基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法技术

本发明专利技术公开了一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法。本发明专利技术针对的是火力发电汽轮机组中汽轮机，结合运用集成经验模态分解(EEMD)和递归特征消除方法，详细分解与提取了平稳与非平稳信号的关键特征，用于汽轮机振动信号的故障诊断。本发明专利技术充分考虑了汽轮机振动信号的非平稳并夹杂大量噪声等特性，充分挖掘了故障数据所包含的潜在信息，针对平稳和非平稳数据分别提取了特征，克服了非平稳数据特征易被掩盖的问题。同时提取了关键特征，降低了特征向量的维数，减少了数据的冗余，提高了汽轮机振动信号故障诊断的准确率，有助于现场工程师对故障进行准确的修复，从而保证了发电机汽轮机设备的安全可靠运行并提高了生产效益。

【技术实现步骤摘要】
一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法
本专利技术属于振动信号的故障诊断
，特别是针对一种面向火力发电机组汽轮机主机的基于平稳与非平稳振动信号特征选择的故障诊断方法。
技术介绍
随着社会的进步和科技的发展，人们对于电的需求量也越来越多。其中燃煤发电是我国主要的发电方式之一。近年来，随着发电行业结构的调整，大容量、高参数、低能耗的大型机组逐渐取代高能耗小型机组，随之而来的是工业过程也变得愈加的复杂。作为燃煤发电的主要设备，汽轮机主机能否安全运行影响着整个燃煤发电机组的运行状况，一旦汽轮机发生故障，极可能导致整个发电机组全线停机，对工业生产和日常生活带来极大的不便。汽轮机主机设备结构复杂，参数众多且相互影响，对汽轮机状态的有效监测一直是人们关注的焦点。由于振动对于汽轮机组状态的灵敏性，当汽轮机组发生异常或故障时，机组的振动上往往会立即有所反应，因此对振动信号的分析是监测汽轮机运行状态的一种重要手段，有助于对故障进行早期的分析和诊断，及时采取相应的措施。然而，由于汽轮机工作环境较为复杂恶劣，汽轮机组主机上的振动是由多种激励源共同作用的结果，因此振动信号中包含有大量的噪声，具有十分强烈的非线性和非平稳性的特点，难以直接利用振动信号提取特征并建模。因此，对于振动信号的故障诊断，首先需要对信号进行预处理，将信号分解成多个简单子信号，子信号包含的成分单一，易于提取关键的故障特征。然后对信号的关键特征进行选择，挑选出能反映故障信息的关键特征。前人已对基于振动信号的故障诊断做出了相应的研究。其中，经验模态分解(EMD)，小波分解(WT)，傅里叶变换等多种时频信号处理的方法已经被广泛应用于振动信号的预处理以及信号的分解。在特征提取方面，用于衡量信号在不同尺度上的能量分布的能量熵受到了广泛的应用。然而只提取单一的特征，往往不能全面的反映真实的故障信息。而如果对所有子信号均计算多个特征，则会造成特征的冗余，很多特征中并没有包含关键的故障信息，甚至会由于不相关信息过多从而掩盖真实的故障信息。因此需要建立一个多特征选择的模型，既可以提取出关键的故障信息，又能减少信息的冗余。本专利技术针对火力发电机组汽轮机主机的振动信号提出了一种基于平稳与非平稳振动信号特征选择的故障诊断方法。该方法首先利用集成经验模态分解对汽轮机轴系的振动信号进行预处理，将原始信号分解为多个IMF分量，然后对所有IMF分量计算多个统计特征，再利用递归特征消除算法进行关键特征选择，消除了特征冗余，并利用关键特征建立故障诊断模型，大大提高了汽轮机运行过程在线故障诊断的性能。尚未见到与本专利技术相关的研究报道。
技术实现思路
本专利技术的目的在于针对大型燃煤发电机组中汽轮机主机这一主要设备，提供了一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断的方法。本专利技术的目的是通过以下技术方案实现的：一种面向汽轮机主机的基于平稳与非平稳振动信号特征选择的故障诊断方法，具体包括以下步骤：(1)采集正常状态下和不同故障状态下的汽轮机主机振动信号，作为原始振动信号，进行模型训练，包括以下步骤：(1.1)对原始振动信号进行集成经验模态分解，将原始的振动信号分解为n个IMF分量。(1.2)对n的IMF分量进行平稳性判别，将IMF分量分为p个平稳IMF分量和q个非平稳IMF分量两部分。(1.3)对平稳IMF分量和非平稳IMF分量分别计算原始统计特征。原始统计特征包括：均方误差RMS、峰度Kurt、偏度Skew、峰峰值Peak-peak、峰值系数Cf、慢特征Slowness、相关系数Corcoef，其中慢特征Slowness为：N为采样点数，Δxi为信号x中的差分。平稳IMF分量原始统计特征的个数为7×p，非平稳IMF分量原始统计特征的个数为7×q。(1.4)针对每个状态下(状态包括正常状态、不同故障状态)的原始统计特征，应用递归特征消除算法分别对平稳信号xs和非平稳信号xt进行特征选择，选择出ks个平稳信号的关键特征和kt个非平稳信号的关键特征。(1.5)建立故障诊断模型：将(1.4)中选择出的ks个平稳信号的关键特征和kt个非平稳信号的关键特征输入到梯度提升树分类器中进行训练，得到故障诊断模型。(2)采集汽轮机主机的振动信号，按照步骤1.1～1.4选择出特征重要性最高的ks个平稳信号的关键特征和kt个非平稳信号的关键特征，将关键特征输入到故障诊断模型进行故障诊断。其中，步骤(1.1)中集成经验模态分解的步骤具体如下：(1.1.1)向原始信号中加入正态分布的白噪声序列。将加入白噪声之后的信号通过经验模态分解，分解成n个IMF分量。(1.1.2)重复步骤(1.1.1)K-1次，每次加入新的白噪声序列，并得到n个IMF分量：其中i∈1,2,…n，表示第i个分量，j表示第j次执行模态分解；(1.1.3)最终得到的IMF分量为I1,I2,I3,…Ii,…In，其中K表示模态分解的执行次数。其中经验模态分解的步骤如下(a)找出原始振动信号x(t)的所有极大值点和极小值点，将其极大值点和极小值点分别用三次样条曲线连接起来，组成上下包络线，上包络线和下包络线之间包含的是原始数据，求取上下包络线的均值线m1，计算信号的差值序列为h1＝x(t)-m1。(b)判断h1是否满足本征模态分量的两个条件：(1)极值点个数和过零点个数相同或最多只相差一个。(2)差值序列局部极大值和局部极小值的两条包络线的均值在任一点处为零。如果h1不满足这两个条件，则重复执行(a)，将h1作为原始序列，直到得到满足本征模态分量的h1k为止。(c)将第一个本征模态分量记为c1＝h1k，得到的余项r1＝x(t)-c1，将r1作为新的原始数据，重复步骤(a)～(b)，直到第n个余项rn为单调函数，直到不能提取出满足(b)中两个条件的IMF分量时结束。最后得到将原始信号分解成为残差和n个本征模态分量的和。进一步地，步骤1.2中对IMF分量进行平稳性判别，具体的方法是应用AugmentedDickeyFuller(ADF)检验对所有的IMF分量进行平稳性判别，从而将IMF分量分为p个平稳IMF分量和q个非平稳IMF分量两部分,得到n个IMF分量。进一步地，步骤(1.3)中，RMS为均方根值，表征信号的平均功率；Kurt为峰度，反映信号峰部的尖度；Skew为偏度，反映信号的偏向方向和程度；Peak-peak为峰峰值，反映信号波动范围的大小；cf为峰值系数，是峰值与有效值之比；Slowness反映了信号变化的快慢；Corcoef为相关系数。具体公式计算如下：Peak_peak＝xmax-xmin(4)Corcoef＝cor(x,xi)(7)其中，公式(1)中xi为信号x中第i个振动信号的幅值，x＝{x1,x2,…,xN}；公式(2)中的μ为信号x的均值，σ为信号x的标准差；E表示期望函数；公式(4)中的xmax为振动信号的最大值，xmin为振动信号的最小值；公式(5)中的rms即为公式(1)中计算的均方根值；公式(7)中的cor为皮尔逊相关系数的计算公式，x为原始信号，xi为当前IMF分量。进一步地，步骤1.4中，递归特征消除算法的具体步骤为：每次运算是对l个特征中的一个特征F进行舍弃，然后将舍弃特征后l-1个特征的分本文档来自技高网...

【技术保护点】
1.一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法，其特征在于，包括以下步骤：(1)采集正常状态下和不同故障状态下的汽轮机主机振动信号，作为原始振动信号，进行模型训练，包括以下步骤：(1.1)对原始振动信号进行集成经验模态分解，将原始的振动信号分解为n个IMF分量。(1.2)对n的IMF分量进行平稳性判别，将IMF分量分为p个平稳IMF分量和q个非平稳IMF分量两部分。(1.3)对平稳IMF分量和非平稳IMF分量分别计算原始统计特征。原始统计特征包括：均方误差RMS、峰度Kurt、偏度Skew、峰峰值Peak‑peak、峰值系数Cf、慢特征Slowness、相关系数Corcoef，其中慢特征Slowness为：

【技术特征摘要】
1.一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法，其特征在于，包括以下步骤：(1)采集正常状态下和不同故障状态下的汽轮机主机振动信号，作为原始振动信号，进行模型训练，包括以下步骤：(1.1)对原始振动信号进行集成经验模态分解，将原始的振动信号分解为n个IMF分量。(1.2)对n的IMF分量进行平稳性判别，将IMF分量分为p个平稳IMF分量和q个非平稳IMF分量两部分。(1.3)对平稳IMF分量和非平稳IMF分量分别计算原始统计特征。原始统计特征包括：均方误差RMS、峰度Kurt、偏度Skew、峰峰值Peak-peak、峰值系数Cf、慢特征Slowness、相关系数Corcoef，其中慢特征Slowness为：N为采样点数，Δxi为信号x中的差分。平稳IMF分量原始统计特征的个数为7×p，非平稳IMF分量原始统计特征的个数为7×q。(1.4)针对每个状态下(状态包括正常状态、不同故障状态)的原始统计特征，应用递归特征消除算法分别对平稳信号xs和非平稳信号xt进行特征选择，选择出ks个平稳信号的关键特征和kt个非平稳信号的关键特征。(1.5)建立故障诊断模型：将(1.4)中选择出的ks个平稳信号的关键特征和kt个非平稳信号的关键特征输入到梯度提升树分类器中进行训练，得到故障诊断模型。(2)采集汽轮机主机的振动信号，按照步骤1.1～1.4选择出特征重要性最高的ks个平稳信号的关键特征和kt个非平稳信号的关键特征，将关键特征输入到故障诊断模型进行故障诊断。2.根据权利要求1所述的故障诊断方法，其特征在于，所述步骤(1.1)中，集成经验模态分解的具体方法如下：(1.1.1)向原始信号中加入正态分布的白噪声序列，将加入白噪声之后的信号通过经验模态分解，分解成n个IMF分量。(1.1.2)重复步骤(1.1.1)K-1次，每次加入新的白噪声序列，并得到n个IMF分量：其中i∈1,2,…n，表示第i个分量，j表示第j次执行模态分解；(1.1.3)最终得到的IMF分量为I1,I2,I3,…Ii,…In，其中，K表示模态分解的执行次数。其中，经验模态分解的步骤如下(a)找出原始振动信号x(t)的所有极大值点和极小值点，将其极大值点和极小值点分别用三次样条曲线连接起来，组成上下包络线，上包络线和下包络线之间包含的是原始数据，求取上下包络线的均值线m1，计算信号的差值序列为h1＝x(t)-m1。(b)判断h1是否满足本征模态分...

【专利技术属性】
技术研发人员：赵春晖，田峰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33