[发明专利]基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法

权利要求书

1.一种基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法，其特征在于，包括以下步骤：

(1)采集正常状态下和不同故障状态下的汽轮机主机振动信号，作为原始振动信号，进行模型训练，包括以下步骤：

(1.1)对原始振动信号进行集成经验模态分解，将原始的振动信号分解为n个IMF分量；

(1.2)对n的IMF分量进行平稳性判别，将IMF分量分为p个平稳IMF分量和q个非平稳IMF分量两部分；

(1.3)对平稳IMF分量和非平稳IMF分量分别计算原始统计特征；原始统计特征包括：均方误差RMS、峰度Kurt、偏度Skew、峰峰值Peak-peak、峰值系数Cf、慢特征Slowness、相关系数Corcoef，其中慢特征Slowness为：

N为采样点数，Δx_i为信号x中的差分；

平稳IMF分量原始统计特征的个数为7×p，非平稳IMF分量原始统计特征的个数为7×q；

(1.4)针对每个状态下的原始统计特征，应用递归特征消除算法分别对平稳信号x_s和非平稳信号x_t进行特征选择，选择出k_s个平稳信号的关键特征和k_t个非平稳信号的关键特征；

(1.5)建立故障诊断模型：将(1.4)中选择出的k_s个平稳信号的关键特征和k_t个非平稳信号的关键特征输入到梯度提升树分类器中进行训练，得到故障诊断模型；

(2)采集汽轮机主机的振动信号，按照步骤(1.1)～(1.4)选择出特征重要性最高的k_s个平稳信号的关键特征和k_t个非平稳信号的关键特征，将关键特征输入到故障诊断模型进行故障诊断。

2.根据权利要求1所述的基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法，其特征在于，所述步骤(1.1)中，集成经验模态分解的具体方法如下：

(1.1.1)向原始信号中加入正态分布的白噪声序列，将加入白噪声之后的信号通过经验模态分解，分解成n个IMF分量；

(1.1.2)重复步骤(1.1.1)K-1次，每次加入新的白噪声序列，并得到n个IMF分量：其中i∈1,2,…n，表示第i个分量，j表示第j次执行模态分解；

(1.1.3)最终得到的IMF分量为I₁,I₂,I₃,…I_i,…I_n，其中，K表示模态分解的执行次数；

其中，经验模态分解的步骤如下：

(a)找出原始振动信号x(t)的所有极大值点和极小值点，将其极大值点和极小值点分别用三次样条曲线连接起来，组成上下包络线，上包络线和下包络线之间包含的是原始数据，求取上下包络线的均值线m₁，计算信号的差值序列为h₁＝x(t)-m₁；

(b)判断h₁是否满足本征模态分量的两个条件：(1)极值点个数和过零点个数相同或最多只相差一个；(2)差值序列局部极大值和局部极小值的两条包络线的均值在任一点处为零；如果h₁不满足这两个条件，则重复执行(a)，将h₁作为原始序列，直到得到满足本征模态分量的h_1k为止；

(c)将第一个本征模态分量记为c₁＝h_1k，得到的余项r₁＝x(t)-c₁，将r₁作为新的原始数据，重复步骤(a)～(b)，直到第n个余项r_n为单调函数，即不能提取出满足(b)中两个条件的IMF分量时结束；最后得到将原始信号分解成为残差和n个本征模态分量的和，得到n个IMF分量。

3.根据权利要求1所述的基于平稳与非平稳振动信号特征选择的汽轮机主机故障诊断方法，其特征在于，所述的步骤(1.2)中，对所有IMF分量进行平稳性判别，具体的方法是应用AugmentedDickeyFuller(ADF)检验对所有的IMF分量进行平稳性判别，从而将IMF分量分为p个平稳IMF分量和q个非平稳IMF分量两部分。