[发明专利]基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法

摘要

本发明公开了一种基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法。本发明主要针对的是火力发电机组中的泵机设备，通过经验模态分解对原始信号进行分解得到多个本征模态分量，并利用小波分解克服了EMD分解的模态混叠问题。同时对分解得到的子信号进行平稳性判别，对平稳部分和非平稳部分分别进行特征计算。在特征计算方面，由于泵机的振动信号发生异常时，其频谱特征变化明显，加入了一倍频和二倍频特征。另外，对关键特征进行选择，降低了特征向量的维数，减少了数据的冗余，提高了火力发电机组中泵机设备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，从而保证了发电过程的安全可靠运行并提高了生产效益。

主权项

1.一种基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法，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智能电厂泵机振动信号，分别作为原始振动信号，进行模型训练，包括以下步骤：(1.1)对原始振动信号进行经验模态分解，将每个原始振动信号分解为n个IMF分量。(1.2)对步骤(1.1)中经验模态分解得到的前两个IMF分量进行3层小波包分解。每个IMF分量分解得到了8个子信号，共获得16个子信号。(1.3)对步骤1.2获得的16个子信号的峰峰值x_peak‑peak分别与其原始振动信号的峰峰值X_peak‑peak计算比值，即计算若子信号与原始振动信号峰峰值的比值小于阈值λ，则进行舍弃，该子信号包含的信息忽略不计。保留与原始振动信号峰峰值比值大于等于阈值λ的子信号，设保留下来的子信号的个数为m。其中峰峰值Xpeak‑peak＝Xmax‑Xmin。Xmax子信号的最大值，Xmin子信号的最小值。(1.4)对没有进行小波包分解的n‐2个IMF分量和步骤(3)中保留下来的m个子信号，共m+n‐2个信号x，用AugmentedDickeyFuller(ADF)检验进行平稳性判断，将m+n‐2个信号x分为平稳信号xs和非平稳信号xt。(1.5)对m+n‐2个信号x分别计算原始统计特征。原始统计特征包括：均方根值RMS、偏度Skew、峰峰值Peak‐peak、峰度Kurt、慢特征Slowness、一倍频值f1和二倍频值f2，其中慢特征Slowness为：N为采样点数，Δxi为信号x中的差分。其中，一倍频f1为频谱中频率为泵机驱动转速频率的幅值，二倍频f2为频谱中频率为两倍泵机驱动转速频率的幅值。小波包分解保留下来的子信号为m个，未进行小波包分解的IMF分量为n‐2个，则每个原始振动信号得到的原始统计特征的个数为7×(m+n‐2)。(1.6)针对正常状态下和不同故障状态下的原始统计特征，应用随机森林特征选择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。(1.7)建立故障诊断模型：将(1.6)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随机森林分类器进行训练，得到故障诊断模型。(2)采集智能电厂泵机的振动信号，按照步骤1.1～1.6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。