CN109241915A - 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 - Google Patents

Abstract

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。

Description

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

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：

(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(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(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。

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h_1k为止。

(1.1.3)将第一个本征模态分量记为c₁＝h_1k，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r_n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＝x_max-x_min (3)

其中，公式(1)中x_i为信号x中第i个振动信号的幅值，x＝{x₁,x₂,…,x_N}；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x_max为振动信号的最大值，x_min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：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。并且在特征提取时针对泵机的特点，加入了能明显反映泵机工作状态的一倍频和二倍频特征。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，确保了泵机设备的安全运行，保证了整个火力发电过程的安全运行，并且有助于电厂维修人员准确定位和处理故障。

附图说明

图1是本发明故障诊断方法的流程图。

图2是实例中正常信号与螺栓松动、叶轮气蚀故障的对比图。

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，泵机设备振动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。本发明以华电集团下属的邹县发电厂真空泵发生的螺栓松动故障和叶轮气蚀故障为例，如图1所示，详细阐述了本发明的方法。螺栓松动和叶轮气蚀是泵机常见的两种故障，如图2所示。

本发明是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、螺栓松动故障和叶轮气蚀故障状态下的智能电厂真空泵振动信号，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h_1k为止。

(1.1.3)将第一个本征模态分量记为c₁＝h_1k，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r_n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，本实例中λ＝0.01。

其中峰峰值X_peak-peak＝X_max-X_min。X_max其信号的最大值，X_min为信号的最小值。

本实例中IMF1保留了7个子信号，IMF2保留了4个子信号，两个IMF分量共保留了11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11个子信号，共16个信号x，用AugmentedDickeyFuller(ADF)检验进行平稳性判断，将16个信号x分为平稳信号x_s和非平稳信号x_t。其中平稳信号x_s11个，非平稳信号x_t5个。

(1.5)对16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，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。

其中慢特征Slowness为：

N为采样点数，Δx_i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＝x_max-x_min (3)

其中，公式(1)中x_i为信号x中第i个振动信号的幅值，x＝{x₁,x₂,…,x_N}；(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x_max为振动信号的最大值，x_min为振动信号的最小值。

实例中，平稳信号x_s 11个，非平稳信号x_t5个，所以平稳信号的原始特征个数为77，非平稳信号的原始特征个数为35。

(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。

具体步骤为将步骤(1.5)中得到的77维的平稳信号原始特征和35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16个，非平稳信号关键特征为6个。

表1：实例中平稳信号关键特征的选择情况。

RMS

Skew

Peak‐peak

Kurt

Slowness

f<sub>1</sub>

f<sub>2</sub>

x<sub>s1</sub>

√

x<sub>s2</sub>

√

√

x<sub>s3</sub>

√

√

x<sub>s4</sub>

√

√

√

x<sub>s5</sub>

√

√

x<sub>s6</sub>

√

√

x<sub>s7</sub>

x<sub>s8</sub>

√

x<sub>s9</sub>

√

√

x<sub>s10</sub>

√

x<sub>s11</sub>

其中表中的x_s1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

f<sub>1</sub>

f<sub>2</sub>

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x_t1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，f₁，f₂；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16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.采集智能电厂真空泵的振动信号，按照步骤1.1～1.6选择平稳信号的16个关键特征和非平稳信号的5个关键特征，将这21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。所以对信号进行平稳性判别再分别提取特征，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泵机设备，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泵机设备故障诊断的准确率，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(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(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。

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h_1k为止。

(1.1.3)将第一个本征模态分量记为c₁＝h_1k，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r_n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＝x_max-x_min (3)

其中，公式(1)中x_i为信号x中第i个振动信号的幅值，x＝{x₁,x₂,…,x_N}；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x_max为振动信号的最大值，x_min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。