基于模态分解与特征增强的汽轮机轴承振动异常识别方法与流程

摘要: 本公开涉及故障识别,尤其涉及一种基于模态分解与特征增强的汽轮机轴承振动异常识别方法。背景技术:1、汽轮机轴承振动异常检测是保障机组安全运行的重要手段。相关技术中...
基于模态分解与特征增强的汽轮机轴承振动异常识别方法与流程

本公开涉及故障识别,尤其涉及一种基于模态分解与特征增强的汽轮机轴承振动异常识别方法。

背景技术:

1、汽轮机轴承振动异常检测是保障机组安全运行的重要手段。相关技术中的振动异常检测方法主要包括固定阈值报警法、统计特征分析法和频域分析法等。

2、其中,固定阈值报警法根据经验设定振动报警值,但难以适应不同运行阶段下振动数据的正常波动,容易出现误报警或漏报警。统计特征和频域分析方法虽然可以提取均方根值、峭度等特征,但这些人工特征对突增、突降以及状态切换过程中的动态演化关系表达不足。此外,汽轮机单轴承振动数据为单通道时间序列,其内部包含多种不同尺度的动态成分,若直接将单通道振动序列输入分类模型,容易忽略不同尺度成分之间的组合变化关系,导致将正常状态切换误判为故障异常。

技术实现思路

1、为克服相关技术中存在的问题,本公开提供了一种基于特征增强与机器学习的转子绕组匝间短路监测方法。

2、根据本公开实施例的第一方面,提供一种基于模态分解与特征增强的汽轮机轴承振动异常识别方法,包括:

3、获取汽轮机轴承的时域振动序列;

4、对所述时域振动序列进行模态分解,得到至少一个尺度分量;

5、基于所述时域振动序列与所述至少一个尺度分量,构造多尺度时间序列特征;

6、根据所述多尺度时间序列特征中的每一维特征分量在相邻采样点之间的幅值变化量,构造反映多尺度变化模式的状态表示序列;

7、基于所述状态表示序列和所述多尺度时间序列特征的幅值信息,构造用于表征预设时间窗口内振动演化过程的增强特征;

8、将所述增强特征输入至判别模型,得到所述预设时间窗口对应的振动状态类别。

9、在一些实施例中,所述对所述时域振动序列进行模态分解,得到至少一个尺度分量,包括:

10、对所述时域振动序列进行经验模态分解,并将经验模态分解得到的本征模态函数分量按照频率高低进行重构,得到第一尺度分量、第二尺度分量和第三尺度分量;

11、其中,所述第一尺度分量用于表征高频局部扰动,所述第二尺度分量用于表征中频周期波动、所述第三尺度分量用于表征低频趋势变化;

12、所述多尺度时间序列特征由所述时域振动序列、所述第一尺度分量、所述第二尺度分量和所述第三尺度分量共同构成。

13、在一些实施例中,所述根据所述多尺度时间序列特征中的每一维特征分量在相邻采样点之间的幅值变化量,构造反映多尺度变化模式的状态表示序列,包括:

14、分别计算所述多尺度时间序列特征中每一维特征分量在相邻采样点之间的幅值变化量;

15、根据各维特征分量各自的幅值变化量及其对应的变化阈值,将每一采样时刻下各维特征分量的变化趋势离散化为对应的子状态;

16、将同一采样时刻下的多个所述子状态进行组合,形成该时刻的多尺度状态表示;

17、将每一采样时刻的所述多尺度状态表示进行组合编码,得到该采样时刻的局部状态编号;

18、将各个采用时刻的局部状态编号按时间顺序构建为所述状态表示序列。

19、在一些实施例中,所述变化阈值根据所述汽轮机轴承在平稳振动状态下对应特征分量的幅值波动范围确定。

20、在一些实施例中,所述将每一采样时刻的所述多尺度状态表示进行组合编码,得到该采样时刻的局部状态编号,包括:

21、对同一采样时刻下各维特征分量所对应的离散子状态进行加权求和,得到该采样时刻的局部状态编号。

22、在一些实施例中,所述基于所述状态表示序列和所述多尺度时间序列特征的幅值信息,构造用于表征预设时间窗口内振动演化过程的增强特征,包括:

23、按照预设的时间窗口长度,分别对所述状态表示序列和所述多尺度时间序列特征的幅值信息进行窗口划分;

24、将同一时间窗口内的状态表示序列与对应的多尺度时间序列特征进行融合,生成对应每个窗口的增强特征向量。

25、在一些实施例中,所述将同一时间窗口内的状态表示序列与对应的多尺度时间序列特征进行融合,生成对应每个窗口的增强特征向量,包括:

26、将每个窗口内的多尺度时间序列特征按时间顺序展开为一维幅值特征向量,并将同一窗口内的状态表示序列拼接至所述一维幅值特征向量之后,形成所述增强特征向量。

27、在一些实施例中,获取汽轮机轴承的时域振动序列,具体包括:

28、采集汽轮机轴承的原始振动信号;

29、对所述原始振动信号进行预处理操作,得到等时间间隔的所述时域振动序列;

30、其中,所述预处理操作包括如下至少之一:异常点剔除、缺失值补全和等间隔重采样处理。

31、在一些实施例中,所述将所述增强特征输入至判别模型,得到所述预设时间窗口对应的振动状态类别,包括:

32、将所述增强特征输入预先训练的支持向量机分类模型,得到所述预设时间窗口对应的振动状态类别;

33、所述振动状态类别包括:正常振动状态、突增异常、突降异常和振动水平切换型异常。

34、在一些实施例中,在所述将所述增强特征输入预先训练的支持向量机分类模型,得到所述预设时间窗口对应的振动状态类别之前,所述方法还包括:

35、对所述增强特征向量进行标准化处理,以使所述增强特征向量中的各维特征具有相同的数值尺度。

36、本公开提供的方案可以获取汽轮机轴承的时域振动序列,并对时域振动序列进行模态分解得到至少一个尺度分量,进而基于时域振动序列与尺度分量构造多尺度时间序列特征。随后,根据多尺度时间序列特征中每一维特征分量在相邻采样点之间的幅值变化量构造反映多尺度变化模式的状态表示序列,并基于状态表示序列和多尺度时间序列特征的幅值信息构造用于表征预设时间窗口内振动演化过程的增强特征,最终将增强特征输入判别模型得到振动状态类别。本公开能够将单轴承单通道振动信号扩展为多尺度多维状态表示,并融合多尺度幅值变化特征与状态编码特征,从而提高对正常振动状态、突增异常、突降异常和振动水平切换型异常的识别能力。

1.一种基于模态分解与特征增强的汽轮机轴承振动异常识别方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述对所述时域振动序列进行模态分解,得到至少一个尺度分量,包括:

3.根据权利要求1所述的方法,其特征在于,所述根据所述多尺度时间序列特征中的每一维特征分量在相邻采样点之间的幅值变化量,构造反映多尺度变化模式的状态表示序列,包括:

4.根据权利要求3所述的方法,其特征在于,所述变化阈值根据所述汽轮机轴承在平稳振动状态下对应特征分量的幅值波动范围确定。

5.根据权利要求3所述的方法,其特征在于,所述将每一采样时刻的所述多尺度状态表示进行组合编码,得到该采样时刻的局部状态编号,包括:

6.根据权利要求3所述的方法,其特征在于,所述基于所述状态表示序列和所述多尺度时间序列特征的幅值信息,构造用于表征预设时间窗口内振动演化过程的增强特征,包括:

7.根据权利要求6所述的方法,其特征在于,所述将同一时间窗口内的状态表示序列与对应的多尺度时间序列特征进行融合,生成对应每个窗口的增强特征向量,包括:

8.根据权利要求1所述的方法,其特征在于,获取汽轮机轴承的时域振动序列,具体包括:

9.根据权利要求1所述的方法,其特征在于,所述将所述增强特征输入至判别模型,得到所述预设时间窗口对应的振动状态类别,包括:

10.根据权利要求9所述的方法,其特征在于,在所述将所述增强特征输入预先训练的支持向量机分类模型,得到所述预设时间窗口对应的振动状态类别之前,所述方法还包括: