[发明专利]一种面向泵站主设备的智能故障诊断方法

说明书

本发明公开了一种面向泵站主设备的智能故障诊断方法，涉及信号处理领域。所述方法包括：采集待测泵站主设备的待测关键部位在工作状态时的数据信号，将数据信号作为待测试样本；将所述待测试样本输入到VMD‑gcForest诊断模型中，依次进行模态函数频谱图的绘制和多粒度级联森林诊断，得到所述待测试样本对应的工作状态标签，根据所述工作状态标签得到所述待测关键部位的工作状态。本发明解决了现有技术中在原始振动信号提取过程中存在的小波基函数和滤波阈值无法确定的问题；EMD缺乏理论依据、端点效应、模态混叠的问题；现有基于原始振动信号的故障诊断方法调参极其复杂、计算耗时巨大且诊断效果准确率低的问题。

技术领域

本发明涉及信号处理领域，尤其涉及一种面向泵站主设备的智能故障诊断方法。

背景技术

泵站机组不同于其他常规旋转机械，其振动除了受到自身机械系统性能影响外，还同时受到水、机、电等多种因素的影响。泵站机组中各部件的性能在运行过程中逐渐退化，可能出现如轴承损伤、联轴器对中不良、转子叶轮不平衡、设备基础刚性下降(地脚松动)、电动机转子碰摩等各类机械磨损或故障，造成设备运行效能降低，严重时可能导致灾难性事故。能够诱发机组振动故障的振源类型繁多，且不同振源之间彼此联系、相互作用，因此，泵站机组的振动信号往往呈现强烈的非线性和非稳定性，导致故障征兆信息与故障成因之间的映射关系不够清晰。

由于泵站机组的振动信号大多为多分量的调幅-调频信号，且振动信号的非线性和非稳定性强烈，因此很难从原始的振动信号中提取特征。现有基于泵站机组的原始振动信号进行故障诊断的方法中常采用经典信号处理手段，如小波变换、经验模态分解(Empirical Mode Decomposition，简称EMD)从泵站机组原始振动信号中提取特征，然后将提取的特征带入分类器进行故障分类，虽然基于小波变换和EMD等诊断技术已经有了大量成功的应用，但仍存在一些缺陷：小波分析中小波基函数和滤波阈值的确定问题，EMD缺乏理论依据、端点效应、模态混叠等问题，需要进一步完善。

虽然随着深度学习的发展，基于深度神经网络的端到端的模式识别方法也成功地应用到了故障诊断领域，但直接利用深度神经网络对原始振动信号进行端到端的特征提取和故障分类，不仅理论分析困难，调参极其复杂，计算耗时巨大，并且有时并不能取得很好的诊断效果。

发明内容

本发明的目的在于提供一种面向泵站主设备的智能故障诊断方法，从而解决现有技术中在原始振动信号提取过程中存在的小波基函数和滤波阈值无法确定的问题；EMD缺乏理论依据、端点效应、模态混叠的问题；现有基于原始振动信号的故障诊断方法调参极其复杂、计算耗时巨大且诊断效果准确率低的问题。

为了实现上述目的，本发明所述面向泵站主设备的智能故障诊断方法，所述方法包括：

S1，采集待测泵站主设备的待测关键部位在工作状态时的数据信号，将数据信号作为待测试样本；

S2，将所述待测试样本输入到VMD-gcForest诊断模型中，依次进行模态函数频谱图的绘制和多粒度级联森林诊断，得到所述待测试样本对应的工作状态标签，根据所述工作状态标签得到所述待测关键部位的工作状态；

所述VMD-gcForest诊断模型包括变分模态分解模块和多粒度级联森林诊断模型；

变分模态分解模块中集成变分模态分解方法；

所述多粒度级联森林诊断模型的构建方法为：

S01，获取泵站主设备的多个关键部位处于正常工作工况和多种故障状态工况的数据信号，建立有工作状态标签的样本数据集；所述工作状态标签包括故障类型标签和正常工作状态标签；

S02，将所述样本数据集中的数据信号经过多粒度扫描阶段实现特征转换，再经过级联森林结构进行有监督的逐级训练，得到多粒度级联森林诊断模型。