一种火电厂关键辅机故障诊断方法和系统

1.本发明涉及火电厂辅机故障诊断领域，尤其是涉及一种火电厂关键辅机故障诊断方法和系统。


背景技术：

2.随着火力发电多参数大容量机组的日益发展，与之配套的辅机逐渐走向规模化，辅机装备在火电厂生产过程中扮演的角色变得更加关键。辅机装备的故障不仅能够直接影响电力的生产和质量，有时还可能导致严重的装备和人身事故。所以，研究火电厂中辅机装备的故障诊断，具有重大的现实意义。电厂辅机设备中的水泵、风机等，多数为电机驱动的旋转设备。该类设备的异常振动问题是影响机组安全稳定运行的主要因素之一，如何准确高效地诊断出旋转设备的异常振动故障，是工程技术人员最为重视的问题。对于火电辅机信号预处理的方法处理过程复杂且计算量大；在对故障进行分类时往往只针对单一分类器进行故障诊断研究，故障识别程度较低。


技术实现要素：

3.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种火电厂关键辅机故障诊断方法和系统，能够快速的、准确的识别火电厂关键辅机故障类型，及时进行维修和保护，降低火电厂关键辅机故障带来的经济损失，使火电机组能够可靠安全的运行。
4.本发明的目的可以通过以下技术方案来实现：
5.一种火电厂关键辅机故障诊断方法，包括以下步骤：
6.s1、获取火电辅机的原始监测信号；
7.s2、通过中心频率观察法和残差指数法来确定最优变分模态分解算法的参数k，采用最优变分模态分解算法将原始监测信号分解成k个模态函数；
8.s3、对分解后的模态提取特征向量；
9.s4、构造集成学习模型，并且使用提取特征向量进行训练；
10.s5、采集火电辅机的待诊断监测信号，输入至训练后的集成学习模型得到诊断结构。
11.进一步地，所述的集成学习模型采集引导聚集-轻量型梯度提升机结构，包括多个级联的轻量型梯度提升机。
12.进一步地，所述特征向量采用时域特征参数，包括均方根、裕度、峰值、平均值、波形指标、最大值、标准差、峭度、偏斜度和方根幅值。
13.进一步地，所述原始监测信号为火电辅机中轴承的纵向与横向原始振动信号。
14.进一步地，所述原始监测信号采用滚动均值滤波方法进行降噪。
15.一种火电厂关键辅机故障诊断系统，包括处理器和存储器，所述处理器调用存储器中的程序，执行以下步骤：
16.s1、获取火电辅机的原始监测信号；
17.s2、通过中心频率观察法和残差指数法来确定最优变分模态分解算法的参数k，采用最优变分模态分解算法将原始监测信号分解成k个模态函数；
18.s3、对分解后的模态提取特征向量；
19.s4、构造集成学习模型，并且使用提取特征向量进行训练；
20.s5、采集火电辅机的待诊断监测信号，输入至训练后的集成学习模型得到诊断结构。
21.进一步地，所述的集成学习模型采集引导聚集-轻量型梯度提升机结构，包括多个级联的轻量型梯度提升机。
22.进一步地，所述特征向量采用时域特征参数，包括均方根、裕度、峰值、平均值、波形指标、最大值、标准差、峭度、偏斜度和方根幅值。
23.进一步地，所述原始监测信号为火电辅机中轴承的纵向与横向原始振动信号。
24.进一步地，所述原始监测信号采用滚动均值滤波方法进行降噪。
25.与现有技术相比，本发明具有以下有益效果：
26.(1)通过最优变分模态分解(optimal variational modal decomposition,ovmd)算法预处理后的原始监测信号，能够很好地将各种故障类型区分开来，有利于提取故障特征，提高故障诊断率。
27.(2)集成学习模型能弥补单个分类器的不足，提高整体的分类能力。
28.(3)引入均值滤波分解对故障数据进行了降噪处理，通过对原始信号进行重构，既达到了降噪的目的，又保留了数据本身的特征信息。
附图说明
29.图1为本发明的整体流程示意图。
30.图2为残差指数随参数变化的示意图。
31.图3为ovmd分解的各模态分量示意图。
32.图4为未经降噪的各类混淆矩阵示意图。
33.图5为降噪后的各类混淆矩阵示意图。
34.图6为传统的诊断模型评价示意图。
35.图7为本实施例的诊断模型评价示意图。
具体实施方式
36.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
37.如图1所示，本实施例提供了一种火电厂关键辅机故障诊断方法，首先，使用ovmd算法对轴承的纵向与横向原始振动信号进行预处理，从中提取均方根、裕度、峰值、平均值、波形指标、方差等10个参数，作为轻量型梯度提升机(light gradient boosting machine,lightgbm)的特征向量；然后结合集成学习算法构造引导聚集-轻量型梯度提升机(bagging-lightgbm)集成学习模型。最后将提取的故障特征作为集成学习模型模型的输入，以此得到诊断结果。具体包括如下步骤：
38.步骤s1、获取火电辅机的原始监测信号。模拟三种直径下驱动端滚动轴承的10种故障数据，分别为正常状态以及内圈、外圈和滚动体故障。并设置故障标签如表1所示。
39.表1故障标签
[0040][0041]
步骤s2、通过中心频率观察法和残差指数法来确定最优变分模态分解算法的参数k，采用最优变分模态分解算法将原始监测信号分解成k个模态函数。不同k值条件下的各模态中心频率如表2所示。
[0042]
表2不同k值条件下各模态中心频率
[0043][0044]
从表中可以看出，相似的归一化中心频率在k＝5时出现，即此时出现过度分解，因此k应选取4。最小二乘误差指标随参数τ变化的曲线如图2所示。从图中可以看出，当误差指标最小时，对应的τ＝0.06，因此在本次研究中最优参数τ取0.06。采用ovmd将原始故障信号分解成k个模态函数，结果如图3所示。
[0045]
步骤s3、对分解后的模态提取特征向量。本文选用的时域特征参数：均方根、裕度、峰值、平均值、波形指标、最大值、标准差、峭度、偏斜度、方根幅值。将特征数据集分为训练集与测试集。
[0046]
步骤s4、构造集成学习模型，并且使用提取特征向量进行训练。将训练集送入集成学习模型，进行训练。集成学习模型采集引导聚集-轻量型梯度提升机结构，包括多个级联的轻量型梯度提升机lightgbm。
[0047]
步骤s5、采集火电辅机的待诊断监测信号，输入至训练后的集成学习模型得到诊断结构。
[0048]
在另一优选的实施方式中，原始监测信号采用滚动均值滤波方法进行降噪。由于轴承易受到各种条件的干扰，如何识别干扰信号和正常信号给故障特征信息提取带来一定的困扰，滤波算法有效地克服了这一难点。本发明通过均值滤波法，对当前数据以及后面的几个数据的样本平均数动态地代替当前数据，可以有效地减少随机影响因子所带来的波动，尤其适宜在某一数值区间上下起伏的振动数据样本。因此，选取滚动均值滤波方法研究轴承的振动特征。分别将原始信号进行降噪与未经降噪处理，然后通过ovmd分解提取特征后送入模型，得到各类诊断结果如图4～5所示。
[0049]
为了更直观的分析方法有效性，采用正确率、召回率、f值对本实施例的诊断模型
进行评价。正确率指评估捕获的数据对目标结果所占的百分比；召回率，就是从关注范围中召回目标值的比率；f值是结合以上两者因素的评价指标，作为综合衡量整体范围的指标。结果如图6～7所示。
[0050]
结合图4～7可以看出基于均值滤波后的故障诊断方法要优于未滤波的故障诊断方法。传统的故障诊断方法各类别故障识别准确率平均为95.4％，而本实施例基于均值滤波器的信号去噪及ovmd故障诊断方法各类别的故障识别准确率平均为98％。可以得出，本实施例所提出方法有效地提高了故障诊断的准确率。
[0051]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0052]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0053]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0054]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0055]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0056]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。