（哈尔滨哈电高科电站设备制造有限责任公司，黑龙江省 哈尔滨市 150046）
摘要：电力系统的稳定运行关系到国计民生，水力发电厂在电力系统中担当者重要的角色，是实现电力网络调频、调峰重要部分。作为水力发电厂的关键设备，水轮发电机组是保障电力系统稳定运行的重要基础，决定着水电厂的经济效益和社会效益。对机组设备的诊断、优化和检修是水轮发电机组可靠运行的保障。随着科学技术的不断发展，模糊推理技术、神经网络技术等在故障诊断中得到了广泛的应用，为水轮发电机组的状态监测和故障诊断打下了坚实的基础。基于此，本文主要对支持向量机和BP神经网络在水轮发电机轴承故障诊断中的应用进行分析探讨。
关键词：支持向量机；BP神经网络；水轮发电机；轴承故障诊断；应用
1、基于EMD的特征值提取
经验模态分解（EMD）克服了快速傅里叶变换在处理非线性、非平稳性信号中的不足。从理论中来说，EMD是对非平稳信号进行平稳化处理，利用局部特征时间的尺度，将原始信号中混杂这不同频率的波动逐级提取出来，得到一系列不同特征尺度的数据序列。这些序列被称作固有模态函数IMF（Intrinsic Mode Function）以及一个残余分量，每一个IMF都含有不同的频率成分，其阶数越低，其波形的频率越高，体现了原始数据中的局部特征。其每个IMF都满足以下两个特点：①在整个波形序列中，极值点的数目和波形与零点交叉点的数目相等，或最多相差一个；②在波形中的任何一点，由最大值点形成的上包络线与最小值点形成的下包络线均值须为零。对提取出的每个IMF分量作进一步的运算，本文中采用求各IMF的总能量E，可以得到原始信号的特征信息。最后再将这些特征量输入到神经网络或支持向量机进行训练，从而实现轴承的故障诊断。EMD算法由以下几个步骤组成：
1）找出原始信号的所有局部极大值点以及局部极小值点，然后将这些极值点分别用三次样条函数进行拟合，得到原始信号x（t）的上包络线和下包络线，并计算上下包络线的均值并循序连接得到。上下包络线均值曲线记为m（1t）。
2）用原信号序列x（t）减去均值线m（1t）得到h（1t）=x（t）-m（1t）
判断h（1t）是不是固有模态函数，即是否满足固有模态函数的两个条件。如果不是，则把h（1t）作为原函数重复上述步骤，知道第k次得到的h（kt）是一个固有模态函数为止。记作c（1t）
c（1t）=h（kt）
3）由上述步骤分解得到的第一个固有模态函数c（1t），然后计算剩余信号得到
r（1t）=x（t）-c（1t）
4）把r（1t）作为新的原始信号重复以上分离过程，得到所有的固有模态函数r（jt）
r（jt）=x（t）-c（1t）j=2，3，…，n
通过以上的EMD分解过程，包含着混叠频率的原始信号就分解出了n个c（it）分量，其中阶次越小的IMF分量所包含的频率成分越高。所以，原始信号的主要信息都是包含在前几个分量中。因此在后面的提取特征向量的计算中只选取前几个分量进行计算。
2、诊断方法
2.1BP神经网络
神经网络是通过对已知输入数据的不断训练，从而调整整个网络的权值，使满足精度条件的网络具备模式识别的功能。目前应用于故障诊断的神经网络多采用误差反向传播的BP神经网络，该网络的权值调整规则采用由后向前不断传播，以使其达到规定的输出误差精度。BP神经网络一般由一个输入层、一个或多个隐含层以及一个输出层组成，每层均包含若干神经元。隐含层中神经元输入函数为
式中，wjk表示输出层神经元之间的连接权值。通过给以上网络输入数据进行训练，不断求得网络输出与期望输出之间的误差，再通过计算局部梯度来修正网络权值，直到所得误差符合预定目标，从而使训练后的网络具备对新输入数据进行准确分类的功能。但是，BP网络也存在收敛速度慢，容易陷入局部极小的缺点。
2.2支持向量机
支持向量机SVM实现的基本思想是通过事先选择好的某一个非线性变换，将输入向量由低维样本空间映射到高维或无穷维的特征样本空间。在这一样本空间中构造一个最优分类超平面。在考虑非线性映射方面，即x圯准（x），准函数即内积核函数的是否存在，可由Mercer定理得到保证。通过样本空间的非线性变换得到的线性样本空间之后，SVM就可以通过求解最优解的方法来寻找最优划分超平面的支持向量。SVM的工作就是要找到分类面两边的向量使样本分开并且达到间隔最大化。最优超平面推导过程如下：
式中，w是超平面的法向量；b是超平面的常数项。现在寻找最优超平面，也就是寻找最优w和b。两类待分的样本都满足|w·x+b|≥1，因此|w·x+b|=1，就是离分类平面最近的样本点。这样，问题就可归纳为求寻找最优超平面也就最终归结为一个二次规划问题。
3、故障诊断仿真研究
水轮发电机滚动轴承疲劳损伤主要是在内圈和外圈表面点蚀、裂纹，以及滚动体失圆、滚道产生压痕。本文采取美国西储大学轴承实验室提供的滚动轴承故障数据。本次试验选取的故障数据包括轴承正常以及内圈、外圈和滚动体上的故障数据。内圈、外圈和滚动体上的故障均是人为通过电火花加工技术布置的单点故障，故障点直径分别为0.007、0.014、0.021in（1in=2.54cm下同）。数据的采样频率为12000Hz，在轴承转速为1797r/min下采集了10s的数据。
在确定试验诊断数据之后，开始进行故障特征向量的提取。本实验提取故障特征向量采用前文叙述过的经验模态分解EMD。由于EMD分解中在用3次样条插值进行包络线拟合时容易产生端点飞翼现象，而解决此问题多采用端点延拓方法，但考虑轴承振动数据量大等特点采用将波形边界点归为极值点来进行拟合处理，可以达到解决端点飞翼现象的问题。下面以内圈在转速为1797r/min故障点直径为0.007in的数据为例，来进行故障特征向量提取。
结语
支持向量机和BP神经网络在水轮发电机滚动轴承诊断中得出的结果可以看出，支持向量机的逼近能力比BP神经网络的逼近能力更具优势。当训练样本变化时，虽然支持向量机与BP神经网络的准确度均有变化，但是支持向量机准确度的变化幅度小于BP神经网络的变化幅度。而且，支持向量机的准确度也是高于BP神经网络，可见在小样本学习中支持向量机有较好反应数据变化趋势的能力。因此，在选用水轮发电机滚动轴承故障诊断方法中可优先考虑使用支持向量机作为故障诊断的模型。
参考文献
[1]徐斯中.水轮机导轴承温度偏高原因分析及处理[J].中国机械,2015(19):116-117.
[2]翟建平,谭大钧.某水电机组导轴承瓦温及间隙异常原因分析[J].润滑与密封,2015(9):151.
论文作者:郎君
论文发表刊物:《知识-力量》2018年9月下
论文发表时间:2018/9/27
标签：向量论文; 神经网络论文; 包络论文; 水轮发电机论文; 样本论文; 函数论文; 内圈论文; 《知识-力量》2018年9月下论文;