基于局部线性嵌入和云神经网络的转子故障诊断方法.pdfVIP

振　动　与　冲　击 第３１卷第２３期 ＪＯＵＲＮＡＬＯＦＶＩＢＲＡＴＩＯＮＡＮＤＳＨＯＣＫ Ｖｏｌ．３１Ｎｏ．２３２０１２　  基于局部线性嵌入和云神经网络的转子故障诊断方法 孙　斌，薛广鑫，陈　军，蒋能飞 （东北电力大学 能源与动力工程学院，吉林　１３２０１２） 　　摘　要：提出一种基于流形学习的汽轮机转子故障诊断方法。利用振动信号构造一个能够表示该信号的矩阵作 为流形学习的输入数据，使用局部线性嵌入算法对矩阵进行维数约简，实现了高维数据向低维空间的嵌入，从而有效提取 了故障特征。使用云神经网络分类器测试ＬＬＥ算法输出维数大于３时的故障诊断率，并分析了各个参数对诊断率的影 响。该方法克服了在样本较少的情况下故障诊断的困难，能在有限的故障数据中发掘故障特征并进行故障诊断。 关键词：故障诊断；振动信号；流形学习；局部线性嵌入；云神经网络 中图分类号：ＴＫ２８８　　　文献标识码：Ａ Ａｍｅｔｈｏｄｆｏｒｒｏｔｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｌｏｃａｌｌｉｎｅａｒｅｍｂｅｄｄｉｎｇａｎｄｃｌｏｕｄｎｅｕｒａｌｎｅｔｗｏｒｋ ＳＵＮＢｉｎ，ＸＵＥＧｕａｎｇｘｉｎ，ＣＨＥＮＪｕｎ，ＪＩＡＮＧＮｅｎｇｆｅｉ （ＳｃｈｏｏｌｏｆＥｎｅｒｇｙａｎｄＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｅａｓｔＥｌｅｃｔｒｉｃａｌＰｏｗｅｒＵｎｉｖｅｒｓｉｔｙ，Ｊｉｌｉｎ１３２０１２，Ｃｈｉｎａ） 　　Ａｂｓｔｒａｃｔ：　Ａｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎｌｏｃａｌｌｉｎｅａｒｅｍｂｅｄｄｉｎｇ（ＬＬＥ）ｗａｓｐｒｏｐｏｓｅｄｈｅｒｅｔｏｄｅａｌｗｉｔｈｔｕｒｂｉｎｅ ｒｏｔｏｒｆａｕｌｔ，ａｆｅａｔｕｒｅｍａｔｒｉｘｗａｓｂｕｉｌｔｗｉｔｈｏｒｉｇｉｎａｌｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓａｓｔｈｅｉｎｐｕｔｄａｔａｏｆｍａｎｉｆｏｌｄｌｅａｒｎｉｎｇ，ａｎｄｔｈｅｈｉｇｈｅｒ ｄｉｍｅｎｓｉｏｎａｌｄａｔａｗｅｒｅｅｍｂｅｄｄｅｄｉｎｔｏｔｈｅｌｏｗｅｒｄｉｍｅｎｓｉｏｎａｌｓｐａｃｅ，ｔｈｅｄｉｍｅｎｓｉｏｎａｌｉｔｙｒｅｄｕｃｔｉｏｎｗａｓｐｅｒｆｏｒｍｅｄｗｉｔｈＬＬＥ ａｌｇｏｒｉｔｈｍ．ＴｈｅｒａｔｅｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓｗａｓｃａｌｃｕｌａｔｅｄｗｉｔｈｃｌｏｕｄｎｅｕｒａｌｎｅｔｗｏｒｋｗｈｅｎｔｈｅｏｕｔｐｕｔｄｉｍｅｎｓｉｏｎａｌｉｔｙｏｆＬＬＥ ａｌｇｏｒｉｔｈｍｗａｓｇｒｅａｔｅｒｔｈａｎ３，ａｎｄｔｈｅｅｆｆｅｃｔｓｏｆｔｈｅｐａｒａｍｅｔｅｒｓｏｎｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｒａｔｅｗｅｒｅａｎａｌｙｚｅｄｈｅｒｅ．Ｉｔｗａｓｓｈｏｗｎ ｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｏｖｅｒｃｏｍｅｄｉｆｆｉｃｕｌｔｉｅｓｔｏｆｉｎｄｔｈｅｆａｕｌｔｆｅａｔｕｒｅｓｗｉｔｈｉｎｔｈｅｆｉｎｉｔｅｆａｕｌｔｄａｔａ． Ｋｅｙｗｏｒｄｓ：ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｖｉｂｒａｔｉｏｎｓｉｇｎａｌ；ｍａｎｉｆｏｌｄｌｅａｒｎｉｎｇ；ｌｏｃａｌｌｙｌｉｎｅａｒｅｍｂｅｄｄｉｎｇ（ＬＬＥ）；ｃｌｏｕｄｎｅｕｒａｌｎｅｔ ｗｏｒｋ 　　从大量的振动数据中找出有效的特征信息是汽轮 可行；在求解低维嵌入时把问题转化为求解一个稀疏 机运行状态在线监测和故障诊断的一个重要环节，故 矩阵的最小特征值问题，使得 ＬＬＥ算法在运算效率上 障特征提取关系诊断结果的准确程度。传统的转子状 优于其他流形学习方法［６－８］。 态监测和故障诊断方法主要是基于傅里叶变换和小波 本文采用了“原始信号 －构造特征矩阵－数据降 变换理论，傅里叶变换能够计算出信号时域或频域特 维（特征提取）－模式识别”的故障诊断模式，其中“数 征参数的统计结果，却无法同时兼顾时域和频域的全 据降维”采用了局部线性嵌入方法，使用云神经网络完 貌和局部化特征。小波变换在傅里叶变换的基础上增