[发明专利]一种风机喘振运行故障识别方法及系统

说明书

本发明提出了一种风机喘振运行故障识别方法及系统。所述识别方法包括：首先，获取风机设备在工作过程中的现场设备声信号；并对现场设备声信号进行预处理，获得现场设备声信号的二维时频数据；然后，采用CNN网络对所述二维时频数据进行识别，获得第一识别结果；采用LSTM网络对所述二维时频数据进行识别，获得第二识别结果；最后，基于D‑S证据理论，对第一识别结果和所述第二识别结果进行信息融合，获得风机喘振运行故障的识别结果。本发明利用现场设备声信号进行风机喘振故障诊断，无需在风机上安装传感器，采用卷积神经网络和长短时记忆网络对喘振声信号特征进行故障发生概率诊断，并使用D‑S证据理论进行决策层两个结果的融合诊断，提高诊断的准确率。

技术领域

本发明涉及设备故障检测技术领域，特别是涉及一种风机喘振运行故障识别方法及系统。

背景技术

随着电厂机组的不断扩容，在满足电厂负荷要求的同时，保证各类电力设备稳定运行的需求也随之增高。其中送、引风机、一次风机等风机类设备承担控制炉膛压力，保证锅炉正常运行的任务，是电厂高效率运行的重要辅机设备。当风机设备自身稳定程度较低，或阀门开度发生大幅度波动导致风机运行转速与旋转气流不匹配时，极易喘振故障，导致风机在不稳定区工作，产生具有宽频域、高幅度特点的压力、流量脉动，造成周期性的对流气动噪声。喘振故障给机组的稳定运行带来了极大的安全隐患，故对风机进行运行状态实时监测与喘振故障预警具有十分重要的意义。现有的喘振故障预警的方法主要有，1、通过风机出口调节阀和压力检测装置采集风机的启动信号、炉内燃烧标志、运转电流检测信号、出口压力检测信号、出口调节阀的开度反馈信号，送至计算机控制系统进行计算分析，识别出风机是否出现喘振现象；2、通过对预处理后的语音信号进行谱相减法去噪，采用梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient)以及数据堆叠组成3D卷积神经网络的输入，并利用卷积神经网络(ConvolutionalNeural Network,CNN)进行声纹识别；3、基于时频二维处理对汽车发动机的运行声音进行处理，根据AlexNet进行的故障判断，同时使用LSTM识别发动机运行时间状态以辅助更精确的故障判断。然而现有的技术存在如下技术缺陷：1.喘振发生时，风机具有低负荷工况、剧烈振动等特征，当前电厂大多通过压力、阀门开度、振动等信息传感器组合的方式作为喘振是否发生的判断依据。这种方式需要多个传感器对设备进行实时监测，增加了设备成本问题。同时多个传感器的安装要求各不相同，放置位置亦不相同，增加了传感器安装与检修的难度。2.当前的设备故障检测与预警方法，大多利用对故障特征深入的了解，基于传统信息处理方法对故障特征进行识别与分类，这种方法需要较高的设备理解与运行经验，且泛化性差，当设备发生其他故障时或多种故障混杂出现等情况时，故障类型往往难以识别，或识别率较差。3、设备故障识别方法往往对准确率有较高要求，需要故障监测和预警算法具有低拒真率和低认假率。设备喘振的信号往往呈周期性变化，且在喘振发生初期的故障特征与风机调低负荷的运行特征比较相似，只从静态角度一方面进行故障诊断无法达到精准故障预警的要求，准确率较低。

发明内容

本发明的目的是提供一种风机喘振运行故障识别方法及系统，以实现无需在风机设备上安装传感器的基础上提高识别的准确率。

为实现上述目的，本发明提供了如下方案：

一种风机喘振运行故障识别方法，所述识别方法包括如下步骤：

获取风机设备在工作过程中的现场设备声信号；

对所述现场设备声信号进行预处理，获得现场设备声信号的二维时频数据；

采用CNN网络对所述二维时频数据进行识别，获得第一识别结果；

采用LSTM网络对所述二维时频数据进行识别，获得第二识别结果；

基于D-S证据理论，对所述第一识别结果和所述第二识别结果进行信息融合，获得风机喘振运行故障的识别结果。