[发明专利]面向智能电厂磨煤机的振动信号故障诊断方法

说明书

本发明公开了一种面向智能电厂磨煤机的振动信号故障诊断方法。本发明主要针对的是火力发电机组中的磨煤机，本发明对原始振动信号进行小波分解，细化振动信号的频域范围，然后对每个频域范围内的子信号进行平均经验模态分解(EEMD)，共得到了若干本征模态分量。为了进一步的提取振动信号的关键特征，本方法创造性的对信号进行平稳性的判别，对平稳部分和非平稳部分分别进行特征筛选。解决了非平稳信号特征易被掩盖的问题，同时提高了电厂对于磨煤机设备故障诊断的效率，为电厂带来经济效益。

技术领域

本发明属于振动信号的故障诊断领域，特别是针对一种面向智能电厂磨煤机的振动信号故障诊断方法。

背景技术

火力发电机组日趋大型化和复杂化，随之而来的是火力发电机组的智能转型升级，这是电力工业体系可持续发展的必然选择。在这种情况下，传统的发电厂已不再适应智能电网的发展需要。磨煤机作为火力发电厂燃煤机组中的重要设备，其主要作用那个是将机器内煤斗中的原煤送至磨煤机内磨成煤粉，然后通过输送带将煤粉在热空气的带动下吹进粉风机，然后进入锅炉的炉膛内燃烧。磨煤机运行的安全和稳定性直接关系到整台火力发电机组的整体工作中。在火力发电厂中，磨煤机的体积相较于其他机器更加庞大，部件非常多，是锅炉系统内最为复杂的转动机械。同时磨煤机连接设备众多且相互影响。因此对磨煤机的状态监测格外的困难。振动信号自身具有灵敏性的特点，当设备发生异常时，振动信号往往会立刻有所反应，因此通过振动对磨煤机进行状态监测是一个重要的手段。由于磨煤机体积庞大，部件众多，其振动信号较为复杂，包含着较多的成分且夹杂着大量的噪声，对振动信号直接进行分析十分的困难。

由于振动信号的特殊性，难以直接对原始信号进行分析和提取特征，前人对振动信号的研究已经做了很多贡献。其中，傅里叶变换、包络谱分析、经验模态等时频信号处理方法已被广泛应用于振动信号的分解预处理中。在特征提取方面，前人应用较多的是信息熵这一特征，能反映信号之间的不同信息表征。

本发明针对智能电厂发电机组中磨煤机的振动信号提出了一种面向智能电厂泵机的小波分解平均经验模态分解及特征选择的故障诊断方法。磨煤机设备工作环境恶劣，连接设备较多。所以磨煤机处的振动信号包含着大量的噪声，且频域范围较广，直接对振动信号进行平均经验模态分解难以达到预期效果。本方法首先对原始振动信号进行小波包分解，缩小子信号的频域范围，然后对每个子信号进行平均经验模态分解，得到若干IMF分量。将所有IMF分量一起进行平稳性判别，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，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磨煤机设备，提供一种面向智能电厂磨煤机的振动信号故障诊断方法。

本发明的目的是通过以下技术方案实现的：一种面向智能电厂磨煤机的振动信号故障诊断方法，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磨煤机振动信号，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三层小波包分解，将每个原始振动信号分解为8个子信号。

(1.2)对步骤(1.1)小波包分解得到的8个子信号进行平均经验模态分解。每个子信号分解得到了n个IMF，共获得8×n个IMF。

(1.3)对步骤(1.2)获得的8×n个IMF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IMF与原始振动信号峰峰值的比值小于阈值λ，则进行舍弃，该IMF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IMF，设保留下来的IMF的个数为m。