基于小波包与改进DE-ELM的汽轮机振动故障诊断研究

作     者：迟警 

作者单位：东北电力大学 

学位级别：硕士

导师姓名：焦圣喜

授予年度：2016年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

主      题：振动故障 最优小波包基 “小波包-能量谱” IMDE-ELM分类器 

摘      要：汽轮机是发电厂在生产过程中的重要部件,主要被用作生产过程中的热力发动机,将煤燃烧后获得的热能转换成为旋转部件的机械能、进而经发电机转换成为电能。其高效且稳定的工作是电厂中经济生产的重中之重。伴随着电厂设备不断地向大机组、高参数的方向去发展,设备的复杂程度与自动化水平也日益增高。因此,为确保设备安全运转,降低安全费用,提高设备使用率,必须采取有效的方法对汽轮机组进行状态检测与故障诊断。本文采用小波包分析的方法,对于汽轮机的振动信号包含大量的突变和短时冲击成分的特点对典型的去噪方法实施改进,采用基于Shannon熵的最优小波包结合不同的频段阈值选取的方式对振动信号进行去噪处理,取得了良好的效果。并利用“小波包—能量谱的方法对去噪后的信号进行了分解,并把各个频段的节点单独的进行重构获得重构数据的能量,并进行归一化处理得到振动信号的振动征兆,构建出汽轮机振动故障的特征。极限学习机相比其他的分类网络具有速度快且泛化能力好的优势,但它的输入权值与隐含层偏置是进行随机选取的,并不能确保其最优,所以利用改进后差分进化算法(IMDE)的整体搜索与快速进化的优点,对极限学习机进行了优化,设计了IMDE-ELM分类器。依据汽轮机的振动故障特征表采用IMDE-ELM分类器模型对汽轮机的振动状态进行训练与识别。通过Matlab软件进行程序的编写,并对诊断结果加以仿真对比。仿真结果表明：IMDE-ELM模型的诊断速度相比其他模型更快,且诊断精度可以达到100%。该模型可以被用作汽轮机振动状态的识别与分类,为汽轮机的振动故障诊断研究提供了坚实的理论基础。