[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

说明书

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。

技术领域

本发明属于振动信号的故障诊断领域，特别是针对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。

背景技术

随着社会的进步与科技的发展，近年来，人们对于电的使用量不断增加，随着信息化和工业化的深度融合，推进大型火力发电机组的智能转型升级，是加快构建高效、清洁、低碳、可持续的电力工业体系的必然选择。泵机作为燃煤发电的辅助设备，其应用范围遍布火力发电的各个生产过程。因此，泵机的运行安全性不容忽视，一旦泵机发生故障，极有可能影响真个发电过程的正常运行，甚至会造成全线停机，给生产和生活都带来了极大地不便。泵机的应用范围较广，在火力发电的各个生产过程中都能看见泵机的身影，尤其是发电的水汽系统中。泵机设备结构较为复杂且与众多其他关键设备连接，各种参数相互影响，对泵机设备的有效监测显得格外重要。由于振动信号自身具有灵敏性的特点，即当泵机设备发生故障或异常时，设备的振动上往往会立刻有所表征，因此对振动信号进行分析能及时的发现故障的发生；同时振动信号对于不同的故障有不同的表征形式，所以通过振动信号对泵机设备进行故障诊断，能区分出不同的故障类型。由于泵机工作的环境嘈杂恶劣，同时与各种设备相互连接，振动信号中夹杂着大量的噪声且相互影响，具有极强的非线性和非平稳性的特点，难以直接对原始的振动信号进行分析。

一般来说需要通过预处理将原始的振动信号分解成多个简单的子信号，子信号克服了原始信号夹杂噪声的问题且成分单一，易于直接进行分析，可提取统计特征。前人对振动信号的研究做了相关研究和贡献。其中，傅里叶变换、包络谱分析等多种时频信号处理的方法已经被广泛应用于振动信号的预处理以及信号的分解。经验模态分解虽然在处理非平稳信号有优异的表现，但是其分解过程中的模态混叠现象一直难以解决，对模态混叠现象的探索，一直是学术界研究的重点。特征提取方面，由于振动信号较为复杂，如果仅仅提取单一的特征，不能完全的表征真实的故障情况，而如果对所有的子信号均提取众多的统计特征，又会造成信息的冗余，如何处理这一矛盾问题也是学术界探讨的重点。

本发明针对智能电厂发电机组中泵机的振动信号提出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。本方法首先利用经验模态分解对泵机设备采集到的原始振动信号进行预处理，将原始信号分解为多个IMF分量，由于IMF1和IMF2存在模态混叠现象，仍然包含着多种成分。所以对IMF1和IMF2在进行三重小波包分解。将分解得到的多个子信号以及其他IMF分量进行平稳性判别，得到平稳信号和非平稳信号两部分，对平稳信号部分和非平稳信号部分分别进行统计特征的计算，在统计特征计算中加入了泵机振动信号频谱中典型的一倍频和二倍频。再利用随机森林特征选择算法分别对平稳信号和非平稳信号两部分进行关键特征的选择，消除了特征的冗余，并利用关键特征建立故障诊断模型，大大提高了泵机设备运行时的在线故障诊断的准确率。尚未见到与本发明相关的研究报道。

发明内容

本发明的目的在于针对智能电厂发电机组中泵机设备，提供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。

本发明的目的是通过以下技术方案实现的：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，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：