一种基于多传感器特征融合的火电厂风机设备故障诊断方法

1.本发明涉及火电厂风机设备故障诊断方法领域，具体是一种基于多传感器特征融合的火电厂风机设备故障诊断方法。


背景技术：

2.火力发电厂包含了许多复杂的机械设备，风机设备作为火电厂里的重要辅机之一，其运行情况直接关系到火电厂是否长期稳定发电，一旦其中某个设备发生故障，则可能会使整个电厂效率降低甚至发生安全事故，因此保障火电厂风机安全稳定运行至关重要。传统的设备检测手段效率较低，对突发性故障会出现补救不及时的情况；另外，大多缺乏准确的技术数据以供借鉴和参考，故障检测可靠性不强。因此通过人工智能的手段对设备故障进行检测，检测效率大幅度提高，人员和设备的安全保障大大增强，同时降低了运维成本和时间成本。
3.火电厂风机设备运行时会发出振动进而发出声音，当故障发生时，机身与零件或零件自身之间的运动状态发生变化，振动情况发生改变，其声音也随之改变。目前对风机设备故障诊断的评估多依赖于单一的振动信号，易造成诊断系统不稳定，诊断结果不可靠等问题。因此本发明选择多传感器数据融合的方式，将声音信号、振动信号和温度信号等进行特征融合，进而更加准确的获取设备的状态，提高了故障诊断的可靠性。


技术实现要素：

4.本发明的目的是提供一种基于多传感器特征融合的火电厂风机设备故障诊断方法，将多传感器采集到的信号进行特征融合，形成声音信号、振动信号和温度信号相结合的故障诊断系统，系统对设备状态获取更加全面，大幅度提高了故障诊断效率和可靠性，保证人员和设备的安全。
5.为了达到上述目的，本发明所采用的技术方案为：
6.一种基于多传感器特征融合的火电厂风机设备故障诊断方法，该方法包括以下步骤：
7.s1：采集设备运行时产生的声音信号、振动信号及温度信号；
8.s2：对步骤s1采集到的声音信号进行预处理，将声音信号处理为去除噪声部分的平滑过渡最小语音片段的声音信号片段；
9.s3：对预处理后的声音信号片段、振动信号、温度信号进行特征提取，声音信号片段采用信号增强的梅尔倒谱系数法，利用经验模态分解将的声音信号片段按时间尺度自适应分解，充分获取信号的动态特征，经梅尔三角滤波器得到特征参数，将得到的特征参数与短时能量、短时过零率等时域特征相结合，得到声音信号片段的特征向量，振动信号、温度信号则选取其时域参数均方根、标准差、峭度、偏度等作为特征向量；
10.s4：将步骤s3通过多传感器得到的特征向量进行特征融合，融合后的最终向量带入构建的svm模型，获得机械设备故障情况。
11.进一步的，步骤s2中，所述预处理过程包括波束形成、预加重、分帧加窗，其中，将声音信号经过波束形成算法得到增强，然后将信号进行预加重，以弥补高频分量衰减带来的损失，最后将信号分帧和加窗，将每帧信号作为分析的最小单位，通过加窗操作来减少信号在频域的泄露。
12.进一步的，步骤s3中，采用信号增强的mfcc获取声音信号片段的频域特征参数，具体方法为：
13.s3a:确定声音信号si(n)的局部极大值和极小值点，得到上下包络线z1(n)和z2(n)，计算h(n)，定义如下：
14.h1(n)＝s(n)-m1(n)；
15.其中m1(n)为上下包络线的均值；
16.s3b:h1(n)需满足两个限制条件：1.过零点和极值点数目相等或最多差一个；2.上下包络线的均值为0。若不满足，则将h1(n)重新作为待分解信号输入，重复步骤1，直到满足限制条件，确定第一个imf记为c1(n)。
17.s3c:将c1(n)从s(n)中分离，分离后得到r1(n)，将r1(n)作为输入信号重复步骤1、2。
[0018][0019]
式中r
t
(n)表示语音信号的趋势分量，若式中的r
t
(n)小于sd则停止迭代，其中sd的定义如下
[0020][0021]
其中t为信号时间长度；
[0022]
因此，原始信号可分解为p个imf分量和趋势余项的和，如下：
[0023][0024]
对信号进行fft变换并计算每一帧谱线能量：
[0025]
e(i,k)＝(fft[si(n)])2；
[0026]
式中，i表示第i帧，k表示频域中的第k条谱线。
[0027]
s3d:设置梅尔三角滤波器组对低频、中低频成分进行滤波放大处理，对中高频与高频进行滤波降权处理，这些滤波器表示为
[0028]
[0029]
式中：m＝1,2,3...24，f(m)是中心频率，
[0030]
再计算其对数频谱使其具有更强的鲁棒性，其对数频谱为
[0031][0032]
式中：hm(k)是滤波器，s(m)是对数频谱；
[0033]
最后进行离散余弦变换得到mfcc特征向量，公式为
[0034][0035]
式中：c(n)为每帧信号的mfcc特征向量。
[0036]
进一步的，步骤s3中，将得到的特征参数与时域分析中的短时能量、短时过零率等特征参数相融合，获得新的特征向量，具体方法为：
[0037]
s3e:求取短时能量。短时能量是指语音信号中的能量以帧为单位的量值，第i帧音频信号的短时能量公式为
[0038][0039]
其中si(n)是第i帧预处理后的音频信号，n为帧长。
[0040]
s3f:求取短时过零率。短时过零率表示信号在波形中穿过横轴(零点)的次数，短时过零率公式如下：
[0041][0042]
其中sgn[*]是符号函数，具体表示如下：
[0043][0044]
进一步的，步骤s3中，求取振动信号和温度信号的均方根、标准差、峭度和偏度等时域特征参数，并将多传感器获得的特征向量进行特征融合。
[0045]
均方根公式：
[0046][0047]
标准差公式：
[0048][0049]
峭度公式：
[0050][0051]
偏度公式：
[0052][0053]
进一步的，步骤s4中，对多传感器采集的声音、振动、温度信号的特征进行融合，共同作为检测故障信号的特征向量，输入到svm模型中进行故障判别。
[0054]
进一步的，步骤s4中，所述svm模型采用线性支持向量机的分类模型，可表示为：
[0055]
w*x b＝0
[0056]
式中：x是数据集的特征向量，w是权重，b是偏置向量。
[0057]
通过拉格朗日乘子构造目标函数，可表示为：
[0058][0059]
约束条件：
[0060]
式中：n为样本数量，λi、λj为第i、j个样本xi、xj对应的拉格朗日乘子，yi、yj为第i、j个样本对应的故障类型值。
[0061]
与现有技术相比，本发明有益效果在于：本发明采用了多传感器特征融合的火电厂风机设备故障诊断方法，将多类传感器采集到的声音信号、振动信号和温度信号进行特征融合，使系统对设备状态获取更加全面，声音信号的特征提取采用信号增强的mfcc方法，系统获取动态信息的能力增强，大幅度提高了故障诊断效率和可靠性，在实际工程应用中具有很大的意义。
附图说明
[0062]
图1：本发明提出的基于多传感器特征融合的火电厂风机设备故障诊断方法流程图。
[0063]
图2：本发明中声音信号预处理流程图。
[0064]
图3：本发明中声信号增强的mfcc特征提取流程图。
具体实施方式
[0065]
下面结合附图对发明的技术方案进行详细说明。显然，所描述的实例仅仅是本发明一部分实例，而不是全部实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0066]
值得一提的是，除非另有说明，本发明申请中使用的技术术语应当为本发明所属领域技术人员所理解的通常意义。
[0067]
如图1所示，基于多传感器特征融合的火电厂风机设备故障诊断方法流，包括以下步骤：
[0068]
s1:采集设备运行时产生的声音信号、振动信号及温度信号；
[0069]
s2:对步骤s1采集的声音数据进行预处理，将信号处理为去除噪声部分的平滑过渡最小声音片段的声音信号片段,预处理过程包括波束形成、预加重、分帧加窗，流程图如图2所示。
[0070]
s2a:将采集到的声音信号运用波束形成算法进行信号增强，通过对阵列信号进行延时补偿来形成指向方向的波束，从而去除其它方向的噪声影响。
[0071]
s2b:获得信号的波束后，对信号进行预加重，加重声音的高频部分，增加语音的高频分辨率。一般通过传递函数为h(z)＝1-az-1
的一阶fir高通数字滤波器来实现预加重。
[0072]
s2c:将处理后的声音信号进行分帧处理，将其划分为若干个声音片段，为使声信号的特征参数平滑地变化，在两帧之间设置一部分重叠，即帧移。最后再进行加窗操作来减少信号在频域的泄露。
[0073]
s3:对采集的声音信号片段、振动信号、温度信号进行特征提取，将提取的特征向量进行融合，如图3所示，利用经验模态分解对传统的mfcc进行改进。
[0074]
s3a:声音信号片段的频域特征提取上，采用信号增强的梅尔频率倒谱系数法，利用经验模态分解将语音信号按时间尺度自适应分解，得到若干个本征模函数分量(imf)，具体操作步骤为：
[0075]
确定语音信号si(n)的局部极大值和极小值点，得到上下包络线z1(n)和z2(n)，计算h(n)，定义如下：
[0076]
h1(n)＝s(n)-m1(n)；
[0077]
其中m1(n)为上下包络线的均值。
[0078]
h1(n)需满足两个限制条件：1.过零点和极值点数目相等或最多差一个；2.上下包络线的均值为0。若不满足，则将h1(n)重新作为待分解信号输入，重复步骤1，直到满足限制条件，确定第一个imf记为c1(n)。
[0079]
将c1(n)从s(n)中分离，分离后得到r1(n)，将r1(n)作为输入信号重复步骤s3a、s3b。
[0080]
s(n)-c1(n)＝r1(n)
[0081]
r1(n)-c2(n)＝r2(n)
[0082]rt-1
(n)-c
t
(n)＝r
t
(n)
[0083]
式中r
t
(n)表示语音信号的趋势分量，若式中的r
t
(n)小于sd则停止迭代，其中sd的定义如下
[0084]
其中t为信号时间长度。
[0085]
因此，原始信号可分解为p个imf分量和趋势余项的和，如下
[0086][0087]
对信号进行fft变换并计算每一帧谱线能量
[0088]
e(i,k)＝(fft[si(n)])2[0089]
式中，i表示第i帧，k表示频域中的第k条谱线。
[0090]
设置梅尔三角滤波器组对低频、中低频成分进行滤波放大处理，对中高频与高频进行滤波降权处理，这些滤波器表示为
[0091][0092]
式中：m＝1,2,3...24，f(m)是中心频率，
[0093]
再计算其对数频谱使其具有更强的鲁棒性，其对数频谱为
[0094][0095]
式中：hm(k)是滤波器，s(m)是对数频谱；
[0096]
最后进行离散余弦变换得到mfcc特征向量，公式为
[0097][0098]
式中：c(n)为每帧信号的mfcc特征向量。
[0099]
s3b:声音信号的时域特征提取，选择短时能量和短时过零率加入到特征向量。短时能量是指声音信号中的能量以帧为单位的量值，第i帧音频信号的短时能量公式为
[0100][0101]
其中si(n)是第i帧预处理后的音频信号，n为帧长。
[0102]
短时过零率表示信号在波形中穿过横轴(零点)的次数，短时过零率公式如下：
[0103][0104]
其中sgn[*]是符号函数，具体表示如下：
[0105][0106]
s3c:求取振动信号和温度信号的均方根、标准差、峭度和偏度等时域特征参数，并将多传感器获得的特征向量进行特征融合。
[0107]
均方根公式：
[0108]
[0109]
标准差公式：
[0110][0111]
峭度公式：
[0112][0113]
偏度公式：
[0114][0115]
s4:将各特征向量进行归一化，利用离差标准化方法，使结果值映射到[0,1]之间，公式如下：
[0116][0117]
采用线性支持向量机的分类模型，可表示为
[0118]
w*x b＝0
[0119]
式中：x是数据集的特征向量，w是权重，b是偏置向量。
[0120]
通过拉格朗日乘子构造目标函数，可表示为：
[0121][0122]
约束条件：
[0123]
式中：n为样本数量，λi、λj为第i、j个样本xi、xj对应的拉格朗日乘子，yi、yj为第i、j个样本对应的故障类型值。
[0124]
最后应说明的是：上面的实施案例仅仅是对该技术方案的详细阐明，而非对其限制；尽管参照该具体实施案例对本发明的技术方案进行了说明，本领域的普通技术人员应当表示理解；其依然可以对该实施案例的方案进行修改，或者针对于其中部分进行同等替换；该修改或者替换行为，并不能使其本质脱离本发明所提出的技术方案的范围，均应包含于本发明的权利要求和说明书的范围之中。