本發(fā)明涉及磨煤機(jī)的故障診斷方法
技術(shù)領(lǐng)域：
，尤其涉及一種中速磨煤機(jī)振動(dòng)故障診斷方法。
背景技術(shù)：
：磨煤機(jī)振動(dòng)大是對(duì)機(jī)組安全穩(wěn)定運(yùn)行危害非常大的一類(lèi)故障，振動(dòng)大故障的發(fā)生會(huì)引發(fā)一系列的問(wèn)題：1)磨煤機(jī)本體各連接部件松動(dòng)；2)磨煤機(jī)基礎(chǔ)振動(dòng)大可能引發(fā)汽泵振動(dòng)加大；3)拉桿密封損壞，發(fā)生漏粉甚至是導(dǎo)致拉桿斷裂。而導(dǎo)致磨煤機(jī)振動(dòng)大故障的發(fā)生也包含很多可能的原因：1)磨煤機(jī)斷煤；2)磨盤(pán)襯瓦斷裂；3)磨內(nèi)進(jìn)異物(三塊居多)；4)磨輥磨損嚴(yán)重等。而經(jīng)過(guò)調(diào)查發(fā)現(xiàn)，目前中速磨煤機(jī)均未安裝磨煤機(jī)振動(dòng)測(cè)點(diǎn)，所以對(duì)磨煤機(jī)振動(dòng)大故障進(jìn)行診斷則需要從其他相關(guān)參數(shù)入手。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種中速磨煤機(jī)振動(dòng)故障診斷方法，所述診斷方法具有診斷準(zhǔn)確度高、測(cè)試效果好的特點(diǎn)。為解決上述技術(shù)問(wèn)題，本發(fā)明所采取的技術(shù)方案是：一種中速磨煤機(jī)振動(dòng)故障診斷方法，其特征在于所述方法包括如下步驟：(1)建立磨煤機(jī)電流預(yù)測(cè)模型，得出磨煤機(jī)電流預(yù)測(cè)值，將磨煤機(jī)電流實(shí)際值與磨煤機(jī)電流預(yù)測(cè)值做差，得到磨煤機(jī)電流殘差序列；(2)對(duì)電流殘差序列進(jìn)行小波包故障特征提取，對(duì)提取出的故障特征采用最小二乘支持向量機(jī)分類(lèi)器進(jìn)行故障分類(lèi)。進(jìn)一步的技術(shù)方案在于：步驟(1)中以經(jīng)過(guò)數(shù)據(jù)預(yù)處理的磨煤機(jī)進(jìn)出口差壓、給煤機(jī)給煤量、磨入口一次風(fēng)量和磨出口溫度作為磨煤機(jī)電流預(yù)測(cè)模型的輸入，以BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到一個(gè)電流預(yù)測(cè)信號(hào)，以磨煤機(jī)電流實(shí)際值與磨煤機(jī)電流預(yù)測(cè)值做差，以得到的磨煤機(jī)電流殘差序列信號(hào)表征磨煤機(jī)振動(dòng)。進(jìn)一步的技術(shù)方案在于：對(duì)構(gòu)造的磨煤機(jī)振動(dòng)信號(hào)，采用三層小波包分解，提取磨煤機(jī)振動(dòng)8個(gè)頻帶的能量比為特征量，通過(guò)最小二乘支持向量機(jī)分類(lèi)器 法進(jìn)行故障的診斷。進(jìn)一步的技術(shù)方案在于：電流預(yù)測(cè)模型的建立過(guò)程如下：步驟(1)BP神經(jīng)網(wǎng)絡(luò)初始化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為四輸入一輸出，八個(gè)隱層節(jié)點(diǎn)，即輸入節(jié)點(diǎn)n＝4，隱層節(jié)點(diǎn)l＝8，輸出節(jié)點(diǎn)m＝1；X1為磨出口風(fēng)壓；X2為給煤機(jī)給煤量；X3為磨入口一次風(fēng)量；X4為磨出口溫度；Y為磨煤機(jī)預(yù)測(cè)電流；輸入層、隱層和輸出層之間的連接權(quán)值分別為ωij，ωjk，初始化隱含層閾值為a，輸出層閾值為b，設(shè)定學(xué)習(xí)速率為η；步驟1)網(wǎng)絡(luò)初始化inputWeights＝net.IW{1,1}；％輸入層與隱含層之間的連接權(quán)值inputbias＝net.b{1}；％隱含層閾值layerWeights＝net.LW{2,1}；％隱含層與輸出層之間的連接權(quán)值layerbias＝net.b{2}；％輸出層閾值步驟2)設(shè)置訓(xùn)練參數(shù)net.trainParam.show＝50；訓(xùn)練顯示間隔net.trainParam.lr＝0.01；學(xué)習(xí)步長(zhǎng)net.trainParam.mc＝0.9；動(dòng)量項(xiàng)系數(shù)net.trainParam.epochs＝3000；最大訓(xùn)練次數(shù)net.trainParam.goal＝1e-5；最小均方誤差步驟(2)隱含層輸出計(jì)算根據(jù)輸入向量X，輸入層與隱含層之間的連接權(quán)值ωij以及隱含層閾值a，計(jì)算隱含層輸出H；Hj=f(Σi=1nωijxi-aj),j=1,2,...,l]]>式中，n輸入節(jié)點(diǎn)數(shù)(n＝4)，l為隱含層節(jié)點(diǎn)數(shù)(l＝8)，f為隱含層激勵(lì)函數(shù)，本文選用tansig激勵(lì)函數(shù)；f(x)=21+e-2x-1;]]>步驟(3)輸出層計(jì)算根據(jù)隱含層輸出H，連接權(quán)值ωjk和閾值b，計(jì)算神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出OOk=Σj=1lHjωjk-bk,k=1;]]>步驟(4)誤差計(jì)算根據(jù)網(wǎng)絡(luò)預(yù)測(cè)輸出O和期望輸出Y，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差eek＝Ok-Ykk＝1步驟(5)權(quán)值更新根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差e更新網(wǎng)絡(luò)連接權(quán)值ωij，ωjkωij=ωij+ηHj(1-Hj)x(i)Σk=1mωjkek,i=1,2,...,4;j=1,2,...,8]]>ωjk＝ωjk+ηHjekj＝1,2,…,8；k＝1式中，η為學(xué)習(xí)速率；步驟(6)閾值更新根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差e更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值a，baj=aj+ηHj(1-Hj)Σk=1mωjkek,j=1,2,...,8]]>bk＝bk+ekk＝1步驟(7)判斷算法迭代次數(shù)是否達(dá)到最大訓(xùn)練次數(shù)或是否達(dá)到最小均方差，若未達(dá)到，則返回步驟(2)，若達(dá)到，則訓(xùn)練結(jié)束；步驟(8)以磨出口風(fēng)壓X1、給煤機(jī)給煤量X2、磨入口一次風(fēng)量X3、磨出口溫度X4作為訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，預(yù)測(cè)正常的磨煤機(jī)預(yù)測(cè)電流信號(hào)Y。采用上述技術(shù)方案所產(chǎn)生的有益效果在于：所述方法首先對(duì)磨煤機(jī)振動(dòng)進(jìn)行故障特征分析，得出磨煤機(jī)電流是磨煤機(jī)振動(dòng)故障分析的重要監(jiān)測(cè)參數(shù)，隨后通過(guò)歷史數(shù)據(jù)的相關(guān)性從分析篩選出了磨出口風(fēng)壓、給煤機(jī)給煤量、磨入口 一次風(fēng)量和磨出口溫度四個(gè)輔助變量，以這四個(gè)輔助變量來(lái)預(yù)測(cè)電流，并用實(shí)測(cè)電流與預(yù)測(cè)電流作差，取磨煤機(jī)電流殘差序列構(gòu)造磨振動(dòng)量的方法，對(duì)磨電流殘差序列進(jìn)行三層小波包分解，獲得8個(gè)頻帶的能量比，統(tǒng)計(jì)分析兩種故障的能量比，得出磨輥磨損嚴(yán)重和磨內(nèi)進(jìn)異物兩種故障的特征量區(qū)分明顯，即將八個(gè)頻帶的能量比作為磨煤機(jī)振動(dòng)大故障診斷的特征量，采用最小二乘向量機(jī)對(duì)樣本進(jìn)行分類(lèi)訓(xùn)練、測(cè)試，實(shí)例驗(yàn)證測(cè)試效果較好，表明該方法能有效分離導(dǎo)致的磨煤機(jī)振動(dòng)大的兩種原因。附圖說(shuō)明下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說(shuō)明。圖1是信號(hào)s(k)三層小波分解過(guò)程圖；圖2是磨煤機(jī)振動(dòng)構(gòu)造模型圖；圖3是采用三層分解的小波包分解樹(shù)結(jié)構(gòu)圖；圖4是線性可分情況下二維輸入空間中最優(yōu)超平面的幾何結(jié)構(gòu)圖；圖5是磨煤機(jī)振動(dòng)大故障診斷模型圖；圖6是給煤機(jī)給煤量原始數(shù)據(jù)與預(yù)處理后數(shù)據(jù)時(shí)域圖；圖7是預(yù)測(cè)磨煤機(jī)電流與實(shí)測(cè)磨煤機(jī)電流對(duì)照?qǐng)D；圖8是磨煤機(jī)振動(dòng)大樣本1磨實(shí)際電流值與磨預(yù)測(cè)電流及其差值時(shí)域圖；圖9是振動(dòng)大樣本2磨實(shí)際電流值與磨預(yù)測(cè)電流及其差值時(shí)域圖；圖10正常情況下電流殘差序列各頻帶能量比；圖11是磨輥磨損大導(dǎo)致振動(dòng)大情況下電流殘差序列各頻帶能量比；圖12進(jìn)異物導(dǎo)致振動(dòng)大情況下電流殘差序列各頻帶能量比；圖13是本發(fā)明中使用的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。具體實(shí)施方式下面結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以采用其他不同于在此描述的其它方式來(lái)實(shí)施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類(lèi)似推廣，因此本發(fā)明不受下面公開(kāi)的具體實(shí)施例的限制。如圖2和5所示，總體的，本發(fā)明公開(kāi)了一種中速磨煤機(jī)振動(dòng)故障診斷方法，所述方法包括如下步驟：(1)建立磨煤機(jī)電流預(yù)測(cè)模型，得出磨煤機(jī)電流預(yù)測(cè)值，將磨煤機(jī)電流實(shí)際值與磨煤機(jī)電流預(yù)測(cè)值做差，得到磨煤機(jī)電流殘差序列；(2)對(duì)電流殘差序列進(jìn)行小波包故障特征提取，對(duì)提取出的故障特征采用最小二乘支持向量機(jī)分類(lèi)器進(jìn)行故障分類(lèi)。步驟(1)中以經(jīng)過(guò)數(shù)據(jù)預(yù)處理的磨煤機(jī)進(jìn)出口差壓、給煤機(jī)給煤量、磨入口一次風(fēng)量和磨出口溫度作為磨煤機(jī)電流預(yù)測(cè)模型的輸入，以BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到一個(gè)電流預(yù)測(cè)信號(hào)，以磨煤機(jī)電流實(shí)際值與磨煤機(jī)電流預(yù)測(cè)值做差，以得到的磨煤機(jī)電流殘差序列信號(hào)表征磨煤機(jī)振動(dòng)，對(duì)構(gòu)造的磨煤機(jī)振動(dòng)信號(hào)，采用三層小波包分解，提取磨煤機(jī)振動(dòng)8個(gè)頻帶的能量比為特征量，通過(guò)最小二乘支持向量機(jī)分類(lèi)器法進(jìn)行故障的診斷。電流預(yù)測(cè)模型的建立過(guò)程如下：步驟(1)BP神經(jīng)網(wǎng)絡(luò)初始化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為四輸入一輸出，八個(gè)隱層節(jié)點(diǎn)，即輸入節(jié)點(diǎn)n＝4，隱層節(jié)點(diǎn)l＝8，輸出節(jié)點(diǎn)m＝1；如圖13所示，X1為磨出口風(fēng)壓；X2為給煤機(jī)給煤量；X3為磨入口一次風(fēng)量；X4為磨出口溫度；Y為磨煤機(jī)預(yù)測(cè)電流；輸入層、隱層和輸出層之間的連接權(quán)值分別為ωij，ωjk，初始化隱含層閾值為a，輸出層閾值為b，設(shè)定學(xué)習(xí)速率為η；步驟1)網(wǎng)絡(luò)初始化inputWeights＝net.IW{1,1}；％輸入層與隱含層之間的連接權(quán)值inputbias＝net.b{1}；％隱含層閾值layerWeights＝net.LW{2,1}；％隱含層與輸出層之間的連接權(quán)值layerbias＝net.b{2}；％輸出層閾值步驟2)設(shè)置訓(xùn)練參數(shù)net.trainParam.show＝50；訓(xùn)練顯示間隔net.trainParam.lr＝0.01；學(xué)習(xí)步長(zhǎng)net.trainParam.mc＝0.9；動(dòng)量項(xiàng)系數(shù)net.trainParam.epochs＝3000；最大訓(xùn)練次數(shù)net.trainParam.goal＝1e-5；最小均方誤差步驟(2)隱含層輸出計(jì)算根據(jù)輸入向量X，輸入層與隱含層之間的連接權(quán)值ωij以及隱含層閾值a，計(jì)算隱含層輸出H；Hi=f(Σi=1nωijxi-ai),j=1,2,...,8]]>式中，l為隱含層節(jié)點(diǎn)數(shù)，f為隱含層激勵(lì)函數(shù)，本文選用tansig激勵(lì)函數(shù)；f(x)=21+e-2x-1;]]>步驟(3)輸出層計(jì)算根據(jù)隱含層輸出H，連接權(quán)值ωjk和閾值b，計(jì)算神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出OOk=Σj=1lHjωjk-bk,k=1;]]>步驟(4)誤差計(jì)算根據(jù)網(wǎng)絡(luò)預(yù)測(cè)輸出O和期望輸出Y，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差eek＝Ok-Ykk＝1步驟(5)權(quán)值更新根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差e更新網(wǎng)絡(luò)連接權(quán)值ωij，ωjkωij=ωij+ηHj(1-Hj)x(i)Σk=1mωjkek,i=1,2,...,4;j=1,2,...,8]]>ωjk＝ωjk+ηHjekj＝1,2,…,8；k＝1式中，η為學(xué)習(xí)速率；步驟(6)閾值更新根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差e更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值a，baj=aj+ηHj(1-Hj)Σk=1mωjkek,j=1,2,...,8]]>bk＝bk+ekk＝1步驟(7)判斷算法迭代次數(shù)是否達(dá)到最大訓(xùn)練次數(shù)或是否達(dá)到最小均方差，若未達(dá)到，則返回步驟(2)，若達(dá)到，則訓(xùn)練結(jié)束；步驟(8)以磨出口風(fēng)壓X1、給煤機(jī)給煤量X2、磨入口一次風(fēng)量X3、磨出口溫度X4作為訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，預(yù)測(cè)正常的磨煤機(jī)預(yù)測(cè)電流信號(hào)Y。磨煤機(jī)電流預(yù)測(cè)模型：(1)數(shù)據(jù)小波降噪處理：一般從熱工測(cè)量現(xiàn)場(chǎng)采集的數(shù)據(jù)，由于儀表本身以及環(huán)境因素的影響，都不可避免的會(huì)影響到數(shù)據(jù)精度，進(jìn)而增加建模的難度、降低模型的精確度?；谏鲜鰧?duì)火電廠熱工測(cè)量數(shù)據(jù)的認(rèn)識(shí)，為了保證模型能夠較為準(zhǔn)確的反映實(shí)際情況，本文針對(duì)測(cè)量數(shù)據(jù)進(jìn)行降噪預(yù)處理。含噪聲的一維信號(hào)s(k)的模型可以表示成如下的形式：s(k)＝f(k)+ε·e(k),k＝0,1,…,n-1(1)式中s(k)—含噪信號(hào)；f(k)—有用信號(hào)；e(k)—噪聲信號(hào)；ε—噪聲信號(hào)偏差。實(shí)際分析中，有價(jià)值的信號(hào)通常表現(xiàn)為低頻信號(hào)或是一些比較平穩(wěn)的信號(hào)，而噪聲信號(hào)則通常表現(xiàn)為高頻信號(hào)。所以降噪的過(guò)程可按如下方法進(jìn)行處理：對(duì)信號(hào)s(k)進(jìn)行小波分解得到低頻系數(shù)cA1、cA2、cA3和高頻系數(shù)cD1、cD2、cD3，通過(guò)一定方式求得閾值，然后對(duì)小波的高頻系數(shù)進(jìn)行處理，再對(duì)信號(hào)進(jìn)行重構(gòu)即可達(dá)到降噪的目的。抑制信號(hào)中噪聲部分的同時(shí)并恢復(fù)出有用信號(hào)f(k)，即完成對(duì)信號(hào)s(k)的降噪，三層小波分解分解過(guò)程如圖1所示。一般而言，基于小波分析的一維信號(hào)降噪過(guò)程可按如下三個(gè)步驟進(jìn)行：①信號(hào)的小波分解。確定小波基和小波分解的層數(shù)N，對(duì)含噪信號(hào)s(k)進(jìn)行N層小波分解，得到高、低頻系數(shù)。②閾值量化小波分解高頻系數(shù)。對(duì)各尺度下的高頻系數(shù)選擇適當(dāng)?shù)拈撝祷蜷撝岛瘮?shù)進(jìn)行閾值量化處理。③小波重構(gòu)。依據(jù)小波分解系數(shù)最高分辨率層的低頻系數(shù)和經(jīng)過(guò)閾值量化處理的各層高頻系數(shù)進(jìn)行小波重構(gòu)。(2)數(shù)據(jù)歸一化歸一化是一種數(shù)據(jù)的無(wú)量綱化處理方法，它使物理系統(tǒng)數(shù)值的絕對(duì)值變成一種相對(duì)值的關(guān)系，能有效簡(jiǎn)化計(jì)算，縮小量值。對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，把數(shù)據(jù)變成(0，1)之間的小數(shù)。它有線性函數(shù)轉(zhuǎn)化、對(duì)數(shù)函數(shù)轉(zhuǎn)化、反正切函數(shù)轉(zhuǎn)化等方式，其中線性函數(shù)轉(zhuǎn)化如式(2)所示：x0=x-xminxmax-xmin---(2)]]>其中x，x0分別為歸一化前后的值，xmax和xmin為觀測(cè)的最大值和最小值。(3)輔助變量篩選根據(jù)運(yùn)行經(jīng)驗(yàn)，磨煤機(jī)電流的變化能夠反映磨煤機(jī)振動(dòng)的狀況。故障點(diǎn)前磨煤機(jī)電流變化平緩，故障點(diǎn)后磨煤機(jī)電流變化劇烈，運(yùn)行異常分析記錄為磨煤機(jī)振動(dòng)大。假若不發(fā)生振動(dòng)大故障，在負(fù)荷變化不大的前提下，可以推測(cè)磨煤機(jī)電流應(yīng)該像故障點(diǎn)前一樣平緩變化，那么實(shí)際的磨煤機(jī)電流值與正常狀態(tài)下的電流值之間的殘差就是因?yàn)檎駝?dòng)大故障導(dǎo)致的磨煤機(jī)電流變化。從磨煤機(jī)系統(tǒng)的眾多參數(shù)中進(jìn)行篩選出磨煤機(jī)進(jìn)出口差壓、給煤機(jī)給煤量、磨入口一次風(fēng)量和磨出口溫度來(lái)表征磨煤機(jī)電流，表1、表2為五個(gè)參數(shù)振動(dòng)大故障點(diǎn)前12小時(shí)正常和故障點(diǎn)后1小時(shí)異常運(yùn)行數(shù)據(jù)相關(guān)性分析。表1運(yùn)行數(shù)據(jù)相關(guān)性分析(正常)表2運(yùn)行數(shù)據(jù)相關(guān)性分析(異常)對(duì)比表1和表2可得，磨煤機(jī)電流與其他四個(gè)參數(shù)在正常運(yùn)行情況下呈較高的相關(guān)度(>0.408)，而在異常情況下磨煤機(jī)電流與其他四個(gè)參數(shù)呈較低的相關(guān)度(<0.126)，磨煤機(jī)電流與磨煤機(jī)進(jìn)出口差壓、給煤機(jī)給煤量、磨入口一次風(fēng)量、磨出口溫度四個(gè)參數(shù)在正常和異常兩種情況下的相關(guān)性差異正好能夠表征磨煤機(jī)電流，故選擇該四種參數(shù)作為輔助變量來(lái)表征磨煤機(jī)電流。磨煤機(jī)振動(dòng)量構(gòu)造：(1)建立磨煤機(jī)電流預(yù)測(cè)模型：以磨煤機(jī)進(jìn)出口差壓、給煤機(jī)給煤量、磨入口一次風(fēng)量和磨出口溫度作為磨煤機(jī)電流預(yù)測(cè)模型的輸入，構(gòu)建四輸入一輸出單隱層的BP神經(jīng)網(wǎng)絡(luò)模型。(2)磨煤機(jī)振動(dòng)量構(gòu)造：將實(shí)測(cè)的磨煤機(jī)電流值與預(yù)測(cè)電流值作差，以磨煤機(jī)電流殘差序列表示磨煤機(jī)振動(dòng)量，并對(duì)殘差序列進(jìn)行信號(hào)分析，實(shí)現(xiàn)磨煤機(jī)振動(dòng)故障的診斷。圖2中，磨煤機(jī)電流殘差序列由磨煤機(jī)電流實(shí)際值減去磨煤機(jī)電流預(yù)測(cè)值得來(lái)。基于小波包分析和最小二乘支持向量機(jī)的磨煤機(jī)振動(dòng)故障診斷：對(duì)構(gòu)造的 磨煤機(jī)振動(dòng)量(即磨煤機(jī)電流殘差序列)進(jìn)行小波包故障特征提取，對(duì)提取出的故障特征采用最小二乘支持向量機(jī)分類(lèi)器進(jìn)行故障分類(lèi)。小波包分析理論及其分解、重構(gòu)算法：小波包分析是小波分析的拓展延伸，是將頻帶進(jìn)行多層次劃分，對(duì)多分頻分析無(wú)法細(xì)分的頻帶進(jìn)一步分解，并能夠根據(jù)被分析信號(hào)的特征，自適應(yīng)地選擇合適的頻帶，使之與信號(hào)頻譜相匹配，從而提高了時(shí)頻的分辨率。確定小波包分解的層數(shù)需要考慮具體信號(hào)和對(duì)特征參數(shù)的要求，三層分解的小波包分解樹(shù)結(jié)構(gòu)如圖3所示。在多分辨率分析中，表明多分辨率分析時(shí)按照不同的尺度因子j把Hilbert空間L2(R)分解為所有子空間Wj(j∈Z)的正交和。其中Wj為小波函數(shù)ψ(t)的小波子空間。對(duì)小波子空間Wj按照二進(jìn)制進(jìn)行頻率的進(jìn)一步細(xì)分，從而實(shí)現(xiàn)頻率分辨率的提高。將尺度子空間Vj和小波子空間Wj用一個(gè)新的子空間統(tǒng)一來(lái)表征，由小波分析中可用的分解統(tǒng)一為Uj+10=Uj0+Uj1,j∈Z---(3)]]>定義子空間是函數(shù)un(t)的閉包空間，而是u2n(t)的閉包空間，令un(t)滿足式(4)的雙尺度方程u2n(t)=2Σk∈Zh(k)un(2t-K)u2n+1(t)=2Σk∈Zg(k)un(2t-K)---(4)]]>式中，g(k)＝(-1)kh(1-k)。由X＝AS構(gòu)造的序列{un(t)(n∈Z+)}稱為基函數(shù)u0(t)＝(t)確定的正交小波包。當(dāng)n＝0時(shí)，u0(t)和u1(t)分別為尺度函數(shù)φ(t)和小波基函數(shù)ψ(t)，因{un(t)(n∈Z)}是正尺度函數(shù)φ(t)的正交小波包，它構(gòu)成L2(R)的規(guī)范正交基。{un(t)(n∈Z)}是關(guān)于hk的小波包族，設(shè)則可表示為gjn(t)=Σldlj,nun(2jt-1)---(5)]]>由Uj+10=Uj0+Uj1,j∈Z]]>可知，小波包分解就是將分解為與小波包分解算法是由求與dlj,2n=Σhk-2ldkj+1,ndlj,2n+1=Σgk-2ldkj+1,n---(6)]]>小波包重構(gòu)算法是由與求{dlj+1,n}=Σk[hk-2ldkj,2n+gk-2ldkj,2n+1]---(7)]]>小波包分析故障特征提?。河梢陨戏治隹梢钥闯?，對(duì)于振動(dòng)這一非平穩(wěn)信號(hào)，小波包變換具有不可比擬的優(yōu)點(diǎn)，它具有多維多分辨率分析的特點(diǎn)，能將任何信號(hào)細(xì)分解到相應(yīng)的頻帶里，用每個(gè)頻帶里信號(hào)含有的能量來(lái)反映設(shè)備的狀態(tài)，且每個(gè)頻帶能量對(duì)于總能量的占比也因工作狀態(tài)的不同而不同。本文利用利用基于正交濾波器算法的小波包分解故障信號(hào)的相關(guān)頻段，直接利用各頻段成分能量比的變化來(lái)作為信號(hào)的特征量。以信號(hào)的三層小波包分解為例，具體分解步驟如下：(1)首先對(duì)給定待分析信號(hào)進(jìn)行三層小波包分解，分別提取第三層從低頻到高頻共八個(gè)頻帶的信號(hào)特征。(2)對(duì)小波分解系數(shù)重構(gòu)，提取個(gè)頻帶范圍的信號(hào)，以Sj(j＝0,1,…,7)表示第3層各節(jié)點(diǎn)的重構(gòu)信號(hào)，則總信號(hào)S可表示為S=Σj=17Sj---(8)]]>(3)求信號(hào)各頻帶的能量總和。設(shè)各頻帶信號(hào)Sj(j＝0,1,…,7)。對(duì)應(yīng)能量為Ej(j＝0,1,…,7)，則有Ej=Σk=0n|xjk|2---(9)]]>式中，xjk(j＝0,1,…,7；k＝0,1,…,n)表示重構(gòu)信號(hào)Sj的時(shí)間域離散點(diǎn)的幅值。(4)構(gòu)造特征向量。由于系統(tǒng)出現(xiàn)不同故障時(shí)，各頻帶內(nèi)信號(hào)能量也發(fā)生相應(yīng)變化，因此，以能量比構(gòu)造故障的特征向量。特征向量T構(gòu)造如下T{E0,E1,…,E7}(10)這些在不同尺度下分解得到不同頻帶的序列，其相互之間不但是正交的、能量守恒的，而且序列還包含了大量的非平穩(wěn)故障信息，對(duì)非平穩(wěn)故障可以準(zhǔn)確合理的進(jìn)行故障特征提取。支持向量機(jī)：支持向量機(jī)法是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，以統(tǒng)計(jì)學(xué)習(xí)VC維理論為基礎(chǔ)的一種學(xué)習(xí)算法，根據(jù)有限樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷。針對(duì)樣本數(shù)量有限的問(wèn)題，具備良好的推廣能力，有限訓(xùn)練樣本求得的解，在進(jìn)行測(cè)試求解時(shí)仍能取得良好的效果。線性可分:在線性可分的情況下，通過(guò)構(gòu)建一個(gè)超平面作為決策面來(lái)實(shí)現(xiàn)分類(lèi)，要求該決策面不僅能夠?qū)⑺杏?xùn)練樣本進(jìn)行正確分類(lèi)，還要使訓(xùn)練樣本中離分類(lèi)面最近的點(diǎn)到分類(lèi)面距離最大。圖4為線性可分情況下二維輸入空間中最優(yōu)超平面的幾何結(jié)構(gòu)圖，其中：實(shí)心點(diǎn)和空心點(diǎn)分別代表兩種不同樣本；H為分類(lèi)線；H1，H2分別為過(guò)各類(lèi)中離分類(lèi)線最近的樣本點(diǎn)且平行于分類(lèi)線的直線，它們之間的距離稱為分類(lèi)間隔。假設(shè)給定的樣本集為{(xi,yi)}i＝1,…,N，其中：xi∈Rd,yi∈{1,-1}。xi是n維向量，如果xi屬于樣本一類(lèi)，則記為yi＝1，否則記為yi＝-1。經(jīng)過(guò)歸一化處理，分類(lèi)線H與H1，H2的方程總可以表示為H:wx+b＝0H1:wx-b＝1(11)H2:wx-b＝-1式中w為法向量，b為偏置量。H1，H2上的點(diǎn)距分類(lèi)線H的距離均為D＝1/||w||2，分類(lèi)間隔為使分類(lèi)間隔最大相當(dāng)于是||w||2最小，被誤判的風(fēng)險(xiǎn)就最小，因此，求最優(yōu)分類(lèi)線可以描述為下面的二次規(guī)劃問(wèn)題。minΦ(w,b)=12||w||2]]>s.t.yi(wxi+b)-1≥0(12)(i＝1,2,…,l)可以將上述二維最優(yōu)分類(lèi)線的推導(dǎo)過(guò)程自然擴(kuò)展到多維情況下最優(yōu)超平面的推導(dǎo)過(guò)程，這時(shí)H，H1，H2由二維分類(lèi)線變?yōu)槎嗑S超平面，超平面H1，H2上的點(diǎn)被稱為支持向量，這些點(diǎn)唯一地確定了一個(gè)最優(yōu)的分類(lèi)面H。利用拉格朗日優(yōu)化方法可以把上述求解最優(yōu)分類(lèi)面問(wèn)題轉(zhuǎn)化為其對(duì)偶問(wèn)題，即在約束條件對(duì)ai求解下列函數(shù)的最大值Q(a)=Σi=1lai-12Σi,j=1laiajyiyj(xixj)---(13)]]>其中：ai為原問(wèn)題中與每個(gè)約束條件式(13)對(duì)應(yīng)的拉格朗日乘子。這是一個(gè)不等式約束下的二次函數(shù)尋優(yōu)問(wèn)題，存在惟一解。根據(jù)Kuhn-Tucker條件，這個(gè)優(yōu)化問(wèn)題的解需滿足：ai(yi(wxi+b)-1)＝0(i＝1,2,…,l)(14)求解上述問(wèn)題后得到的最優(yōu)分類(lèi)函數(shù)是：f(x)=sgn{(wx)+b}=sgn{Σi=1mai*(xix)+b}---(15)]]>其中：m表示求和；b是分類(lèi)閾值；sgn()為符號(hào)函數(shù)。由泛函理論可知，高維空間的內(nèi)積總可以在輸入空間找到一個(gè)滿足條件的核函數(shù)K(x,x')，因此并不需要知道非線性映射的具體形式。支持向量機(jī)在二維空間能夠很好進(jìn)行分類(lèi)，但是無(wú)法直接求解高維特征空間的點(diǎn)積，而是用原空間的核函數(shù)來(lái)代替它。上述最優(yōu)分類(lèi)函數(shù)為f(x)=sgn{(wx)+b}=sgn{Σi=1mai*yiK(xix)+b}---(16)]]>根據(jù)此函數(shù)輸出的正負(fù)(一般設(shè)置為±1)來(lái)判別樣本所屬的類(lèi)別。根據(jù)不同類(lèi)別的核函數(shù)選擇來(lái)構(gòu)造不同類(lèi)型的支持向量機(jī)。線性不可分：在遇到非線性情況時(shí)，超平面無(wú)法解決分類(lèi)問(wèn)題，只能通過(guò)提高特征空間的維數(shù)來(lái)進(jìn)行分類(lèi)。首先非線性SVM依據(jù)先驗(yàn)的非線性映射條件將待分類(lèi)向量xi映射到一個(gè)高維特征空間(Hilbert空間)中，然后在此高維空間中構(gòu)建最優(yōu)超平面。為了避免在高維特征空間中進(jìn)行復(fù)雜的運(yùn)算，采用核函數(shù)(KernelFunction)在向量之間只作點(diǎn)積運(yùn)算。其中核函數(shù)K須滿足：因此，對(duì)于線性不可分，只需要作一個(gè)非線性映射將xi映射到高維特征空間，然后在高維特征空間進(jìn)行線性分類(lèi)，這樣分類(lèi)超平面變?yōu)椋阂胨沙谝蜃应蝘≥0和錯(cuò)誤懲罰常數(shù)C>0來(lái)解決某些樣本不能被正確分類(lèi)的問(wèn)題。于是優(yōu)化問(wèn)題式(12)重新描述為：min(12||w||2+CΣi=1Nξi),i=1,...,N---(19)]]>將式(17)轉(zhuǎn)化為拉格朗日函數(shù)最小值問(wèn)題：式中αi,γi≥0是拉格朗日乘子。式(20)中的極值滿足如下條件：∂∂bL=0→Σi=1Nαiyi=0---(22)]]>∂∂ξiL=0→C-αi-γi=0---(23)]]>同理，求出最優(yōu)解w*、b*后，可以得到分類(lèi)判別函數(shù)：f(xi)＝sgn{[w*K(xi,xj)]+b*}(25)常用的核函數(shù)有：線性核、高斯徑向基核和多項(xiàng)式核，它們分別如下K(x,xj)＝x·xj(26)K(x,xj)=exp(-||x-xj||22σ2)---(27)]]>K(x,xj)＝(x·xj+1)d,d＝1,…,N(28)支持向量機(jī)多類(lèi)分類(lèi)器支持向量機(jī)都屬于二值分類(lèi)，但往往實(shí)際情況是故障類(lèi)型可能有很多種，需要進(jìn)行多類(lèi)分類(lèi)。通常利用二值分類(lèi)方法構(gòu)造多個(gè)二類(lèi)分類(lèi)器，通過(guò)求解多個(gè)分類(lèi)器而獲得多類(lèi)分類(lèi)問(wèn)題的最優(yōu)解。給定訓(xùn)練樣本集{(xi,yi)}i＝1,…,N由多類(lèi)樣本組成，xi是n維向量，yi＝1,2,3,…,k表示xi屬于第k類(lèi)樣本。尋找一個(gè)決策函數(shù)f(yi)＝sgn{[(w·xi)]+b}(29)支持向量機(jī)的多分類(lèi)算法主要有：“一對(duì)多”方法、“一對(duì)一”方法、基于二叉樹(shù)的多類(lèi)分類(lèi)方法等，由于本文只需要實(shí)現(xiàn)二分類(lèi)，故不在此詳細(xì)介紹支持向量機(jī)的多分類(lèi)方法。基于最小二乘支持向量機(jī)分類(lèi)器：最小二乘支持向量機(jī)是基本SVM的一種擴(kuò)展延伸，采用平方項(xiàng)作為優(yōu)化指標(biāo)，并用等式約束條件代替基本SVM的不等式約束條件，即將原二次規(guī)劃問(wèn)題轉(zhuǎn)化為線性方程組的求解問(wèn)題，降低了計(jì)算復(fù)雜性，比基本SVM更簡(jiǎn)捷、收斂速度更快，并可獲得更高的精度。樣本集{(xi,yi)}i＝1,…,N由兩類(lèi)樣本組成，xi是n維向量，如果xi屬于樣本一類(lèi)，則記為yi＝1，否則記為yi＝-1。分類(lèi)超平面f(x)＝wTΦ(x)·+b,wT∈Rn,b∈R(30)其中Φ(x)為非線性函數(shù)，wT為權(quán)向量，b為偏置常量。最小二乘支持向量機(jī)的目標(biāo)最優(yōu)化函數(shù)為：minw,b,eJ(w,b,e)=12wTw+γΣi=1N12ei2---(31)]]>s.t:yi(wTΦ(xi)+b)＝1-e其中ei為松弛因子，γ為正規(guī)化參數(shù)。將原空間中的樣本依照核函數(shù)Φ(x)映射到高維特征空間，使之成為高維特征空間中的一個(gè)向量，以解決線性不可分的問(wèn)題，用拉格朗日法求解如式(32)：L(w,b,e,α)-Σi=1Nαi{yi[wTΦ(xi)+b]-1+ei}---(32)]]>其中α是拉格朗日乘子。根據(jù)優(yōu)化條件：∂L∂w=0→w=Σi=1NαiΦ(x)---(33)]]>∂L∂b=0→Σi=1Nαi=0---(34)]]>∂L∂ei=0→αi=γiei---(35)]]>∂L∂αi=0→wTΦ(x)·+b+ei-yi=0---(36)]]>可得：0yTyΩ+γ-1Ibα=0r1---(37)]]>其中y＝[y1,y2,…,yN]T,Ω＝ZZT,Z=[y1Φ(x1)···yNΦ(xN)],1r=[1···1]N×1T,]]>α＝[α1…αN]。由式(30)可得最小二乘支持向量機(jī)分類(lèi)器的模型：f(x)=sgn(Σi=1NwiΦ(xi)Φ(x)+b)---(38)]]>其中，Φ(x)是核函數(shù)，常用的核函數(shù)有：線性核、高斯核和多項(xiàng)式核。磨煤機(jī)振動(dòng)大故障診斷模型:基于以上分析，得出磨煤機(jī)振動(dòng)大故障診斷的模型，如圖5所示。磨煤機(jī)振動(dòng)故障診斷實(shí)例：①數(shù)據(jù)預(yù)處理對(duì)預(yù)處理采集到的現(xiàn)場(chǎng)原始數(shù)據(jù)。如圖6所示為給煤機(jī)給煤量原始數(shù)據(jù)和預(yù)處理后的數(shù)據(jù)對(duì)比，經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，局部范圍內(nèi)降低了信號(hào)的噪聲干擾，有利于準(zhǔn)確建模，其中黑色為原始數(shù)據(jù)，灰色為預(yù)處理后的數(shù)據(jù)。②建模建立給煤機(jī)給煤量、磨入口一次風(fēng)量、磨進(jìn)出口差壓和磨出口風(fēng)壓四個(gè)輸入量，磨煤機(jī)電流一個(gè)輸出量，單隱層的BP神經(jīng)網(wǎng)絡(luò)模型，隱層神經(jīng)元個(gè)數(shù)為8，以十小時(shí)(36000組)的數(shù)據(jù)為訓(xùn)練樣本，隨后一個(gè)小時(shí)(3600組)數(shù)據(jù)作為檢測(cè)樣本，建模精度由均方誤差MSE反映。將經(jīng)過(guò)預(yù)處理的數(shù)據(jù)導(dǎo)入模型訓(xùn)練檢測(cè)。圖7為模型檢測(cè)樣本的磨煤機(jī)電流實(shí)際值和預(yù)測(cè)值之間對(duì)照?qǐng)D。圖中預(yù)測(cè)電流與實(shí)測(cè)電流變化趨勢(shì)一致。③導(dǎo)入故障樣本將引起故障的兩類(lèi)原因的12個(gè)樣本(各6個(gè))導(dǎo)入模型，圖8-9所示為兩種原因?qū)е碌哪ッ簷C(jī)振動(dòng)大的典型電流差值時(shí)域圖。圖8中，電流差值信號(hào)呈無(wú)規(guī)則的變化，磨輥在磨內(nèi)經(jīng)過(guò)長(zhǎng)時(shí)間的運(yùn)行， 特別是在運(yùn)行時(shí)長(zhǎng)接近檢修周期時(shí)，會(huì)發(fā)生磨輥磨損嚴(yán)重導(dǎo)致磨煤機(jī)振動(dòng)大的故障，磨輥的磨損呈內(nèi)凹型，每一段的磨損并不規(guī)則，與磨盤(pán)襯瓦的間隙也不規(guī)律，在碾磨的時(shí)候產(chǎn)生不規(guī)則的振動(dòng)，電流差值也呈無(wú)規(guī)則變化趨勢(shì)，與設(shè)備異常分析內(nèi)容相符。圖9可看出，磨煤機(jī)電流差值呈一峰一谷的變化趨勢(shì)，且峰谷之間時(shí)間約為12.5s，此樣本的故障為磨煤機(jī)進(jìn)異物導(dǎo)致磨振動(dòng)大。運(yùn)行經(jīng)驗(yàn)可知，運(yùn)行實(shí)際中，磨煤機(jī)進(jìn)異物導(dǎo)致振動(dòng)大，磨電流呈峰-谷規(guī)則變化；從產(chǎn)生機(jī)理方面，磨內(nèi)進(jìn)異物，如鐵塊，夾在磨輥與襯板之間，每經(jīng)過(guò)一段時(shí)間會(huì)與一個(gè)磨輥產(chǎn)生較大的摩擦，磨電流亦出現(xiàn)增-降的過(guò)程，與此同時(shí)產(chǎn)生較為規(guī)律的振動(dòng)。由上述分析可知，文中提出的電流差值能較為準(zhǔn)確的反映出磨煤機(jī)振動(dòng)大的實(shí)際故障特征。④磨煤機(jī)振動(dòng)大特征量提取截取故障發(fā)生后第一段512s的磨煤機(jī)電流差值信號(hào)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行小波包分析，采用db1小波進(jìn)行三層小波包分解，生成(3，0)-(3，7)共8個(gè)小波包，因?yàn)楦哳l部分分解時(shí)會(huì)發(fā)生頻帶翻轉(zhuǎn)，所以發(fā)生4次頻帶翻轉(zhuǎn)，其頻帶分布順序?yàn)?1326754。以下為正常、磨輥磨損大導(dǎo)致振動(dòng)大和進(jìn)異物導(dǎo)致振動(dòng)大三種情況的各頻帶能量比。對(duì)比圖10、圖11與圖12可以明顯分別出三種不同的狀態(tài)，表明該方法得到的頻帶能量比特征明顯，可以作為分類(lèi)的特征量。⑤建立樣本集定義磨輥磨損大導(dǎo)致的磨煤機(jī)振動(dòng)大為故障類(lèi)型一，定義進(jìn)異物導(dǎo)致的磨煤機(jī)振動(dòng)大為故障類(lèi)型二，統(tǒng)計(jì)18個(gè)樣本的特征量，見(jiàn)表3，表4。表3故障類(lèi)型一特征量樣本集表4故障類(lèi)型二特征量樣本集⑥診斷分類(lèi)各取兩類(lèi)樣本集中前6個(gè)樣本為訓(xùn)練樣本導(dǎo)入到最小二乘支持向量機(jī)進(jìn)行學(xué)習(xí)，將剩下3個(gè)樣本作為檢測(cè)樣本，輸出結(jié)果為：表5測(cè)試樣本測(cè)試結(jié)果表中，共有6個(gè)測(cè)試樣本，有5個(gè)分類(lèi)正確，正確分類(lèi)率達(dá)到83.3％，故障類(lèi)型二的樣本8分類(lèi)錯(cuò)誤，其余的均正確分類(lèi)。詳細(xì)查看運(yùn)行故障異常分析得出，該振動(dòng)大故障檢查出兩種原因，進(jìn)異物和磨盤(pán)襯瓦斷裂，導(dǎo)致該樣本分類(lèi)錯(cuò)誤。所述方法首先對(duì)磨煤機(jī)振動(dòng)進(jìn)行故障特征分析，得出磨煤機(jī)電流是磨煤機(jī)振動(dòng)故障分析的重要監(jiān)測(cè)參數(shù)，隨后通過(guò)歷史數(shù)據(jù)的相關(guān)性從分析篩選出了磨出口風(fēng)壓、給煤機(jī)給煤量、磨入口一次風(fēng)量和磨出口溫度四個(gè)輔助變量，以這四個(gè)輔助變量來(lái)預(yù)測(cè)電流，并用實(shí)測(cè)電流與預(yù)測(cè)電流作差，取磨煤機(jī)電流殘差序列構(gòu)造磨振動(dòng)量的方法，對(duì)磨電流殘差序列進(jìn)行三層小波包分解，獲得8個(gè)頻帶的能量比，統(tǒng)計(jì)分析兩種故障的能量比，得出磨輥磨損嚴(yán)重和磨內(nèi)進(jìn)異物兩種故障的特征量區(qū)分明顯，即將八個(gè)頻帶的能量比作為磨煤機(jī)振動(dòng)大故障診斷的特征量，采用最小二乘向量機(jī)對(duì)樣本進(jìn)行分類(lèi)訓(xùn)練、測(cè)試，實(shí)例驗(yàn)證測(cè)試效果較好，表明該方法能有效分離導(dǎo)致的磨煤機(jī)振動(dòng)大的兩種原因。當(dāng)前第1頁(yè)1 2 3