩、轴承

9、松动的振动故障主要频谱特征分别为：；、；从从，；，、（其中，为基频，即汽轮机主轴转动频率）。由表可看出，种故障的振动频谱特征均主要分布在第一个频带，所以选取第一个频带进行分析。原始故障振动数据经小波薰医扣：相：方向工方向白图实验测试示意图表实验的测点通道测点键相点测点处测点处测点处测点处方向方向方向方向通道号。通道通道。通道。通道。通道型！卜世必型！卜圃圃囱圃囱圃囱圃同同同向图小波包分解树结构表小波包分解系数对应的频带小波系数频带小波系数频带（，）（）一政，）（，）战，）（，）烈，）（，）一包层分解后，取第一个频带数据进行重构，可以滤去噪声和不需要的频率成分，使信号恢复到原来的时域分辨率，以此

10、数据作为建立的训练样本序列：扛，工，工（）建模实验台所测数据中，每种故障取组实验数据，提取每组数据中的。通道、。通道、通道数据，经层小波包分解，提取第一个频带进行重构得到故障特征序列。每个特征序列南有个值，用此数据构成训练样本序列，粕。的初始参数罗绵辉等：基于高斯混合模型的汽轮机振动故障诊断斧，三；取口尸百，江，；旷、三。取每种故障组实验数据的均值矢量与协方差矩阵值。然后将与舻代人混合权值、均值矢量及协方差矩阵的重估公式【式（）一式（）】，进行迭代计算，直到参数收敛或达到最大允许的迭代次数为止（以以）万，万是预定很小的量）计算结果取训练样本序列：（，；，；）或：（，；产，；，；七）可在的模数分

11、别为、时，表。通道计算结果参数名参数值模数不平衡，不对中，碰摩轴承松动，表。通道计算结果。参数名参数值模数不平衡，不对中，碰摩轴承松动，表通道计算结果参数名参数值模数不平衡，不对中碰摩轴番松动，建立故障识别模型。在实验台所测数据中，每种故障取组非建模数据，共组数据作为模型检验数据。输入不同时的模型，识别的结果折合成正确率见表一表。由以上表得知，当模数时，模型故障诊断正确率约为左右；时，正确率约为；时，正确率达到了较高的左右；时，正确率稍比时小，约为左右。由计算结果可以得出，随着模数的增大，故障识别的正确率也随之增大，当时正确率达到相对较高的水平，因此，取来建立故障识别模型比较适合。结论应用于汽

12、轮机故障诊断时，模数的选择会影响模型识别的正确率。计算结果表明，模数时模型的识别正确率明显大于时的正确率，由此可知，并非模数越大模型识别正确率就越高，其选择需由具体的模型计算确定。参考文献：【】张怀福，赵瑞珍，罗阿理基于小渡包与支撑矢量机的天体光谱自动分类方法【】北京交通大学学报，（）：【】赵吉文，冯志华，刘志刚等混沌理论与小波包分析相结合的状态监测方法研究【，】振动与冲击，（）：【】侯风雷，张昆帆，王炳锡基于正交高斯混合模型的说话人识别研究【】信息工程大学学报，（）：【】许雯，董林，田家斌一种改进的高斯混合模型算法【】信息工程大学学报，“）：【】顾明亮，马勇基于高斯混合模型的汉语方言辨识系统川计算机工程与应用，（）：【】赵征鹏，杨鉴基于高斯混合模型的非母语说话人口音识别【】计算机工程，（）：【白蕾，梁平基于小波包滤波的汽轮机转子振动故障的熵诊断明振动与冲击，（）：。核动力工程，（，）：，一：（），盘勋，（）作者简介：。罗绵辉（一），男，硕士研究生。年毕业于广东工业大学热能与动力工程专业，获学士学位。现主要从事传热与节能、汽轮机转子振动故障诊断与预测的研究。梁平（一），男，副教授。年毕业于华南理工大学电力学院化学工程专业，获博士学位。现主要从事传热强化与节能方向研究。（责任编辑：张明军）（上接第页），）：，：，作者简