[發明專利]一種面向泵站主設備的智能故障診斷方法

有效

• 申請號: 201810023720.8
• 申請日: 2018-01-10
• 公開（公告）號: CN108241873B
• 公開（公告）日: 2019-03-05
• 發明（設計）人: 雷曉輝;田雨;楊遷;聞昕;鄭艷俠;王超
• 申請（專利權）人: 中國水利水電科學研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京市盛峰律師事務所 11337
• 代理人: 于國富

本發明公開了一種面向泵站主設備的智能故障診斷方法，涉及信號處理領域。所述方法包括：采集待測泵站主設備的待測關鍵部位在工作狀態時的數據信號，將數據信號作為待測試樣本；將所述待測試樣本輸入到VMD?gcForest診斷模型中，依次進行模態函數頻譜圖的繪制和多粒度級聯森林診斷，得到所述待測試樣本對應的工作狀態標簽，根據所述工作狀態標簽得到所述待測關鍵部位的工作狀態。本發明解決了現有技術中在原始振動信號提取過程中存在的小波基函數和濾波閾值無法確定的問題；EMD缺乏理論依據、端點效應、模態混疊的問題；現有基于原始振動信號的故障診斷方法調參極其復雜、計算耗時巨大且診斷效果準確率低的問題。

技術領域

本發明涉及信號處理領域，尤其涉及一種面向泵站主設備的智能故障診斷方法。

背景技術

泵站機組不同于其他常規旋轉機械，其振動除了受到自身機械系統性能影響外，還同時受到水、機、電等多種因素的影響。泵站機組中各部件的性能在運行過程中逐漸退化，可能出現如軸承損傷、聯軸器對中不良、轉子葉輪不平衡、設備基礎剛性下降(地腳松動)、電動機轉子碰摩等各類機械磨損或故障，造成設備運行效能降低，嚴重時可能導致災難性事故。能夠誘發機組振動故障的振源類型繁多，且不同振源之間彼此聯系、相互作用，因此，泵站機組的振動信號往往呈現強烈的非線性和非穩定性，導致故障征兆信息與故障成因之間的映射關系不夠清晰。

由于泵站機組的振動信號大多為多分量的調幅-調頻信號，且振動信號的非線性和非穩定性強烈，因此很難從原始的振動信號中提取特征。現有基于泵站機組的原始振動信號進行故障診斷的方法中常采用經典信號處理手段，如小波變換、經驗模態分解(Empirical Mode Decomposition，簡稱EMD)從泵站機組原始振動信號中提取特征，然后將提取的特征帶入分類器進行故障分類，雖然基于小波變換和EMD等診斷技術已經有了大量成功的應用，但仍存在一些缺陷：小波分析中小波基函數和濾波閾值的確定問題，EMD缺乏理論依據、端點效應、模態混疊等問題，需要進一步完善。

雖然隨著深度學習的發展，基于深度神經網絡的端到端的模式識別方法也成功地應用到了故障診斷領域，但直接利用深度神經網絡對原始振動信號進行端到端的特征提取和故障分類，不僅理論分析困難，調參極其復雜，計算耗時巨大，并且有時并不能取得很好的診斷效果。

發明內容

本發明的目的在于提供一種面向泵站主設備的智能故障診斷方法，從而解決現有技術中在原始振動信號提取過程中存在的小波基函數和濾波閾值無法確定的問題；EMD缺乏理論依據、端點效應、模態混疊的問題；現有基于原始振動信號的故障診斷方法調參極其復雜、計算耗時巨大且診斷效果準確率低的問題。

為了實現上述目的，本發明所述面向泵站主設備的智能故障診斷方法，所述方法包括：

S1，采集待測泵站主設備的待測關鍵部位在工作狀態時的數據信號，將數據信號作為待測試樣本；

S2，將所述待測試樣本輸入到VMD-gcForest診斷模型中，依次進行模態函數頻譜圖的繪制和多粒度級聯森林診斷，得到所述待測試樣本對應的工作狀態標簽，根據所述工作狀態標簽得到所述待測關鍵部位的工作狀態；

所述VMD-gcForest診斷模型包括變分模態分解模塊和多粒度級聯森林診斷模型；

變分模態分解模塊中集成變分模態分解方法；

所述多粒度級聯森林診斷模型的構建方法為：

S01，獲取泵站主設備的多個關鍵部位處于正常工作工況和多種故障狀態工況的數據信號，建立有工作狀態標簽的樣本數據集；所述工作狀態標簽包括故障類型標簽和正常工作狀態標簽；

S02，將所述樣本數據集中的數據信號經過多粒度掃描階段實現特征轉換，再經過級聯森林結構進行有監督的逐級訓練，得到多粒度級聯森林診斷模型。