CN109241849A - 面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法 - Google Patents
面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法 Download PDFInfo
- Publication number
- CN109241849A CN109241849A CN201810891114.8A CN201810891114A CN109241849A CN 109241849 A CN109241849 A CN 109241849A CN 201810891114 A CN201810891114 A CN 201810891114A CN 109241849 A CN109241849 A CN 109241849A
- Authority
- CN
- China
- Prior art keywords
- signal
- feature
- peak
- value
- stationary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明公开了一种面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法。本发明通过EMD对原始信号进行分解得到多个本征模态分量(IMF),并利用小波分解克服了EMD分解的模态混叠问题。同时对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筛选,提取了关键特征,不仅降低了原始特征的维度,减少了数据的冗余,克服了非平稳信号特征易被掩盖的问题,同时极大地提高了汽轮机主机故障诊断的效率,有利于电厂维修人员对设备的掌控和检修,保证了发电过程的安全进行。
Description
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发电机组汽轮机主机的经验模态和小波分解及特征选择的汽轮机主机故障诊断方法。
背景技术
近年来,人们对于电的需求量不断增加。在我国,燃煤火力发电是主力电源。随着社会的发展与科技的进步,工业过程愈发复杂。汽轮机主机作为智能电厂燃煤发电的主要设备,其安全状况影响着整个发电过程的正常运行,汽轮机主机一旦发生故障,带来的后果难以想象。汽轮机设备众多,结构复杂,不同设备之间相互影响,对汽轮机状态的有效监测一直吸引着广大学者不断探索。在智能电厂中,振动信号是汽轮机状态的主要监测方式,由于汽轮机振动信号的灵敏性,当汽轮机发生异常时,机组的振动一般会立即有所反映,因此对振动信号进行分析有利于对故障进行早期分析和诊断并及时采取相应的措施。由于汽轮机工作的环境嘈杂恶劣,振动信号中夹杂着大量的噪声并且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。
对于振动信号的分析,一般来说需要对信号进行预处理,把原始的信号分解成多个简单的子信号,子信号成分单一,克服了原始信号夹杂噪声的问题,易于直接提取特征分析。前人对振动信号的研究做了很多的贡献。其中,傅里叶变换、包络谱分析、经验模态分解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。经验模态分解作为一种时域信号分解方式,以其在处理非平稳信号的优异表现,被广泛的应用在各种各样的非平稳信号的处理中。但是其分解过程中的不可避免的模态混叠现象也会给分解效果带来负面影响,解决模态混叠问题迫在眉睫。在特征提取方面,能量熵可以衡量信号在不同尺度上的能量分布,因此得到了广泛的推广及应用。但是只提取单一的特征,并不能反映真实的故障信息。而如果对所有的子信号均计算多个特征,很多特征中并没有包含故障信息,引起了特征的冗余,甚至会因信息过杂而对真实信息产生负面的影响。因此需要建立一个针对多个子信号的特征选择模型,选择出关键有用的故障特征,同时避免特征的冗余。
本发明针对智能电厂发电机组中汽轮机主机的振动信号提出了一种面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法。该方法首先利用经验模态分解对汽轮机主机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,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,大大提高了汽轮机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汽轮机主机这一主要设备,提供一种面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法。
本发明的目的是通过以下技术方案实现的:一种面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法,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汽轮机主机振动信号,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xpeak-peak分别与其原始振动信号的峰峰值Xpeak-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Xpeak-peak=Xmax-Xmin。Xmax子信号的最大值,Xmin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(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xs和非平稳信号xt。
(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。
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5×(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)采集智能电厂汽轮机主机的振动信号,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。
进一步地,所述步骤(1.1)中,经验模态分解的具体方法如下:
(1.1.1)找出原始振动信号x(t)的所有极大值点和极小值点,将其极大值点和极小值点分别用三次样条曲线连接起来,组成上下包络线,上包络线和下包络线之间包含的是原始数据,求取上下包络线的均值线m1,计算信号的差值序列为h1=x(t)-m1。
(1.1.2)判断h1是否满足本征模态分量的两个条件:(1)极值点个数和过零点个数相同或最多只相差一个。(2)差值序列局部极大值和局部极小值的两条包络线的均值在任一点处为零。如果h1不满足这两个条件,则重复执行(1.1.1),将h1作为原始序列,直到得到满足本征模态分量的h1k为止。
(1.1.3)将第一个本征模态分量记为c1=h1k,得到的余项r1=x(t)-c1,将r1作为新的原始数据,重复步骤(1.1.1)~(1.1.2),直到第n个余项rn为单调函数,直到不能提取出满足(1.1.2)中两个条件的IMF分量时结束。最后得到将原始信号分解成为残差和n个本征模态分量的和。
进一步地,所述步骤1.5中,RMS是均方根值,反映信号的平均功率和有效值;Skew是偏度,反映信号的偏向方向和程度;Peak-peak为峰峰值,反映了信号的波动范围;Kurt为峰度,反映了信号的尖度;Slowness反映了信号变化的程度和快慢。具体计算公式如下:
Peak_peak=xmax-xmin (3)
其中,公式(1)中xi为信号x中第i个振动信号的幅值,x={x1,x2,…,xN};公式(2)中的μ为信号x的均值,σ为信号x的标准差;E表示期望函数;公式(3)中的xmax为振动信号的最大值,xmin为振动信号的最小值。
进一步地,所述步骤1.6中,随机森林特征选择算法具体为:每次运算是对l个特征中的一个特征F进行干扰,即改变特征F的值,然后将改变特征后的分类效果与原始的分类效果进行比较,计算特征F的特征重要性,分类效果变化最大的特征,即为特征重要性最高的特征。在进行l次计算之后,选择出特征重要性最高的k个特征。
进一步地,所述步骤1.7中,将ks个平稳信号的关键特征和kt个非平稳信号的关键特征分为训练集和测试集,输入到分类器中进行训练,调整分类器参数进行优化。
本发明的有益效果是:本发明从汽轮机设备振动信号的特点作为切入点,首先采用经验模态分解对原始信号进行预处理,由于经验模态分解得到的IMF分量存在模态混叠问题。本发明对存在模态混叠问题的子信号利用小波包分解进行细分,成功解决了模态混叠问题。其次,考虑了特征提取时存在的冗余问题,利用随机森林特征选择算法进行关键特征的选择,去除了特征的冗余,避免了无关信息的干扰。更重要的是本方法对信号进行平稳性判别,将信号区分为平稳信号和非平稳信号两部分,分别进行关键特征的选择,考虑了非平稳信号关键特征易被忽视的问题。本发明提高了故障诊断的效果,确保了汽轮机的安全运行,并且有助于电厂维修人员对准确定位和处理故障。
附图说明
图1是本发明面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法的流程图。
图2是实例中正常信号与气流激振、动静碰磨故障的对比图。
图3是实例中振动信号经验模态分解之后的效果图。
图4是实例中IMF1经小波包分解之后的效果图。
具体实施方式
下面结合附图及具体实例,对本发明作进一步详细说明。
智能电厂燃煤发电过程工艺流程复杂,汽轮机主机信号中往往夹杂着大量的噪声,再加上振动信号固有的非线性非平稳等特点,想要从原始信号中直接提取有用的信息十分困难。本发明以浙能集团下属的兰溪发电厂#2汽轮机主机发生的气流激振故障和动静碰磨故障为例,如图1所示,详细阐述了本发明的方法。气流激振和动静碰磨是汽轮机主机常见的两种故障,如图2所示。其中,气流激振主要表现为振动的幅值增大,动静碰磨主要表现为“削波”。另外,本实例中振动信号的采样时间间隔为0.15ms。
本发明是一种面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法,包括以下步骤:
1.采集正常状态、气流激振故障和动静碰磨故障状态下的智能电厂汽轮机主机振动信号,作为原始振动信号,进行模型训练,具体包括以下步骤:
(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,如图3所示。
其中步骤(1.1)中经验模态分解的具体步骤如下:
(1.1.1)找出原始振动信号x(t)的所有极大值点和极小值点,将其极大值点和极小值点分别用三次样条曲线连接起来,组成上下包络线,上包络线和下包络线之间包含的是原始数据,求取上下包络线的均值线m1,计算信号的差值序列为h1=x(t)-m1。
(1.1.2)判断h1是否满足本征模态分量的两个条件:(1)极值点个数和过零点个数相同或最多只相差一个。(2)差值序列局部极大值和局部极小值的两条包络线的均值在任一点处为零。如果h1不满足这两个条件,则重复执行(1.1.1),将h1作为原始序列,直到得到满足本征模态分量的h1k为止。
(1.1.3)将第一个本征模态分量记为c1=h1k,得到的余项r1=x(t)-c1,将r1作为新的原始数据,重复步骤(1.1.1)~(1.1.2),直到第n个余项rn为单调函数,直到不能提取出满足(1.1.2)中两个条件的IMF分量时结束。最后得到将原始信号分解成为残差和n个本征模态分量的和。
本实例中振动信号经验模态分解之后得到了7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。如图4所示,每个IMF分量分解得到了8个子信号,共获得16个子信号。由于经验模态分解之后得到的IMF1和IMF2存在模态混叠现象,其中,模态混叠现象定义为IMF中包含不止一种振动模式。所以通过小波包分解对IMF1和IMF2进行细分。
(1.3)对步骤1.2获得的16个子信号的峰峰值xpeak-peak分别与其原始振动信号的峰峰值Xpeak-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,本实例中λ=0.01。
其中峰峰值Xpeak-peak=Xmax-Xmin。Xmax其信号的最大值,Xmin为信号的最小值。
本实例中IMF1保留了6个子信号,IMF2保留了4个子信号,两个IMF分量共保留了10个子信号。
(1.4)对没有进行小波包分解的5个IMF分量和步骤(3)中保留下来的10个子信号,共15个信号x,用AugmentedDickeyFuller(ADF)检验进行平稳性判断,将15个信号x分为平稳信号xs和非平稳信号xt。其中平稳信号xs 10个,非平稳信号xt5个。
(1.5)对15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。另外RMS是均方根值,反映信号的平均功率和有效值;Skew是偏度,反映信号的偏向方向和程度;Peak-peak为峰峰值,反映了信号的波动范围;Kurt为峰度,反映了信号的尖度;Slowness反映了信号变化的程度和快慢。具体计算公式如下:
Peak_peak=xmax-xmin (3)
其中,公式(1)中xi为信号x中第i个振动信号的幅值,x={x1,x2,…,xN};(2)中的μ为信号x的均值,σ为信号x的标准差;E表示期望函数;(3)中的xmax为振动信号的最大值,xmin为振动信号的最小值。
实例中,平稳信号xs 10个,非平稳信号xt5个,所以平稳信号的原始特征个数为50,非平稳信号的原始特征个数为25。
(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。
具体步骤为将步骤(1.5)中得到的50维的平稳信号原始特征和25维非平稳信号原始特征分别作为随机森林特征选择算法的输入,进行关键特征的选择。随机森林特征选择算法是一种基于随机森林分类器的特征选择算法,每次运算是对n个特征中的一个特征F进行干扰,即改变特征F的值,然后将改变特征后的分类效果与原始的分类效果进行比较,计算特征F的特征重要性,分类效果变化最大的特征,即为特征重要性最高的特征。在进行n次计算之后,选择出特征重要性最高的k个特征,即认为是对于分类最关键的特征。本实例中平稳信号关键特征为10个,非平稳信号关键特征为5个。
表1:实例中平稳信号关键特征的选择情况。
其中表中的xs1表示平稳部分第一个信号。
表2:实例中非平稳信号关键特征的选择情况。
RMS | Skew | Peak-peak | Kurt | Slowness | |
x<sub>t1</sub> | √ | √ | |||
x<sub>t2</sub> | √ | ||||
x<sub>t3</sub> | √ | ||||
x<sub>t4</sub> | √ | ||||
x<sub>t5</sub> |
其中表中的xt1表示非平稳部分的第一个信号。
经过特征选择算法,可以发现对于平稳部分和非平稳部分的关键特征不尽相同,平稳部分的关键特征有RMS,Slowness;非平稳部分的关键特征为Peak-peak。
(1.7)建立故障诊断模型:将(1.6)中选择出的10个平稳信号的关键特征和5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,调整分类器的参数进行优化,得到故障诊断模型。
2.采集智能电厂汽轮机主机的振动信号,按照步骤1.1~1.6选择平稳信号的10个关键特征和非平稳信号的5个关键特征,将这15个特征输入到故障诊断模型进行故障诊断。
表3:本发明与前人算法比较
经过对比,本发明相比于前人的方法提高了故障诊断的性能。通过对比振动信号进行EMD分解提取全部特征的模型与振动信号进行EMD和小波包分解提取全部特征的模型,可以看出:小波包分解解决了IMF1和IMF2存在的模态混叠问题,使得IMF1和IMF2中包含的多种成分得以区分开来。另外,对IMF1、IMF2的子信号和其他IMF分量计算多个统计特征,可以更加充分的提取故障信息。进一步对全部特征进行关键特征选择与保留全部特征相比,可以发现:随机森林特征选择算法不仅降低了特征的维度,同时保留了关键的特征,去除了无关的冗余特征干扰,进一步提高了故障诊断的效果。更重要的是,对信号进行平稳性区分,针对平稳信号和非平稳信号两部分分别提取关键特征,相比于不区分平稳性,对于分类的正确率有显著的提升。可以看出对信号进行平稳性区分,能更加全面的提取故障特征。因为非平稳部分的特征对于故障判别的重要性总是不如平稳部分的重要性大,所以经常被忽略掉。但是被忽视的部分又恰恰包含了一些关键的故障信息。所以对信号进行判稳再分别提取特征,使得易被忽视的关键信息被保留了下来。总体来说,本发明主要是针对燃煤发电的主要设备汽轮机主机,对EMD分解得到的IMF1和IMF2进行小波包分解,解决了模态混叠问题。另外对提取的统计特征进行关键特征的选择,不但充分的提取了故障的信息,而且还将关键的故障信息和冗余的无关信息区分开来,保留对故障诊断更重要的信息。本方法大幅度的提高了电厂汽轮机主机故障诊断的准确率,提高了维修工作人员的效率,为电厂带来了经济效益。
Claims (5)
1.一种面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法,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汽轮机主机振动信号,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xpeak-peak分别与其原始振动信号的峰峰值Xpeak-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Xpeak-peak=Xmax-Xmin。Xmax子信号的最大值,Xmin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(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xs和非平稳信号xt。
(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。
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5×(m+n‐2)。
(1.6)针对每个状态下(状态包括正常状态、不同故障状态)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)采集智能电厂汽轮机主机的振动信号,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。
2.根据权利要求1所述的故障诊断方法,其特征在于,所述步骤(1.1)中,经验模态分解的具体方法如下:
(1.1.1)找出原始振动信号x(t)的所有极大值点和极小值点,将其极大值点和极小值点分别用三次样条曲线连接起来,组成上下包络线,上包络线和下包络线之间包含的是原始数据,求取上下包络线的均值线m1,计算信号的差值序列为h1=x(t)-m1。
(1.1.2)判断h1是否满足本征模态分量的两个条件:(1)极值点个数和过零点个数相同或最多只相差一个。(2)差值序列局部极大值和局部极小值的两条包络线的均值在任一点处为零。如果h1不满足这两个条件,则重复执行(1.1.1),将h1作为原始序列,直到得到满足本征模态分量的h1k为止。
(1.1.3)将第一个本征模态分量记为c1=h1k,得到的余项r1=x(t)-c1,将r1作为新的原始数据,重复步骤(1.1.1)~(1.1.2),直到第n个余项rn为单调函数,直到不能提取出满足(1.1.2)中两个条件的IMF分量时结束。最后得到将原始信号分解成为残差和n个本征模态分量的和。
3.根据权利要求1所述的故障诊断方法,其特征在于,所述步骤1.5中,RMS是均方根值,反映信号的平均功率和有效值;Skew是偏度,反映信号的偏向方向和程度;Peak‐peak为峰峰值,反映了信号的波动范围;Kurt为峰度,反映了信号的尖度;Slowness反映了信号变化的程度和快慢。具体计算公式如下:
Peak_peak=xmax-xmin (3)
其中,公式(1)中xi为信号x中第i个振动信号的幅值,x={x1,x2,…,xN};公式(2)中的μ为信号x的均值,σ为信号x的标准差;E表示期望函数;公式(3)中的xmax为振动信号的最大值,xmin为振动信号的最小值。
4.根据权利要求1所述的故障诊断方法,其特征在于,所述步骤1.6中,随机森林特征选择算法具体为:每次运算是对l个特征中的一个特征F进行干扰,即改变特征F的值,然后将改变特征后的分类效果与原始的分类效果进行比较,计算特征F的特征重要性,分类效果变化最大的特征,即为特征重要性最高的特征。在进行l次计算之后,选择出特征重要性最高的k个特征。
5.根据权利要求1所述的故障诊断方法,其特征在于,所述步骤1.7中,将ks个平稳信号的关键特征和kt个非平稳信号的关键特征分为训练集和测试集,输入到分类器中进行训练,调整分类器参数进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810891114.8A CN109241849B (zh) | 2018-08-07 | 2018-08-07 | 面向智能电厂汽轮机主机的特征分解选择与故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810891114.8A CN109241849B (zh) | 2018-08-07 | 2018-08-07 | 面向智能电厂汽轮机主机的特征分解选择与故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241849A true CN109241849A (zh) | 2019-01-18 |
CN109241849B CN109241849B (zh) | 2021-02-09 |
Family
ID=65069985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810891114.8A Active CN109241849B (zh) | 2018-08-07 | 2018-08-07 | 面向智能电厂汽轮机主机的特征分解选择与故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241849B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785854A (zh) * | 2019-01-21 | 2019-05-21 | 福州大学 | 一种经验模态分解和小波阈值去噪相结合的语音增强方法 |
CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
CN111259864A (zh) * | 2020-03-04 | 2020-06-09 | 哈尔滨理工大学 | 一种水轮机运转状态识别方法 |
CN116611609A (zh) * | 2023-04-18 | 2023-08-18 | 中国人民解放军海军工程大学 | 基于监控参数的设备稳定性状态预测及评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4788531A (en) * | 1983-11-17 | 1988-11-29 | The Boeing Company | Automatic fault reporting system |
CN107341504A (zh) * | 2017-06-07 | 2017-11-10 | 同济大学 | 一种基于时序数据流行学习的机械设备故障诊断方法 |
CN107451557A (zh) * | 2017-07-29 | 2017-12-08 | 吉林化工学院 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
WO2018129917A1 (zh) * | 2017-01-13 | 2018-07-19 | 华为技术有限公司 | 一种基于云的车辆故障诊断方法、装置及其系统 |
-
2018
- 2018-08-07 CN CN201810891114.8A patent/CN109241849B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4788531A (en) * | 1983-11-17 | 1988-11-29 | The Boeing Company | Automatic fault reporting system |
WO2018129917A1 (zh) * | 2017-01-13 | 2018-07-19 | 华为技术有限公司 | 一种基于云的车辆故障诊断方法、装置及其系统 |
CN107341504A (zh) * | 2017-06-07 | 2017-11-10 | 同济大学 | 一种基于时序数据流行学习的机械设备故障诊断方法 |
CN107451557A (zh) * | 2017-07-29 | 2017-12-08 | 吉林化工学院 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
CHUNHUI ZHAO, BIAO HUANG: "A Full-Condition Monitoring Method for Nonstationary Dynamic Chemical Processes with Cointegration and Slow Feature Analysis", 《AICHE JOURNAL》 * |
俞芸萝: "基于经验模态分解的汽轮机通流部分故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785854A (zh) * | 2019-01-21 | 2019-05-21 | 福州大学 | 一种经验模态分解和小波阈值去噪相结合的语音增强方法 |
CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
CN111259864A (zh) * | 2020-03-04 | 2020-06-09 | 哈尔滨理工大学 | 一种水轮机运转状态识别方法 |
CN111259864B (zh) * | 2020-03-04 | 2022-12-02 | 哈尔滨理工大学 | 一种水轮机运转状态识别方法 |
CN116611609A (zh) * | 2023-04-18 | 2023-08-18 | 中国人民解放军海军工程大学 | 基于监控参数的设备稳定性状态预测及评价方法 |
CN116611609B (zh) * | 2023-04-18 | 2024-01-09 | 中国人民解放军海军工程大学 | 基于监控参数的设备稳定性状态预测及评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109241849B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241849A (zh) | 面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法 | |
CN109241915A (zh) | 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 | |
CN109297713A (zh) | 一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法 | |
CN108426713A (zh) | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 | |
CN104132250B (zh) | 一种基于改进小波包的管道泄漏特征向量提取方法 | |
CN106092565A (zh) | 一种振动故障分析方法及其系统 | |
CN106778694A (zh) | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 | |
CN104050340B (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN108710889A (zh) | 一种汽车发动机缺缸故障诊断方法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN105004498A (zh) | 一种水电机组的振动故障诊断方法 | |
CN103743980A (zh) | 基于pso优化的svm的电能质量扰动识别与分类方法 | |
CN110044623A (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
CN105469138A (zh) | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN110188867A (zh) | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN105588720A (zh) | 基于声信号形态分量分析的滚动轴承故障诊断装置及方法 | |
CN107478418A (zh) | 一种旋转机械故障特征自动提取方法 | |
CN107451515A (zh) | 一种旋转机械设备故障识别方法及系统 | |
CN109297735B (zh) | 面向智能电厂磨煤机的振动信号故障诊断方法 | |
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
CN114871850B (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |