[发明专利]面向智能电厂磨煤机的振动信号故障诊断方法

摘要

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。

主权项

1.一种面向智能电厂磨煤机的振动信号故障诊断方法，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。其中峰峰值Xpeak‑peak＝Xmax‑Xmin。Xmax为IMF的最大值，Xmin为IMF的最小值。(1.4)对步骤(1.3)中保留下来的m个IMF记为x，用AugmentedDickeyFuller(ADF)检验进行平稳性判断，将m个信号x分为平稳信号xs和非平稳信号xt。(1.5)对m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和慢特征Slowness，其中慢特征Slowness为：N为采样点数，Δxi为信号x中的差分。平稳性检验保留下来的子信号为m个，则每个原始振动信号得到的原始统计特征的个数为5×m。(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)采集智能电厂磨煤机的振动信号，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。