一种汽轮机通流部分故障诊断方法

摘要

本发明属于工业监测领域，具体为经验模态分解方法及概率神经网络在火电厂汽轮机通流部分故障诊断方向的应用，即一种汽轮机通流部分故障诊断方法。本发明提供一个基于经验模态分解和概率神经网络的汽轮机通流部分故障诊断新方法。首先通过采集火电厂汽轮机正常运行、不同故障时通流部分的故障征兆参数数据，利用经验模态分解在处理非平稳及非线性数据上的优势，对相应的征兆参数数据进行故障特征提取，再利用概率神经网络强大的非线性模式分类性能进行故障检测和识别，从而来有效诊断汽轮机通流部分故障。本发明能够快速准确地诊断火电厂汽轮机通流部分故障。

主权项

一种汽轮机通流部分故障诊断方法，包括如下步骤：(1)分别收集汽轮机正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态时通流部分的热力参数数据，作为通流部分故障征兆数据；将每组故障征兆数据随机分为两部分，一部分作为概率神经网络训练样本，其余作为概率神经网络测试样本；(2)对故障征兆相关的热力参数信号进行EMD分解，分别得到若干个IMF分量和代表原信号变化趋势的趋势余量；不同热力参数信号的IMF分量个数不等；设其中的最大值为k，若某个样本的IMF个数少于k，则补充零向量使其具有k个IMF分量；(3)求出各IMF分量c_i(t)及趋势余量r(t)的能量E_i、E_r，其中，各IMF分量c_i(t)的能量式中n为数据点总数；趋势余量r(t)的能量E_r＝|r(t)|²；(4)将E_i和E_r作为第z个故障征兆参数的特征向量A_j,z，A_j,z＝[E₁,E₂,...,E_k,E_r]，式中j＝1,2,3,4,5分别代表汽轮机通流部分处于正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态；(5)将A_j,z并行排列，作为该组故障征兆数据的特征向量T,T＝[A_j,1,A_j,2,...,A_j,s]，式中，s为相应的故障征兆参数总类别数；(6)使用主元分析法，对该组故障征兆数据的特征向量进行处理，得到降维后的特征向量T'；(7)对汽轮机通流部分工作状态进行编码，以“1”表示正常运行状态，“2”表示磨损故障状态，“3”表示结垢故障，“4”表示喷嘴脱落故障，“5”表示叶片断裂故障；将降维后的特征向量T'设置为概率神经网络的输入向量，将状态编码设置为输出类别向量，建立概率神经网络；(8)将训练样本的特征向量T'和对应的输出类别向量输入概率神经网络进行训练，训练结束后，将测试样本的特征向量T'输入训练完成的概率神经网络进行故障诊断，并根据输出结果来判断相应的汽轮机通流部分的工作状态。