[发明专利]一种基于EEMD模糊熵和SVM的风机异常检测方法

说明书

本发明涉及通过建模及人工智能的方法来实现风机异常的快速检测，一种基于EEMD模糊熵和SVM的故障诊断方法，包括：(1)利用EEMD分解振动信号得到若干个IMF分量；(2)计算相关系数剔除无效分量，将有效IMF分量组成相应的倍频成分；(3)不同倍频IMF分量的模糊熵，进行归一化计算，组成多维特征向量；(4)输入SVM中，对故障进行识别；本发明的方法模型精度比仅采用的SVM高7％。该发明中的方法对于提高SVM的精度具有明显的作用。

技术领域

本发明涉及火电厂风机检测方法领域，尤其涉及一种通过建模及人工智能的方法来实现风机异常的快速检测。

背景技术

一次风机是火电厂重要的辅机设备之一，主要用来输送和干燥煤粉，并提供燃料燃烧初期所需要的空气。其工作环境恶劣，且需要频繁调节负荷，因此故障高发，故障诊断难度大。对一次风机产生的故障必须做到及时有效的检测与分析，以便于查明故障原因和排除故障，防止事故发生。

风机是一种典型的旋转机械，广泛的用于石油、化工、电力、冶金等行业，对国民经济的发展具有重要意义。其中一次风机是由电动机、叶轮、机壳、进气箱、集流器、基座、调节控制系统等组成。主要作用是提供一定压力、一定流量的一次风，将煤粉干燥并送入喷燃器，提供煤粉挥发份燃烧所需热量。由于一次风机工作环境恶劣、振动较大，因此容易发生故障。一次风机的故障将引起主机生产线的停机，将会导致严重的经济损失。目前，普遍使用的基于火电厂辅机设备的在线监测与故障诊断方法主要有三类：第一类是解析模型方法，采用公式及方程来建立电厂模型达到状态监测和故障诊断的目的。此方法由于系统存在时变、不确定性等问题，受到精确建模的限制，而火电厂辅机设备结构复杂、非线性强，因此不适合此方法。第二类是利用专家经验设计一组计算机程序，对监测到的状态进行基于专家经验的智能分析，从而进行故障识别。但是在实际应用中，此方法对运行的动态过程信息利用不充分，对系统未知新故障和混杂故障处理能力不足。

SVM以其完备的数学理论和小样本学习能力，被推广到许多实际应用中。基于多个传感器单个特征量信息融合的齿轮故障诊断率比常规的基于单个传感的多个特征量的诊断准确率更高，但在现场，多传感器提高了运行成本。

发明内容

为了实现火电厂一次风机异常的快速检测问题，提供一种基于EEMD(总体平均经验模态分解)模糊熵和SVM(支持向量机)的风机异常检测方法，利用EEMD分解振动信号得到若干个IMF分量，计算相关系数剔除无效分量，将有效IMF分量组成相应的倍频成分。不同倍频IMF分量的模糊熵，并进行归一化计算，组成多维特征向量，输入SVM中，对故障进行识别。本发明提供以下技术方案：

一种基于EEMD模糊熵和SVM的风机异常检测方法，包括以下步骤：

(1)对数据进行预处理，保证数据的稳定可靠；(2)将原数据作为待分类样本，将样本集按照比例分为训练集和验证集，输入SVM，对故障诊断模型进行训练。计算模型的准确率； (3)利用EEMD对采集到的振动信号进行分解，得到若干个IMF分量和一个残余分量；(4)利用相关性分析方法，将有效IMF分量组成倍频成分；(5)计算步骤(4)中不同倍频IMF 分量的模糊熵，并进行归一化计算，组成多维特征向量，与原数据一同构成待分类样本，将样本集为训练集和验证集，以此对故障诊断模型进行相关训练，计算模型的准确率。

EEMD的算法步骤如下：

(1)预定义EEMD算法的总体平均次数N和高斯白噪声的幅值a。

(2)将原始信号加入幅值为a的高斯白噪声，形成新的信号。

x_m(t)＝x(t)+n_m(t) (1-1)

x_m(t)是形成的新信号，x(t)是原始信号，n_m(t)是加入的幅值为a的高斯白噪声信号

(3)将新信号进行EMD分解得：