小波神经网络在汽轮发电机组故障诊断系统中的应用外文翻译资料

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

毕业论文（设计）

英文翻译

原文标题 Application of Wavelet Neural Network on Turbo-Generator Set Fault Diagnosis System

译文标题 小波神经网络在汽轮发电机组故障诊断系统中的应用

小波神经网络在汽轮发电机组故障诊断系统中的应用

Liu Lin, Shen Songhua, Guan Miao, Li Chunlong

(北京航空航天大学自动化科学与电气工程学院 北京 100044)

摘要：为了提高传统故障诊断方法在汽轮发电机组多并发故障诊断中的局限性，提出了一种将小波变换与神经网络相结合的故障诊断方法。利用二元离散小波变换得到有效特征向量，并用神经网络对故障模式进行分类。反向传播（BP）算法来实现神经网络的结构和参数初始化。通过选择足够的实际样品验证小波神经网络（WNN）和代表故障的信息被输入到训练有素WNN，并根据输出结果可以判定故障的类型。实际应用表明，该方法能有效诊断汽轮发电机组多并发振动故障，诊断结果正确。该方法可以推广到其他设备的故障诊断。

关键词：小波变换，神经网络，故障诊断，模式识别，汽轮发电机组

介绍

出于对系统的意外变化时系统的性能和可靠性高的水平日益增长的需要，实时监测和故障诊断已经受到越来越多的关注。巴顿和施腾格尔的调查报告评估了故障诊断技术的研究进展情况。由于结构的复杂性和汽轮发电机的重要性，多并发故障诊断和故障调节汽轮发电机的研究已成为理论和现实的原因，一个非常活跃的研究课题。

近年来，大容量汽轮发电机组作为电力系统的重要电源，其运行状态处于异常状态，因此在安全状态下运行是至关重要的。高速旋转时，转子有时振动剧烈，这损害了汽轮发电机组异常振动的设备，而且会造成严重的事故和经济损失。其结构和制造技术已经变得越来越复杂，很难准确地描述故障过程的精确数学模型，并且在故障发生时，也很难用特定的标准去比较诊断的结果。为了确定故障位置，及早采取措施，建立一套完善的状态监测与故障诊断系统是十分必要的。

许多研究人员已经提出了一些有用的故障诊断技术，包括基于模型的，基于专家系统的，基于可靠性的，基于模糊理论和其他技术。以上方法各有优点，满足了一些实践的需要。然而，所采用的特征提取技术的基础上的时间或频域信号，而不是时间和频率的信号的功能。这是非常重要的，准确地区分多并发故障。此外，实时状态监测的能力是必不可少的。

小波变换（WT）和人工神经网络（ANN）是有效的故障诊断方法，具有广泛的应用。离散小波变换（DWT）已用于暂态信号分析一直是一个强大的数学工具的结构，可以分解成几个规模给定信号在不同级别的分辨率并能精确定位某些故障时间。人工智能的方法具有“学习”或“输入输出数据的对象模型从过去的经验中学习”的故障知识的潜力，它们可以作为构建残差生成分析模型的函数逼近，或为监控方案，使得形成故障分析决策。非线性建模能力，神经网络已经被用于非线性故障诊断问题。此外，学习能力也进行了研究，并成功地应用于非线性鲁棒故障诊断。人工神经网络具有强大的非线性映射、自学习能力，能有效完成故障模式识别。由于小波变换良好的局部化特性表现在时间和频率空间和多尺度特性，我们采用小波函数作为神经网络的基本功能，即小波神经网络（WNN）功能。小波神经网络继承了两种方法的优点，具有良好的逼近任意非线性函数，通过样本训练数据调整小波基形状的模式识别能力。在本文中，反向传播（BP）算法用 来实现神经网络的结构和参数初始化。神经网络是用来检测和分类的汽轮发电机组的多故障并发现象。其特征是利用小波变换去噪后的有效提取和发送到安全的故障模式识别。

对汽轮发电机组振动故障特征的表达

汽轮发电机组是一个复杂的非线性系统。在实际运行状态下，故障征兆与故障原因之间的关系是不确定的，不能用精确的数学模型来描述。在汽轮发电机机械故障诊断中，转子各部分的振动、转子振动故障特征信号被视为征兆，被视为故障的原因。汽轮发电机故障诊断的目的是根据诊断过程中出现的异常情况来判断故障模式。

对汽轮发电机组故障诊断问题可以表述为：Q =（X，Y，F，）其中X =是一个非空的故障征兆集; Y =是一个非空的故障原因的子集； sube;X是X的一个子集，表示观察到目前症状；Fsube;Xtimes;Y，是一个在Xtimes;Y的映射函数，表示知识的原因与症状。

在本文中，故障征兆子集包含六个输入特征参数相关的六种故障症状,而故障原因子集包含七个输出特征参数相关的七种故障模式。

为了克服固定的时频分辨率的问题，最近开发的基于小波变换的分析方法提供了灵活的时频分辨率，成为了在处理这种类型的机械瞬态信号时一种有效的替代手段。

3小波神经网络结构与算法

3.1小波变换与信号去噪

WT具有一种功能，那就是缩放到信号结构的函数的规模接近零。此属性是非常有用的检测信号奇异性/不连续性或尖锐的瞬变，更具体地来说，通过定位收敛的局部模极大值的小波变换在细尺度。当信号突变时，会导致小波出现极大值。

利用小波变换进行信号分解，信号分为两个部分：低频和高频，分别对应的近似部分和细节部分。具体而言，近似部分包含的信号的变化趋势。故障特征是在将这些变化的采样数据比分解的信号的基础上获得的，这样不仅能检测故障，而且能找到它们。

传感器信号含有丰富的频率分量，每个频率分量含有丰富的故障信息。利用小波分解可以把信号准确地提取信号的特征向量，从而可以区分故障类型。

高频部分通常包括噪声分量。特别是，故障信号包含多种噪声。故障信号有时被噪声淹没，难以直接分析和诊断。在分析之前，必须去噪。在实际应用中需要解决的两个关键问题是去噪。一个是阈值的测定；另一个是阻止分解水平测定。在本文中，一种基于3A规则的新方法，提出了确定每一级的小波空间的阈值。特别适用于噪声背景下微弱信号的检测。

小波变换的快速算法可以写成如下：

f = f

f = f (1)

g(n)=h(1-n),nZ.在公式(1)中,g(n)和h(n)分别代表高通滤波器和低通滤波器。

一个信号或者函数进行有限变换的公式如下所示：

(t) = (t)

= (2)

其中，最低频率分量，代表不同的频率分量，N代表分解水平；是在j尺度中的小波系数。

3.2 小波神经网络结构

人工神经网络采用多种体系结构，其中以前馈和递归网络。前馈网络通常用于故障诊断任务，而经常性网络的非线性动态反馈系统的特点。其中，前馈网络的训练采用误差反向传播（BP）算法是最重要和最广泛使用的故障诊断方法。一般来说，三层BP网络适合于汽轮发电机组的故障诊断，包括输入层、隐层和输出层。在BP算法中，由于目前还没有任何理论基础，很难确定学习速率的取值。通常，学习速率必须通过测试来选择。如果选得过大，学习速度快，但平均平方误差容易产生振荡。相反，如果它太少，BP可以是一个非常缓慢的过程。

在构建人工神经网络的最关键的问题之一是选择的隐层的数目和每个层的节点的数目。使用隐藏层中的神经元太少，可能会阻碍训练过程中收敛，而使用过多的神经元会产生长的训练时间，和/或在人工神经网络失去其泛化属性。根据kalmogorov定理，一个三层的感知可以实现任意地连续映射f:，如果隐藏节点的数目为2N 1，其中N代表输入层神经元数。

在不丢失通用性的情况下，ANN的结构如图1所示，包括输入层、隐藏层和输出层三层。在该文件中，输入层有六个节点，隐层有十三个神经元和输出层有七个节点。

图片1 小波神经网络结构图

假设表示整数P把节点的输入层和是数Q输出节点的输出层；代表号码我节点的输入层和隐层的神经元之间的连接权值数j；表示隐层数K和输出层神经元数L的节点之间的连接权重；和分别代表了隐层神经元节点u的规模因子和翻译因子，m表示输入层的节点数；N表示隐含层的神经元数，n表示输出层的节点数。

小波神经网络的输出如下所示：

︳︱︳

（q=1,2,···,n） (3)

其中1le;L，Ple;m，1le;I、Qle;N和1le;J，K，Ule;n.功能”ϕ”是一种非线性激活函数，将输入的加权总和为输出节点。目前激活函数的类型采用的是上面讨论的Sigmoid函数：f（x）= 1 / 1 exp（x）

3.3小波神经网络训练算法

非线性优化算法，如梯度下降法、共轭梯度或拜登弗莱彻戈德法布-Shanno（BFGS），可用于训练小波神经网络。然而，小波神经网络结构的优点是，它可以训练阶段使用线性优化算法，进收敛与非线性替代品相比。它具有允许更快的训练和改进收敛等优点。

一种经常使用不同的权值和阀值被称为反向传播算法，在权值和偏差修正以尽量减少形式的平均平方误差函数：

E= (4)

反向传播算法是采用梯度下降最小化E和相应的迭代公式如下：

= - (n)

= - (n)

= (n) - (n)

= (n) - (n) (5)

其中和代表,,的学习率参数; 和 代表动量自身因素。

4 小波神经网络的鲁棒性

在故障诊断的实际处理中，小波神经网络必须强大到足以处理所有未知输入的可能混淆的故障检测，为了确定故障模式的可靠性，最重要的是要增加测量信号的残差的鲁棒性。

假设输入训练样本给出的是x={, 典型的目标输出是F={,以及小波神经网络的调整规则是△=-alpha;，其中具有如下定义：

E = E︱ (6)

在公式（6）中，alpha;是学习速率，alpha;gt; 0。

5 应用与分析

一个大容量汽轮发电机组发生事故时，它往往首先发生于电力系统。汽轮发电机组轴承振动信号急剧波动，发电机定子绕组水温升高异常。根据仪器记录的测试数据，故障信号的曲线如图2和图3所示。通过专家的经验方法，对故障造成事故的原因分析如下：激励转子不对中以及汽轮机低压转子和冷却水管道因剧烈振动破碎所致。

图2和图3说明了Daubechies小波变换的实现过程，在原来的故障信号及其小波分解系数重构显示。训练后的小波神经网络的实际输出向量，使用足够的样本是F=(0. 912，0. 08，0. 004，0. 132，0. 242，0. 002，0. 856)，每个部件对应的故障模式有以下七种：转子不平衡、零件脱落、热弯曲、压盖碰摩、轴方向摩擦、轴承错位、冷却水管道断裂。申请阈值为0.8。因此，我们可以得出结论：多并发故障模式是汽轮机转子不平衡和冷却水管道断裂。

图片 2 发电机定子绕组温度和故障信号的小波分解系数重构曲线

图片3 汽轮机轴承振动信号与小波分解系数重构曲线

可以看出，汽轮机轴承振动的幅度被扭曲相当显着，间隙出现在振动的时间。在边缘的间隙，汽轮机轴承振动幅值的变化从42微米到183微米；这是预计到的事实，即突然变化，从一个状态到其他不同的状态产生小涟漪，这往往是不可见的，因为大的基本频率信号明显如图二所示，然而，这些现象可以看出小波变换和显示。从这些数字可以清楚地看出，在分解的汽轮机轴承振动信号有非常有用的功能。某些高频分量比低频分量能更好地定位在时间上。与此相反，低频分量可以更好地定位在频域比高频分量，这有效地意味着，对于一个已经获得的特定信号，我们可以得到它的所有特征。在这项研究中，我们对于在这些组件位于更好的时间点的特征感兴趣，细节1-3是用于分析和特征提取。从图2（b）--（d），对应于细节1-3，可以看出，有许多锋利的尖刺的汽轮机轴承振动的瞬态期间。从前面的分析可知，其中一些出现在边缘的轴承振动幅度突然从一个状态改变到其他不同的状态。发电机绕组的温度与轴承振动信号相比，数量级上升地非常缓慢。

由于冷却水管道靠近汽轮机转子，当汽轮发电机转子振动剧烈，管道坏了。图3（b）--（c）显示出规模1和规模2的小波变换，其中包括突发故障信号。从图3中可以看出，所有的故障位置（对应于故障发生的时刻）与小波变换在不同尺度上的最大值一致。在处于一个合适的观测数据长度（窗口长度）

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26249]，资料为PDF文档或Word文档，PDF文档可免费转换为Word