基于EEMD排列组合熵的SVM转子振动故障诊断研究

doi:10.3969/j.issn.1000-7229.2016.01.014

电力建设 ›› 2016, Vol. 37 ›› Issue (1): 92-96.doi: 10.3969/j.issn.1000-7229.2016.01.014

基于EEMD排列组合熵的SVM转子振动故障诊断研究

韩中合，焦宏超，朱霄珣，王智

华北电力大学能源动力与机械工程学院，河北省保定市 071003

出版日期:2016-01-01
作者简介:韩中合（1964），男，博士生导师，教授，主要研究方向为热力设备状态检测与故障诊断、两相流计算与测量；焦宏超（1990），男，通信作者，硕士研究生，主要研究方向为热力设备状态检测与故障诊断；朱霄珣（1985），男，博士，讲师，主要研究方向为热力设备状态检测与故障诊断；王智（1978），男，博士，副教授，主要研究方向为湿蒸汽两相流计算。
基金资助:
国家自然科学基金项目（51306059）

SVM Rotor Vibration Fault Diagnosis Based on EEMD Permutation Entropy

HAN Zhonghe，JIAO Hongchao，ZHU Xiaoxun，WANG Zhi

School of Energy Power and Mechanical Engineering, North China Electric Power University, Baoding 071003, Hebei Province, China

Online:2016-01-01
Supported by:
Project supported by National Natural Science Foundation of China (51306059)

摘要/Abstract

摘要：

对汽轮机转子故障状态进行准确判别一直是工程领域研究的重点。在使用支持向量机作为模式识别方法进行故障诊断的过程中，提取能明显区别不同故障的信号特征参数，构建高质量的样本可以较大提高支持向量机（support vector machine，SVM）模型的分类正确率。针对此问题，提出一种总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)、排列组合熵和SVM相结合的汽轮机转子振动多故障诊断方法。方法首先引入有向无环图建立了多故障诊断模型，利用EEMD将振动信号分解成单一无混叠的内禀模态函数（intrinsic mode function，IMF）分量,然后计算对振动信号变化非常敏感的IMF排列组合熵作为特征向量，并应用到有向无环图SVM进行多故障状态识别。实验结果表明，该方法实现了汽轮机转子的振动多故障诊断，同时与基于EEMD能量法提取的特征向量进行对比，通过实验证明，该方法具有更加准确的识别率。

关键词: 总体平均经验模态分解（EEMD） , 排列组合熵, 支持向量机（SVM）, 转子, 故障诊断

Abstract:

The accurate identification of the fault conditions of steam turbine rotor has been the research focus in the field of engineering. In the process of fault diagnosis by using support vector machine (SVM), extracting the signal characteristic parameters, which can clearly distinguish different fault signals to construct high-quality samples, plays a significant role in improving the classification accuracy of SVM model. To solve these problems, we propose a multiple fault diagnosis method for steam turbine rotor based on ensemble empirical mode decomposition (EEMD), permutation entropy and SVM. Firstly, this method applies directed acyclic graph to establish multiple faults diagnosis model, and uses EEMD to decompose the vibration signals into single and unmixed IMF components. Then, the permutation entropy of IMF component, which is very sensitive to the changes in vibration signal, is calculated as eigenvectors, and applied in directed acyclic graph SVM for multiple fault state recognition. The experimental results show that this method can realize the multiple faults diagnosis of turbine rotor vibration. Meanwhile, compared with the extracted eigenvectors based on EEMD energy method, the experiment proves that this method has more accurate recognition rate.

Key words: EEMD (ensemble empirical mode decomposition), permutation entropy, SVM (support vector machine), rotor, fault diagnosis

中图分类号:

TM 62
TK 267

韩中合，焦宏超，朱霄珣，王智. 基于EEMD排列组合熵的SVM转子振动故障诊断研究[J]. 电力建设, 2016, 37(1): 92-96.

HAN Zhonghe，JIAO Hongchao，ZHU Xiaoxun，WANG Zhi. SVM Rotor Vibration Fault Diagnosis Based on EEMD Permutation Entropy[J]. Electric Power Construction, 2016, 37(1): 92-96.

参考文献

［1］WU Z，HUANG N E. Ensemble empirical mode decomposition: a noise assisted data analysis method［J］. Advances in Adaptive Data Analysis，2009，1(1)：1-41.
［2］BANDT C, POMPE B. Permutation entropy: a natural complexity measure for time series［J］. Physical review letters, 2002, 88(17): 174102.
［3］马千里,卞春华.改进排列熵方法及其在心率变异复杂度分析中的应用［J］.中国组织工程研究与临床康复，2011，14(52)：9781-9785.
MA Qianli, BIAN Chunhua. Application of modified permutation entropy in heart rate variability analysis［J］. Journal of Clinical Rehabilitative Tissue Engineering Research, 2010, 52(14):9781-9785.
［4］YAN R Q, LIU Y B , GAO R X. Permutation entropy: A nonlinear statistical measure for status characterization of rotary machines［J］.Mechanical Systems and Signal Processing, 2012, 29: 474-484.
［5］石国良，李晓，金炜东，等.基于排列组合熵的高速列车走行部故障分析［J］.计算机应用研究，2014，31(12)：3625-3627.
SHI Guoliang, LI Xiao, JIN Weidong, et al. Fault analysis of high-speed train based on permutation entropy［J］. Application Research of Computers, 2014，31(12)：3625-3627.
［6］郑近德,程军圣,杨宇.多尺度排列熵及其在滚动轴承故障诊断中的应用［J］.中国机械工程, 2013，24(19): 2641-2646.
ZHENG Jinde, CHENG Junsheng, YANG Yu. Multi-scale permutation entropy and its application to rolling bearing fault diagnosis［J］. China Mechanical Engineering, 2013, 24(19): 2641-2646.
［7］陈艳娜.基于EEMD的旋转机械故障诊断方法研究［D］.哈尔滨: 哈尔滨理工大学，2013.
CHEN Yanna. Research on fault diagnosis of rotating machinery method based on EEMD algorithm［D］. Harbin: Harbin University of Science and Technology, 2013.
［8］卢艳超，温卫宁，赵彪，等.基于EEMD-ARMA模型的电网工程导线价格预测［J］.电力建设，2013，34(11)：39-44.
LU Yanchao, WEN Weining, ZHAO Biao, et al. Wire price forecasting of grid project based on EEMD and ARMA［J］. Electric Power Construction, 2013, 34(11): 39-44.
［9］袁明，罗志增.基于排列组合熵和聚类分析的SEMG识别方法［J］.华中科技大学学报：自然科学版，2011，39(Ⅱ)：107-109.
YUAN Ming, LUO Zhizeng. SEMG recognition based on permutation entroy and clustering analysis［J］. Huazhong University of Science Technology：Natural Science Edition, 2011, 39(Ⅱ): 107-109.
［10］朱霄珣.基于支持向量机的旋转机械故障诊断与预测方法研究［D］.保定：华北电力大学,2013.
ZHU Xiaoxun. Research on rotating machine fault diagnosis and prediction method based on support vector machine ［D］. Baoding: North China Electric Power University, 2013.
［11］王绵斌，李欢欢，谭忠富，等.基于支持向量机方法的输电工程造价指标评估体系［J］.电力建设，2014，35(3)：102-106.
WANG Mianbin, LI Huanhuan, TAN Zhongfu, et al. Index evaluation system of power transmission project cost based on support vector machine method［J］. Electric Power Construction，2014，35(3)：102-106.
［12］韩中合,翟新杰,付士鹏,等.基于SVM的旋转机械振动故障诊断模型及系统研究［J］.煤矿机械, 2015，36(1): 286-288.
HAN Zhonghe, ZHAI Xinjie, FU Shipeng, et al. Research on diagnostic mode and system of rotation machine vibration fault based on SVM［J］. Coal Mine Machinery, 2015, 36(1): 286-288.

[1]	张岩, 文福拴, 熊文, 牛振勇, 赵宏伟, 尚慧玉. 基于广域测量信息的电力系统故障诊断解析模型 [J]. 电力建设, 2018, 39(5): 10-.
[2]	李大勇1，都明亮2，田春光2，韩晓娟3. 基于总体平均经验模态分解的混合储能系统协调优化控制[J]. 电力建设, 2018, 39(4): 83-.
[3]	张勇1，李丹1，文福拴2，张岩3，董艺1，郑建梓1. 基于IEC 61850的智能变电站过程层故障诊断[J]. 电力建设, 2018, 39(3): 42-.
[4]	尚慧玉，王崇宇，陈明辉，阳曾，熊文，文福拴. 灾害天气条件下电力系统故障诊断特征匹配方法[J]. 电力建设, 2018, 39(10): 37-43.
[5]	王守鹏，赵冬梅 . 一种基于体液免疫原理的电网故障诊断模型设计方法 [J]. 电力建设, 2017, 38(7): 131-.
[6]	万燕，孙诗梦，戈志华，何坚忍. 大型热电联产机组高背压供热改造全工况热经济分析[J]. 电力建设, 2016, 37(4): 131-137.
[7]	徐兵，张岩，田方媛，文福拴，朱炳铨，徐立中. 利用有限相量测量单元的故障识别与广域后备保护策略[J]. 电力建设, 2016, 37(2): 25-33.
[8]	廖志伟，岳苓，文福拴，朱炳铨，徐立中. 基于规则网的高压输电线路故障诊断与保护动作性能评价[J]. 电力建设, 2016, 37(2): 34-41.
[9]	雷倩，吉兴全，文福拴，刘志鹏，于永进，许焕奇. 利用暂态分量的含分布式电源配电系统故障诊断[J]. 电力建设, 2016, 37(2): 42-49.
[10]	陈伟彪，陈亦平，姚伟，孙雁斌，文劲宇. 基于多源信息时间序列匹配的电网故障诊断方法[J]. 电力建设, 2016, 37(12): 134-.
[11]	王国平，余涛，傅森木，钟运平，张勇，程小华. 基于DGA的变压器故障诊断智能方法分析[J]. 电力建设, 2015, 36(6): 34-39.
[12]	石鑫，朱永利. 深度学习神经网络在电力变压器故障诊断中的应用[J]. 电力建设, 2015, 36(12): 116-122.
[13]	唐远富，陈红冬，彭碧草，刘纯，龙毅. 600 MW超临界汽轮机受损转子热力耦合有限元分析[J]. 电力建设, 2014, 35(4): 107-110.
[14]	朱添益,蒋铁铮, 罗杰,宋军英, 谢晓骞. 一种基于电气量数据的输电线路故障诊断方法[J]. 电力建设, 2014, 35(10): 74-78.
[15]	党小建，李志华，廖军林，王峥. 汽轮机偏周波运行事故分析[J]. 电力建设, 2013, 34(4): 95-98.

基于EEMD排列组合熵的SVM转子振动故障诊断研究

SVM Rotor Vibration Fault Diagnosis Based on EEMD Permutation Entropy

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价