基于声振融合的火电厂引风机叶片全时段监测方法及系统与流程

本技术属于火电厂设备状态监测，具体涉及一种基于声振融合的火电厂引风机叶片全时段监测方法及系统。

背景技术：

1、引风机是火电厂锅炉烟气系统中的重要设备，其叶片长期处于高温、高湿、高粉尘及高速旋转环境，运行过程中可能出现磨损、裂纹、积灰、腐蚀及断裂等故障。叶片状态变化通常会引起结构振动、气动噪声等信号变化。现有引风机叶片监测方法主要通过设置加速度传感器采集振动信号，或者通过声学传感器采集设备运行噪声，并利用时域分析、频谱分析及故障分类模型识别叶片运行状态。为提高监测信息的完整性，部分现有技术还将振动信号与声学信号进行组合分析，通过不同信号频段的拼接形成融合频谱，并根据融合频谱与健康基准之间的差异进行异常监测。

2、然而，振动信号由叶片向机壳或轴承座传递时容易发生衰减、反射及模态耦合，叶片早期局部故障产生的微弱振动特征难以稳定提取；声学信号又容易受到其他辅机噪声、气流噪声及运行负荷变化的干扰。现有声振融合方法通常侧重于不同频段的简单拼接，未充分表征振动响应与气动噪声之间的关联关系。在引风机启停、升降负荷及转速波动过程中，特征频率还会随转速变化而发生漂移，容易造成融合特征错位或产生虚假频率成分，导致叶片故障监测的准确性不足，并增加变工况运行阶段的误报风险。

技术实现思路

1、本技术针对引风机变工况运行时声振特征易发生错位且故障监测准确性不足的技术问题，提供一种基于声振融合的火电厂引风机叶片全时段监测方法及系统。

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、本技术提供一种基于声振融合的火电厂引风机叶片全时段监测方法，包括以下步骤：

4、实时采集声振多模态信号，并同步获取引风机的实时转速脉冲信号，以实时转速脉冲信号为基准，对声振多模态信号去趋势滤波处理，输出滤波后的声振多模态信息集；

5、获取滤波后的声振多模态信息集，结合声振互相关系数，对声振多模态信息集联合解调处理，分离得到表征气动噪声能量分布的气动噪声能量弥散特征向量、振动冲击非平稳性特征向量、声振耦合向量并按通道维度堆叠，生成声振融合张量；

6、预构建故障识别分类模型，并采用历史多模态信息集对故障识别分类模型迭代训练至收敛，输出收敛的故障识别分类模型；

7、获取声振融合张量，基于故障识别分类模型对声振融合张量进行时频分析，输出叶片故障识别结果。

8、进一步，所述对声振多模态信号去趋势滤波处理的方法，包括：

9、获取声振多模态信号，以实时转速脉冲信号为重采样触发基准，将声振多模态信号映射至触发基准下的角域空间，生成声振重采样序列；

10、对声振重采样序列进行频谱分析，基于频谱分析结果构建自适应最小二乘拟合模型，识别声振重采样序列中背景趋势量，采用形态学滤波算子对声振重采样序列进行顶帽变换运算，输出去趋势的声振重采样序列；

11、加载去趋势的声振重采样序列，基于实时转速脉冲信号判定声振多模态信号对应的转速工况，基于转速工况对声振重采样序列滤波处理，输出滤波后的声振多模态信息集。

12、进一步，将声振多模态信号映射至触发基准下的角域空间的方法，包括：

13、获取声振多模态信号，以实时转速脉冲信号的上升沿作为相位基准，统计相邻两个相位基准间的时钟脉冲累计数，反演得到当前采样周期的瞬时回转角速度；

14、基于瞬时回转角速度构建非均匀角域插值节点集，采用累积弦长参数化方法对转子整周回转角度进行归一化处理，生成呈非等间距分布的角域采样网格；

15、基于角域采样网格，计算时域声振信号序列与角域采样网格中网格节点的映射偏移量，提取位于所述映射偏移量邻域内的时域采样点作为角域插值基元；

16、利用带有端点曲率约束的三次非均匀b样条曲线对所述角域插值基元进行逼近重构，分别生成单转次内的角域振动序列与角域声压序列；

17、对连续多个转次内的所述角域振动序列与所述角域声压序列执行基于循环平稳特性的对齐拼接，输出所述声振重采样序列。

18、进一步，所述基于转速工况对声振重采样序列滤波处理的方法，包括：

19、加载声振重采样序列，识别声振重采样序列对应的当前采样周期的瞬时回转角速度，基于当前采样周期的瞬时回转角速度判定引风机叶片当前是否处于变转速工况；

20、若引风机叶片处于变转速工况，对声振重采样序列进行小波包分解，基于信息代价函数动态筛选能量集中度高于预设门限的有效频带，对有效频带的小波包系数进行阈值收缩处理后重构，输出第一滤波序列；

21、若引风机叶片不处于变转速工况，对声振重采样序列进行快速傅里叶变换，以叶片通过频率分别设置振动带通窗口和声压带通窗口，基于振动带通窗口和声压带通窗口分别提取声振重采样序列内的角域振动序列与角域声压序列的振动有效频谱、声压有效频谱，对提取后的振动有效频谱、声压有效频谱逆傅里叶变换，得到滤波后的第二滤波序列；

22、获取第一滤波序列、第二滤波序列并整合为声振多模态信息集。

23、进一步，所述对声振多模态信息集联合解调处理的方法，包括：

24、加载声振多模态信息集，识别声振多模态信息集中角域振动序列与角域声压序列，基于预设阶次邻域内计算角域振动序列与角域声压序列的归一化频域相干函数，以相干函数峰值作为声振互相关系数；

25、判断角域振动序列与角域声压序列的声振互相关系数是否超过预设相关系数阈值；

26、若角域振动序列与角域声压序列的声振互相关系数超过预设相关系数阈值，对角域振动序列与角域声压序列联合解调，得到气动噪声能量弥散特征向量、振动冲击非平稳性特征向量和声振耦合向量；

27、若角域振动序列与角域声压序列的声振互相关系数未超过预设相关系数阈值，分别对角域振动序列与角域声压序列进行单独解调，提取角域振动序列的振动冲击非平稳性特征向量、角域声压序列的气动噪声能量弥散特征向量，并生成声振退化耦合向量。

28、进一步，所述对角域振动序列与角域声压序列联合解调的方法，包括：

29、以叶片通过阶次为中心确定先验频带，对角域振动序列进行共振频带切片滤波，对滤波后角域振动序列提取希尔伯特包络，计算希尔伯特包络在叶片通过阶次处的能量占比、波形指标及脉冲指标，将能量占比、波形指标及脉冲指标融合为振动冲击非平稳性特征向量；

30、对角域声压序列进行coif5小波包5层全频带分解，将分解后子频带节点瞬时能量与历史基线对比，偏差超过30％的子频带节点标记为有效频带节点；基于有效频带节点的能量概率分布计算香农熵及能量重心偏移量，得到气动噪声能量弥散特征向量；

31、计算角域振动序列与角域声压序列在先验频带内的归一化频域相干函数积分面积，求取有效频带内两者能量谱密度的相对偏差均值，结合叶片通过阶次处的声振相位差，进行张量积运算得到声振耦合向量；

32、将气动噪声能量弥散特征向量、振动冲击非平稳性特征向量和声振耦合向量并按通道维度堆叠，生成声振融合张量。

33、进一步，所述故障识别分类模型以双向长短期记忆网络为架构，还包括输入层、特征提取层、识别分类层和输出层，所述特征提取层包括图构造块和一维卷积神经网络，一维卷积神经网络包括三层卷积层，所述识别分类层包括全连接层和softmax层，所述softmax层神经元数为5。

34、进一步，基于故障识别分类模型对声振融合张量时频分析的方法，包括：

35、获取声振融合张量，基于声振融合张量构建表征声振特征间拓扑关联的图数据结构，以气动噪声能量弥散特征向量、振动冲击非平稳性特征向量及声振耦合向量、声振退化耦合向量分别作为图数据结构的第一节点、第二节点、第三节点、第四节点，计算图结构节点特征在时频域上的皮尔逊相关系数，将皮尔逊相关系数作为对应节点间连接边的初始权重；

36、沿图结构节点特征提取故障演化瞬态规律，并基于自注意力机制对频带维度施加可学习权重掩码，输出融合节点向量；

37、获取融合节点向量，对融合节点向量沿时间步长维度进行双向时序依赖特征提取，得到前向隐状态向量和后向隐状态向量，基于可学习权重掩码对前向隐状态向量和后向隐状态向量拼接，输出融合时序编码向量；

38、获取融合时序编码向量，对融合时序编码向量进行全连接映射，softmax层输出故障类型的概率分布，并以故障类型的概率分布作为类型置信度，基于类型置信度生成分级报警信息，结合叶片故障类型、类型置信度、分级报警信息生成叶片故障识别结果。

39、本技术还提供一种基于声振融合的火电厂引风机叶片全时段监测系统，包括：

40、多模态信息构造模块，用于实时采集声振多模态信号，并同步获取引风机的实时转速脉冲信号，以实时转速脉冲信号为基准，对声振多模态信号去趋势滤波处理，输出滤波后的声振多模态信息集；

41、声振融合模块，用于获取滤波后的声振多模态信息集，结合声振互相关系数，对声振多模态信息集联合解调处理，分离得到表征气动噪声能量分布的气动噪声能量弥散特征向量、振动冲击非平稳性特征向量、声振耦合向量并自适应拼接，生成声振融合张量；

42、模型训练模块，用于预构建故障识别分类模型，并采用历史多模态信息集对故障识别分类模型迭代训练至收敛，输出收敛的故障识别分类模型；

43、故障识别模块，用于获取声振融合张量，基于故障识别分类模型对声振融合张量时频分析，输出叶片故障识别结果。

44、进一步，所述多模态信息构造模块包括：

45、声振重采样单元，用于获取声振多模态信号，以实时转速脉冲信号为重采样触发基准，将声振多模态信号映射至触发基准下的角域空间，生成声振重采样序列；

46、去趋势单元，用于对声振重采样序列进行频谱分析，基于频谱分析结果构建自适应最小二乘拟合模型，识别声振重采样序列中背景趋势量，采用形态学滤波算子对声振重采样序列进行顶帽变换运算，输出去趋势的声振重采样序列；

47、序列滤波单元，用于加载去趋势的声振重采样序列，基于实时转速脉冲信号判定声振多模态信号对应的转速工况，基于转速工况对声振重采样序列滤波处理，输出滤波后的声振多模态信息集。

48、与现有技术相比，本技术具有以下有益效果：

49、本技术实施例中，通过引入累积弦长参数化角域重采样与形态学滤波算子，有效解决了变转速工况下的信号同步与基线漂移难题；利用归一化频域相干函数构建声振耦合向量，并结合信息代价函数实现频带自适应优选，提升了强噪声背景下微弱故障特征的提取精度；进一步通过构建物理引导的图卷积与双向长短时记忆网络混合的故障识别分类模型，实现了气动噪声弥散特征、振动冲击非平稳特征及声振耦合特征在时空维度的深度融合，不仅能够精准区分叶片裂纹、磨损、积灰及腐蚀等多类故障，且降低了变工况环境下的误报率，真正实现了火电厂引风机叶片从早期异常到完全失效的全时段、高精度、智能化监测。

50、本技术实施例中，对声振多模态信号去趋势滤波处理时，引入累积弦长参数化角域重采样与排列熵引导的自适应形态学滤波，有效解决了变转速工况下的信号同步失真与低频趋势项剥离难题，显著提升了角域信号的保真度；同时基于信息代价函数的频带优选机制与工况辨识分支滤波策略，能够自适应匹配稳态与瞬态工况下的最优滤波参数，在强噪声背景下最大限度地保留叶片早期故障的微弱瞬态特征，从而为后续的声振融合与智能诊断提供了高可靠的数据基础。

51、本技术实施例中，将声振多模态信号映射至触发基准下的角域空间时，依托高频时钟对转速脉冲信号进行插值与计数，将转子瞬时角速度的波动特性映射至累积弦长参数化模型中，据此构建非均匀角域采样网格，从而将非平稳时域信号高精度映射至角域空间，继而采用带端点曲率约束的三次非均匀b样条曲线对插值基元进行逼近重构，强制信号在0°与360°相位处的速度与加速度连续，有效消除了相位跳变及伪冲击成分；最后基于信号的循环平稳特性对多转次数据进行相位对齐与拼接，在抑制随机噪声干扰的同时，确保了故障特征在长程监测中的相位一致性。

52、本技术实施例中，通过瞬时回转角速度判定实现变转速与稳转速工况的自适应区分，在变转速工况下采用小波包分解结合信息代价函数动态筛选有效频带，以阈值收缩处理抑制宽频噪声并保留冲击特征；在稳转速工况下采用快速傅里叶变换结合差异化带通窗口提取，精准锁定叶片通过频率及其倍频的结构振动与气动噪声特征；两种滤波序列按工况互补拼接，形成覆盖引风机启停、升降负荷及稳态运行全时段的声振多模态信息集，有效解决了传统固定滤波策略在变转速下频率混叠、在稳转速下频带冗余的问题，显著提升了复杂工况下引风机叶片故障特征提取的准确性与鲁棒性。

53、本技术实施例中，通过引入归一化频域相干函数量化声振信号在阶次邻域内的线性耦合强度，据此构建强/弱相关双分支解调机制，从而克服了单一解调策略在变工况及强噪声环境下的适应性不足问题；在强相关分支中，通过共振频带切片滤波与小波包能量熵分析，精准分离并提取了表征结构损伤与气动异常的敏感特征，同时构建了蕴含物理传递机制的声振耦合向量，在弱相关分支中，利用谱减法增强声学特征，并以相干系数为权重生成退化耦合向量，在保证特征张量结构完备性的同时客观量化了信号不确定性；最终生成的多维声振融合张量，实现了气动、振动及耦合特征的深度融合，为后续基于故障识别提供了高信息熵的输入基础。

54、本技术实施例中，在声振强相关状态下，通过共振频带切片遍历与包络峭度优选确定最优故障响应频带，以二阶巴特沃斯滤波器精准隔离并提取希尔伯特包络的多维冲击指标，构建振动冲击非平稳性特征向量；通过coif5小波包分解与历史基线对比筛选有效频带节点，基于能量概率分布计算香农熵和能量重心偏移量，构建气动噪声能量弥散特征向量；通过归一化频域相干函数积分面积、能量谱密度相对偏差均值与声振相位差的张量积运算，构建声振耦合向量；将三类特征向量按通道维度堆叠生成声振融合张量，实现了气动噪声域、结构振动域与声振耦合域的深层物理信息融合，克服了简单频谱拼接导致的物理机理割裂问题，为引风机叶片故障的精准识别提供了高判别性的多模态特征表征。