第 ４３ 卷 　 第 ８ 期 热　力　发　电 Vo

l􀆰４３　No􀆰８
２０１４ 年 ８ 月 THERMALPOWER GENERATION Aug􀆰２０１４
􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉􀪉

基于频谱及轴心轨迹图的汽轮机故障诊断
高俊如,孙亚军,班牧原
(河北工程大学水电学院,河北 邯郸 　０５６０２１)

[摘 　　　 要]采用频谱及轴心轨迹图的方法提取仿真台得到的故障振动信号特征,分别建立子 BP 神经网

络,并采用 DＧS 证据理论对子 BP 神 经 网 络 的 输 出 进 行 融 合(多 层 信 息 融 合)方 法,从 不 同 侧
面对故障进行诊断.结果表明:采用多层信息融合方法的故障诊断置信度比频谱方法提高约
０３,比轴心轨迹图方法提高 ０．
０． ４,效果显著;对故障类型的识别准确率具有显著提高.
[关 　 键 　 词]汽轮机;故障诊断;频谱;轴心轨迹;子 BP 神经网络;
DＧS 证据理;多层信息融合;置信度
[中图分类号]TK２６８．＋１　 [文献标识码]A　 [文 章 编 号]１００２
Ｇ３３６４(
２０１４)
０８Ｇ
０１４０
Ｇ０３
[DOI 编 号]１０．
３９６９j．
/ i
ssn．
１００２
Ｇ３３６４．
２０１４．
０８．
１４０

Spe
ctr
umandsha
ftc
ente
ro r
bitbase
dfau
ltfea
tur
eex
tra
cti
on
anddi
agnos
isforst
eamturbi
nes
u１,
GAOJunr SUN Ya
jun２,
BAN Muyuan３
(
Schoo
lofWa
terCons
ervanc
yandEl
ect
ri r,
cPowe Hebe
iUn
ive
rsi
t fEng
yo ine
erng,
i Handan０５６０２１,
Chna)
i

Abst
rat:
c Thef
aul
tv i
bra
tions
ignalfe
atur
eob t
ainedfromthesimu
lat
ionpl
atf
orm wa
sext
rac
tedbyus ing
themethodofspe
ctrumandshaftcent
erorb
it．Mo r
eove ,
rtheBPsubneur
alnetwo
rkwasest
abl
i ,
shed and
t
heDＧSev
idenc
etheo
ry wa
semp
loyedt
ofus
etheou
tpu
tofe
achneur
alne
two
rkandd
iagnos
ethef
aul
ts
fr
omd if
fer
entaspe
cts．
Ther e
sult
sind
icatet t,
ha thi
smu lt
iＧl
eveli
nforma
tionfus
ionme
thodcaniden
tif
ythe
vari
oustypi
calf
ault
sef
fec
tivey,
l ofwhichthecon
fidenc
ewa sincre
asedby０． ４,
０３and０． compar
edwi t
hthe
spe
ctrum me
thodandsha
ftc
ent
ero
rbi
tme
thod,
respe
cti
vel
y．Fu
rthe
rmo
re,
thei
den
tif
ica
tiona
ccu
racyo
f
t
hismethodwasi
ncrea
s eds
ign
ifi
can t
ly．
Keywo
rd s:
ste
am tu
rbine;f
aul
td iagnos
is;
spe
ctrum;
sha
ftc
ent
ero
rbt;BP
i Ｇneu
ralne rk;DＧSev
two idenc
e
t
heo
ry;
mul
ti
Ｇleve
lin
forma
tionf
uson;
i con
fidenc
e

较大、振动与汽轮机负荷有关,轴心轨迹随负荷的增
１　 常见汽轮机故障及其特征 大表现为椭圆形、香蕉形、内 ∞ 字形.
引发机组振动的主要原因有:转子质量不平衡、 (
３)动静碰磨 　 频 谱 特 征 为 振 动 有 较 多 高 频 分
转子不对中、油膜振荡、油膜涡动、动静碰磨等,其中 量波形紊乱,轴心轨迹为内 ∞ 字形.
转子质量不平衡占故障 总 数 的 ８０％ [１],从 而 产 生 以 (
４)油膜涡动 　 频 谱 特 征 为 ０．
３５~０．
５倍频振
下故障特征. 幅值大,轴心轨迹为内 ∞ 字形.
(
１)转子质量不 平 衡 　 频 谱 特 征 为 基 频 振 动 幅 (５)油膜振荡 　 频 谱 特 征 为 振 动 主 要 成 分 近 似
值大,轴心轨迹为椭圆形. １~２ 倍临界转速频率,轴心轨迹为花瓣形.
(
２)转子不对中 　 频 谱 特 征 为 ２ 倍 频 振 动 分 量 表 １ 为某仿真台故障样本信号的典型故障特征.

收稿日期: ２０１３Ｇ１１
Ｇ２２
基金项目:河北省自然科学基金( F２０１２４０２０２１)
作者简介:高俊如( １９６９—),女,河北邯郸人,硕士,副教授,主要从事动力与电气工程技术的教学与研究.
E
Ｇma
il: gi
rＧ１９６９＠１６３．c
om
 第８期 高俊如 等 　 基于频谱及轴心轨迹图的汽轮机故障诊断 １４１

表 １　 故障特征
Tab
le１　Th
efa
ilu
res
ymp
toms
频谱特征
故障 (
０~ (
０．４０~ (
０．５１~
轴心
０．
５f f ２f (
３~５)
f 奇数频 ≥５f 轨迹
３９)
０． f ４９)
０． f ９９)
０． f
不平衡 ０．
００２１ ０．
００４２ ０．
００９８ ０．
０１７９ ０．
８５１８ ０．
０６６７ ０．
０２１８ ０．
０２１８ ０．
００３９ 椭圆形
不对中 ０．
００２８ ０．
００３１ ０．
００３１ ０．
００２４ ０．
３８８５ ０．
５３１７ ０．
０３０２ ０．
０３０２ ０．
００８０ 香蕉形
动静碰磨 ０．
００９８ ０．
０１３７ ０．
００５１ ０．
０４９２ ０．
５２７２ ０．
１１０３ ０．
１０５８ ０．
１０５８ ０．
０７３１ 内∞字
油膜涡动 ０．
０８８４ ０．
７３８４ ０．
００８７ ０．
０８９６ ０．
０３８３ ０．
００９５ ０．
００９７ ０．
００９７ ０．
００７６ 内∞字
油膜振荡 ０．
００９８ ０．
０７４３ ０．
７９２４ ０．
０８５４ ０．
００７１ ０．
０１９５ ０．
００５６ ０．
００５６ ０．
０００３ 花瓣形

２　BP 神经网络模型 ４　BP 神经网络与 DＧ

S 证据理论融合
采用 Ma tl
ab 软 件 神 经 网 络 工 具 箱 建 立 BP 神
诊断
经网络 [
２Ｇ６]
,设置隐含层节 点 数 为 １４,分 别 对 频 谱 子 　　 根 据 DＧS 证 据 理 论 对 由 故 障 频 谱 特 征 征 兆 和
BP 神经网络和轴心轨迹 子 BP 神 经 网 络 进 行 训 练. 轴心轨迹特征征兆分别建立的子 BP 神经网络输出
目标输出向量见 表 ２. 频 谱 子 BP 神 经 网 络 训 练 经 进行融合诊断,其流程如图 １ 所示:
２４７ 步后达到目标 值 (
０．０００１),轴 心 轨 迹 子 神 经 网
络训练 １１２ 步后达到目标值( ０．１).

表 ２　 各子 BP 神经网络目标输出
Tab
le２　Ob
jec
tou
tpu
toft
hen
etwo
rk
故障 输出
不平衡 １ ０ ０ ０ ０
不对中 ０ １ ０ ０ ０
图 １　 故障诊断流程
动静碰磨 ０ ０ １ ０ ０
F
ig．
１　Th
epr
oce
sso
ffau
ltd
iagno
sis
油膜涡动 ０ ０ ０ １ ０
油膜振荡 ０ ０ ０ ０ １
将频谱子 BP 神经网络及轴心轨迹子 BP 神经
网络的输出结果作为 ２ 个独立依据的基本概率分配
３　DＧ
S 证据理论 函数,子 BP 神经 网 络 的 焦 点 元 素 对 应 其 诊 断 结 果
(即各故障 类 别),构 成 识 别 框 架 为 Ω.设 Ω＝ { F１ ,
设样本空间 Ω(识别框架)由各种组合幂集 ２Ω 的
F２ ,
F３ ,
F４ ,
F５ }.其中:
F１ 为机组转子不平衡故 障;
互斥事件构成,映射 M :
２Ω → [
０,１],当满足:( １)不可
F２ 为机组转 子 不 对 中 故 障;F３ 为 机 组 动 静 碰 磨 故
能事件的基本概率为 ０,即 M( Φ)＝０; (
２)２ 中全部元
Ω

F４ 为油膜涡动;
障; F５ 为油膜振荡.
素的基本概率之和为１,即 ∑M (
A)＝１时.称函数
A⊆Ω 将子 BP 神经网络输出进行归一化后作为各焦
M 是 ２Ω 上 的 概 率 分 配 函 数,称 M (
A)为 A 的 基 本 点元素的基本概率值,即:
概率数,表示对 A 的精确信任. Vi(
Fj)
mi(
Fj)＝ ×R(
i) (
２)
设 M１ ,
M２ ,􀆺,
Mn 为样本空间Ω 上的n 个独立
∑Vi(
j
Fj )
证据的基本概率分 配 函 数,相 应 的 焦 点 元 素 分 别 为
mi(θ)＝１－R( i) (
３)
A１１ ,A１２ ,􀆺,
A１k１ ,
A２１ ,
A２２ ,􀆺,
A２k２ ,􀆺,
An１ ,
An２ ,􀆺,
Fj 为故障模式,
式中: Vi(Fj)为网络i 的第j 个神经
Ankn .α ＝ A１i１ ∩ A２i２ ∩ 􀆺 ∩ Anin ,若 存 在
元输出值, (
Ri)为 各 故 障 征 兆 信 息 的 诊 断 可 靠 度,
∑M
α＝Φ
１ (
A１i１ )
M２(
A２i２ )􀆺Mn (
Anin )＜１,则组合后的
mi(
并考虑神经网络的 训 练 误 差,由 专 家 给 出: θ)为
基本概率分配函数为: 子网络不能判断故 障 类 别 的 可 能 性 (即 各 种 故 障 均
ìï
∑１≤Π≤nMj(Ajij ) 有可能发生).综合 考 虑 征 兆 信 息 的 诊 断 可 靠 度 和
ïïα＝A j α≠Φ 神经网络的训练误差,取频谱子网的 R(
i)＝０．
９,轴
A)＝ í ∑ Π Mj(
m( Ajij ) (
１)
ï α≠Φ１≤j≤n 心轨迹子网的 R(
i)＝０．
７.
仿真台上 测 得 的 故 障 样 本 见 表 ３,其 中 样 本 １
ï
î０ α＝Φ
　h
ttp:∥www．
rl
fd．
com．
cn　h
ttp:∥r
lfd．
per
iod
ica
ls．
net．
cn　
１４２ 热　力　发　电 ２０１４ 年

为转子不平衡故 障,样 本 ２ 为 转 子 不 对 中 故 障. 结 归一化,其结果见表 ４.根据式(

１)对处 理 结 果 融 合
合故障样本对已建立的子 BP 神经网络采用 s
im 命 诊断,结果见表 ５.
２)、式(
令进行仿真,并根据式( ３)进行网络输出结果

表 ３　 故障样本
Tab
le３　Th
efau
lts
amp
les
轴心轨迹
样
频　谱 椭
香 内 花
本 蕉 ∞ 瓣
圆
形 字 形

１ ０．
０１９８ ０．
０１７４ ０．
０１１８ ０．
０３８５ ０．
７０５４ ０．
１０１６ ０．
０４３７ ０．
０４５２ ０．
０１６５ １ ０ ０ ０
２ ０．
０１９５ ０．
０１８７ ０．
０４１０ ０．
０３５６ ０．
３６３８ ０．
４３２７ ０．
０３７５ ０．
０３８０ ０．
０１３２ ０ １ ０ ０

表 ４　 网络输出结果归一化
Tab
le４　No
rma
liz
ati
ono
fth
ene
two
rkou
tpu
t
概率值
样本 子网络
m(
F１) m(
F２) m(
F３) m(
F４) m(
F５) m(
θ)
频谱 ０．
８３５６ ０．
０２９５ ０．
０２７４ ０．
００５３ ０．
００２３ ０．
１
１
轴心轨迹 ０．
４７１８ ０．
０８２０ ０．
０１４２ ０．
０２７９ ０．
１０４２ ０．
３
频谱 ０．
００６６ ０．
８７８６ ０．
００７０ ０．
００７０ ０．
０００８ ０．
１
２
轴心轨迹 ０．
０６２９ ０．
４１８１ ０．
０８７３ ０．
０７３５ ０．
０５８１ ０．
３

表 ５　DＧ
S 证据理论融合诊断结果
Tab
le５　Th
edi
agno
sisr
esu
ltf
use
dbyt
heDＧ
Sev
idenc
eth
eor
y
概率值
样本
m(
F１) m(
F２) m(
F３) m(
F４) m(
F５) m(
θ)
１ ０．
９０１８ ０．
０２５４ ０．
０１３１ ０．
００５９ ０．
０１４８ ０．
０３９１
２ ０．
０１１８ ０．
９１０４ ０．
０１５５ ０．
０１３５ ０．
００８３ ０．
０４０６

　　 由表４、表５ 可见:样本１ 不平衡故障的频谱诊断 障,从而提高了故障识别的准确率.

置信度为０．８３５６,轴心轨迹诊断置信度为０．４７１８,融
９０１８;样 本 ２ 转 子 不 对 中 故 障 的 频 谱 诊 断
合后为０． [参 　 考 　 文 　 献]
置信度为０．８７８６,轴心轨迹诊断置信度为０． ４１８１,融 [
１]　 石志标,宋全刚,马明钊,等 ．基于改进粒子群 优 化 支 持

９１０４.因 此,采 用 多 层 信 息 融 合,较 单 一

合后为 ０． J]．动 力 工 程 学 报,
向量机的汽轮机组故障诊断[ ２０１２,

特征征兆信 息 诊 断 准 确 率 显 著 提 高,体 现 了 BP 神 ３２(

６):
４５４
Ｇ５６２．
SHIZh
ibao,
i SONG Quangang,MA Mi
ngzhao,
eta
l．
经网络和证据理论融合诊断的可行性.且当转子出
Fau
ltd
iagno
siso
fst
eamt
urb
ineba
sedon MPSOＧSVM
现动静碰磨 F３ 或油膜 涡 动 F４ 故 障 时,由 于 其 轴 心
a
lgo
rihm[
t J]．
Powe
rEng
ine
erng,
i ２０１２,
３２(
６):
４５４
Ｇ５６２．
轨迹特征征兆表现均 为 内 ∞ 字 形,单 从 轴 心 轨 迹 的
[
２]　 李斌,章卫国,宁东方,等 ．基于神经网络信息 融 合 的 智
特征征兆信息无法 判 断 故 障 类 别,而 采 用 融 合 诊 断 能故障诊断方法 ．[
J]计算机仿真,
２００８,
２５(
６):
３５Ｇ
３７．
方式可准确做出判断,不确定度显著降低. LIB
in,
ZHANG We
iguo,NING Dong
fang,
eta
l．Fau
lt
d
iagno
sist
echno
logyba
sedonneu
ralne
two
rki
nfo
rma
Ｇ
５　 结 　 论 t
ionf
uson[
i J]．
Compu
terS
imu
lat
ion,
２００８,
２５(
６):
３５Ｇ
３７．
对于汽轮机故障特征征兆之间存在的耦合性和 [
３]　Papad
imi
tropou
los A A,Rov
ithak
is G A．Neu
ralap
Ｇ
故障类型与其征兆 之 间 复 杂 的 非 线 性 关 系,如 果 仅 r
pox
ima
tor
sfo
rfau
ltde
tec
tiono
fac
tua
tor
sint
hep
res
Ｇ

采用单一特征征兆 信 息 的 方 法 对 其 进 行 故 障 诊 断, enc
eoff
ric
tion:
thec
aseo
fthedamad
icsbenchma
rk
r
pob
lem [C ]
//Pr
oce
edi
ngs o
f IFAC Sympo
sium
其置信度较低.而结合频谱和轴心轨迹图法从不同
Sa
fep
roc
ess,Wa
shi
ngon,
t USA,
２００３:
１０６５
Ｇ１０７０．
侧面提取故障特征征兆信息,采用多层信息融合后,
(下转第 １４６ 页)
其置信度显著提高,同 时 可 有 效 识 别 出 各 种 典 型 故

　h
ttp:∥www．
rl
fd．
com．
cn　h
ttp:∥r
lfd．
per
iod
ica
ls．
net．
cn　
１４６ 热　力　发　电 ２０１４ 年

及分析系统基于各业 务 生 产 管 理 特 点,构 建 了 ６ 个 [
J]．热力发电,
２０１２(
７):
１０５
Ｇ１０７．
板块 ２９ 家企业的生产监管平台,其中IPAD 移动监 HUANGZh
iyong, i,WANGZh
LAIFe i,
iwe e
tal．
Rea
lＧ

管功 能 使 得 通 过 集 团 的 VPN 帐 号,可 对 各 板 块 总 t
ime mon
ito
ring sy
stem manu
fac
tur
edf
rom Yued
ian
[
J]．
The
rma
lPowe
rGene
rat
ion,
２０１２(
７):
１０５
Ｇ１０７．
貌、生产流程画面及参数、生产经营指标进行实时浏
[
４]　 王智微,褚贵宏,胡洪华,等 ．华能国际火电运 行 指 标 监
览和分析.该系统显著提高了集团公司对下属公司
J]．电力信息化,
管系统的研究开发[ ２００６(
６):
５１Ｇ
５３．
生产集中管理和控 制 水 平,并 为 集 团 公 司 生 产 管 理
WANG Zh i,CHU Gu
iwe ihong,HU Honghua,
eta
l．
决策提供数据.
Re
sea
rchand de
vel
opmen
tof HuanengI
nte
rna
tiona
l
Powe
rOpe
rat
ioni
ndex mon
ito
ringsy
stem[
J]．
Ele
ctr
ic
[参 　 考 　 文 　 献] Powe
rIn
forma
tionTe
chno
logy,
２００６(
６):
５１Ｇ
５３．
[
１]　 马瑞瑞,褚贵宏,刘振宇,等 ．华能吉林公司生 产 实 时 监 [
５]　 葛新,杨东,王 毅,等 ．面 向 电 力 企 业 的 实 时/历 史 数 据
J]．热力发电,
管系统[ ２０１２(
８):
８３Ｇ
８５． J]．热力发电,
库系统研究与开发[ ２０１０(
４):
９１Ｇ
９４．
MA Ru
iri,CHU Gu
u ihong,LIU Zhenyu,
eta
l．Re
alＧ n,YANG Dong,WANG Yi,
GE Xi eta
l．S
tudyonand
t
imemon
ito
ringsy
stemf
orp
roduc
tiono
fHuanengJ
iＧ de
vel
opemen
tofr
eal
Ｇt /h
ime i
sto
ricda
taba
sesy
stemo
riＧ
l
in powe
r gene
rat
i ompany [
on c J]．The
rma
l Powe
r en
tedt
opowe
rindus
try[
J]．The
rma
lPowe
r Gene
raＧ
Genen
rat
ion,
２０１２(
８):
８３Ｇ
８５． t
ion,
２０１０(
４):
９１Ｇ
９４．
[
２]　 徐创学,刘鲁清,王智微,等 ．区域(省级)发电 公 司 生 产 [
６]　 王毅,葛新,杨东,等 ．面向监控系统的图形组 态 软 件 设
J]．热力发电,
实时监管系统的研发[ ２０１２(
３):
７Ｇ１１． J]．热力发电,
计与实现[ ２０１２(
７):
９６Ｇ
１００．
XU Chuangxue,
LIU Luq
ing,WANGZh i,
iwe e
tal．
DeＧ WANG Yi,GE Xi
n,WANG Dong,
eta
l．De
signand
ve
lopmen
tofr
eal
Ｇtimesupe
rvi
sor s
ysytemf
orr
egi
ona
l imp
lemen
tat
iono
fgr
aph
ica
lcon
figu
rat
ions
oftwa
reo
riＧ
(
prov
inc
iall
e l)powe
ve rgene
rat
i ompany[
onc J]．
The
rＧ en
tedt
omon
ito
ringsy
stem[
J]．
The
rma
lPowe
rGene
rＧ
ma
lPowe
rGenen
rat
ion,
２０１２(
３):
７Ｇ１１． a
tion,
２０１２(
７):
９６Ｇ
１００．
[
３]　 黄志勇,赖菲,王智微,等 ．粤电集团生产实时 监 测 系 统

􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒􀤒
(上接第 １４２ 页)
[
４]　 张冉,赵成龙 ．改进 BP 网 络 在 汽 轮 发 电 机 组 故 障 诊 断 f
aul
tsd
iagno
sisba
sedon wave
letpa
cke
tana
lys
isand
中的应用 ．[
J]计算机仿真,
２０１１(
７):
３２５
Ｇ３２８． i
nfo
rma
tionf
usi
ont
echno
logy[
J]．Tu
rbi
ne Te
chno
loＧ
ZHANG Ran,ZHAO Cheng
long．App
lic
ati
on o
fimＧ gy,
２０１０,
５２(
４):
３００
Ｇ３０２．
r
povedBPne
two
rki
nfau
ltd
iagno
siso
ftu
rbi
negene
rＧ [
６]　 于刚,徐治皋 ．基于粗糙集约简的信息融合故障 诊 断 研
a
torun
it[
J]．
Compu
terS
imu
lat
ion,
２０１１(
７):
３２５
Ｇ３２８． J]．汽轮机技术,
究[ ２００３,
４５(
５):
３０４
Ｇ３０６．
[
５]　 谷敬佩,梁平 ．基于小波包分析和信息融合技术 的 汽 轮 YU Gang,XU Zh
igao．Re
sea
rch on f
aul
tdi
agno
sis
机转子故 障 诊 断 [
J]汽 轮 机 技 术,
２０１０,
５２(
４):
３００
Ｇ ba
sedonr
oughs
ett
heo
ryandi
nfo
rma
tionf
uson[
i J]．
３０２． Tu
rbi
neTe
chno
logy,
２００３,
４５(
５):
３０４
Ｇ３０６．
GU J
i i,LIANG P
ngpe ing．Tu
rbi
ne r
oto
rvi
bra
tion

　h
ttp:∥www．
rl
fd．
com．
cn　h
ttp:∥r
lfd．
per
iod
ica
ls．
net．
cn