基于双谱分析特征提取的汽轮机故障智能诊断

王志刚, 王宏超

(1.安阳工学院 机械工程学院 河南 安阳 455000; 2郑州轻工业学院 机电工程学院,河南 郑州 450002)

基于双谱分析特征提取的汽轮机故障智能诊断

王志刚1, 王宏超2

(1.安阳工学院 机械工程学院 河南 安阳 455000; 2郑州轻工业学院 机电工程学院,河南 郑州 450002)

旋转机械发生故障时,其信号往往呈现出非线性特征,故常规的线性信号处理方法不再适用于旋转机械故障信号的特征提取.高阶谱分析方法是基于高阶统计量(Higher Order Statistics,HOS)的一种非线性信号处理方法,其中的双谱分析方法具有高阶统计量的一切优点,并且具有较低的阶数,便于计算.提出基于双谱特征提取的汽轮机故障智能诊断方法:用双谱分析方法分别对汽轮机的碰摩故障信号、转子不平衡故障信号及转子不对中故障信号进行特征提取,用提取到的部分特征作为支持向量数据描述(Support Vector Data Description,SVDD)的训练数据,部分特征向量作为测试数据.分析结果验证了所述方法的有效性及可行性.

双谱分析; 特征提取; 汽轮机; 智能诊断

智能诊断是旋转机械故障诊断的常用方法,其优点是不需要专家的参与,具有普适性和易理解性,但其缺点是计算效率比较低,提高其计算效率关键的一步就是特征提取.有效的故障输入特征不仅能有效提高分类正确率,而且还能提高计算效率.汽轮机发生故障时,其信号往往呈现出非线性特征,故常规的线性信号处理方法不再适用于旋转机械故障信号的特征提取.高阶谱分析方法是基于高阶统计量的一种非线性信号处理方法，其中的双谱分析方法具有高阶统计量的一切优点，并且具有较低的阶数，便于计算.提出基于双谱特征提取的汽轮机故障智能诊断方法:用双谱分析方法分别对汽轮机的碰摩故障信号、转子不平衡故障信号及转子不对中故障信号进行特征提取,用提取到部分特征作为支持向量数据描述的训练数据,部分特征向量作为测试数据.分析结果验证了所述方法的有效性及可行性.

1 双谱分析

高阶谱的定义:设{x(n)}为零均值的k阶平稳随机过程,其k阶累积量定义为

(1)

若ckx(τ1,…,τk-1)是绝对可和的,即

(2)

则k阶累积量谱定义为k阶累积量的(k-1)维离散傅里叶变换,即

(3)

高阶谱或多谱就是上述的高阶累积量谱.根据阶数的不同,相应的有功率谱、双谱、三谱等.

功率谱:k=2

(4)

双谱(即三阶谱):k=3

(5)

定义二:对于一个有限能量的确定性信号{x(n)},n=0,±1,±2,…,其相应的傅里叶变换、功率谱和双谱的定义分别如下.

傅里叶变换:

(6)

功率谱:

(7)

双谱:

(8)

注:以上式中“*”表示共轭.

双谱的定义:对三阶累积量进行二维离散傅里叶变换即为双谱分析,常用Bx(ω1,ω2)来表示.

(9)

双谱的性质:

①双谱Bx(ω1,ω2)由于同时具有相位和复值,因而往往是复值的,即

(10)

②双谱Bx(ω1,ω2)是以2π为周期的双周期函数:

(11)

③双谱Bx(ω1,ω2)具有以下对称形：

(12)

其中,“*”表示复共轭.双谱Bx(ω1,ω2)的对称性及其对称区域如图1所示.在图中,有对称线ω1=ω2,2ω1=-ω2,2ω2=-ω1,ω1=-ω2,ω1=0和ω2=0,这些对称线将双谱的定义区域分成12个对称区域.仅仅利用主对角区ω2≥0,ω1≥ω2,(ω1+ω2)≤π内局部的双谱信息就能够实现对全部双谱的完整描述.

④对于具有零均值的随机平稳过程{x(n)},其三阶矩为零,相应的双谱Bx(ω1,ω2)也恒等于零.

⑤相对于抑制所有相位信息的功率谱,双谱分析方法只抑制线性相位信息从而保留了非线性相位信息.

图1 双谱的对称区域示意图Fig.1 Bispectrum’s symmetric diagram

3 诊断流程

基于双谱时频图稀疏性非负矩阵分解的滚动轴承故障诊断流程图如图2所示,大致分为如下步骤:

步骤1 利用双谱分析提取特征向量:根据双谱的对称性,通常研究频率变量ω2≥0,ω1≥ω2且

图2 基于双谱特征提取的汽轮机智能诊断流程Fig.2 Flow chart of the model recognition of turbine fault based on bispectrum feature extraction

(ω1+ω2)≤π三角形区域的矢双谱特征图谱(参见图1).为了直观获取简化的特征向量,我们沿ω2方向求和,得到双谱能量沿ω1方向的分布数值,具体计算公式为

(13)

并进行归一化处理:

令e=max(ei)

则

(14)

步骤2 分别采集汽轮机2种运行状态(碰摩故障、不对中故障及转子不平衡故障)下的振动信号,对每种运行状态下的数据进行分段,并分别对每段数据进行步骤1的特征提取.

步骤3 分别随机选择3种运行状态下的训练特征向量集XT(i),i代表汽轮机的3种运行状态,i=1,2,3),输入到SVDD进行模型训练.

步骤4 同样,将测试样本集XT(i)(i=1,2,3)输入到步骤3训练好的模型中,从而对XT(i)所对应的汽轮机运行状态进行模式识别.

3 试验结果分析

汽轮机3种故障的数据均来自郑州恩普特科技股份有限公司在服务企业设备诊断过程中的积累,采集仪器均采用恩普特科技股份有限公司自主研发的设备状态监测与安全评价系统——PEDS-F,仪器实物图如图3所示.取汽轮机3种运行状态下的某段数据,对其进行双谱变换,如图4a-c所示.由图4可以看出,汽轮机3种运行状态的双谱图差别比较大,说明双谱分析方法可以用来作为特征提取的有效素材.

图3 设备状态检测与安全评价系统Fig.3 PDES-F

图4 汽轮机3种故障信号的双谱图Fig.4 Bispectrum of turbine three states

按图2所述方法,提取3种运行状态的特征向量进行SVDD模型训练,再分别用3种运行状态下的50组测试特征向量输入到训练好的SVDD模型中,结果如图5ak-c所示:其中1—50组为碰摩故障测试向量,51—100组为不平衡故障测试向量,101-150组为不对中故障测试向量.由最终的测试结果可以看出:前两种故障的50组测试向量,分别只有3组被误分,第三种故障的50组测试向量也只有6组被误分,总体取得了90%的分类正确率,说明了所述方法的有效性及可行性.

图5 基于所述方法的汽轮机3种故障分类结果Fig.5 Diagnosis result of turbine three states

4 结论

提出了基于双谱特征提取方法的汽轮机智能诊断方法:将双谱分析作为汽轮机3种运行故障信号的特征提取方法,将提取到的特征向量作为SVDD的训练及测试向量,最终取得了高的分类正确率,为汽轮机的智能诊断方法提供有益参考价值.

[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] ŽVOKELJ 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

王志刚(1977-),男,讲师,硕士.E-mail:hongchao1983@126.com

TH 212

A

1672-5581(2016)05-0460-04