一种风机喘振运行故障识别方法及系统技术方案

本发明专利技术提出了一种风机喘振运行故障识别方法及系统。所述识别方法包括：首先，获取风机设备在工作过程中的现场设备声信号；并对现场设备声信号进行预处理，获得现场设备声信号的二维时频数据；然后，采用CNN网络对所述二维时频数据进行识别，获得第一识别结果；采用LSTM网络对所述二维时频数据进行识别，获得第二识别结果；最后，基于D‑S证据理论，对第一识别结果和所述第二识别结果进行信息融合，获得风机喘振运行故障的识别结果。本发明专利技术利用现场设备声信号进行风机喘振故障诊断，无需在风机上安装传感器，采用卷积神经网络和长短时记忆网络对喘振声信号特征进行故障发生概率诊断，并使用D‑S证据理论进行决策层两个结果的融合诊断，提高诊断的准确率。

【技术实现步骤摘要】
一种风机喘振运行故障识别方法及系统
本专利技术涉及设备故障检测
，特别是涉及一种风机喘振运行故障识别方法及系统。
技术介绍
随着电厂机组的不断扩容，在满足电厂负荷要求的同时，保证各类电力设备稳定运行的需求也随之增高。其中送、引风机、一次风机等风机类设备承担控制炉膛压力，保证锅炉正常运行的任务，是电厂高效率运行的重要辅机设备。当风机设备自身稳定程度较低，或阀门开度发生大幅度波动导致风机运行转速与旋转气流不匹配时，极易喘振故障，导致风机在不稳定区工作，产生具有宽频域、高幅度特点的压力、流量脉动，造成周期性的对流气动噪声。喘振故障给机组的稳定运行带来了极大的安全隐患，故对风机进行运行状态实时监测与喘振故障预警具有十分重要的意义。现有的喘振故障预警的方法主要有，1、通过风机出口调节阀和压力检测装置采集风机的启动信号、炉内燃烧标志、运转电流检测信号、出口压力检测信号、出口调节阀的开度反馈信号，送至计算机控制系统进行计算分析，识别出风机是否出现喘振现象；2、通过对预处理后的语音信号进行谱相减法去噪，采用梅尔频率倒谱系数(MelFrequencyCep本文档来自技高网...

【技术保护点】
1.一种风机喘振运行故障识别方法，其特征在于，所述识别方法包括如下步骤：/n获取风机设备在工作过程中的现场设备声信号；/n对所述现场设备声信号进行预处理，获得现场设备声信号的二维时频数据；/n采用CNN网络对所述二维时频数据进行识别，获得第一识别结果；/n采用LSTM网络对所述二维时频数据进行识别，获得第二识别结果；/n基于D-S证据理论，对所述第一识别结果和所述第二识别结果进行信息融合，获得风机喘振运行故障的识别结果。/n

【技术特征摘要】
1.一种风机喘振运行故障识别方法，其特征在于，所述识别方法包括如下步骤：
获取风机设备在工作过程中的现场设备声信号；
对所述现场设备声信号进行预处理，获得现场设备声信号的二维时频数据；
采用CNN网络对所述二维时频数据进行识别，获得第一识别结果；
采用LSTM网络对所述二维时频数据进行识别，获得第二识别结果；
基于D-S证据理论，对所述第一识别结果和所述第二识别结果进行信息融合，获得风机喘振运行故障的识别结果。


2.根据权利要求1所述的风机喘振运行故障识别方法，其特征在于，所述对所述现场设备声信号进行预处理，获得现场设备声信号的二维时频数据，具体包括：
对所述现场设备声信号进行汉明窗滤波和离散傅里叶变换，获得现场设备声信号的频域数据；
以所述现场设备声信号的时域数据为一个维度，以所述频域数据为另一个维度，建立现场设备声信号的二维时频数据。


3.根据权利要求1所述的风机喘振运行故障识别方法，其特征在于，所述采用CNN网络对所述二维时频数据进行识别，获得第一识别结果，具体包括：
分别采集风机设备正常运行时的正常声信号和风机设备喘振初期运行时的故障声信号，构建正常时频数据集和故障时频数据集；
根据所述正常时频数据集和所述故障时频数据集，对CNN模型进行训练，得到训练后的CNN模型；
将所述二维时频数据输入所述训练后的CNN模型，获得训练后的CNN模型的输出作为第一识别结果。


4.根据权利要求3所述的风机喘振运行故障识别方法，其特征在于，所述根据所述正常时频数据集和所述故障时频数据集，对CNN模型进行训练，得到训练后的CNN模型，具体包括：
初始化CNN模型各层的卷积核权值和加性偏置向量；
将所述正常时频数据集中的正常时频数据和所述故障时频数据集中的故障时频数据分别输入CNN模型的第一卷积层，获取第一卷积层的输出结果；
将第一卷积层的输出结果输入CNN模型的第一池化层，获得第一池化层的输出结果；
将所述第一池化层的输出结果输入CNN模型的第二卷积层，获取第二卷积层的输出结果；
将所述第二卷积层的输出结果输入CNN模型的第二池化层，获取第二池化层的输出结果；
将第二池化层的输出结果输入CNN模型的全连接层，获取CNN模型的输出结果；
计算所述CNN模型的输出结果与目标输出结果的误差，得到CNN预测误差；
判断所述CNN预测误差是否小于第一误差阈值，得到第一判断结果；
若所述第一判断结果表示所述CNN预测误差不小于第一误差阈值，则判断CNN训练次数是否小于第一训练次数阈值，得到第二判断结果；
若所述第二判断结果表示CNN训练次数小于第一训练次数阈值，则更新所述CNN模型各层的卷积核权值和加性偏置向量，返回步骤“将所述正常时频数据集中的正常时频数据和所述故障时频数据集中的故障时频数据分别输入CNN模型的第一卷积层，获取第一卷积层的输出结果”；
若所述第一判断结果表示所述CNN预测误差小于第一误差阈值或所述第二判断结果表示CNN训练次数不小于第一训练次数阈值，则输出训练后的CNN模型。


5.根据权利要求1所述的风机喘振运行故障识别方法，其特征在于，所述采用LSTM网络对所述二维时频数据进行识别，获得第二识别结果，具体包括：
分别采集风机设备正常运行时的正常声信号和风机设备喘振初期运行时的故障声信号，构建正常时频数据集和故障时频数据集；
根据所述正常时频数据集和所述故障时频数据集，对LSTM模型进行训练，得到训练后的LSTM模型；
将所述二维时频数据输入所述训练后的LSTM模型，获得训练后的LSTM模型的输出作为第二识别结果。


6.根据权利要求5所述的风机喘振运行故障识别方法，其特征在于，根据所述正常时频数据集和所述故障时频数据集，对LSTM模型进行训练，得到训练后的LSTM模型，具体包括：
初始化LSTM模型各层的权值和加性偏置向量；
将所述正常时频数据集和所述故障时频数据集分别输入所述LSTM模型的输入层，获取输入层的输出；
将所述输入层的输出输入LSTM模型的第一隐藏层，获取第一隐藏层的输出；
将所述第一隐藏层的输出输入LSTM模型的第二隐藏层，获取第二隐藏层的输出；
将所述第二隐藏层的输出输入LSTM模型的全连接...

【专利技术属性】
技术研发人员：翟永杰，杨旭，彭雅妮，王新颖，张磊，华志刚，章义发，李璟涛，吴水木，
申请(专利权)人：华北电力大学保定，国家电力投资集团有限公司，国家电投集团电站运营技术北京有限公司，
类型：发明
国别省市：河北;13