基于GA-BP神经网络的汽轮机故障诊断

张文静

（广东省机械技师学院，广东 广州 510000）

汽轮机是火电厂的核心设备之一，在火力发电系统中具有举足轻重的作用，也是火电厂重点关注和运维的设备。汽轮机机械结构相对复杂，长期工作在高应力和高转速的环境中，各部件出现故障的概率也较高。汽轮机一旦出现故障，会影响整个火电机组的正常运行，严重时可能会导致系统解列。因此，对汽轮机进行故障诊断研究意义重大。

目前，专家系统、支持向量机和神经网络等智能算法在汽轮机故障领域得到广泛应用。张栋良等将本体模型、模糊综合评价法和贝叶斯网络相结合，提出了一种基于组合模型的汽轮机故障诊断方法，算例分析表明，该方法对汽轮机的故障诊断效果较好[1]。范汉林采用EMPSO算法对支持向量机进行参数寻优，建立了EMPSO-SVM模型，并将该模型应用于汽轮机故障诊断，取得了良好的应用效果[2]。赵朋认为可用于建模的汽轮机故障数据相对较少，进而将汽轮机正常工况的数据与其他工况数据进行重构分析，并采用自编码神经网络对汽轮机不同工况下的运行数据进行建模，提出了一种基于自编码神经网络的汽轮机故障诊断方法[3]。但现有诊断方法的诊断精度相对较低，有待进一步研究诊断精度更高、稳定性更好的汽轮机故障诊断模型。

1 汽轮机常见故障分析

1.1 转子不平衡

转子不平衡是汽轮机常见故障之一[4]，在汽轮机的运行过程中，其转子不停旋转，在离心力的影响下，转子可能会发生振动，从而使转子的旋转功能遭到破坏。汽轮机出现转子不平衡故障的原因有很多，主要包括转子质量不平衡、受热弯曲、受热不平衡以及部件脱落等。

从不平衡原理的角度进行分析可知，转子速度达到最大时，其幅值也会出现峰值，此时相位角上升至180°。当转子速度出现一阶不平衡时，最大幅值出现在转子速度第一次达到最大时，此时相位角上升角度接近180°；当转子速度出现二阶不平衡时，最大幅值出现在转子速度第二次达到最大时，此时相位角上升角度略小于180°；当转子速度同时存在一阶和二阶不平衡时，振动产生的相位变换会发生变化，一端相位角上升略小于180°，另一端接近360°。

1.2 动静碰磨

汽轮机长期处于高温、强振动的运行环境中，不可避免地会产生一定磨损，磨损的主要原因有机械扭曲、螺丝松动和转子旋转不正常等。过度磨损会使转子受力增加，出现转轴弯曲的现象，严重时会导致轴断裂。根据磨损方向，动静磨损可分为径向磨损、轴向磨损和组合磨损，从旋转周期接触情况来看，又可以分为全周磨损和部分磨损[5]。

1.3 油膜涡动

油膜涡动主要是指轴承运动受干扰时出现的情况，油膜涡动会产生一定的弹性恢复力和不稳定的切向失稳分力。当阻尼力大于切向失稳分力时，轴承内的转动能够保持稳定，即涡动收敛；当阻尼力小于切向失稳分力时，涡动表现形式为发散曲线。此外，油膜涡动轨迹也可能呈现出双环椭圆曲线。

1.4 转子不对中

汽轮机正常运行时，机架中心的2两个转子控制器在一条直线上，当二者间存在一定倾斜角时，称为转子不对中。常见的转子不对中故障主要分为3种：一是平行不对中，2条轴线间出现一定的平行偏移量；二是偏角不对中，2条轴线间存在一定的夹角；三是组合不对中，2条轴线间既存在一定偏移量，又存在一定的夹角[6]。

在时域范围内，转子不对中故障的振动周期相对稳定，转子转速较低时，联轴器摆动幅度较大。对于平行不对中故障，摆动幅度是同向的；对于偏角不对中故障，摆动幅度是反向的。

2 GA-BP神经网络

2.1 BP神经网络

BP神经网络实际上是一种误差反向传播的神经网络模型，是目前使用最广泛的神经网络模型，学习过程中采用的是最速下降法。BP神经网络的学习训练方向为正时，输入层输入的样本数据经过训练后从输出层输出。如果输出结果与期望值间的差距不满足误差要求，则采用误差反向传播的方式对网络参数进行计算、调整，直至输出结果满足误差要求。

BP神经网络的网络机构通常由输入层、输出层和隐含层构成，单个节点相当于一个神经元，每层的神经元间不存在联系，不相邻的2层神经元间也不存在连接关系，各层间依次传播，完成样本数据的训练。BP神经网络的原理可参考文献[7]。

2.2 遗传算法

遗传算法（Genetic Algorithm）是根据生物遗传理论提出的一种经典优化算法[8]，其寻优原理满足达尔文进化论中的“适者生存”原则。GA算法将优化目标作为编码串联到生物种群中，通过选择、交叉和变异等步骤完成生物进化，选择适应度更好的个体作为父本，并淘汰适应度较差的生物个体，使新种群能够继承父本的优良信息，最终找到全局最优解。GA算法原理简单，便于操作，在参数寻优方面得到了广泛应用。

2.3 GA-BP神经网络模型

该文采用GA算法对BP神经网络的初始权值和阈值进行优化，通过选择、交叉和变异等一系列操作，找出适应度值最好的个体，将其赋值给BP神经网络，即可得到GA-BP神经网络模型。构建GA-BP神经网络模型的主要步骤如下。

2.3.1 种群初始化

采用实数编码的方式进行个体编码，种群中的每个个体都是一个实数串，种群由BP神经网络中的所有权值和阈值组成。

2.3.2 构建适应度函数

该文所提GA-BP神经网络用于汽轮机故障诊断，因此将GA-BP神经网络模型的诊断精度为适应度值，如公式（1）所示。

式中：xn为样本总量；ψ为诊断精度；m为汽轮机故障类型；xm为第m类故障诊断正确的样本数量。

2.3.3 选择操作

采用轮盘赌法进行选择操作，第i个个体被选中的概率如公式（2）所示。

式中：pi为选择概率；N为种群容量；fi为生物个体i的适应度值。

2.3.4 交叉操作

随机选择另一个染色体进行交叉，获得新个体，该过程如公式（3）所示。

式中：akj、alj均为染色体基因；b为随机数，b∈[0，1]。

2.3.5 变异操作

随机选择另一个染色体进行交叉，获得新个体，该过程如公式（4）、公式（5）所示。

式中：amax和amin分别为alj最大值和最小值；g和Gmax分别为当前进化代数和最大进化代数；r2为随机数，r2∈[0，1]。

GA-BP神经网络模型的流程图如图1所示。

图1 GA-BP神经网络模型的流程图

3 仿真分析

采用型号为ZT-3的汽轮机样本数据进行仿真分析，具体见表1。将表1中的数据划分为训练集和测试集，分别取每种故障的前30组为训练集，后12组为测试集。

表1 样本数据和故障编码

汽轮机出现不同故障时，其频谱成分是不同的，包括4倍频、3倍频、2倍频、1倍频和0.5倍频[9]。该文以汽轮机的5种频谱成分为输入量，以汽轮机的5种状态（正常、转子不平衡、动静碰磨、油膜涡动和转子不对中）为输出量，建立网络结构为5-12-5的基于GA-BP神经网络的汽轮机故障诊断模型。GA-BP神经网络设置如下：种群容量为20，最大进化代数为50，交叉概率和变异概率分别为0.4和0.1，学习率为0.001，训练函数和传递函数分别为tansig函数和trainlm函数。

采用训练集数据对GA-BP神经网络模型进行训练，利用测试集数据检测诊断效果，GA-BP神经网络模型的诊断结果如图2所示。为了进行对比和分析，采用PSO-SVM模型、BP神经网络模型和ELM模型对测试集进行故障诊断，诊断结果分别如图3～图5所示。

图2 GA-BP神经网络模型诊断结果

图3 PSO-SVM神经网络模型诊断结果

图4 BP神经网络模型诊断结果

图5 ELM模型诊断结果

4种不同模型的对汽轮机故障诊断结果见表2。由表2可知，GA-BP神经网络模型、PSO-SVM模型、BP神经网络模型和ELM模型出现误诊断的次数分别为2次、4次、6次和7次，诊断精度依次为96.67%、93.33%、90%和88.33%.通过对比可以看出，与其他几种汽轮机故障诊断方法相比，基于GA-BP神经网络的汽轮机故障诊断方法的误诊断次数更少，诊断精度更高。

表2 4种模型诊断结果对比

4 结论

该文分析了汽轮机的4种常见故障，以汽轮机的频谱成分为输入量，汽轮机故障类型为输出量，采用遗传算法对BP神经网络的权值和阈值进行优化，建立了基于GA-BP神经网络的汽轮机故障诊断模型。采用某汽轮机样本数据进行仿真分析，并与其他汽轮机故障诊断方法进行对比，结果表明，该文所提汽轮机故障诊断方法的误诊断次数更少，诊断精度更高。