基于小波包分析和SVM的透平機(jī)振動(dòng)故障診斷研究

陳慶文，韓景立

（1.中海油（中國(guó)）有限公司 天津分公司，天津 300459；2.國(guó)網(wǎng)天津市電力公司檢修公司，天津 300400）

海上石油平臺(tái)透平發(fā)電機(jī)組運(yùn)行是否良好關(guān)系到整個(gè)石油平臺(tái)能否安全生產(chǎn)，因此要求其具有較高的穩(wěn)定性且運(yùn)行平穩(wěn)、噪聲達(dá)到既定要求[1]。據(jù)統(tǒng)計(jì)在實(shí)際應(yīng)用中，透平發(fā)電機(jī)組機(jī)械故障中有20%左右的故障均由滾動(dòng)軸承引起[2]，其中包括軸向碰摩、徑向碰摩、轉(zhuǎn)子不對(duì)中、轉(zhuǎn)子不平衡、軸承內(nèi)外圈故障、軸承滾動(dòng)體故障、軸承磨損、軸承保持架故障等[3]。以上故障能夠引發(fā)透平發(fā)電機(jī)異常振動(dòng)，且噪聲增大[4]。因此針對(duì)透平機(jī)的故障診斷意義重大。透平機(jī)滾動(dòng)軸承與很多機(jī)械零部件處于同一工作環(huán)境，因此當(dāng)其出現(xiàn)故障時(shí)采集的檢測(cè)信號(hào)包含較多噪聲[5]。針對(duì)透平發(fā)電機(jī)振動(dòng)信號(hào)為非穩(wěn)態(tài)、噪聲較大等特點(diǎn)，本文的處理過(guò)程為先用小波包分析對(duì)采樣信號(hào)進(jìn)行連續(xù)小波變換來(lái)減小噪聲，再運(yùn)用EMD法分解處理透平發(fā)電機(jī)產(chǎn)生的振動(dòng)信號(hào)，并將分解后的前7階IMF分量處理為輸入向量運(yùn)用在SVM中診斷分析透平發(fā)電機(jī)的故障。本方法在小樣本情況亦具有較高的診斷精度。

1 小波包算法

1.1 小波包理論

小波包信號(hào)分解即把信號(hào)分解并劃歸到相應(yīng)的頻帶[6]。由于每個(gè)頻帶的信號(hào)具有相對(duì)應(yīng)的能量，所以可用不同頻帶中信號(hào)的能量組成特征向量來(lái)反映設(shè)備運(yùn)行的狀態(tài)。

1.2 小波包故障特征提取算法

傳統(tǒng)小波分析方法僅能對(duì)上一次分解所得到的低頻部分進(jìn)行分解，造成高頻部分的分辨率較差。小波包分解則利用正交分解，各頻帶的信號(hào)獨(dú)立，遵守能量守恒定律[7]。其理論依據(jù)為Parseval能量積分等式。小波包分析方法中較為常用的算法為Mallat塔式算法，其主要包含分解和重構(gòu)兩方面[8]。

1.2.1 采用低通濾波器和高通濾波器實(shí)現(xiàn)信號(hào)分解

式中：n 為波長(zhǎng)；h（n）為低頻濾波器系數(shù)；g（n）為高通濾波器系數(shù)。分解尺度j以及低通濾波系數(shù)之間滿足：

式中：M為濾波器長(zhǎng)度；n為波長(zhǎng)。

序號(hào)數(shù)為小波分解的尺度數(shù)。隨著小波分解的尺度數(shù)增大，小波包系數(shù)所映射空間分辨率降低。

圖1 小波包分解示意Fig.1 Wavelet packet decomposition diagram

1.2.2 信號(hào)重構(gòu)

信號(hào)由Mallat塔式分解后得到多層小波系數(shù)，再經(jīng)閾值量化法處理各層小波系數(shù)，軟限幅函數(shù)表示為

其中t表示軟限幅閾值，該式能夠?qū)崿F(xiàn)信號(hào)的高頻系數(shù)重構(gòu)，得到的重構(gòu)信號(hào)公式為

2 EMD理論

2.1 EMD分解

EMD常用于非線性及非平穩(wěn)信號(hào)處理的時(shí)頻信號(hào)的處理，通過(guò)高斯白噪聲使信號(hào)在不同尺度上連續(xù)[9]。EMD分解是把原始信號(hào)分解成為許多個(gè)能表征模糊頻帶與瞬時(shí)頻帶的IMF分量，且各IMF分量需滿足以下2個(gè)條件：

（1）采樣信號(hào)序列中極大點(diǎn)和極小點(diǎn)數(shù)之和與過(guò)零點(diǎn)的個(gè)數(shù)之差小于1；

（2）采樣信號(hào)局部極大點(diǎn)與極小點(diǎn)確定的頻帶上下包絡(luò)線均值為0。

2.2 特征向量提取

設(shè)小波包處理降噪后的信號(hào)為x（t），選取高頻諧波信號(hào) x0（t），將 x0（t）加入到原始信號(hào) x（t）中，分析信號(hào) x′（t）為

找出x′（t）的所有極大值和極小值點(diǎn)，用3次樣曲線來(lái)連接 x′（t）的上下包絡(luò)線 u（t）和 l（t）。 上下包絡(luò)線的平均曲線為

將 x′（t）減去 a（t）可以得到 h（t），若 h（t）與 IMF條件相符合，即可確定 IMF1。 用 x′（t）與 IMF 作差得到余量v，即：

繼續(xù)判斷余量v是否需要繼續(xù)分解，如不需要，x′（t）表示為

如需要繼續(xù)分解，則重復(fù)式（6）～式（8）繼續(xù)分解。出現(xiàn)異常信號(hào)時(shí)故障診斷特征向量可通過(guò)IMF1與 x0（t）的差獲得[9]。

3 支持向量機(jī)

支持向量機(jī)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理和統(tǒng)計(jì)學(xué)習(xí)理論上的學(xué)習(xí)機(jī)器，它能夠根據(jù)有限的樣本信息在模型的復(fù)雜性與學(xué)習(xí)能力間尋求最佳效果來(lái)獲得最優(yōu)推廣能力[10]。支持向量機(jī)理論的基本思想是尋找最優(yōu)分類超平面，在保證分類精度的同時(shí)使超平面兩側(cè)的空白區(qū)域最大化。二維線性可分最優(yōu)分類線如圖2所示。

圖2 二維線性可分最優(yōu)分類線Fig.2 Two-dimensional linear separable optimal classification line

設(shè)有樣本數(shù)據(jù)集：

式中：n為訓(xùn)練樣本個(gè)數(shù)；d為每個(gè)訓(xùn)練樣本向量的維數(shù)；yi為分類類別，其值在+1和-1分別為兩類，兩類樣本在圖2中分別由圓點(diǎn)和三角形表示。

H為分類超平面，最優(yōu)超平面可表示為w′x+w0=0，且滿足：

式中：w為權(quán)重矩陣；w0為閥值。對(duì)于超平面H，H1、H2上的樣本點(diǎn)即為支持向量。SVM方法中最大化分類間隔2/‖w‖，實(shí)際上等價(jià)于最小化權(quán)重向量的范數(shù)‖w‖/2，可用如下帶約束條件的優(yōu)化問(wèn)題表示：

Φ（ω）是二次型函數(shù)，有極小點(diǎn)且唯一，通過(guò)拉格朗日乘子法將其轉(zhuǎn)化為對(duì)偶形式，此優(yōu)化問(wèn)題則轉(zhuǎn)化為對(duì)偶問(wèn)題，

從式（12）可看出，該問(wèn)題為不等式約束下的二次規(guī)劃問(wèn)題，且有唯一解。經(jīng)過(guò)求解，得出最優(yōu)分類決策函數(shù)為

式中：αi*為最優(yōu)拉格朗日系數(shù)；（xi，xj）為滿足 Mercer條件的核函數(shù)；w0*表示閥值，可由任一支持向量經(jīng)式（11）取等號(hào)求出。

函數(shù)式（13）的值域?yàn)?或-1，只能作二元區(qū)分，當(dāng)有n種故障類型時(shí)，需構(gòu)造n（n-1）/2個(gè)SVM，對(duì)各類故障的二分類 SVM分類結(jié)果投票，以少數(shù)服從多數(shù)為原則，將獲得票數(shù)最多的分類結(jié)果作為故障診斷的最終結(jié)果。

4 小波包分析與SVM的應(yīng)用

振動(dòng)信號(hào)數(shù)據(jù)源自于中海油SZ36-1A平臺(tái)一臺(tái)雙R透平發(fā)電機(jī)組，該機(jī)組由美國(guó)ENTEK振動(dòng)監(jiān)測(cè)儀采集、處理并將振動(dòng)數(shù)據(jù)上傳至AB SLC-500 PLC控制系統(tǒng)，經(jīng)以太網(wǎng)上傳給上位機(jī)。數(shù)據(jù)采集系統(tǒng)如圖3所示。

圖3 透平發(fā)電機(jī)數(shù)據(jù)采集系統(tǒng)Fig.3 Turbine generator data acquisition system

利用上述方法采集燃?xì)馔钙綑C(jī)5組振動(dòng)數(shù)據(jù)，用小波包分解法對(duì)數(shù)據(jù)降噪，并將含有故障信號(hào)信息的子頻帶分量提取出來(lái)，將經(jīng)過(guò)小波包降噪的子頻帶分量進(jìn)行EMD分解，由此獲得IMF分量。原始信號(hào)如圖4，對(duì)小波分解第1層的2個(gè)節(jié)點(diǎn)進(jìn)行重構(gòu)見圖5和圖6，分別對(duì)重構(gòu)信號(hào)進(jìn)行EMD分解，頻率從高到低分解為7個(gè)IMF，圖7和圖8分別為2個(gè)重構(gòu)節(jié)點(diǎn)的EMD分解得到的IMF。

圖4 原始信號(hào)時(shí)域波形Fig.4 Time domain waveform of original signal

圖5 重構(gòu)節(jié)點(diǎn)（1，0）Fig.5 Reconstruction node（1，0）

圖6 重構(gòu)節(jié)點(diǎn)（1，1）Fig.6 Reconstruction node（1，1）

圖7 重構(gòu)節(jié)點(diǎn)（1，0）EMD 分解Fig.7 EMD decomposition of reconstruction node（1，0）

圖8 重構(gòu)節(jié)點(diǎn)（1，1）EMD 分解Fig.8 EMD decomposition of reconstruction node（1，1）

根據(jù)以往經(jīng)驗(yàn)，故障信息大多存在于前幾個(gè)IMF分量，因此本試驗(yàn)選取前7個(gè)IMF分量組成故障診斷向量，并將故障診斷向量作歸一化處理。部分訓(xùn)練樣本數(shù)據(jù)見表1。

表1 透平發(fā)電機(jī)提取的故障診斷特征向量Tab.1 Fault diagnosis feature vector extracted by turbine generator

將表中的特征向量作為支持向量機(jī)的輸入向量，并以此訓(xùn)練6種二分類支持向量機(jī)的振動(dòng)故障診斷模型，使用高斯徑向基核函數(shù)，確定均值u＝0.5，方差 σ＝0.95。

表2顯示的數(shù)據(jù)為故障診斷結(jié)果。由表2可以得出4種故障的診斷精度皆大于90.00%，最高診斷精度為96.00%，總數(shù)據(jù)類別診斷精度為94.00%，可見此方法的診斷精度較高。

表2 振動(dòng)故障診斷結(jié)果Tab.2 Vibration fault diagnosis result

5 結(jié)語(yǔ)

本文提出基于小波包分析和SVM的透平機(jī)振動(dòng)故障分類器，將振動(dòng)信號(hào)進(jìn)行小波包分解并重構(gòu)進(jìn)行降噪，在降噪后的故障子頻帶信號(hào)基礎(chǔ)上采用EMD方法獲得故障診斷特征向量，輸入到支持向量機(jī)構(gòu)成的多故障分類器中進(jìn)行故障識(shí)別和分類。該分類器需要的訓(xùn)練樣本少，故障診斷精度較高。結(jié)果表明該方法具有較強(qiáng)的有效性和實(shí)用性，應(yīng)用前景良好。

[1]胡子谷，宓為建，石來(lái)德.故障振動(dòng)信號(hào)的小波包分解與診斷[J].振動(dòng)與沖擊，1998（2）：57-62.

[2]趙志宏，楊紹普.基于小波包變換與樣本熵的滾動(dòng)軸承故障診斷[J].振動(dòng)、測(cè)試與診斷，2012，32（4）：640-644.

[3]葉瑞召，李萬(wàn)紅.基于小波包分解和BP神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[J].軸承，2012（10）：53-56.

[4]黃中華，尹澤勇，劉少軍，等.基于小波包分解的滾動(dòng)軸承故障診斷[J].湖南科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，23（2）：32-35.

[5]宋友，柳重堪，李其漢.基于小波包分解的早期碰摩故障診斷研究[J].北京航空航天大學(xué)學(xué)報(bào)，2003，29（1）：87-90.

[6]楊保海，陳棟，鄭冬喜，等.基于小波包分解和EMD-SVM的軸承故障診斷方法[J].計(jì)算機(jī)測(cè)量與控制，2015，23（4）：1118-1120.

[7]呂永衛(wèi)，熊詩(shī)波，林選，等.基于小波包和EMD處理的滾動(dòng)軸承故障診斷[J].太原理工大學(xué)學(xué)報(bào)，2010，41（2）：178-182.

[8]何學(xué)文，卜英勇.基于小波包分解和支持向量機(jī)的機(jī)械故障診斷方法[J].機(jī)械強(qiáng)度，2004，26（1）：20-24.

[9]李自國(guó).基于支持向量數(shù)據(jù)描述的故障診斷方法研究[D].鄭州：鄭州大學(xué)，2007.

[10]付華，尹麗娜.小波包分解在電機(jī)故障診斷中的應(yīng)用[J].微電機(jī)，2007，40（5）：86-89.