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.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109297713A(43)申请公布日2019.02.01(21)申请号201810892236.9(22)申请日2018.08.07(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人赵春晖田峰(74)专利代理机构杭州求是专利事务所有限公司33200代理人黄欢娣邱启旺(51)Int.Cl.G01M15/00(2006.01)G06K9/00(2006.01)权利要求书2页说明书8页附图4页(54)发明名称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(57)摘要本发明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。CN109297713ACN109297713A权利要求书1/2页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2CN109297713A权利要求书2/2页分量的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，即不能提取出满足(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，得到n个IMF分量。3.根据权利要求1所述的基于平稳与非平稳振动信号特征选择的汽轮机组故障诊断方法，其特征在于，所述的步骤(1.2)中，对所有