[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

权利要求书

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X_peak-peak＝X_max-X_min；X_max子信号的最大值，X_min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(1.3)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x_s和非平稳信号x_t；

(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，Δx_i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x_s和非平稳信号x_t进行特征选择，选择出k_s个平稳信号的关键特征和k_t个非平稳信号的关键特征；

(1.7)建立故障诊断模型：将步骤(1.6)中选择出的k_s个平稳信号的关键特征和k_t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k_s个平稳信号的关键特征和k_t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。