水電機(jī)組狀態(tài)檢測系統(tǒng)中的軸心軌跡辨識

水電機(jī)組狀態(tài)檢測系統(tǒng)中的軸心軌跡辨識

0基于規(guī)則的神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的改進(jìn)事實(shí)上，電、電、電、電、電、電、電、電、電、電、電、銅、鋅等振興源。當(dāng)振動超過一定程度時，這將嚴(yán)重影響電氣工程的安全運(yùn)行，消耗更多的電氣工程壽命，導(dǎo)致意外故障。因此對水電機(jī)組振動故障的診斷是一項(xiàng)十分重要的工作。水電機(jī)組是結(jié)構(gòu)和功能都比較復(fù)雜的大型設(shè)備,通常故障信號處理中提取到的頻譜信息有限且不完整,而軸心軌跡作為運(yùn)動狀態(tài)或故障的信息載體,其識別能更準(zhǔn)確、有效地實(shí)現(xiàn)故障診斷。尤其是當(dāng)數(shù)據(jù)間存在著強(qiáng)相關(guān)性的非線性關(guān)系、頻譜特性分析缺乏有效性時,對軸心軌跡的識別研究具有重要現(xiàn)實(shí)意義。目前,軸心軌跡的識別主要通過不變線矩特征提取,然后,配合先進(jìn)模式識別方法進(jìn)行數(shù)據(jù)分類。文獻(xiàn)采用不變線矩方法,解決了圖像識別過程中特征的提取;文獻(xiàn)采用邊緣獲取算法,并對幾種邊緣提取算法進(jìn)行類比研究,得出相應(yīng)算法的適用性,針對相應(yīng)的邊界特征對算法進(jìn)行了改進(jìn);文獻(xiàn)采用了粒子群算法用于尋優(yōu),專注于局部最優(yōu)中尋找全局最優(yōu)的方法,給出了粒子群尋優(yōu)研究途徑;文獻(xiàn)[9-11]建立了神經(jīng)網(wǎng)絡(luò)模型,實(shí)現(xiàn)了機(jī)械系統(tǒng)中故障的智能分類,分類結(jié)果說明針對特定待識別樣本,改進(jìn)后的神經(jīng)網(wǎng)絡(luò)識別精度和效率具有優(yōu)越性。然而,上述算法存在2個問題有待解決,一是軸心軌跡圖形特征無法準(zhǔn)確描述,二是特征提取后出現(xiàn)大量冗余數(shù)據(jù),算法的實(shí)現(xiàn)和軌跡的識別難度較大。本文基于圖形邊緣矩方法對水電機(jī)組軸心軌跡進(jìn)行了特征提取,采用粒子群尋優(yōu)算法進(jìn)行了冗余數(shù)據(jù)的精簡,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的碼值化改進(jìn)進(jìn)行故障特征識別,使識別過程和結(jié)果在精度和人性化方面取得滿意的效果,提高了識別的準(zhǔn)確率和效率。本文所采用的方法能夠?qū)ΜF(xiàn)場獲取軸心軌跡進(jìn)行及時和準(zhǔn)確識別,非常適合在大規(guī)模海量數(shù)據(jù)集下的水電機(jī)組故障分析診斷系統(tǒng)中應(yīng)用。1基于面向圖像的邊緣提取算法由于實(shí)測圖形由不同頻域特征的時間序列合成,小波的過濾并不能完全獲得清晰的軸心軌跡圖形。因此,展現(xiàn)出的軸心軌跡往往十分雜亂,但這些雜亂背景中的輪廓卻能夠真實(shí)反映出軸心軌跡的形狀特征。在目標(biāo)輪廓的提取中,輪廓的完整性和輪廓提取算法的穩(wěn)定性關(guān)系到不變矩特征的準(zhǔn)確度。傳統(tǒng)的基于域值或基于邊緣檢測(Canny算子)的輪廓提取算法難以滿足上述要求。本文綜合文獻(xiàn)邊緣特征提取算法,采用Canny算子對圖像灰度化后數(shù)據(jù)測取,通過去除原始邊緣圖和Canny算子提取后的邊緣圖的不同灰度點(diǎn)進(jìn)行了輪廓提純,基于此原理改進(jìn)了邊緣提取算法,總體思路是:首先對邊緣圖E1(z,y)進(jìn)行帶閾值因子的Canny算子處理,得到該邊緣圖的邊緣圖E2(z,y);在此基礎(chǔ)上,由邊緣圖E1(z,y)減去邊緣圖E2(z,y),將負(fù)值部分對應(yīng)的邊緣點(diǎn)的值改為零,就得到了細(xì)化的邊緣圖E3(x,y);最后將E3(x,y)圖像作為待識別對象,即f(x,y)。對實(shí)測主軸數(shù)據(jù)通過消噪后得到的圖形如圖1所示,從中選出最常見的香蕉形、內(nèi)八字形、外八字形和橢圓形4種故障樣本。然后,應(yīng)用邊緣提取算法獲取其輪廓,獲得圖2所示的圖形樣本。作為一個軸心軌跡自動識別系統(tǒng),本文在實(shí)測前已經(jīng)虛擬獲取了16個軸心軌跡,分為4組,即橢圓形、香蕉形、外八字形、內(nèi)八字形,每一組有4個樣本,對應(yīng)極坐標(biāo)下的極角分別為0°、30°、60°、90°。抽取其中4個30°極角所對應(yīng)的虛擬樣本的邊緣化圖形,如圖3所示。2邊緣不變矩識別由邊緣獲取所得的二維圖像模式f(x,y)在平面R2上的(p+q)階矩為式中R為軸心軌跡邊緣區(qū)域。圖像的中心可由表示。為保證對于平移的不變性,圖像對應(yīng)的(p+q)階中心矩定義為對中心矩進(jìn)行歸一化以保證圖像尺度變化的不變性。(p+q)階歸一化的中心矩為由式(1)—(3)獲得7個Hu不變矩:由式(4)得到圖像邊緣的7個不變線矩特征,實(shí)現(xiàn)了待識別圖像集合到不變線矩?cái)?shù)據(jù)集合的一對一映射,每個軸心軌跡圖形都由唯一的邊緣不變矩來標(biāo)記。即通過對邊緣不變矩的識別來實(shí)現(xiàn)對軸心軌跡圖形的識別。邊緣不變線矩求取的特征數(shù)據(jù)如表1和表2所示。3改進(jìn)的粒子群全局尋優(yōu)算法通過對比所獲取的16個圖形與實(shí)測4個圖形的邊緣矩?cái)?shù)據(jù),發(fā)現(xiàn)相似軸心軌跡圖形的不變矩相應(yīng)位的數(shù)值大小極其相似。故而將樣本不變矩作為一個集合Ai,i=1,2,…,7,將待識別圖形不變矩作為一個集合Bi,i=1,2,…,7時,通過對數(shù)據(jù)集合研究發(fā)現(xiàn),相似軸心軌跡在不變矩相同位置i,Ai和Bi不變矩?cái)?shù)值呈現(xiàn)出近似相等的極大值和極小值。軸心軌跡圖形差異越大,其不變矩?cái)?shù)值取的極大值和極小值數(shù)值和相應(yīng)位置差異越大?；谏鲜鲈?并結(jié)合現(xiàn)有粒子群應(yīng)用中存在的諸如早熟收斂等問題,本文對目標(biāo)函數(shù)值和粒子更新方式做了相應(yīng)的改進(jìn),并將粒子群算法進(jìn)行了擴(kuò)展,采用改進(jìn)的粒子群全局尋優(yōu)算法來求取數(shù)據(jù)集合中最關(guān)鍵解集。改進(jìn)的粒子群全局尋優(yōu)的算法如下:1)將不變矩當(dāng)做一個粒子群中的粒子,粒子的位置為7個不變矩中的不變矩?cái)?shù)值對應(yīng)下標(biāo)(即i=1,2,…,7),粒子速度為不變矩?cái)?shù)值(即Ai或Bi);2)將2組粒子群(即Ai和Bi)中相應(yīng)位置(即i=1,2,…,7)的速度比較,尋找7個位置速度都接近的粒子作為尋優(yōu)粒子,將尋優(yōu)獲取的粒子替代原來粒子Ai,并將其記為Xi;3)計(jì)算新粒子的目標(biāo)函數(shù)值,如果f(Xi)≤f(Ai),則更新粒子的個體最優(yōu)為Ai=Xi,同時更新慣性權(quán)重因子w;該全局尋優(yōu)的權(quán)重因子w定義為式中:wmax、wmin為慣性權(quán)重的初值和終值;tmax為算法最大迭代次數(shù);t為迭代次數(shù)。4)通過反復(fù)迭代達(dá)到全局最優(yōu),最終獲得與待識別數(shù)據(jù)差異性最小的一個樣本集合Xi。尋優(yōu)后的數(shù)據(jù)如表3所示。由上述尋優(yōu)結(jié)果可知,實(shí)測獲取了4個樣本,然而虛擬中獲取的軌跡圖形可能的各種預(yù)測有16個樣本,過多的冗余數(shù)據(jù)使智能識別算法在準(zhǔn)確性和效率方面無法兼顧,故而在智能識別前先進(jìn)行了尋優(yōu)算法的類比尋優(yōu),保留了最關(guān)鍵的數(shù)據(jù),降低了冗余度。算法通過不斷調(diào)整式(5)中的權(quán)重因子,獲得全局較優(yōu)的新粒子,通過迭代進(jìn)一步獲得最優(yōu);尋優(yōu)后獲得關(guān)鍵樣本為樣本1、樣本2、樣本6、樣本8、樣本10、樣本11、樣本15、樣本16;將尋優(yōu)后的圖形樣本與已知樣本庫圖形樣本對比發(fā)現(xiàn),尋優(yōu)樣本庫完整的包含了所要識別的4個圖形樣本,并且排除了會引起干擾的紊亂形和梅花形。4改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的識別精度和模型分析本文對某水電站機(jī)組軸系實(shí)測信號進(jìn)行處理獲得軸心軌跡。該電站機(jī)組的水輪機(jī)型號為HL-LJ-100,發(fā)電機(jī)型號為SF6000-8/2600,其額定轉(zhuǎn)速為600r/min,實(shí)測信號的采樣頻率為200Hz,數(shù)據(jù)長度為1024。在上導(dǎo)、下導(dǎo)、水導(dǎo)+X/-Y方向各設(shè)置一個渦流傳感器測量大軸擺度,鍵相傳感器設(shè)置在水導(dǎo)-Y方向,上機(jī)架、下機(jī)架、頂蓋各設(shè)置1個垂直和2個水平振動測點(diǎn)。選取16個仿真軸心軌跡圖形的不變線矩作為樣本,樣本分為4組,即橢圓形、香蕉形、外八字形、內(nèi)八字形;為了便于區(qū)分各組圖形不變矩,采用了計(jì)算機(jī)編碼中的4位二進(jìn)制加權(quán)碼為各組不變矩做標(biāo)記;編碼標(biāo)記如下橢圓形為0001,其他3個依次為0010、0011、0100,即4位二進(jìn)制加權(quán)碼值中的1、2、3、4;在神經(jīng)網(wǎng)絡(luò)中作為目標(biāo),進(jìn)行智能識別,通過將識別結(jié)果中各數(shù)值位取8421加權(quán)求和,得到了1、2、3、4各樣本識別值,達(dá)到對軸心軌跡的識別;改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中,引入了4位的加權(quán)碼值,在十進(jìn)制中分別代表1、2、3、4(即4個樣本圖形),在神經(jīng)網(wǎng)絡(luò)中初始化各個權(quán)值wij和閾值θij,使其為介于區(qū)間(0,1)中的隨機(jī)數(shù);輸入輸出樣本的個數(shù)為P個,其中系統(tǒng)樣本個數(shù)為p=(1,2,…,P),xp(0)={xp1(0),xp2(0),...,x(0)pnQ}為系統(tǒng)激活樣本,dp={dp1(0),dp2(0),...,d(0)pnQ}為系統(tǒng)輸出響應(yīng)的目標(biāo)值。利用這2組數(shù)據(jù)構(gòu)成一個學(xué)習(xí)樣本集,對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使輸出響應(yīng)與期望輸出之間的誤差達(dá)到系統(tǒng)要求。試驗(yàn)中,避開了過多的人工選擇,選用了圖形的邊緣矩作為識別和待識別對象來研究;首先計(jì)算了4組16個仿真樣本的邊緣矩和4個經(jīng)過小波消噪后的實(shí)測軸心軌跡的邊緣矩;然后,通過智能篩選算法全局尋優(yōu),將實(shí)測不變矩?cái)?shù)據(jù)與樣本不變矩?cái)?shù)據(jù)進(jìn)行對比篩選,獲得了8尋優(yōu)樣本庫。將尋優(yōu)后的樣本庫作為輸入樣本向量X,與對應(yīng)期望輸出向量T建立改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型,訓(xùn)練精簡后的已知樣本庫和待識別樣本庫間的映射關(guān)系,映射關(guān)系通過8421碼值來度量即作為網(wǎng)絡(luò)輸出碼值,碼值結(jié)果很好地識別了軸心軌跡圖形形狀。為了驗(yàn)證改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在識別方面的準(zhǔn)確率和效率,本文針對表1和表3的特征數(shù)據(jù)建立了改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型、常規(guī)BP神經(jīng)網(wǎng)絡(luò)模型、常規(guī)RBF神經(jīng)網(wǎng)絡(luò)模型的對比實(shí)驗(yàn),各識別模型的識別精度和CPU耗時如表5所示。表中,常規(guī)BP神經(jīng)網(wǎng)絡(luò)模型和常規(guī)RBF神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)時間長,識別精度差;改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)模型具有較高的識別精度,對本文所選的4個測試樣本做到完全正確的識別,且識別速度快,從開始訓(xùn)練到完成識別,CPU的耗時能夠滿足水電機(jī)組故障在線診斷系統(tǒng)的要求。由識別結(jié)果可以發(fā)現(xiàn),改進(jìn)BP神經(jīng)網(wǎng)絡(luò)較好的識別了軸心軌跡最常出現(xiàn)的橢圓形、香蕉形、外八字形、內(nèi)八字形4個圖形;應(yīng)用上述結(jié)果對該機(jī)組軸系進(jìn)行故障診斷,取識別出的軸心軌跡特征即橢圓形、香蕉形、外八字形、內(nèi)八字形進(jìn)行診斷,樣本1、樣本3的軸心軌跡與轉(zhuǎn)子不對中相關(guān);樣本2與軸承油膜渦動相關(guān);樣本4的軸心軌跡與轉(zhuǎn)子部件不平衡或大軸軸線不直相關(guān)。因此,試驗(yàn)組基于該識別結(jié)果對軸系各個部件進(jìn)行了局部的校正,結(jié)果使該機(jī)組振動和擺度都大大減弱,進(jìn)一步驗(yàn)證了軸心軌跡作為診斷依據(jù)的有效性。5基于bp神經(jīng)網(wǎng)絡(luò)的運(yùn)動路徑識別算法在實(shí)際軸系中的應(yīng)用本文對水電機(jī)組實(shí)測軸心軌跡進(jìn)行了智能識別,采用了邊緣矩和粒子群來尋找關(guān)鍵故障特征,然后應(yīng)用了加權(quán)神經(jīng)網(wǎng)絡(luò)進(jìn)行識別,結(jié)論如下:1)對于水電機(jī)組現(xiàn)場采集獲取的軸心軌跡圖形邊緣模糊性問題,采用邊緣獲取來消除模糊性,有效還原了軸系運(yùn)行中實(shí)際軌跡圖形,提高了故障特征準(zhǔn)確性。2