基于雙譜分析特征提取的汽輪機故障智能診斷

王志剛, 王宏超

(1.安陽工學院 機械工程學院 河南 安陽 455000; 2鄭州輕工業學院 機電工程學院,河南 鄭州 450002)

基于雙譜分析特征提取的汽輪機故障智能診斷

王志剛1, 王宏超2

(1.安陽工學院 機械工程學院 河南 安陽 455000; 2鄭州輕工業學院 機電工程學院,河南 鄭州 450002)

旋轉機械發生故障時,其信號往往呈現出非線性特征,故常規的線性信號處理方法不再適用于旋轉機械故障信號的特征提取.高階譜分析方法是基于高階統計量(Higher Order Statistics,HOS)的一種非線性信號處理方法,其中的雙譜分析方法具有高階統計量的一切優點,并且具有較低的階數,便于計算.提出基于雙譜特征提取的汽輪機故障智能診斷方法:用雙譜分析方法分別對汽輪機的碰摩故障信號、轉子不平衡故障信號及轉子不對中故障信號進行特征提取,用提取到的部分特征作為支持向量數據描述(Support Vector Data Description,SVDD)的訓練數據,部分特征向量作為測試數據.分析結果驗證了所述方法的有效性及可行性.

雙譜分析; 特征提取; 汽輪機; 智能診斷

智能診斷是旋轉機械故障診斷的常用方法,其優點是不需要專家的參與,具有普適性和易理解性,但其缺點是計算效率比較低,提高其計算效率關鍵的一步就是特征提取.有效的故障輸入特征不僅能有效提高分類正確率,而且還能提高計算效率.汽輪機發生故障時,其信號往往呈現出非線性特征,故常規的線性信號處理方法不再適用于旋轉機械故障信號的特征提取.高階譜分析方法是基于高階統計量的一種非線性信號處理方法，其中的雙譜分析方法具有高階統計量的一切優點，并且具有較低的階數，便于計算.提出基于雙譜特征提取的汽輪機故障智能診斷方法:用雙譜分析方法分別對汽輪機的碰摩故障信號、轉子不平衡故障信號及轉子不對中故障信號進行特征提取,用提取到部分特征作為支持向量數據描述的訓練數據,部分特征向量作為測試數據.分析結果驗證了所述方法的有效性及可行性.

1 雙譜分析

高階譜的定義:設{x(n)}為零均值的k階平穩隨機過程,其k階累積量定義為

(1)

若ckx(τ1,…,τk-1)是絕對可和的,即

(2)

則k階累積量譜定義為k階累積量的(k-1)維離散傅里葉變換,即

(3)

高階譜或多譜就是上述的高階累積量譜.根據階數的不同,相應的有功率譜、雙譜、三譜等.

功率譜:k=2

(4)

雙譜(即三階譜):k=3

(5)

定義二:對于一個有限能量的確定性信號{x(n)},n=0,±1,±2,…,其相應的傅里葉變換、功率譜和雙譜的定義分別如下.

傅里葉變換:

(6)

功率譜:

(7)

雙譜:

(8)

注:以上式中“*”表示共軛.

雙譜的定義:對三階累積量進行二維離散傅里葉變換即為雙譜分析,常用Bx(ω1,ω2)來表示.

(9)

雙譜的性質:

①雙譜Bx(ω1,ω2)由于同時具有相位和復值,因而往往是復值的,即

(10)

②雙譜Bx(ω1,ω2)是以2π為周期的雙周期函數:

(11)

③雙譜Bx(ω1,ω2)具有以下對稱形：

(12)

其中,“*”表示復共軛.雙譜Bx(ω1,ω2)的對稱性及其對稱區域如圖1所示.在圖中,有對稱線ω1=ω2,2ω1=-ω2,2ω2=-ω1,ω1=-ω2,ω1=0和ω2=0,這些對稱線將雙譜的定義區域分成12個對稱區域.僅僅利用主對角區ω2≥0,ω1≥ω2,(ω1+ω2)≤π內局部的雙譜信息就能夠實現對全部雙譜的完整描述.

④對于具有零均值的隨機平穩過程{x(n)},其三階矩為零,相應的雙譜Bx(ω1,ω2)也恒等于零.

⑤相對于抑制所有相位信息的功率譜,雙譜分析方法只抑制線性相位信息從而保留了非線性相位信息.

圖1 雙譜的對稱區域示意圖Fig.1 Bispectrum’s symmetric diagram

3 診斷流程

基于雙譜時頻圖稀疏性非負矩陣分解的滾動軸承故障診斷流程圖如圖2所示,大致分為如下步驟:

步驟1 利用雙譜分析提取特征向量:根據雙譜的對稱性,通常研究頻率變量ω2≥0,ω1≥ω2且

圖2 基于雙譜特征提取的汽輪機智能診斷流程Fig.2 Flow chart of the model recognition of turbine fault based on bispectrum feature extraction

(ω1+ω2)≤π三角形區域的矢雙譜特征圖譜(參見圖1).為了直觀獲取簡化的特征向量,我們沿ω2方向求和,得到雙譜能量沿ω1方向的分布數值,具體計算公式為

(13)

并進行歸一化處理:

令e=max(ei)

則

(14)

步驟2 分別采集汽輪機2種運行狀態(碰摩故障、不對中故障及轉子不平衡故障)下的振動信號,對每種運行狀態下的數據進行分段,并分別對每段數據進行步驟1的特征提取.

步驟3 分別隨機選擇3種運行狀態下的訓練特征向量集XT(i),i代表汽輪機的3種運行狀態,i=1,2,3),輸入到SVDD進行模型訓練.

步驟4 同樣,將測試樣本集XT(i)(i=1,2,3)輸入到步驟3訓練好的模型中,從而對XT(i)所對應的汽輪機運行狀態進行模式識別.

3 試驗結果分析

汽輪機3種故障的數據均來自鄭州恩普特科技股份有限公司在服務企業設備診斷過程中的積累,采集儀器均采用恩普特科技股份有限公司自主研發的設備狀態監測與安全評價系統——PEDS-F,儀器實物圖如圖3所示.取汽輪機3種運行狀態下的某段數據,對其進行雙譜變換,如圖4a-c所示.由圖4可以看出,汽輪機3種運行狀態的雙譜圖差別比較大,說明雙譜分析方法可以用來作為特征提取的有效素材.

圖3 設備狀態檢測與安全評價系統Fig.3 PDES-F

圖4 汽輪機3種故障信號的雙譜圖Fig.4 Bispectrum of turbine three states

按圖2所述方法,提取3種運行狀態的特征向量進行SVDD模型訓練,再分別用3種運行狀態下的50組測試特征向量輸入到訓練好的SVDD模型中,結果如圖5ak-c所示:其中1—50組為碰摩故障測試向量,51—100組為不平衡故障測試向量,101-150組為不對中故障測試向量.由最終的測試結果可以看出:前兩種故障的50組測試向量,分別只有3組被誤分,第三種故障的50組測試向量也只有6組被誤分,總體取得了90%的分類正確率,說明了所述方法的有效性及可行性.

圖5 基于所述方法的汽輪機3種故障分類結果Fig.5 Diagnosis result of turbine three states

4 結論

提出了基于雙譜特征提取方法的汽輪機智能診斷方法:將雙譜分析作為汽輪機3種運行故障信號的特征提取方法,將提取到的特征向量作為SVDD的訓練及測試向量,最終取得了高的分類正確率,為汽輪機的智能診斷方法提供有益參考價值.

[1] PURUSHOTHAM V,NARAYANAN S,PRASAD S A N.Multi-fault diagnosis of rolling bearing elements using wavelet analysis and hidden markov model based fault recognition [J].NDT & E International,2005,38(8):654-664.

[2] ABBASION S,RAFSANJANI A,FARSHIDIANFAR A,et al.Rolling element bearings multi-fault classification based on wavelet denoising and support vector mahine [J].Mechanical Systems and Signal Processing,2007,21(7):2933-2945.

[3] LEI Y G,HE Z J,ZI Y Y.Application of a novel hybrid intelligent method to compound fault diagnosis of locomotive roller bearings [J].ASME Journal of Vibration and Acoustics,2008,130(3):034501.

[4] ?VOKELJ M,ZUPAN S,PREBIL I.Multivariate and multiscal monitoring of large-size low-speed bearings using ensemble mode decomposition method combined with principal component analysis [J].Mechanical Systems and Signal Processing,2010,24(1):1049-1067.

[5] LI Z X,YAN X P,TIAN Z,et al.Blind vibration component separation and nonlinear feature extraction applied to the nonstationary vibration signals for gearbox multi-fault diagnosis [J].Measurement,2013,46(1):259-271.

Intelligent fault diagnosis on turbine based on bispectrum feature extraction

WANG Zhi-Gang, WANG Hong-Chao

(1.Anyang Institute of technology, School of Mechanical Engineering, Anyang 455000,China;2.Zhengzhou Light Industry Institute, School of Mechanical Electricity, Zhengzhou 450002,China)

Due to the fault signals with non-linear characteristic for rotary machinery, the traditional liner methods are not suitable for signal processing. Compared with higher-order statistics (HOS) for non-linear signal processing, the bispectrum method possesses the advantages of high computational effectiveness. Firstly, an intelligent turbine fault diagnosis method is proposed based on bispectrum feature extraction by extracting such features as rub, unbalancing and misalignment. Then, the selected feature vectors are used as training data for the trained support vector data description (SVDD) models, whereas the remained feature vectors are used as testing data and are input into (SVDD) models. Finally, the effectiveness and feasibility of this approach are verified via experiments.

bispectrum; feature extraction; turbine; Intelligent diagnosis

王志剛(1977-),男,講師,碩士.E-mail:hongchao1983@126.com

TH 212

A

1672-5581(2016)05-0460-04