[發(fā)明專利]面向智能電廠磨煤機(jī)的振動(dòng)信號(hào)故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811058371.X
• 申請(qǐng)日: 2018-09-11
• 公開（公告）號(hào): CN109297735B
• 公開（公告）日: 2020-02-28
• 發(fā)明（設(shè)計(jì)）人: 趙春暉;田峰;常浩;趙玉柱;邴漢坤;陳帥
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G01M99/00
• 分類號(hào): G01M99/00;G01H17/00;G06K9/00
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 黃歡娣;邱啟旺

本發(fā)明公開了一種面向智能電廠磨煤機(jī)的振動(dòng)信號(hào)故障診斷方法。本發(fā)明主要針對(duì)的是火力發(fā)電機(jī)組中的磨煤機(jī)，本發(fā)明對(duì)原始振動(dòng)信號(hào)進(jìn)行小波分解，細(xì)化振動(dòng)信號(hào)的頻域范圍，然后對(duì)每個(gè)頻域范圍內(nèi)的子信號(hào)進(jìn)行平均經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)，共得到了若干本征模態(tài)分量。為了進(jìn)一步的提取振動(dòng)信號(hào)的關(guān)鍵特征，本方法創(chuàng)造性的對(duì)信號(hào)進(jìn)行平穩(wěn)性的判別，對(duì)平穩(wěn)部分和非平穩(wěn)部分分別進(jìn)行特征篩選。解決了非平穩(wěn)信號(hào)特征易被掩蓋的問(wèn)題，同時(shí)提高了電廠對(duì)于磨煤機(jī)設(shè)備故障診斷的效率，為電廠帶來(lái)經(jīng)濟(jì)效益。

技術(shù)領(lǐng)域

本發(fā)明屬于振動(dòng)信號(hào)的故障診斷領(lǐng)域，特別是針對(duì)一種面向智能電廠磨煤機(jī)的振動(dòng)信號(hào)故障診斷方法。

背景技術(shù)

火力發(fā)電機(jī)組日趨大型化和復(fù)雜化，隨之而來(lái)的是火力發(fā)電機(jī)組的智能轉(zhuǎn)型升級(jí)，這是電力工業(yè)體系可持續(xù)發(fā)展的必然選擇。在這種情況下，傳統(tǒng)的發(fā)電廠已不再適應(yīng)智能電網(wǎng)的發(fā)展需要。磨煤機(jī)作為火力發(fā)電廠燃煤機(jī)組中的重要設(shè)備，其主要作用那個(gè)是將機(jī)器內(nèi)煤斗中的原煤送至磨煤機(jī)內(nèi)磨成煤粉，然后通過(guò)輸送帶將煤粉在熱空氣的帶動(dòng)下吹進(jìn)粉風(fēng)機(jī)，然后進(jìn)入鍋爐的爐膛內(nèi)燃燒。磨煤機(jī)運(yùn)行的安全和穩(wěn)定性直接關(guān)系到整臺(tái)火力發(fā)電機(jī)組的整體工作中。在火力發(fā)電廠中，磨煤機(jī)的體積相較于其他機(jī)器更加龐大，部件非常多，是鍋爐系統(tǒng)內(nèi)最為復(fù)雜的轉(zhuǎn)動(dòng)機(jī)械。同時(shí)磨煤機(jī)連接設(shè)備眾多且相互影響。因此對(duì)磨煤機(jī)的狀態(tài)監(jiān)測(cè)格外的困難。振動(dòng)信號(hào)自身具有靈敏性的特點(diǎn)，當(dāng)設(shè)備發(fā)生異常時(shí)，振動(dòng)信號(hào)往往會(huì)立刻有所反應(yīng)，因此通過(guò)振動(dòng)對(duì)磨煤機(jī)進(jìn)行狀態(tài)監(jiān)測(cè)是一個(gè)重要的手段。由于磨煤機(jī)體積龐大，部件眾多，其振動(dòng)信號(hào)較為復(fù)雜，包含著較多的成分且夾雜著大量的噪聲，對(duì)振動(dòng)信號(hào)直接進(jìn)行分析十分的困難。

由于振動(dòng)信號(hào)的特殊性，難以直接對(duì)原始信號(hào)進(jìn)行分析和提取特征，前人對(duì)振動(dòng)信號(hào)的研究已經(jīng)做了很多貢獻(xiàn)。其中，傅里葉變換、包絡(luò)譜分析、經(jīng)驗(yàn)?zāi)B(tài)等時(shí)頻信號(hào)處理方法已被廣泛應(yīng)用于振動(dòng)信號(hào)的分解預(yù)處理中。在特征提取方面，前人應(yīng)用較多的是信息熵這一特征，能反映信號(hào)之間的不同信息表征。

本發(fā)明針對(duì)智能電廠發(fā)電機(jī)組中磨煤機(jī)的振動(dòng)信號(hào)提出了一種面向智能電廠泵機(jī)的小波分解平均經(jīng)驗(yàn)?zāi)B(tài)分解及特征選擇的故障診斷方法。磨煤機(jī)設(shè)備工作環(huán)境惡劣，連接設(shè)備較多。所以磨煤機(jī)處的振動(dòng)信號(hào)包含著大量的噪聲，且頻域范圍較廣，直接對(duì)振動(dòng)信號(hào)進(jìn)行平均經(jīng)驗(yàn)?zāi)B(tài)分解難以達(dá)到預(yù)期效果。本方法首先對(duì)原始振動(dòng)信號(hào)進(jìn)行小波包分解，縮小子信號(hào)的頻域范圍，然后對(duì)每個(gè)子信號(hào)進(jìn)行平均經(jīng)驗(yàn)?zāi)B(tài)分解，得到若干IMF分量。將所有IMF分量一起進(jìn)行平穩(wěn)性判別，得到平穩(wěn)信號(hào)和非平穩(wěn)信號(hào)兩部分，對(duì)平穩(wěn)信號(hào)部分和非平穩(wěn)信號(hào)部分分別進(jìn)行統(tǒng)計(jì)特征的計(jì)算，再利用隨機(jī)森林特征選擇算法分別對(duì)平穩(wěn)信號(hào)和非平穩(wěn)信號(hào)兩部分進(jìn)行關(guān)鍵特征的選擇，消除了特征的冗余，并利用關(guān)鍵特征建立故障診斷模型，大大提高了泵機(jī)設(shè)備運(yùn)行時(shí)的在線故障診斷的準(zhǔn)確率。尚未見到與本發(fā)明相關(guān)的研究報(bào)道。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)智能電廠發(fā)電機(jī)組中磨煤機(jī)設(shè)備，提供一種面向智能電廠磨煤機(jī)的振動(dòng)信號(hào)故障診斷方法。

本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：一種面向智能電廠磨煤機(jī)的振動(dòng)信號(hào)故障診斷方法，包括以下步驟：

(1)采集正常狀態(tài)下和不同故障狀態(tài)下的智能電廠磨煤機(jī)振動(dòng)信號(hào)，分別作為原始振動(dòng)信號(hào)，進(jìn)行模型訓(xùn)練，包括以下步驟：

(1.1)對(duì)原始振動(dòng)信號(hào)進(jìn)行三層小波包分解，將每個(gè)原始振動(dòng)信號(hào)分解為8個(gè)子信號(hào)。

(1.2)對(duì)步驟(1.1)小波包分解得到的8個(gè)子信號(hào)進(jìn)行平均經(jīng)驗(yàn)?zāi)B(tài)分解。每個(gè)子信號(hào)分解得到了n個(gè)IMF，共獲得8×n個(gè)IMF。

(1.3)對(duì)步驟(1.2)獲得的8×n個(gè)IMF的峰峰值x_peak-peak分別與其原始振動(dòng)信號(hào)的峰峰值X_peak-peak計(jì)算比值，即計(jì)算若IMF與原始振動(dòng)信號(hào)峰峰值的比值小于閾值λ，則進(jìn)行舍棄，該IMF包含的信息忽略不計(jì)。保留與原始振動(dòng)信號(hào)峰峰值比值大于等于閾值λ的IMF，設(shè)保留下來(lái)的IMF的個(gè)數(shù)為m。