火电厂通风机叶片弱振信号时频耦合特征提取方法及系统与流程

摘要: 本技术属于风机叶片监测,具体涉及火电厂通风机叶片弱振信号时频耦合特征提取方法及系统。背景技术:1、通风机作为火力发电厂锅炉系统中的关键辅机设备,其叶片长期在高温...
火电厂通风机叶片弱振信号时频耦合特征提取方法及系统与流程

本技术属于风机叶片监测,具体涉及火电厂通风机叶片弱振信号时频耦合特征提取方法及系统。

背景技术:

1、通风机作为火力发电厂锅炉系统中的关键辅机设备,其叶片长期在高温、高粉尘、高湿度及复杂气动载荷的恶劣工况下运行,极易萌生疲劳裂纹、磨损或松动等早期缺陷。这些早期故障通常表现为微弱的振动信号异常,因此实现对通风机叶片早期微弱振动信号的有效监测与特征提取具有重要的工程意义。

2、当前领域内,针对此类振动信号的分析普遍采用传统的傅里叶变换等稳态信号分析方法以获取全局频率信息,或采用短时傅里叶变换、小波变换等时频分析方法来揭示信号的动态演化规律。然而,现有的技术方案在提取通风机叶片弱振动信号的时频耦合特征时依然存在显著的局限性。首先,叶片早期的微弱故障信号能量极小,极易被环境及流体噪声掩盖,传统的稳态分析方法无法捕捉瞬态冲击特征,而现有时频分析方法在处理强噪声背景下由弯曲模态与扭转模态引起的多模态耦合特征时,常面临能量泄漏及交叉项干扰严重等问题,导致提取的特征参数完整度与精度不足。其次,通风机在启动、停机或负荷波动的变工况过程中,振动信号表现出强烈的非平稳性和非线性,现有的单一时频域分析手段难以同时兼顾时间与频率分辨率。

3、此外,针对强背景噪声下的微弱特征提取,公开号为cn122282099a的中国专利申请公开了一种强干扰下火电厂汽轮机微弱振动故障特征提取方法和系统,该方案通过工况自适应基线模型剔除正常振动分量,构建专用冲击特征字典并结合自适应稀疏分解技术,能够提取被噪声淹没的旋转机械早期故障冲击信号,该专利申请尽管引入了自适应稀疏分解,但其本质上仍采用单一的时域稀疏分解方法,未充分考虑旋转机械在变转速工况下信号的非平稳调制特性,从而无法有效分离和追踪多模态耦合的瞬时频率轨迹。由于缺乏对时频域内动态演化规律及耦合特征的精准解耦,现有技术对通风机叶片早期弱振状态的识别精度和鲁棒性普遍不足。

技术实现思路

1、本技术针对现有技术无法有效分离和追踪多模态耦合的瞬时频率轨迹的技术问题,提供火电厂通风机叶片弱振信号时频耦合特征提取方法及系统。

2、为了实现上述目的,本技术采用以下技术方案予以实现:

3、第一方面,一种火电厂通风机叶片弱振信号时频耦合特征提取方法,包括:

4、获取火电厂通风机的原始监测信号和同步转速脉冲信号,根据所述原始监测信号构建原始监测信号集,对所述原始监测信号集进行欠采样补偿重构,得到重构信号集;

5、根据所述同步转速脉冲信号,对所述重构信号集进行角域同步滤波处理,得到滤波平稳信号,对所述滤波平稳信号进行修正chirplet变换,得到高保真时频图谱矩阵;

6、提取所述高保真时频图谱矩阵中叶片弯曲模态与扭转模态的瞬时频率轨迹,根据所述瞬时频率轨迹构建多模态时频耦合表征向量;

7、对所述多模态时频耦合表征向量进行跨模态特征融合后,映射至最小冗余判别特征子空间,得到面向叶片弱振状态识别的低维融合特征向量。

8、在一些实施方式中,所述对所述原始监测信号集进行欠采样补偿重构,包括:

9、基于所述原始监测信号集构建双重约束目标函数;

10、利用麻雀搜索算法在解空间内对所述双重约束目标函数进行全局寻优,自适应确定模态数和二次惩罚因子,基于所述模态数和二次惩罚因子对所述原始监测信号集中的振动响应信号进行变分模态分解,得到若干个本征模态函数分量;

11、计算所述若干个本征模态函数分量的瞬时频率均值和归一化能量权重,并结合预设瞬时频率阈值和预设能量权重阈值对所述若干个本征模态函数分量进行混淆判定,得到有效模态分量和欠采样分量;

12、对所述欠采样分量进行残差能量最小化重构,得到最小化重构分量;

13、将所述最小化重构分量和有效模态分量进行相位对齐后,以所述同步转速脉冲信号的上升沿为相位基准,对所述最小化重构分量和有效模态分量进行重采样插值处理,得到重构信号集。

14、在一些实施方式中,所述对欠采样分量进行残差能量最小化重构,包括:

15、对所述欠采样分量进行加窗短时傅里叶变换,得到欠采样分量在时频平面内的能量分布谱,基于所述能量分布谱内非零能量聚集区的占比定义频谱稀疏因子;

16、判断所述频谱稀疏因子是否超过预设稀疏度阈值,若超过,则剔除对应的所述欠采样分量;否则,获取叶片通过频率和低次谐波,以叶片通过频率和各低次谐波为基准中心,分别界定各阶次特征频带的上截止边界和下截止边界;

17、基于所述各阶次特征频带的上截止边界和下截止边界,构建复morlet小波框架,根据所述复morlet小波框架,构建在特征频带内具有非零响应的带限原子字典,以所述带限原子字典作为叶片特征先验字典;

18、基于所述复morlet小波框架构,建立欠采样分量的稀疏重构优化模型,以残差能量最小化为约束,采用加速近端梯度法对所述稀疏重构优化模型迭代求解,得到最优稀疏系数向量;

19、利用所述叶片特征先验字典对所述最优稀疏系数向量进行线性反演,得到初始重构分量,对所述初始重构分量进行谱峰搜索验证,得到最小化重构分量。

20、在一些实施方式中,所述对所述重构信号集进行角域同步滤波处理,包括:

21、捕捉所述同步转速脉冲信号中上升沿的触发时刻,计算相邻所述触发时刻的差值,得到瞬时转频轨迹;

22、根据所述瞬时转频轨迹确定角增量基准,基于所述角增量基准,并利用三次样条插值算法对所述重构信号集进行映射变换,生成角域均匀采样序列;

23、对所述角域均匀采样序列进行递推滤波,得到各阶次分量的复包络,基于所述瞬时转频轨迹确定各阶次分量的阶次载波信号,将所述复包络与其对应的所述阶次载波信号进行相干叠加,得到跟踪滤波后的角域平稳信号;

24、对所述跟踪滤波后的角域平稳信号进行逆角域重采样,得到滤波平稳信号。

25、在一些实施方式中,所述对所述滤波平稳信号进行修正chirplet变换,包括:

26、对所述滤波平稳信号进行短时傅里叶变换,得到初始时频能量分布图,沿时间轴对所述初始时频能量分布图进行能量加权质心追踪,得到主导能量脊线;

27、对所述主导能量脊线进行分段多项式拟合后,计算一阶导数的滑动平均值,得到时变调频率序列;

28、基于所述时变调频率序列构建自适应调频率参数,利用所述自适应调频率参数构造修正chirplet基函数,根据所述修正chirplet基函数对所述滤波平稳信号进行内积运算,得到时频表示矩阵;

29、计算所述时频表示矩阵的局部renyi熵值,根据所述局部renyi熵值,自适应调整所述时频表示矩阵中对应时频点的幅值增益,得到高保真时频图谱矩阵。

30、在一些实施方式中,所述提取所述高保真时频图谱矩阵中叶片弯曲模态与扭转模态的瞬时频率轨迹,包括:

31、对所述高保真时频图谱矩阵进行能量峰值搜索,并提取时间窗口内局部极大值作为候选峰值点;

32、将所述候选峰值点划分为弯曲模态候选集与扭转模态候选集,确定所述弯曲模态候选集与扭转模态候选集的初始基准频率区间;

33、基于所述初始基准频率区间,分别对所述弯曲模态候选集与扭转模态候选集进行峰值路径追踪,得到弯曲模态瞬时频率轨迹和扭转模态瞬时频率轨迹;

34、采用savitzky-golay滤波器对所述弯曲模态瞬时频率轨迹和扭转模态瞬时频率轨迹进行平滑去噪,得到叶片弯曲模态与扭转模态的瞬时频率轨迹。

35、在一些实施方式中,所述对所述多模态时频耦合表征向量进行跨模态特征融合后,映射至最小冗余判别特征子空间,包括:

36、所述多模态时频耦合表征向量包括:瞬时能量演化序列、谱能量锐度指标集和时频非平稳关联张量;

37、根据所述瞬时能量演化序列、谱能量锐度指标集和时频非平稳关联张量,分别构建视图特征矩阵,得到第一视图特征矩阵、第二视图特征矩阵和第三视图特征矩阵;

38、对所述第一视图特征矩阵、第二视图特征矩阵和第三视图特征矩阵进行去中心化处理,得到标准化的视图特征矩阵;

39、对所述标准化的视图特征矩阵进行多视图判别相关分析,得到第一投影向量组、第二投影向量组和第三投影向量组;

40、对所述第一投影向量组、第二投影向量组和第三投影向量组进行投影和自适应融合,得到融合特征矩阵;

41、计算所述融合特征矩阵中特征维度与样本类别标签的互信息值,以及特征维度之间的互信息值;

42、基于所述特征维度与样本类别标签的互信息值,以及特征维度之间的互信息值构建判别力均衡目标函数;

43、基于所述判别力均衡目标函数,采用序列浮动后向搜索法对特征维度寻优,得到最优特征维度索引集合;

44、抽取所述最优特征维度索引集合对应的典型变量,并基于所述典型变量构建面向弱振故障识别的低维融合特征向量。

45、第二方面,一种火电厂通风机叶片弱振信号时频耦合特征提取系统,包括:

46、信号重构模块,用于获取火电厂通风机的原始监测信号和同步转速脉冲信号,根据所述原始监测信号构建原始监测信号集,对所述原始监测信号集进行欠采样补偿重构,得到重构信号集;

47、图谱矩阵构建模块,用于根据所述同步转速脉冲信号,对所述重构信号集进行角域同步滤波处理,得到滤波平稳信号,对所述滤波平稳信号进行修正chirplet变换,得到高保真时频图谱矩阵;

48、耦合特征提取模块,用于提取所述高保真时频图谱矩阵中叶片弯曲模态与扭转模态的瞬时频率轨迹,根据所述瞬时频率轨迹构建多模态时频耦合表征向量;

49、耦合特征融合模块,用于对所述多模态时频耦合表征向量进行跨模态特征融合后,映射至最小冗余判别特征子空间,得到面向叶片弱振状态识别的低维融合特征向量。

50、在一些实施方式中,所述信号重构模块包括:

51、约束函数构造单元,用于基于所述原始监测信号集构建双重约束目标函数;

52、模态动态分解单元,用于利用麻雀搜索算法在解空间内对所述双重约束目标函数进行全局寻优,自适应确定模态数和二次惩罚因子,基于所述模态数和二次惩罚因子对所述原始监测信号集中的振动响应信号进行变分模态分解,得到若干个本征模态函数分量;

53、欠采样分量识别单元,用于计算所述若干个本征模态函数分量的瞬时频率均值和归一化能量权重,并结合预设瞬时频率阈值和预设能量权重阈值对所述若干个本征模态函数分量进行混淆判定,得到有效模态分量和欠采样分量;

54、欠采样分量重构单元,用于对所述欠采样分量进行残差能量最小化重构,得到最小化重构分量;

55、相位对齐单元,用于将所述最小化重构分量和有效模态分量进行相位对齐后,以所述同步转速脉冲信号的上升沿为相位基准,对所述最小化重构分量和有效模态分量进行重采样插值处理,得到重构信号集。

56、第三方面,一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时,实现如所述的火电厂通风机叶片弱振信号时频耦合特征提取方法。

57、与现有技术相比,本技术具有以下有益效果:

58、本技术提供火电厂通风机叶片弱振信号时频耦合特征提取方法,通过获取火电厂通风机原始监测信号并进行欠采样补偿重构与角域同步滤波,有效清除了实际工况下数据缺失、噪声干扰及转速波动带来的负面影响;在此基础上,引入修正chirplet变换生成高频分辨率与时间分辨率兼备的高保真时频图谱矩阵,为复杂信号的精细化解析提供了高质量的观测平面;进而,精准提取图谱中叶片弯曲模态与扭转模态的瞬时频率轨迹,并构建多模态时频耦合表征向量,有效解决了现有技术在面临通风机叶片弱振状态下,因模态能量微弱且相互交叠而无法有效分离和追踪多模态耦合的瞬时频率轨迹的技术难题;最后通过跨模态特征融合并映射至最小冗余判别特征子空间,剔除冗余信息的同时保留了核心敏感特征,显著提升了弱振状态识别的准确性与计算效率。

59、进一步地,在进行欠采样补偿重构时,利用麻雀搜索算法对双重约束目标函数进行全局寻优,自适应地确定变分模态分解的最优模态数和二次惩罚因子,有效避免了人工经验设参导致的过分解或欠分解问题;同时,通过瞬时频率均值和归一化能量权重精准分离出有效模态分量和欠采样分量,并对欠采样分量进行残差能量最小化重构,结合同步转速脉冲信号上升沿相位基准下的重采样插值处理,不仅最大程度地恢复了缺失的弱振信号细节,还保证了重构信号在时域与角域相位上的严格物理对齐,大幅提高了重构信号的保真度与相位精确性。

60、进一步地,在对欠采样分量进行残差能量最小化重构时,创新性地引入频谱稀疏因子对无用噪声或强干扰分量进行预先剔除,减少了后续的无效计算量;通过提取叶片通过频率及低次谐波来界定特征频带,并据此构建复morlet小波带限原子字典作为叶片特征先验字典,使稀疏重构过程具备了明确的物理意义和强针对性,能够精准匹配叶片固有的振动特性;进一步结合加速近端梯度法对稀疏重构优化模型进行高效迭代求解,并辅以谱峰搜索验证,有效克服了传统稀疏表示方法收敛慢、易陷入局部最优的缺陷,确保了微弱特征恢复的完备性与重构结果的高可靠性。

61、进一步地,通过精确捕捉时域转频轨迹并利用三次样条插值算法将信号映射为角域均匀采样序列,实现了非平稳信号的阶次平稳化;在此基础上,采用递推滤波提取各阶次分量的复包络并与对应的阶次载波信号进行相干叠加,构建了一种高精度的跟踪滤波机制,能够有效剔除与转速无关的强背景异步噪声;最后通过逆角域重采样将纯净信号还原回时域,不仅保留了信号原始的时域拓扑结构,更为后续开展高精度的时频分析提供了一种信噪比极高的平稳信号载体。

62、进一步地,在执行修正chirplet变换时,通过能量加权质心追踪与分段多项式拟合获取主导能量脊线及其时变调频率序列,并据此构造自适应调频率参数和修正chirplet基函数,这使得时频变换的分析核能够完美自适应跟随叶片振动信号的瞬态频率变化规律,大幅削弱了传统时频分析方法中常见的能量泄漏与交叉项干扰现象;同时,引入局部renyi熵值自适应调整时频点幅值增益的设计,进一步突出了弱振特征局部的能量聚集度并压制了广谱背景噪声,最终生成了能量高度集中、时间与频率分辨率极高的高保真时频图谱矩阵。

63、进一步地,在提取叶片多模态瞬时频率轨迹时,通过时间窗口内的局部极大值搜索锁定候选峰值点,并结合弯曲模态与扭转模态的先验物理特性划定初始基准频率区间,有效避免了多模态信号由于频带相近或交叉而导致的轨迹误判与相互干扰;在完成峰值路径追踪后引入savitzky-golay滤波器进行平滑去噪,能够在最大程度保留信号原始瞬态频变趋势的前提下,有效滤除高频随机抖动误差,从而提取到光顺且高度精确的叶片弯曲模态与扭转模态瞬时频率轨迹,为后续表征向量的构建提供了坚实、纯净的动力学数据支撑。

64、进一步地,通过多视图判别相关分析深度挖掘不同视图矩阵间的潜在相关性及类间鉴别信息,实现了跨模态特征的有效对齐与融合;利用特征与标签、特征与特征间的互信息值构建判别力均衡目标函数,并结合序列浮动后向搜索法进行特征维度寻优,在确保所选特征对故障状态具有最大分类区分度的同时,严格最小化了特征间的内部冗余,提升了后续故障识别分类器的泛化能力与在线推理速度。