摘 要

汽轮机组是一种重要的发电设备，随着设备运行时间的不断增长，各零部件之间的磨损日益严重。零部件机械性能的恶化势必会影响汽轮机的安全性。若汽轮机组不幸发生事故，就会影响人们的生活。在这样的背景下，监测汽轮机的运行状态可以指导设备的维修与保养，在发生故障之前看到潜在的隐患。由此可见，汽轮机的PHM预测技术研究具有十分重要的意义。

本文简要介绍了油液监测技术的基本方法和数据挖掘的基本过程，详细介绍了支持向量机（SVM）方法，运用matlab，对油液数据进行聚类分析，通过观察聚类分析的结果找到了汽轮机负荷与4μm，6μm颗粒物污染度的大致规律，通过训练分类模型来判断，预测汽轮机的工作状态。

关键词：油液监测，数据挖掘，支持向量机，聚类分析

Abstract

The steam turbine power plant is an important power generation equipment.As the growing running time of the equipment，the wear and tear between its components is getting more serious.The suffering of the mechanical deterioration will affect the safety of the steam turbine.If the steam turbine has an accident unfortunately，people’s life would be affected.In this context，monitoring the state of runtime machine can guide the maintenance of the equipment and see the potential pitfalls before they fail. It can be seen that the PHM prediction technology of steam turbine is of great significance.

This paper briefly introduces the basic methods of oil monitoring technology and the basic process of data mining. It introduces the support vector machine (SVM) method and does cluster analysis of oil data. The results of cluster analysis was observed. The regulation of steam turbine load variation and 4μm, 6μm particle contamination degree was found. By training the classification model，the working state of the turbine can be judged and predicted.

Key words：oil monitor，data mining，support vector machine，cluster analysis

目 录

摘 要 I

第1章 绪论 1

1.1 课题的目的与意义 1

1.2 国内外研究现状分析 1

1.3 故障预测方法 2

1.4 本文的主要内容 2

第2章 油液监测技术介绍 4

2.1 概述 4

2.2 油液监测技术主要方法 4

2.2.1润滑油理化性能监测 4

2.2.2 原子光谱技术 4

2.2.3 铁谱分析技术 4

第3章 数据挖掘 5

3.1 数据挖掘概述 5

3.2 数据准备 5

3.3 数据挖掘方法 6

第4章 支持向量机原理 7

4.1 支持向量机简介 7

4.2 统计学习理论 7

4.3 支持向量机的分类问题 8

4.3.1 分类问题概述 8

4.3.2 线性可分问题 8

4.3.3 线性不可分问题 11

4.3.4 线性多类分类问题 12

4.3.5 非线性分类问题 12

第5章 油液数据分析 14

5.1 油液数据的初步挖掘 14

5.2 油液数据的聚类分析 14

5.2.1 k-means聚类简介 14

5.2.2 对油液数据进行聚类分析 15

5.3 构建SVM分类模型 17

5.3.1 libsvm简介 17

5.3.2分类模型的建立 18

第6章 结论与展望 21

6.1 结论 21

6.2 展望 21

致谢 22

参考文献 23

第1章 绪论

1.1 课题的目的与意义

随着现代科技的迅速发展，组成工业设备的系统正在变的越来越复杂，复杂的系统必然导致其生产，研发难度的加大，以及保养，维修的成本大幅度提高。与此同时，复杂的组成也会导致系统发生故障的概率增大，系统随时可能面临失效的危险。一旦设备失效，则很可能会造成巨大经济损失甚至威胁到我们的人身安全。因此，对于复杂系统的诊断与维护变得非常重要。我们希望能够在设备或系统发生故障之前就能够预见到设备或系统很可能即将出现问题。正是在这种原因下，故障预测和健康管理（PHM）被更多的人所重视和应用。

PHM技术在军用装备中最先得到使用，在飞机，飞行器，核反应堆等复杂系统和设备中得到应用。PHM包含两方面内容，其一是预测，其二是健康管理。预测是指由现在或历史数据预测设备未来的工作状况，而健康管理则是根据预测信息和使用要求对维修活动作出适当决策。很显然，将PHM技术应用于工业设备，会使工业设备的可靠性得到大幅提升，也会使维护成本大幅度降低。

汽轮机是利用蒸汽的热能使汽轮机转子旋转而产生机械能的回转式机械，主要用于发电，也可以直接驱动各种泵，风机，压缩机和船舶螺旋桨等。是一种重要的工程机械，在实际工作中，常常会出现各种各样的故障，因此，对汽轮机应用PHM技术来评估其运行状态可以降低发生故障的几率，具有重要意义。

1.2 国内外研究现状分析

PHM技术在国外已经得到了广泛的应用。欧洲等国将PHM技术应用到直升机上，出现了称作“健康与使用监控系统”（HUMS）的集成应用平台。美国国防部新一代HUMS-JAHUMS全面地应用了PHM技术和开放灵活的系统结构。法国的贝尔实验室、可靠性中心、国家工业协会等机构对故障数据的研制阶段传统可靠性进行修正^[1]。加拿大的多伦多大学CBM重点实验室的Jardine、Makis等教授采用基于比例风险模型开发了EXAKT软件用于维修优化决策，装备定寿、延寿的专业软件。Oceana 传感器公司在F-35战斗机上成功研发出了用于PHM监测系统的智能无线网络传感器^[2]。

国内的PHM技术研究主要集中在航天领域，北京航空航天大学的曾声奎等人提出人-机-环境认知模型就是对故障诊断预测的完整定量分析研究^[3]；哈尔滨工业大学在航天器的集成PHM系统技术研究上有所深入^[4]；空军工程大学张亮率先在国内提出了战斗机载PHM体系结构，并设计了故障诊断、预测及异常值监测推理机^[5]；空军工程大学的景博则在电子系统故障预测四种方法基础上，PHM的关键技术上实现了突破^[6]。

1.3 故障预测方法

故障预测的方法有很多，比如“基于时间的预测”，“基于早期微小故障的预测”，“基于定性分析的预测”，“基于状态信息的预测”，“基于异常现象信息的预测”，“基于使用环境信息的预测”，“基于数据驱动的预测”等等。本文采用的是“基于数据驱动预测”这一方式。这种方法根据现在数据或者历史数据对借助智能算法模型对未来数据进行预测，以当前或历史数据中的输入量，输出量为样本，寻找输出量与输入量之间的关系，进而通过未来数据的输入量，对未来的输出量作出预测，进而借助PHM技术对维修活动作出决策。数据驱动方法主要有时间序列，灰色理论，机器学习，多元统计分析，和粗糙集等。