ARMA模型用于机组振动趋势预测研究.pdfVIP

ARMA模型用于机组振动趋势预测的研究 刘占生王晓伟府东明 2) (哈尔滨工业大学能源科学与工程学院哈尔滨15000 摘要：汽轮发电机组的状态监测与故障诊断技术对于汽轮发电机组的安全、经济运行及制定科学的维修制度具有 重要的意义。振动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。论文提出采用时间序列ARMA 模型进行趋势预测。模型参数估计使用了方法简单、参数估计无偏、精度高的最小二乘法。通过现场实测数据进 行验证，计算结果表明AP4HA模型能够很好地拟合振动信号时间序列并取得了一定的预测精度，可以达到预测要求。 关-词：时间序列ARMA模型’习是 对于汽轮发电机组的轴系统来说虽然其故障原因很多，但其外在表现主要是以机组的振动体 现出来的。汽轮发电机组的故障一般具有一定的时延性，即从原发性故障到系统故障的发生、发 展与形成，是一个渐变过程。表现在振动幅值上，即机组当时的振动值与其在过去时刻的振动值有 一定的关系，使振幅序列间有一定的关联性，这种关联性是预测的基础。 另外，由于影响汽轮发电机组振动的原因很多，机理又十分复杂，使机组的振动具有一定的 随机性，这种随机性使振幅序列问的关联性减弱，这就决定了汽轮发电机组的振幅值不能准确地 预测，而只能从统计意义上作出最优预测，使预测误差的均方值满足一定的精度要求。 1．时间序列建模的方法和实现过程 由时间序列模型的特性可知，ARMA模型所适合描述的对象应是均值为零的平稳随机序列， 然而实际的建模对象往往既包含平稳的随机部分，又含有确定的非随机分量。因此，在进行时间 序列建模时，首先需要对观测数据序列进行平稳化处理，使非平稳的数据序列转化为均值为零的 平稳随机序列。然后应用模型残差平方和极小的衡量指标，对模型的阶数和参数进行识别。由于 利用解析的方法推测和确定模型的阶数比较困难，因此本文确定模型的阶数采用试凑法，从一个 较低的阶数开始，逐步增加阶数，并对相应模型的参数进行辨识，直到所建立的模型精度满足要 求为止。建模的一般流程可用图3．1表出。 图3-I时间序列的建模过程 ．262． 2．时间序列的平稳化 上述讨论的参数估计的前提是所获取的时间序列是平稳、正态分布的序列。对于监襁4现场而 言，当机组处于稳定、正常运转时，所取得的数据符合平稳时间序列的要求，但是如果机组存在 某一种隐患而且情况在不断恶化，则振数据序列中包含非随机的时变趋势项，序列为非平稳的。 这种情况下，显然不能直接采用ARMA建模方法，必须经过适当的变换提取其中的趋势变化， 获得平稳时间序列，然后再进行建模。 含有一般趋势项的时间序列，可以分解为确定性趋势项部分和平稳随机部分，并分％崾￡彳j建 模。设模型中包含线性趋势项，即有： ‘=成+仰+《 f3．21、 · Ⅳ 1 Ⅳ i：一1y蕾 F：土yi 令 ．Ⅳ智。， ．Ⅳ智(N为数据序列的长度)，则可以得到： ． ∑(‘一i)(f—F) A=立LF——一 ∑(f一丁)2 扛1 f3-22、 缸、=i一氇j (3-23) 从数据序列‘中减去反+反‘就可得均值为零的平稳序列‘。 3．模型参数估计 本文采用参数的先后估计法，对于如式(3—25)所示的ARMA(n，m)模型，参数 ‘=∑仍‘一．一∑Bq．』+q ‘21 J51 (3-25)