基于短时傅里叶同步压缩变换的转子故障诊断方法技术

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。保证燃气轮机的正常运行。保证燃气轮机的正常运行。

【技术实现步骤摘要】
基于短时傅里叶同步压缩变换的转子故障诊断方法


[0001]本申请涉及燃气轮机转子故障诊断
，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。

技术介绍

[0002]燃气轮机是一种常见的发电机组和大型动力驱动系统。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。
[0003]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。
[0004]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。

技术实现思路

[0005]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。
[0006]本专利技术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：
[0007]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；
[0008]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。
[0009]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：
[0010]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；
[0011]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；
[0012]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。
[0013]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：
[0014]所述故障振动信号表示为：
[0015][0016]其中，t表示窗函数中心位置，K表示分量个数，A
k
(t)表示瞬时幅值，表示瞬时相位；
[0017]短时傅里叶变换S(t,f)表示为：
[0018][0019]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。
[0020]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：
[0021][0022]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：
[0023][0024]其中，i表示虚数单位，Re表示取实运算。
[0025]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：
[0026]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；
[0027]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。
[0028]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：
[0029][0030]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。
[0031]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：
[0032][0033]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。
[0034]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。
[0035]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：
[0036]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；
[0037]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；
[0038]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。
[0039]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。
[0040]本专利技术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：
[0041]本专利技术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
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对本专利技术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专利技术的一些实施例，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。
[0043]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；
[0044]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；
[0045]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，A
k
(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...

【专利技术属性】
技术研发人员：赵振民，李江红，崔佳航，单航，马蓉，符立梅，陈超，王彤，尚纯洁，雷庆春，蔡飞超，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：