10
doi :10. 3969/j. issn. 1009 3230. 2015.08. 003
应用能源技术
2015年第8期（总第212期）
基于MATLAB的汽轮机振动故障诊断仿真研究
刘海峰
（广东粤电靖海发电有限公司，广东揭阳515223）
摘要：SOM神经网络是种极具理论与使用价值的分类方法。基于SOM神经网络算法，在小样本情况下对汽轮机机组故障诊断进行了仿真研究，建立了多故障分类器，并将其应用于典型的汽轮机振动故障诊断。结果表明，应用该算法可以正确且快速有效地诊断多类汽轮机故障，可以为现场生产中汽轮机振动故障类型判断提供参考。
关键词：汽轮机组；振动故障；故障诊断;SOM神经网络；多故障分类器
中图分类号：TK263.7文献标志码：B
文章编号：10093230(2015)080010-04
Researchon Simulation ofTurbineVibrationFaultDiagnosis
BasedonMATLAB
LIU Hai-feng,
(Guangdong Yudian Jinghai Power Generation Co.,Ltd.Jieyang 515223, Guangdong
Province, China)
Abstract: SOM neural network is a classification method of theoretical use value highly. Based on SOM neural network algorithm, in the case of small sample turbine fault diagnosis simulation studies, the multi - fault classifier is established, and it is applied to a typical turbine vibration faul diagnosis. The results show that the algorithm can be applied quickly and efficiently diagnose and correct many types of turbine failure, which can determine the type of turbine vibration fault reference in the production site.
Key words: Turbine; Vibration fault; Fault diagnosis; Som neural network; Multi Fault classifier
0引言
汽轮机组目趋高参数、大型化发展，由于其设备结构的复杂性和运行环境的特殊性，因此故障率较高且危害性大，必须加强机组运行的振动监测和故障诊断。引起汽轮机组振动故障的原因有以下几类：轴系质量不平衡、动静摩擦、轴系不对中、气流激振、油膜失稳、部件松动及发电机电磁力不平衡等。在汽轮机组实际运行过程中对振动故障类型进行判断非常困难，因此如何能够根据振动参数对振动故障进行快速、准确的分类，受到了
收稿日期：2015-06-11
修订日期：2015-0710
作者介：刘海峰（1987-），男，工学硕士，主要从事电厂生
产技术工作。
万方数据
国内外的高度重视[1-2]。随着模式识别和计算机技术的迅速发展以及各种先进数学算法的出现，为汽轮机振动故障诊断技术的发展提供了有利的条件。文中利用SOM神经网络以汽轮机典型故障数据样本集为基础建立多故障分类器，并利用新分类器对测试数据进行诊断，结果显示该多故障分类器能够准确诊断振动故障类型，可以为现场生产中汽轮机振动故障类型判断提供参考。
SOM神经网络分类方法 1
1.1SOM神经网络简介
自组织特征映射网络（SOM，Self-Organizing FeatureMap）是由全连接的神经元阵列组成的无导师、自组织、自学习网络。典型的SOM网络结