基于声纹特征与振动数据融合的电厂辅机故障诊断方法与流程
本发明涉及厂辅机设备状态监测、多模态数据融合与故障诊断领域,具体为基于声纹特征与振动数据融合的电厂辅机故障诊断方法。
背景技术:
1、电厂辅机(引风机、送风机、一次风机、给水泵、循环水泵等)是火力发电机组稳定运行的核心辅助设备,其运行状态直接决定机组发电效率与安全稳定性。相较于主机设备,电厂辅机长期处于变负荷、多干扰、强耦合的运行环境,设备磨损、轴承松动、叶轮积灰、轴系偏移等故障具有早期特征微弱、噪声干扰强、多故障耦合、信号模态差异大的典型特点。精准、快速识别辅机早期故障与耦合故障,是避免设备非计划停机、降低运维成本的关键。
2、目前电厂辅机故障诊断主流技术分为单模态诊断与多模态融合诊断两类,存在以下具体且突出的技术缺陷:
3、单模态信号抗干扰能力差,早期故障识别失效。单一振动传感器易受机组基础共振、管道流体冲击干扰,微弱早期故障振动特征被淹没;单一声纹信号易受厂界风机噪声、气流噪声、设备杂散噪声干扰,单独依靠任一模态数据,均无法有效捕捉辅机早期潜在故障特征。
4、传统固定参数变分模态分解(vmd)适配性差。现有通用vmd算法分解层数、惩罚因子为人工固定参数,仅适用于额定工况稳定信号。而电厂辅机频繁调峰导致运行转速、负荷持续波动,固定分解参数会出现高负荷下分解过度、低负荷下分解不足的问题,无法适配变工况信号特征提取需求,造成故障特征丢失、噪声残留严重。
5、静态权重特征融合容错性低,耦合故障误判率高。现有声振融合诊断多采用固定加权平均、拼接融合等静态融合方式,权重参数全程不变。但辅机不同运行工况下,声纹信号、振动信号的有效信息量与信噪比动态波动,例如高负荷下振动信号信噪比高、声纹信号噪声占比大,低负荷下声纹细节特征更丰富,静态权重无法适配模态信号质量变化,导致耦合故障(如轴承磨损+叶轮积灰联合故障)特征混淆,误漏报率远超工业允许阈值。
6、综上,现有电厂辅机故障诊断技术存在变工况适配性差、微弱故障特征提取能力不足、多模态融合自适应能力弱、耦合故障诊断精度低的核心问题,难以满足现代智慧电厂精细化、常态化故障诊断的运维需求。因此,亟需一种适配电厂辅机复杂运行场景、具备自适应特征提取与动态融合能力的故障诊断方法。
技术实现思路
1、本发明的目的在于提供基于声纹特征与振动数据融合的电厂辅机故障诊断方法,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:基于声纹特征与振动数据融合的电厂辅机故障诊断方法,包括以下步骤:
3、步骤s1、数据同步采集与预处理:通过布设的声纹传感器与振动传感器,同步采集电厂目标辅机运行过程中的声纹原始信号与振动原始信号,结合辅机实时负荷、转速工况参数,对双模态信号进行去直流、趋势项去除、分段降噪预处理,得到纯净双模态原始信号;
4、步骤s2、改进工况自适应vmd特征提取:采用改进的工况自适应vmd算法,根据辅机实时工况参数自适应迭代优化分解层数与惩罚因子,对预处理后的声纹、振动信号分别进行自适应分解,筛选有效模态分量,提取双模态信号的时域、频域微弱故障特征,构建单模态特征集;
5、步骤s3、双模态特征动态融合:采用改进的动态置信度加权融合算法,基于双模态信号实时信噪比与特征离散度,动态计算声纹特征、振动特征的融合权重,自适应融合双模态特征集,构建包含全面故障信息的融合特征向量;
6、步骤s4、故障诊断与输出:将融合特征向量输入训练完成的轻量级故障分类模型,完成辅机正常状态、单一故障、耦合故障的精准识别,输出故障类型、故障严重程度诊断结果。
7、优选的,所述步骤s2的改进工况自适应vmd特征提取具体实施步骤如下:
8、步骤s21、实时工况参数量化计算:
9、实时读取步骤s1中电厂目标辅机的运行参数,包括实时负荷、实时转速,结合辅机设备额定参数:最小额定负荷、最大额定负荷、最小额定转速、最大额定转速,通过归一化运算计算工况适配系数,实现复杂运行工况的量化表征,计算公式如下:;其中,工况适配系数数值越大,代表辅机当前负荷、转速越高,现场环境噪声、设备运行干扰越复杂,故障特征隐匿性越强;反之代表辅机处于低负荷平稳运行工况,信号干扰程度低;
10、步骤s22、vmd核心超参数自适应迭代优化:
11、基于工况适配系数,动态迭代优化vmd算法的超参数:分解层数、惩罚因子,精准适配不同工况下的信号分解需求,更新公式如下:
12、
13、
14、其中,基础分解层数,适配辅机低负荷平稳工况的信号分解需求;最大层数增量,限制最大分解层数,避免高工况下过度分解;基础惩罚因子,为基准工况下的噪声抑制参数;为向下取整运算;高工况下自动提升分解层数与惩罚力度,剥离复杂噪声;低工况下保留基础参数,避免有效微弱故障特征被过度拆分丢失;
15、步骤s23、双模态信号自适应变分模态分解:
16、将实时优化得到的参数、分别代入变分模态分解目标函数,对s1输出的纯净声纹信号、纯净振动信号逐一进行自适应分解;通过约束变分问题求解,将复杂的原始时域信号自适应拆解为个带宽受限、频率分层、互不混叠的固有模态分量,记为;各模态分量分别对应设备不同频率的运行特征与故障特征,实现故障特征与环境噪声、常规运行特征的初步分层剥离;
17、步骤s24、基于皮尔逊相关系数的有效模态筛选:
18、为剔除分解后无故障信息的噪声冗余模态,保留含微弱故障特征的有效模态,量化计算每个模态分量与对应原始纯净信号的皮尔逊相关系数,精准评判模态有效度,计算公式为:;其中,为协方差运算,表征模态分量与原始信号的变化同步性;为方差运算,表征信号幅值波动特性;依据电厂多组变工况试验标定结果,设置固定筛选阈值0.15:若,判定该模态包含辅机运行或微弱故障有效特征,予以保留;若,判定为纯噪声冗余模态,直接剔除,净化分解结果;
19、步骤s25、时频域微弱故障特征提取:
20、针对步骤s24中筛选完成的高相关性有效模态分量,提取能够表征辅机早期故障、轻微磨损、运行异常的多维时频域特征:时域维度提取峰值、峭度、波形因子、脉冲因子,反映设备振动冲击、波形畸变等早期机械异常;频域维度提取基频幅值、谐波幅值、频谱熵,有效捕捉设备频率偏移、谐波激增、频谱紊乱等隐匿故障特征,完整覆盖辅机各类早期微弱故障表征信息;
21、步骤s26、单模态特征集构建:
22、分别整合声纹信号、振动信号对应的所有时频域故障特征,进行维度规整、异常值剔除,形成维度统一、特征有效、无冗余干扰的声纹单模态特征集与振动单模态特征集,为后续s3双模态动态置信度融合提供高质量、高区分度的基础特征数据,保障多模态融合的精准性与有效性。
23、优选的,所述步骤s23的双模态信号自适应变分模态分解具体实施步骤如下:
24、步骤s23.1、构建工况适配型vmd约束变分目标函数:
25、结合步骤s22中动态优化的、参数,构建带带宽约束的变分模态分解目标函数,用于求解最优模态分量组合,公式如下:
26、
27、其中,为实时自适应优化的分解层数,用于限定单路信号最终分解的模态数量,适配不同工况的信号复杂程度;为实时自适应优化的二次惩罚因子,随动态更新,用于约束模态带宽、抑制厂界随机噪声,高负荷高噪声工况下自动增大,强化噪声抑制能力;为第阶待求解固有模态分量,为对应模态的中心频率;为s1输出的纯净声纹/振动原始信号,为分解输入;为时间梯度算子,为单位冲激函数,为卷积运算,用于实现信号希尔伯特变换,构造模态解析信号;
28、步骤s23.2、拉格朗日乘子法迭代最优求解:
29、为求解约束变分最优解,引入拉格朗日乘子将约束优化问题转化为无约束优化问题,拓展增广拉格朗日函数:;采用交替方向乘子法迭代更新模态分量、中心频率与拉格朗日乘子,直至满足迭代收敛阈值,确保分解结果全局最优,避免人工参数导致的局部最优、特征丢失问题;
30、步骤s23.3、工况自适应信号分层分解:
31、基于迭代收敛结果,对纯净声纹信号、纯净振动信号逐一完成分层分解:高高负荷工况下,通过更大的分解层数与惩罚因子,将复杂混叠的噪声信号、微弱故障信号、设备运行基频信号精细拆分;低低负荷平稳工况下,通过精简参数避免有效故障特征过度拆分,保证故障特征完整性。最终将单路原始时域信号拆解为个带宽受限、中心频率互异、频谱无混叠的固有模态分量;
32、步骤23.4、分解结果输出:
33、分解完成后,各路模态分量严格对应不同频率区间的设备运行特征与故障特征,低频模态对应设备稳态运行特征,中高频模态对应轴承磨损、叶轮积灰、轴系偏移故障冲击特征,为后续皮尔逊相关性筛选、微弱故障特征提取提供精准的分层信号数据源。
34、优选的,所述步骤s3的双模态特征动态融合具体实施步骤如下:
35、步骤s31、单模态特征归一化预处理:
36、由于声纹特征与振动特征的量纲、数值区间存在差异,直接融合会导致权重偏移、特征失效,首先对s2输出的声纹特征向量、振动特征向量进行最大最小值归一化处理,将所有特征值统一映射至区间,得到归一化后特征向量、;
37、步骤s32、双模态信号质量评价指标计算:
38、针对归一化后的声纹特征集、振动特征集,分别计算信噪比(snr)与特征离散度(d)两类核心评价指标,从“噪声纯净度”和“故障特征区分度”双维度量化模态质量,精准适配辅机变工况信号波动特性;
39、其中,信号信噪比计算公式:;特征离散度计算公式:;其中为单模态特征集中第个归一化特征值;为特征序列的拟合真值;为单模态特征集的整体均值;为单模态特征总维度数。数值越高,代表该模态特征噪声占比越低、有效信息纯度越高;数值越大,代表该模态特征波动差异越显著,对轻微故障、耦合故障的区分能力越强;
40、步骤s33、模态综合置信度求解:
41、为综合融合信号纯净度与特征区分度,规避单一指标评价片面性,本发明构建适配电厂辅机故障场景的综合置信度模型,分别计算声纹模态置信度、振动模态置信度,计算公式如下:;其中指数项用于放大高信噪比模态的权重优势、抑制高噪声模态干扰;根号项用于约束特征离散度,保证故障区分度高的特征优先被采信;该融合置信度公式贴合辅机强噪声、弱故障的场景特性,可精准反映不同工况下双模态的真实故障表征能力。
42、步骤s34、动态融合权重自适应分配:
43、基于双模态综合置信度,通过归一化运算实时求解动态融合权重,实现权重随工况、信号质量自适应迭代更新,权重计算公式为:,;其中为声纹特征融合权重,为振动特征融合权重,满足权重约束条件、;高负荷强噪声工况下,振动信号置信度更高,自动提升;低负荷平稳工况下,声纹细节特征优势显著,自适应增大,完全适配变工况信号质量动态变化;
44、步骤s35、双模态特征自适应融合运算:
45、将归一化后的声纹特征向量、振动特征向量与对应动态权重进行加权融合,生成最终全域融合特征向量,融合公式为:;该运算实现双模态有效故障信息的互补叠加,既保留振动信号对机械磨损、结构松动的高敏感特性,又保留声纹信号对轻微积灰、局部异常的细节表征能力,解决耦合故障特征混淆、微弱故障特征缺失的问题;
46、步骤s36、融合特征规整输出:
47、对生成的融合特征向量进行维度校验、异常特征剔除处理,得到维度统一、信息全面、抗干扰能力强的最终融合特征集,作为s4故障分类模型的唯一输入数据,保障后续单一故障、多耦合故障的高精度识别。
48、与现有技术相比,本发明的有益效果是:
49、本发明通过工况自适应改进vmd算法,突破传统固定参数分解的技术局限,实现算法参数随辅机工况动态迭代优化,精准剔除变工况下的复杂环境噪声,有效提取被噪声淹没的早期微弱故障特征,解决了现有技术变工况适配性差、微弱故障提取失效的核心问题。
50、本发明通过双模态动态置信度加权融合算法,基于信号信噪比与特征离散度动态分配模态权重,最大化保留双模态有效故障信息,抑制低质量模态干扰,有效区分多类型耦合故障,大幅降低故障误漏报率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com