基于LS?SVM的一次风机振动在线监测及故障预警

摘 要： 针对火电厂一次风机运行工况复杂和多状态变量强耦合特性而难以构建设备精确模型的问题，将智能数据挖掘方法应用于风机设备故障预警和诊断中。通过对风机典型运行特性进行分析，提出一种基于最小二乘支持向量机（LS?SVM）的一次风机振动状态估计和故障预警方法。结合山西河曲发电厂1号机组的1#一次风机历史运行数据，应用Matlab对提出的方法进行验证和分析。研究结果表明，该预测方法有较高的估计精度，能够及时辨别一次风机在运行中的振动异常，适用于火电厂辅机设备的故障诊断，具有一定的工程应用价值。

关键词： 一次风机； 在线监测； 最小二乘支持向量机（LS?SVM）； 故障预警

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2017）07?0120?04

LS?SVM based online monitoring and fault warning method

for primary air fan vibration

OUYANG Gang

（Department of Equipment Management， Jiajie Gas Thermoelectricity Branch Company， Jinneng Electricity Group Co.， Ltd.， Taiyuan 030032， China）

Abstract： Since it is difficult to construct the accurate equipment model due to the complex operation condition of the heat?engine plant′s primary air fan and the strong coupling property of its multi?state variable， the intelligent data mining method is applied to the warning and diagnosis of the air fan equipment. The typical operation characteristic of the air fan is analyzed to propose the primary air fan vibration state estimation and fault warning method based on least?square support vector machine （LS?SVM）. In combination with the historical operation data of the first unit′s 1# primary air fan in Shanxi Hequ Power Plant， the Matlab is used to verify and analyze the method. The study results indicate that the method has high estimation accuracy， can timely identify the abnormal vibration of the operating primary air fan， is suitable for the fault diagnosis of the heat?engine plant′s auxiliary equipment， and has a certain engineering application value.

Keywords： primary air fan； online monitoring； least?square support vector machine； fault warning

0 引 言

一次风机是火力发电厂的重要辅助设备之一，通过提供一定的空气压力和流量的一次风来保证制粉系统的正常输出。在一般情况下，大型风机的振动较为激烈，较易发出噪音，风机更易出现故障。一旦发生故障，主机生产线将会关闭，导致严重的经济损失。故障的发生是一个由产生到发展、从轻微到严重的过程。

多年来，各种在线监测和故障诊断的部署已被广泛应用在火电厂故障监测方面，以确保发电厂安全稳定运行。火电厂故障检测可以通过多种定量或定性的方法实现，包括多变量，如基于模型、基于人工智能方法[1]，以及传统单变量，如基于过程变量的阈值报警技术[2]。

一次风机的运行过程复杂，变量间相互耦合，传统建模方法难以取得理想效果。近年来，已有一些理论上的故障监测方法被提出。多变量状态估计方法被用于设备早期故障征兆的监测[3]，虽然这种方法表现出良好的运行速度，但建模所需要的多工况历史记忆数据是大量的，数据来源是与设备相关的所有测点，如果结构的历史记忆矩阵不完整，估计精度将降低。神经网络也可用于状态预测[4]，但是神经网络基于经验风险最小化准则，会导致过度拟合，泛化能力弱，可能导致故障预警性能变弱。

支持向量机（SVM）在非线性回归估计和时间序列预测中已经成为一种有效的工具[5?6]。SVM采用统计学习理论中的标准化风险最小化的原则，最小二乘支持向量机（LS?SVM）在保留SVM标准风险最小化、小样本和其他特征的基础上，将风险函数转换为最小二乘函数，不等式约束转化为等式约束，把二次优化转化为一个线性方程组问题，大大减少算法的计算复杂度[7]。

本文中，LS?SVM利用设备的正常运行数据，通过分析一次风机运行过程中状态变量之间的相关性，建立非线性估计模型，通过正常运行状态下数据的训练，与振动相关的一次风机的状态变量可以用来估计振动大小。基于相关分析的最小二乘支持向量机估计模型消除了数据冗余，使模型更简洁，同时具有较高的估计精度。