CN109297735A - 面向智能电厂磨煤机的振动信号故障诊断方法 - Google Patents

Abstract

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。

Description

面向智能电厂磨煤机的振动信号故障诊断方法

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。

其中峰峰值X_peak-peak＝X_max-X_min。X_max为IMF的最大值，X_min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x_s和非平稳信号x_t。

(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，Δx_i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(1.2)中，平均经验模态分解的具体方法如下：

(1.2.1)向原始信号中加入正态分布的白噪声。

(1.2.2)将加入白噪声之后的信号通过经验模态分解，分解成若干个IMF分量。

(1.2.3)重复步骤(1.2.1)、(1.2.2)，每次加入新的白噪声序列。

(1.2.4)将每次得到的IMF分量的对应均值作为最终结果。

其中(1.2.2)中经验模态分解的步骤如下

(1.2.2.1)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。

(1.2.2.2)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(1.2.2.1)，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。

(1.2.2.3)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(1.2.2.1)～(1.2.2.2)，直到第n个余项r_n为单调函数，直到不能提取出满足(1.2.2.2)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：首先采用小波包对原始信号进行预处理，由于磨煤机处的原始振动信号包含频域范围较广，直接对原始信号进行平均经验模态分解难以达到预期的效果，所以采用小波包分解缩小原始信号的频域范围，对小波包分解后的子信号进行平均经验模态分解。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是本发明面向智能电厂磨煤机的振动信号故障诊断方法的流程图。

图2是实例中正常信号与断齿、轴承磨损故障的对比图。

图3是实例中振动信号小波包分解的效果图。

图4是实例中经小波包分解之后子信号5进行平均经验模态分解的效果图。

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，磨煤机设备振动信号中往往夹杂着大量的噪声且频域范围较广，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磨煤机发生的断齿故障和轴承磨损故障为例，如图1所示，详细阐述了本发明的方法。断齿和轴承磨损是磨煤机常见的两种故障，如图2所示。

本发明是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、断齿故障和轴承磨损故障状态下的智能电厂磨煤机振动信号，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三层小波包分解，将每个原始振动信号分解为8个子信号。如图3所示。

(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。

步骤(1.2)中，平均经验模态分解的具体方法如下：

(1.2.1)向原始信号中加入正态分布的白噪声。

(1.2.2)将加入白噪声之后的信号通过经验模态分解，分解成若干个IMF分量。

(1.2.3)重复步骤(1.2.1)、(1.2.2)，每次加入新的白噪声序列。

(1.2.4)将每次得到的IMF分量的对应均值作为最终结果。

其中(1.2.2)中经验模态分解的步骤如下

(1.2.2.1)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。

(1.2.2.2)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(1.2.2.1)，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。

(1.2.2.3)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(1.2.2.1)～(1.2.2.2)，直到第n个余项r_n为单调函数，直到不能提取出满足(1.2.2.2)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。

实例中一共得到的了72个IMF分量。

(1.3)对步骤(1.2)获得的72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X_peak-peak＝X_max-X_min。X_max IMF的最大值，X_min IMF的最小值。

本实例中一共保留了18个IMF分量。

(1.4)对步骤(1.3)中保留下来的18个IMF，用AugmentedDickeyFuller(ADF)检验进行平稳性判断，将18个信号x分为13个平稳信号x_s和5个非平稳信号x_t。

(1.5)对18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，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13个，非平稳信号x_t5个，所以平稳信号的原始特征个数为65，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65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13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
						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；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13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.采集智能电厂磨煤机的振动信号，按照步骤1.1～1.6选择平稳信号的13个关键特征和非平稳信号的5个关键特征，将这18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EEMD分解提取全部特征的模型与振动信号进行小波包分解和EEMD提取全部特征的模型，可以看出：小波包分解细化了频域范围，使EEMD分解充分发挥左右。另外，对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磨煤机设备，对原始信号进行小波包分解，解决了振动信号频域范围较大的问题。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磨煤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X_peak-peak＝X_max-X_min。X_max为IMF的最大值，X_min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x_s和非平稳信号x_t。

(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，Δx_i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(1.2)中，平均经验模态分解的具体方法如下：

(1.2.1)向原始信号中加入正态分布的白噪声。

(1.2.2)将加入白噪声之后的信号通过经验模态分解，分解成若干个IMF分量。

(1.2.3)重复步骤(1.2.1)、(1.2.2)，每次加入新的白噪声序列。

(1.2.4)将每次得到的IMF分量的对应均值作为最终结果。

其中(1.2.2)中经验模态分解的步骤如下

(1.2.2.1)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。

(1.2.2.2)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(1.2.2.1)，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。

(1.2.2.3)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(1.2.2.1)～(1.2.2.2)，直到第n个余项r_n为单调函数，直到不能提取出满足(1.2.2.2)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。