CN116861320A - 基于短时傅里叶同步压缩变换的转子故障诊断方法 - Google Patents
基于短时傅里叶同步压缩变换的转子故障诊断方法 Download PDFInfo
- Publication number
- CN116861320A CN116861320A CN202310639247.7A CN202310639247A CN116861320A CN 116861320 A CN116861320 A CN 116861320A CN 202310639247 A CN202310639247 A CN 202310639247A CN 116861320 A CN116861320 A CN 116861320A
- Authority
- CN
- China
- Prior art keywords
- time
- signal
- short
- frequency
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 69
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 50
- 230000006835 compression Effects 0.000 title claims abstract description 44
- 238000007906 compression Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000009466 transformation Effects 0.000 title claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008707 rearrangement Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种基于短时傅里叶同步压缩变换的转子故障诊断方法,涉及燃气轮机转子故障诊断技术领域,解决了现有技术中依靠经验进行故障诊断,误判率高的问题;该方法包括:输入待判断的故障振动信号,对故障振动信号进行数据预处理;其中,数据预处理,包括:对故障振动信号进行去噪处理,确定去噪信号;对去噪信号进行短时傅里叶变换,确定短时傅里叶时频域信号;对短时傅里叶时频域信号进行同步压缩变换,确定压缩后时频域信号;对压缩后时频域信号进行特征提取,确定信号特征;将信号特征输入至训练好的故障诊断模型中,输出诊断结果;实现了故障诊断流程化,提高诊断效果,减少误判率,保证燃气轮机的正常运行。
Description
技术领域
本申请涉及燃气轮机转子故障诊断技术领域,尤其涉及一种基于短时傅里叶同步压缩变换的转子故障诊断方法。
背景技术
燃气轮机是一种常见的发电机组和大型动力驱动***。由于其高效率和高可靠性,燃气轮机广泛应用在发电厂、航空发动机、大型船舶等诸多重工业领域。
燃气轮机转子由多个叶片和轮盘组成,通过燃气喷射产生的高速气流驱动转子旋转,最终将能量转化为电力或动力输出。其工作环境更加恶劣多变,在长期运行在高温高压环境下会逐渐老化,剩余寿命会逐步下降,发生故障的潜在可能性逐渐增加,且转子由于其高速旋转部件的复杂性和要求,燃气轮机转子也容易出现碰摩、不平衡、不对中、裂纹等典型故障。故障一旦发生,不仅造成巨大的经济损失,甚至会导致灾难性的人员伤亡,形成严重的社会影响。
目前,如何根据燃气轮机转子碰磨、不平衡、不对中故障进行诊断是亟需解决的问题。
发明内容
本申请实施例通过提供一种基于短时傅里叶同步压缩变换的转子故障诊断方法,解决了现有技术中依靠经验进行故障诊断,误判率高的问题,实现了故障诊断流程化,提高诊断效果,减少误判率,保证燃气轮机的正常运行。
本发明实施例提供了一种基于短时傅里叶同步压缩变换的转子故障诊断方法,该方法包括:
输入待判断的故障振动信号,对所述故障振动信号进行数据预处理;其中,所述数据预处理,包括:对所述故障振动信号进行去噪处理,确定去噪信号;对所述去噪信号进行短时傅里叶变换,确定短时傅里叶时频域信号;对所述短时傅里叶时频域信号进行同步压缩变换,确定压缩后时频域信号;对所述压缩后时频域信号进行特征提取,确定信号特征;
将所述信号特征输入至训练好的故障诊断模型中,输出诊断结果。
在一种可能的实现方式中,所述对所述故障振动信号进行去噪处理,确定去噪信号,包括:
对所述故障振动信号进行小波分解,确定高频分量和低频分量;
按照阈值对所述高频分量进行处理,去除超出所述阈值的所述高频分量,确定剩余高频分量;
对所述剩余高频分量和所述低频分量进行小波重构,确定去噪信号。
在一种可能的实现方式中,所述对所述去噪信号进行短时傅里叶变换,确定短时傅里叶时频域信号,包括:
所述故障振动信号表示为:
其中,t表示窗函数中心位置,K表示分量个数,Ak(t)表示瞬时幅值,表示瞬时相位;
短时傅里叶变换S(t,f)表示为:
其中,f表示频率,τ表示时间参数,g(τ-t)表示窗函数,f(τ-t)表示窗函数对应的频率分布函数。
在一种可能的实现方式中,所述对所述短时傅里叶时频域信号进行同步压缩变换,确定压缩后时频域信号,包括:
其中,T(t,ω)表示对所述去噪信号做出同步短时傅里叶处理后的频率分布,g(0)表示为0时刻的窗函数,δ表示为狄拉克函数,S(t,f)表示信号S(t)短时傅里叶变换函数,ω(t,f)表示压缩后的瞬时频率,所述压缩后的瞬时频率的具体计算公式为:
其中,i表示虚数单位,Re表示取实运算。
在一种可能的实现方式中,所述对所述压缩后时频域信号进行特征提取,确定信号特征,包括:
对所述压缩后时频域信号的图像进行能量纹理特征以及对比度特征的提取;
对所述压缩后时频域信号的图像分别进行R、G、B通道的能量纹理特征以及对比度特征的提取。
在一种可能的实现方式中,所述能量纹理特征具体计算公式为:
其中,G(i,j)表示图像的灰度共生矩阵,i表示所述灰度共生矩阵中的元素的横坐标的值,j表示所述灰度共生矩阵中的元素的纵坐标的值,k表示所述灰度共生矩阵中的元素的最大值。
在一种可能的实现方式中,所述对比度特征具体计算公式为:
其中,G(i,j)表示图像的灰度共生矩阵,i表示所述灰度共生矩阵中的元素的横坐标的值,j表示所述灰度共生矩阵中的元素的纵坐标的值,k表示所述灰度共生矩阵中的元素的最大值,n表示所述灰度共生矩阵中的元素的横坐标与纵坐标的差值。
在一种可能的实现方式中,所述能量纹理特征以及对比度特征,包括:边数、均值度以及聚集系数。
在一种可能的实现方式中,对所述故障诊断模型进行训练,包括:
获取多个样本信号,并对所述多个样本信号进行数据预处理,确定预处理后的数据;
将所述预处理后的数据分为训练数据集和测试数据集,并将所述训练数据集输入至初始故障诊断模型中进行训练,确定训练故障诊断模型;
将所述测试数据集输入至所述训练故障诊断模型中,得到故障类型,对所述故障类型进行评估,若满足预设条件,则训练完成,否则继续训练。
在一种可能的实现方式中,所述预处理后的数据为信号特征。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明实施例通过采用了一种基于短时傅里叶同步压缩变换的转子故障诊断方法,该方法包括:输入待判断的故障振动信号,对故障振动信号进行数据预处理;其中,数据预处理,包括:对故障振动信号进行去噪处理,确定去噪信号;对去噪信号进行短时傅里叶变换,确定短时傅里叶时频域信号;短时傅里叶变换能够将信号分解为不同时间段的频率分布图,可以清晰地观察到信号的频率分布特征,从而确定故障频率的位置和幅值大小;对短时傅里叶时频域信号进行同步压缩变换,确定压缩后时频域信号;提高故障信号的信噪比,进一步增强故障特征;对压缩后时频域信号进行特征提取,确定信号特征,多种特征信息的提取,能够对分类判断提供给细化的信息;将信号特征输入至训练好的故障诊断模型中,输出诊断结果;有效解决了依靠经验进行故障诊断,误判率高的问题,实现了故障诊断流程化,提高诊断效果,减少误判率,保证燃气轮机的正常运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于短时傅里叶同步压缩变换的转子故障诊断方法流程图;
图2为本申请实施例提供的对故障振动信号进行去噪处理步骤流程图;
图3为本申请实施例提供的转子正常短时傅里叶变换时频图;
图4为本申请实施例提供的转子碰摩短时傅里叶变换时频图;
图5为本申请实施例提供的转子不平衡短时傅里叶变换时频图;
图6为本申请实施例提供的转子不对中短时傅里叶变换时频图;
图7为本申请实施例提供的转子正常同步压缩变换时频图;
图8为本申请实施例提供的转子碰摩同步压缩变换时频图;
图9为本申请实施例提供的转子不平衡同步压缩变换时频图;
图10为本申请实施例提供的转子不对中同步压缩变换时频图;
图11为本申请实施例提供的同步压缩时频RGB图能量纹理特征;
图12为本申请实施例提供的同步压缩时频RGB图对比度纹理特征;
图13为本申请实施例提供的同步压缩时频图R通道能量纹理特征;
图14为本申请实施例提供的同步压缩时频图R通道对比度纹理特征。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在转子振动故障诊断中,傅里叶变换FFT是一种重要的频域分析方法,转子振动信号通常是时变信号,即其频率特征随时间变化。FFT频域分析是一种将时域信号转换为频域信号的方法,可以将信号分解成其频率分量,从而可以分析信号的频率特征。通过将振动信号进行FFT分析,可以得到信号的频率成分以及其强度或幅值。这些信息可以用来诊断转子的振动故障类型。例如,转子不平衡可能会导致其在旋转过程中出现周期性的振动,这些振动在FFT频域分析中表现为有明显的频率峰值。另外,转子不平衡往往会产生1倍频;转子不对中往往会产生1倍频、2倍频、3倍频;转子碰摩往往会产生0.5倍频、1倍频、1.5倍频、2倍频、2.5倍频、3倍频、3.5倍频、4倍频。通过对FFT频域分析特征特点,可以对这些故障类型进行诊断和判别。然而对于非平稳信号,即信号的频率特征随时间变化的情况下,传统的傅里叶变换无法很好地解决这个问题。这是因为傅里叶变换是对整个信号进行变换,因此无法分析信号的局部时域特征。短时傅里叶变换是对传统傅里叶变换的改进,它将信号分成多个短时窗口,并对每个窗口内的信号进行傅里叶变换。这样可以得到信号在每个时间窗口内的频率分量,从而可以分析非平稳信号的局部时频特征。因此,短时傅里叶变换可以分析非平稳信号的时频特征,对信号的局部时域特征更加敏感;可以控制频率和时间分辨率的权衡,通过窗口的大小和重叠来调节分辨率;可以避免频率分辨率和时间分辨率互相牺牲的问题,提高了信号处理的精度和可靠性。然后短时傅里叶变换受时频测不准原理限制,时间分辨率和频率分辨率不能同时最优,无法使能量集中表示。同步压缩变换通过能量系数时频重排,以达到提升时频聚集性的目的。同步压缩变换将伪频率区间内的频谱叠加,使能量集中在实际瞬时频率上,提高时频聚集性,能量、对比度等特征更加明显。它可以帮助工程师快速准确地分析转子振动信号的频率特征,从而诊断出转子振动故障的类型。所以可以通过多变换域变换,尽可能多挖掘出更多不同形态下的故障特征,可以提高转子故障诊断的精度和准确性。针对燃气轮机转子碰摩、不平衡、不对中故障,提出基于多变换域特征提取的燃气轮机转子故障诊断方法最后通过模化转子实验验证了提出的基于短时傅里叶同步压缩变换的转子故障诊断方法。
本发明实施例提供了一种基于短时傅里叶同步压缩变换的转子故障诊断方法,如图1所示该方法包括以下步骤S101至S102。
S101,输入待判断的故障振动信号,对故障振动信号进行数据预处理;其中,数据预处理,包括:对故障振动信号进行去噪处理,确定去噪信号;对去噪信号进行短时傅里叶变换,确定短时傅里叶时频域信号;对短时傅里叶时频域信号进行同步压缩变换,确定压缩后时频域信号;对压缩后时频域信号进行特征提取,确定信号特征。
S102,将信号特征输入至训练好的故障诊断模型中,输出诊断结果。
本发明的一种基于短时傅里叶同步压缩变换的转子故障诊断方法,使用短时傅里叶变换、同步压缩变换和不同颜色通道能量、对比度特征提取的方法,可以有效地从振动信号中提取故障特征,可以提高故障诊断的准确性和可靠性具体而言,这种方法的益处包括:增强信号的频域特征:短时傅里叶变换能够将信号分解为不同时间段的频率分布图,可以清晰地观察到信号的频率分布特征,从而确定故障频率的位置和幅值大小。提高信号的信噪比:同步压缩变换是一种基于短时傅里叶变换的改进算法,可以提高故障信号的信噪比,进一步增强故障特征。提供更多的特征信息:不同颜色通道能量、对比度特征提取可以提供更丰富的信息,包括信号的能量、对比度等特征,这些信息可以帮助提高故障的分类和判别能力。提高故障诊断的准确性和可靠性:综合运用短时傅里叶变换、同步压缩变换和不同颜色通道能量、对比度特征提取的方法,可以提高故障诊断的准确性和可靠性,减少误诊率和漏诊率,为设备的健康监测和维护提供更好的保障。综上所述,运用这些方法进行故障诊断,可以提高诊断效果,减少误判率,保证燃气轮机等大型机械设备的正常运行。
在一种可能的实现方式中,对故障振动信号进行去噪处理,确定去噪信号,如图2所示包括以下步骤S201至S203。
S201,对故障振动信号进行小波分解,确定高频分量和低频分量。
S202,按照阈值对高频分量进行处理,去除超出阈值的高频分量,确定剩余高频分量。
S203,对剩余高频分量和低频分量进行小波重构,确定去噪信号。
在一种可能的实现方式中,对去噪信号进行短时傅里叶变换,确定短时傅里叶时频域信号,包括:采用短时傅里叶对燃气轮机模化转子故障振动信号训练数据集进行数据变换,把模化转子振动信号转换为短时傅里叶时频域信号,对于非平稳以及宽平稳信号,往往需要了解其频率特性随时间变化,故而需要对其进行时频分析。短时傅里叶变换过程是非平稳以及宽平稳信号在变换之前与时间窗函数相乘,并假设在这个时间有限的窗内信号是平稳的,通过窗函数在信号上滑动,分别计算每个窗口的信号的傅里叶变换,最后将得到的一组时序上频谱图,并按时间轴进行拼接,即得到信号的短时傅里叶变换时频图。故障振动信号表示为:
其中,t表示窗函数中心位置,K表示分量个数,Ak(t)表示瞬时幅值,表示瞬时相位;
短时傅里叶变换S(t,f)表示为:
其中,f表示频率,τ表示时间参数,g(τ-t)表示窗函数,f(τ-t)表示窗函数对应的频率分布函数。处理模化转子故障振动时域数据进行短时傅里叶采用的汉明窗,窗口大小为256。图3、图4、图5以及图6分别是燃气轮机模化转子故障振动数据短时傅里叶变换时频图(依次是正常、不平衡、碰摩、不对中)。但是STFT受时频测不准原理限制时间分辨率和频率分辨率不能同时最优,无法使能量集中表示。
在一种可能的实现方式中,使用同步压缩变换对燃气轮机模化转子故障短时傅里叶时频域信号进行短时傅里叶系数压缩变换得到压缩后时频域信号,同步压缩变换通过短时傅里叶能量系数时频重排,以达到提升时频聚集性的目的。如图7表示为转子正常同步压缩变换时频图、如图8表示为转子碰摩同步压缩变换时频图、如图9表示为转子不平衡同步压缩变换时频图、如图10表示为转子不对中同步压缩变换时频图。
具体的对短时傅里叶时频域信号进行同步压缩变换,确定压缩后时频域信号,包括:
其中,T(t,ω)表示对去噪信号做出同步短时傅里叶处理后的频率分布,g(0)表示为0时刻的窗函数,δ表示为狄拉克函数,S(t,f)表示信号S(t)短时傅里叶变换函数,ω(t,f)表示压缩后的瞬时频率,压缩后的瞬时频率的具体计算公式为:
其中,i表示虚数单位,Re表示取实运算。
同步压缩变换将伪频率区间内的频谱叠加,使能量集中在实际瞬时频率上,提高时频聚集性,能量、对比度等特征更加明显。
在一种可能的实现方式中,对压缩后时频域信号进行特征提取,确定信号特征,包括以下步骤S701至S702。
S701,对压缩后时频域信号的图像进行能量纹理特征以及对比度特征的提取。能量纹理特征以及对比度特征,包括:边数、均值度以及聚集系数。
上述的能量纹理特征具体计算公式为:
其中,G(i,j)表示图像的灰度共生矩阵,i表示灰度共生矩阵中的元素的横坐标的值,j表示灰度共生矩阵中的元素的纵坐标的值,k表示灰度共生矩阵中的元素的最大值。
对比度特征具体计算公式为:
其中,G(i,j)表示图像的灰度共生矩阵,i表示灰度共生矩阵中的元素的横坐标的值,j表示灰度共生矩阵中的元素的纵坐标的值,k表示灰度共生矩阵中的元素的最大值,n表示灰度共生矩阵中的元素的横坐标与纵坐标的差值。
S702,对压缩后时频域信号的图像分别进行R、G、B通道的能量纹理特征以及对比度特征的提取。根据上述的能量纹理特征和对比度特征进行计算,分别确定压缩后时频域信号的图像分别进行R、G、B通道的能量纹理特征和对比度特征。如图11所示,表示为压缩后时频域信号RGB图的能量纹理特征图,如图12表示为压缩后时频域信号RGB图的对比度纹理特征图,图13表示为压缩后时频域信号RGB图的R通道能量纹理特征示意图,图14表示为压缩后时频域信号RGB图的R通道的对比度特征示意图。
在一种可能的实现方式中,对故障诊断模型进行训练,如下包括以下步骤S701至S703。
S701,获取多个样本信号,并对多个样本信号进行数据预处理,确定预处理后的数据。燃气轮机模化转子实验台在信号采集过程中,转子速度设定为1200r/min,采样频率设定为2048Hz,采样长度为1s。在不同的转子状态(正常、接触摩擦、不平衡和错位)下进行了各45组试验,然后共获得燃气轮机模化转子故障数据集共有180个序列样本数据,包括4种故障类型,分别为不平衡、碰摩、不对中、正常,将故障标签分别设置为1、2、3、4将数据集按照6:4的比例划分为训练集和测试集,故障类型标签对应表见表1。
表1故障类型标签对应表
故障类型 | 标签设置 |
不平衡 | 1 |
碰摩 | 2 |
不对中 | 3 |
正常 | 0 |
对数据进行预处理,包括,对数据进行小波变换去除噪声、短时傅里叶变换、同步压缩变换以及特征提取。
S702,将预处理后的数据分为训练数据集和测试数据集,并将训练数据集输入至初始故障诊断模型中进行训练,确定训练故障诊断模型。把特征信号输入SVM分类算法模型进行学习,经过迭代训练学习得到燃气轮机模化转子故障诊断模型。
S703,将测试数据集输入至训练故障诊断模型中,得到故障类型,对故障类型进行评估,若满足预设条件,则训练完成,否则继续训练。使用测试数据集对该转子故障诊断模型验证,如果验证满足精度要求,即可把转子故障诊断分类模型迭代用于进行实时分类诊断,如果不满足精度要求重复上述过程,不断训练-验证迭代直至转子故障诊断分类模型满足精度要求的故障诊断模型,并与模化转子故障短时傅里叶同步压缩变换时频域信号图像以及RGB颜色通道进行能量纹理、对比度特征,使用Kmeans聚类方法进行准确率、故障虚警率效果进行对比。Kmeans方法对模化转子故障短时傅里叶同步压缩变换时频域信号图像以及RGB颜色通道进行能量纹理、对比度特征聚类故障诊断准确率88.88%,虚警率大于8%。SVM方法对模化转子故障短时傅里叶同步压缩变换时频域信号图像以及RGB颜色通道进行能量纹理、对比度特征故障诊断准确率94.44%,虚警率小于5%。
当对上述已经训练好的故障诊断模型进行使用时,将故障振动信号进行相同的预处理后,将信号特征输入至故障诊断模型中,输出诊断结果。
基于短时傅里叶同步压缩变化的转子故障诊断方法,通过能量系数时频重排,以达到提升时频聚集性的目的。同步压缩变换将伪频率区间内的频谱叠加,使能量集中在实际瞬时频率上,提高时频聚集性,能量、对比度等特征更加明显其特征显著,以便更好地对转子故障进行诊断。再结合SVM分类算法可以有效地提高燃气轮机转子故障的诊断准确率以及有效降低故障虚警率。该方法可以实现快速而准确的转子故障诊断,验证了基于短时傅里叶同步压缩变换的转子故障诊断方法的正确性和可行性。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的硬件的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施方式采用递进的方式描述,各个实施方式之间相同或相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。本申请的全部或者部分可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器***、基于微处理器的***、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
以上实施例仅用以说明本申请的技术方案,而非对本申请限制;尽管参照前述实施例对本申请进行了详细的说明,本领域普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请技术方案的范围。
Claims (10)
1.一种基于短时傅里叶同步压缩变换的转子故障诊断方法,其特征在于,包括:
输入待判断的故障振动信号,对所述故障振动信号进行数据预处理;其中,所述数据预处理,包括:对所述故障振动信号进行去噪处理,确定去噪信号;对所述去噪信号进行短时傅里叶变换,确定短时傅里叶时频域信号;对所述短时傅里叶时频域信号进行同步压缩变换,确定压缩后时频域信号;对所述压缩后时频域信号进行特征提取,确定信号特征;
将所述信号特征输入至训练好的故障诊断模型中,输出诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述故障振动信号进行去噪处理,确定去噪信号,包括:
对所述故障振动信号进行小波分解,确定高频分量和低频分量;
按照阈值对所述高频分量进行处理,去除超出所述阈值的所述高频分量,确定剩余高频分量;
对所述剩余高频分量和所述低频分量进行小波重构,确定去噪信号。
3.根据权利要求1所述的方法,其特征在于,所述对所述去噪信号进行短时傅里叶变换,确定短时傅里叶时频域信号,包括:
所述故障振动信号表示为:
其中,t表示窗函数中心位置,K表示分量个数,Ak(t)表示瞬时幅值,表示瞬时相位;
短时傅里叶变换S(t,f)表示为:
其中,f表示频率,τ表示时间参数,g(τ-t)表示窗函数,f(τ-t)表示窗函数对应的频率分布函数。
4.根据权利要求1所述的方法,其特征在于,所述对所述短时傅里叶时频域信号进行同步压缩变换,确定压缩后时频域信号,包括:
其中,T(t,ω)表示对所述去噪信号做出同步短时傅里叶处理后的频率分布,g(0)表示为0时刻的窗函数,δ表示为狄拉克函数,S(t,f)表示信号S(t)短时傅里叶变换函数,ω(t,f)表示压缩后的瞬时频率,所述压缩后的瞬时频率的具体计算公式为:
其中,i表示虚数单位,Re表示取实运算。
5.根据权利要求1所述的方法,其特征在于,所述对所述压缩后时频域信号进行特征提取,确定信号特征,包括:
对所述压缩后时频域信号的图像进行能量纹理特征以及对比度特征的提取;
对所述压缩后时频域信号的图像分别进行R、G、B通道的能量纹理特征以及对比度特征的提取。
6.根据权利要求5所述的方法,其特征在于,所述能量纹理特征具体计算公式为:
其中,G(i,j)表示图像的灰度共生矩阵,i表示所述灰度共生矩阵中的元素的横坐标的值,j表示所述灰度共生矩阵中的元素的纵坐标的值,k表示所述灰度共生矩阵中的元素的最大值。
7.根据权利要求5所述的方法,其特征在于,所述对比度特征具体计算公式为:
其中,G(i,j)表示图像的灰度共生矩阵,i表示所述灰度共生矩阵中的元素的横坐标的值,j表示所述灰度共生矩阵中的元素的纵坐标的值,k表示所述灰度共生矩阵中的元素的最大值,n表示所述灰度共生矩阵中的元素的横坐标与纵坐标的差值。
8.根据权利要求5所述的方法,其特征在于,所述能量纹理特征以及对比度特征,包括:边数、均值度以及聚集系数。
9.根据权利要求1所述的方法,其特征在于,对所述故障诊断模型进行训练,包括:
获取多个样本信号,并对所述多个样本信号进行数据预处理,确定预处理后的数据;
将所述预处理后的数据分为训练数据集和测试数据集,并将所述训练数据集输入至初始故障诊断模型中进行训练,确定训练故障诊断模型;
将所述测试数据集输入至所述训练故障诊断模型中,得到故障类型,对所述故障类型进行评估,若满足预设条件,则训练完成,否则继续训练。
10.根据权利要求9所述的方法,其特征在于,所述预处理后的数据为信号特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310639247.7A CN116861320A (zh) | 2023-05-31 | 2023-05-31 | 基于短时傅里叶同步压缩变换的转子故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310639247.7A CN116861320A (zh) | 2023-05-31 | 2023-05-31 | 基于短时傅里叶同步压缩变换的转子故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861320A true CN116861320A (zh) | 2023-10-10 |
Family
ID=88232990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310639247.7A Pending CN116861320A (zh) | 2023-05-31 | 2023-05-31 | 基于短时傅里叶同步压缩变换的转子故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861320A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668751A (zh) * | 2023-11-30 | 2024-03-08 | 广东一业建设股份有限公司 | 一种高低压电力***故障诊断方法及装置 |
-
2023
- 2023-05-31 CN CN202310639247.7A patent/CN116861320A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668751A (zh) * | 2023-11-30 | 2024-03-08 | 广东一业建设股份有限公司 | 一种高低压电力***故障诊断方法及装置 |
CN117668751B (zh) * | 2023-11-30 | 2024-04-26 | 广东一业建设股份有限公司 | 一种高低压电力***故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Kurtosis based weighted sparse model with convex optimization technique for bearing fault diagnosis | |
Li et al. | Fault diagnosis for rolling bearing based on VMD-FRFT | |
CN111695209B (zh) | 元深度学习驱动的旋转机械小样本健康评估方法 | |
Lei et al. | EEMD method and WNN for fault diagnosis of locomotive roller bearings | |
Feng et al. | A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines | |
Kang et al. | Reliable fault diagnosis of multiple induction motor defects using a 2-D representation of Shannon wavelets | |
Chen et al. | A fault pulse extraction and feature enhancement method for bearing fault diagnosis | |
CN111060337B (zh) | 一种基于专家***的运转设备实时故障诊断方法 | |
Yao et al. | Fault diagnosis of planetary gearbox based on acoustic signals | |
Wang et al. | Accuracy-improved bearing fault diagnosis method based on AVMD theory and AWPSO-ELM model | |
Song et al. | Self-adaptive multivariate variational mode decomposition and its application for bearing fault diagnosis | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
Li et al. | Quantitative evaluation on the performance and feature enhancement of stochastic resonance for bearing fault diagnosis | |
Lv et al. | High-order synchroextracting transform for characterizing signals with strong AM-FM features and its application in mechanical fault diagnosis | |
Yan et al. | Bearing fault diagnosis via a parameter-optimized feature mode decomposition | |
CN112461934B (zh) | 一种基于声发射的航空发动机叶片裂纹源定位方法 | |
CN116861320A (zh) | 基于短时傅里叶同步压缩变换的转子故障诊断方法 | |
Zhang et al. | A local transient feature extraction method via periodic low rank dynamic mode decomposition for bearing incipient fault diagnosis | |
Xu et al. | An adaptive spectrum segmentation method to optimize empirical wavelet transform for rolling bearings fault diagnosis | |
CN108036940A (zh) | 一种轴承故障诊断方法 | |
CN115481657A (zh) | 一种基于电信号的风力发电机组通信滑环故障诊断方法 | |
CN111291918A (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
Han et al. | A novel rolling bearing fault diagnosis method based on generalized nonlinear spectral sparsity | |
Liang et al. | Bearing fault diagnosis based on singular value distribution of impulse response segment | |
Li et al. | Pumping unit fault analysis method based on wavelet transform time-frequency diagram and cnn |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |