[发明专利]基于EMD与BA优化SVM的汽轮机转子故障诊断方法

说明书

本发明公开了基于EMD与BA优化SVM的汽轮机转子故障诊断方法，包括：采用转子振动模拟实验台模拟汽轮机转子故障实验，通过电涡流传感器对汽轮机振动的时域信号进行数据采集；采用奇异值分解对时域信号去噪；采用EMD方法将去噪信号分解成若干IMF分量并计算其能量值，构建故障信号的特征向量作为SVM分类器的输入；通过蝙蝠的位置更新方式同步执行SVM的特征选择和参数优化；将特征向量作为SVM分类器的输入,以优化的SVM分类器中决策函数的输出来确定汽轮机的工作状态和故障类型。本发明能准确地完成转子多故障诊断，具有更高的识别率；对故障数据进行预处理，减小了奇异数据和噪声信号的干扰，从而提高了特征提取的真实性。

技术领域

本发明涉及故障诊断技术领域，尤其是涉及一种基于EMD与BA优化SVM的汽轮机转子故障诊断方法。

背景技术

汽轮机是电厂中关键设备，运行过程中通过高频振动传感器对转子状态进行监测。由于转子在高温、疲劳等复杂环境中运转，一旦发生故障危害较大，所以对汽轮机组运转状态的监测和出现故障的准确诊断具有重要意义。

传统的故障诊断方法是通过对故障振动信号进行时域和频域分析,进行汽轮机工作状态的辨识。然而由于负载、摩擦、间隙和噪声等非线性因素对振动信号的不同影响,仅在时域和频域对其工作状态进行精确诊断是比较困难的。针对这一问题，如何实现对汽轮机故障信号的准确诊断和识别尤为关键。

目前，应用于故障诊断的方法主要有神经网络与支持向量机(support vectormachine，SVM)等人工智能方法。支持向量机相比传统的神经网络、逻辑回归，对处理汽轮机故障过程中的小样本数据更具优势。由于支持向量机参数的取值对其学习能力和分类能力有重要影响，所以一些学者利用智能算法对SVM进行参数优化。如通过粒子群算法和蚁群算法等对支持向量机进行参数优化，取得了比较好的诊断效果，但是这些算法比较容易陷入局部最优，搜索到局部极小值，而非全局最优值。因此，有必要提出一种模型简单、搜索能力强、收敛速度快的支持向量机参数优化方法，对SVM的参数进行优化，从而进一步提高汽轮机转子故障诊断的准确率和识别效率。

发明内容

为进一步提高汽轮机转子故障诊断的准确率和识别效率，本发明要解决的技术难点是找到一种收敛速度更快、搜索能力更强、能解决全局优化问题的支持向量机(SVM)参数优化方法。

本发明为实现上述目的所采用的技术方案是：

基于EMD与BA优化SVM的汽轮机转子故障诊断方法，包括如下步骤：

1)故障数据获取：采用转子振动模拟实验台模拟汽轮机转子故障实验；通过电涡流传感器及数据采集软件对汽轮机振动的时域信号进行数据采集，并将其分为训练集和测试集；汽轮机振动的时域信号包括转子不对中、碰摩、不平衡的故障信号以及正常状态下的振动信号；

2)奇异值去噪：采用奇异值分解对训练集和测试集中的时域信号进行去噪；

3)特征提取：采用EMD方法将去噪后的时域信号分解成若干个IMF分量，根据转子故障机理选取故障特征敏感的IMF分量计算其能量值，构建故障信号的特征向量作为SVM分类器的输入向量训练样本集和测试样本集；

4)蝙蝠算法优化SVM：利用训练样本集中的故障信号的特征向量作为SVM分类器输入，通过蝙蝠的位置更新方式同步执行SVM的特征选择和参数优化，获取优化的SVM分类器的决策函数；

5)将测试样本集中的故障信号的特征向量作为SVM分类器的输入,以优化后的SVM分类器中决策函数的输出来确定汽轮机的工作状态和故障类型。

所述奇异值去噪方法如下：

对于一个测得的信号x(i)＝s(i)+c(i)，i＝1,2,3,…,N，其中s(i)为有用信号，c(i)为噪声信号，基于相空间重构理论，构造Hankel矩阵A为：