轉(zhuǎn)子系統(tǒng)碰摩故障模式識別方法研究

孫皓 楊亞東

摘 要：針對轉(zhuǎn)子系統(tǒng)發(fā)生的碰摩故障，通過研究其與電機電流信號的對應(yīng)關(guān)系來進行識別分析。首先對轉(zhuǎn)子系統(tǒng)不同狀態(tài)下的電流信號去除工頻，然后利用小波包分解能量法處理不含工頻成分的電流信號來構(gòu)造神經(jīng)網(wǎng)絡(luò)分類所需的特征向量，最后利用ELM和PSO-ELM分類識別，整個過程快速而高效，碰摩故障識別效率及精度也很好地滿足了要求。

關(guān)鍵詞：碰摩故障;電流信號;小波包分解能量法;ELM;PSO-ELM

0引言

轉(zhuǎn)子系統(tǒng)作為旋轉(zhuǎn)機械裝備中重要的動力輸出裝置，當(dāng)系統(tǒng)發(fā)生碰摩故障時會對整個設(shè)備運行狀態(tài)產(chǎn)生影響，為了及早精確地識別轉(zhuǎn)子碰摩故障，避免巨大的生產(chǎn)經(jīng)濟損失，全球很多學(xué)者已經(jīng)積極地加入轉(zhuǎn)子碰摩故障研究的相關(guān)領(lǐng)域，在具體理論和試驗技術(shù)上取得了很大的突破，并把最新診斷技術(shù)逐漸應(yīng)用到工業(yè)生產(chǎn)實踐。人工神經(jīng)網(wǎng)絡(luò)作為一門新興學(xué)科，其研究成果幾乎延伸到各個工程領(lǐng)域，利用神經(jīng)網(wǎng)絡(luò)良好的分類功能可以有效的對轉(zhuǎn)子系統(tǒng)碰摩故障模式進行識別。

1轉(zhuǎn)子系統(tǒng)碰磨故障模式識別

1.1小波包分解能量法特征提取

轉(zhuǎn)子系統(tǒng)出現(xiàn)故障時，會導(dǎo)致電流信號每個頻帶能量變化，因此能量作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練與識別的輸入是可行的。首先對各種故障條件下測得的電機電流信號進行4層小波包變換，之后重構(gòu)最后一層的16個節(jié)點系數(shù)，計算出相應(yīng)的頻段能量，節(jié)點（，）表示第層（=1，2，3，4）第個節(jié)點（=1，2，3，…，，14 ，15，16）。

式中：為節(jié)點（4，）頻帶的電流信號能量;為小波系數(shù);代表采樣點數(shù)。

1.2 PSO-ELM神經(jīng)網(wǎng)絡(luò)理論

ELM是最近出現(xiàn)的快速學(xué)習(xí)算法，該算法特別之處是獲得單隱層結(jié)構(gòu)網(wǎng)絡(luò)的輸出權(quán)重時，相應(yīng)輸入權(quán)重和偏置隨機產(chǎn)生。粒子群算法（PSO）的誕生深受生物學(xué)理論影響，它的類型屬于群體優(yōu)化算法。PSO中種群內(nèi)的每個粒子自帶適應(yīng)度值，有時也會成為模型的最優(yōu)解。在搜尋過程中，每個粒子的速度大小、移動方向和空間位置都會實時變化，這樣粒子通過個體最優(yōu)解和種群最優(yōu)解來自我更新。

2碰摩故障試驗

2.1試驗平臺

試驗平臺分為DHRMT旋轉(zhuǎn)機械試驗分析平臺和自行設(shè)計碰摩施加裝置兩大部分，試驗分析平臺又包括轉(zhuǎn)子系統(tǒng)與信號采集系統(tǒng)。碰摩試驗平臺裝有基于霍耳效應(yīng)測量原理的電流傳感器。碰摩施加裝置，主要由磁力底座、支架和碰摩螺釘組成，在轉(zhuǎn)子運行過程中，通過調(diào)節(jié)螺釘與轉(zhuǎn)軸之間的距離使其碰撞來實現(xiàn)碰摩現(xiàn)象的發(fā)生。為了避免劃傷轉(zhuǎn)子，具體螺釘材料選擇剛度相對較小的銅材料。

2.2試驗方案

碰磨故障模式識別試驗中，將采樣頻率設(shè)為5kHz，控制轉(zhuǎn)速大小為1100 rpm使轉(zhuǎn)子系統(tǒng)穩(wěn)定正常運行，采集此狀態(tài)的電機電流信號作為參考以便與故障的信號進行對比。在相同轉(zhuǎn)速情況下利用碰磨施加裝置使轉(zhuǎn)子與螺釘發(fā)生碰摩并采集電流信號。為了將轉(zhuǎn)子碰摩故障與轉(zhuǎn)子其他常見故障進行區(qū)分，在相同試驗條件下分別對轉(zhuǎn)子系統(tǒng)施加平行不對中和轉(zhuǎn)角不對中故障，采集對應(yīng)電流信號并保存。

3試驗數(shù)據(jù)處理與分析

轉(zhuǎn)子系統(tǒng)發(fā)生的故障在電流信號中的調(diào)制現(xiàn)象微弱，而原始信號的主要工頻分量會對數(shù)據(jù)處理效果造成影響，故首先分別對無故障、轉(zhuǎn)子碰摩、轉(zhuǎn)角不對中和平行不對中的電流信號去除工頻，然后利用小波包分解能量法處理不含工頻成分的電流信號，為了構(gòu)造神經(jīng)網(wǎng)絡(luò)分類識別過程中的特征向量，分別采集轉(zhuǎn)子不同運行模式下的電機電流信號各50組數(shù)據(jù)，對其進行4層小波包分解后求取能量分布后，隨機選擇35組進行訓(xùn)練，剩下15組進行測試，表1為部分測試樣本數(shù)據(jù)。

使用ELM神經(jīng)網(wǎng)絡(luò)進行識別工作，輸入層節(jié)點數(shù)設(shè)為16，輸出層節(jié)點數(shù)設(shè)為4，分別對應(yīng)特征向量的維數(shù)和轉(zhuǎn)子的不同運行狀態(tài)，根據(jù)經(jīng)驗將隱含層節(jié)點數(shù)取為9。圖3（a）為ELM測試結(jié)果的分類情況，平均識別正確率為91.67%，具體碰摩故障模式的識別率為93.33%。

根據(jù)PSO優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)的流程，粒子群算法的種群規(guī)模為25，最大迭代次數(shù)150，連接權(quán)重位于[-1，1]之間，然后使用PSO算法對ELM的參數(shù)訓(xùn)練，最后使用訓(xùn)練好的模型對轉(zhuǎn)子運行狀況模式進行識別。圖3（b）為PSO-ELM測試結(jié)果的分類情況，平均識別率為96.67%，碰摩故障的測試樣本全部歸類正確，說明PSO優(yōu)化ELM神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)ELM精確度更高，粒子群算法的優(yōu)化效果十分明顯。

4結(jié)論

本文基于電機電流信號對轉(zhuǎn)子系統(tǒng)碰摩故障模式進行了識別，采用小波包分解信號求取各節(jié)點的能量分布，將其作為PSO-ELM的特征向量來進行分辨，通過處理電流信號分解后的能量信息能夠有效識別轉(zhuǎn)子系統(tǒng)碰摩故障模式，不必具體捕捉電流信號中的特征頻率進行研究分析;小波包考慮了信號特定頻率的變化和隨時間的變化，有利于故障特征的提取;利用PSO-ELM識別碰摩故障模式的平均正確率為96.67%，優(yōu)化效果十分明顯，可將其作為碰磨故障模式識別的工具。

參考文獻

[1]何成兵， 顧煜炯， 楊昆. 一種新的轉(zhuǎn)子碰摩故障診斷特征的研究[J]. 機械強度， 2003， 25（4）：355-359.

[2]汪江， 金銳， 陸頌元. 大型機組動靜碰摩故障振動特征分析與現(xiàn)場處理[J]. 汽輪機技術(shù)， 2002， 44（1）：45-47.