一種水電機組的振動故障診斷方法
【技術領域】
[0001] 本發明屬于故障診斷技術領域，更具體的說，涉及一種水電機組的振動故障診斷 方法。
【背景技術】
[0002] 近年來，關于水電機組振動故障診斷的研究如火如荼。故障診斷的大體步驟可以 分為三步：振動信號處理、特征向量提取、故障類型診斷。
[0003] 振動信號的處理主要是指對原始信號進行過濾，即去噪處理。在這方面，國內外的 研究方法主要有短時傅里葉變換、小波分析法、高階統計量、混沌振子法等等。短時傅里葉 變換雖然在一定程度上很好地描述了非平穩信號的時變特性，但無法避免時頻窗固定的缺 陷；小波分析法具有對信號按不同的尺度進行分層分析的功能，但其小波基函數的選擇還 沒有一個基本的標準或通用的方法，另外，信號采樣頻率和長度對小波變換分辨率的影響 問題，人們至今還未能有效解決；高階統計量能夠完全抑制任何高斯噪聲，但缺點在于計算 量大，抑制的對象只是白噪聲和高斯色噪聲。混沌振子法需要知道待檢測信號的確切頻率 以構造周期策動力，在一定程度上限制了這種方法的適用范圍。
[0004] 特征向量提取主要是指提取能夠反映故障信息的特征向量。目前應用最為廣泛的 方法主要有Hilbert-huang變換和小波包分解，但這兩種方法比較繁瑣且耗時較多。
[0005] 故障類型的診斷是指對所提取的特征向量進行分類診斷。因果分析診斷法是一種 離線的后發性診斷工作，無法實現實時在線診斷；故障樹診斷法受主觀因素影響較大，同時 不能診斷不可預知的故障；模糊診斷法利用的信息單一，其診斷精度無法保證；專家診斷 系統主要存在推理能力弱、診斷系統建立周期長和知識庫維護性差等問題；神經網絡需要 大量的樣本才能保證其診斷的可靠性；粗糙集在構造信息決策表時受主觀影響較大。
[0006] 由上述分析可知，現有的振動故障診斷方法都有其各自的局限性，由于水電機組 事故的頻頻發生，因此亟需一種行之有效的水電機組振動故障診斷方法。
【發明內容】
[0007] 本發明的目的在于克服現有技術的不足，提供一種行之有效的水電機組振動故障 診斷方法，以有效地對水電機組故障進行精確診斷。
[0008] 為實現上述目的，本發明采用的技術方案如下：
[0009] -種水電機組的振動故障診斷方法，包括以下步驟：
[0010] 步驟一，利用隨機共振技術對采集到的原始振動信號進行去噪處理；
[0011] 步驟二，利用多維度排列熵技術對去噪后的振動信號進行特征向量的提取；
[0012] 步驟三，建立基于改進粒子群算法優化支持向量機的故障診斷模型；
[0013] 步驟四，將提取的特征向量輸入到基于改進粒子群算法優化支持向量機的模型中 進行故障診斷。
[0014] 本發明的特點還在于，在步驟一中，使用朗之萬方程描述隨機共振系統模型，如式 (1)所示：
[0015]
[0016] 其中，f(x) =ax-bx3是一維非線性系統的動力學系統方程，a、b是該系統的參數， Sn(t)是該隨機共振系統的輸入，A為待測信號S(t) =ASin(2 3if0t)的幅值，n(t)為白噪 聲，且n(t)滿足統計平均E[n(t)] = 0和E[n(t)n(t-t)] = 2D5 (t)，D是噪聲強度，t 為延遲時間；
[0017] 然后將采集到的水電機組振動信號分為若干段，將每一段振動信號輸入到隨機共 振系統模型中，采用龍格一庫塔數值算法對式（1)進行求解，如式（2)所示，求得的解即為 隨機共振系統的輸出，亦即去噪后的振動信號：
[0018]
[0019] 其中n= 0, 1，2...，N-l，SjPx"分別表示輸入Sn(t) =Asin(2Jrf〇t)+n(t)和輸 出X(t)的第n個采樣值，h為數值計算步長。
[0020] 本發明的特點還在于，在步驟二中，對去噪后的振動信號進行特征向量的提取按 照如下步驟進行：
[0021] a.對每一段去噪后的信號進行排列熵的求取；
[0022] 將每一段去噪后的信號通過排列熵算法進行排列熵的求取，時間序列X(i)的k種 不同符號序列的排列熵按照熵的形式定義為下式：
[0023]
[0024] 式中，P,為每一種符號序列出現的概率，HP(m)是該信號的排列熵值，參數m是排 列熵的嵌入維數，當Pj= 1/m!時，Hp(m)就達到最大值ln(m!)，用ln(m!)將Hp(m)進 行歸一化處理，即
[0025] 0^HP=HP/ln(m! ) 1 (4);
[0026] b.改變排列熵的嵌入維數m，利用公式（4)分別求其在不同嵌入維數下的排列熵 值，即得到該段信號的多維度排列熵，亦即該段信號的特征向量；
[0027] 多維度排列熵的計算公式如下所示：
[0028] Hmpe=[HP1HP2 . . .HPi . . .HPn] (5)；
[0029] 其中，Hpl、Hp2、HP1、Hpn分別表示嵌入維數m取1、2、i、n時的排列熵值，HMPE為該段 信號的特征向量。
[0030] 本發明的特點還在于，在步驟三中，采用徑向基函數作為支持向量機的核函數，其 中，建立支持向量機故障診斷模型所需要的參數有懲罰因子C和徑向基核函數的寬度〇， 在建立支持向量機故障診斷模型時，利用改進粒子群算法的全局搜索能力，對支持向量機 建模過程的參數(：和〇進行優化調整，以構建診斷效果理想的優化支持向量機分類器；
[0031] 建立基于改進粒子群算法優化支持向量機的故障診斷模型時，首先從多組特征向 量中隨機抽取若干組作為基于改進粒子群算法優化支持向量機模型的訓練樣本，剩余的即 為測試樣本，利用訓練樣本中的每個特征向量以獲得一組支持向量機分類器的參數（C、〇 ) 組成一個粒子，從而組建粒子種群；對所獲得的粒子群進行初始化，設定各種初始參數；利 用適應度函數計算各個粒子的適應度函數值；根據計算結果調整粒子的個體最優位置PjP 全局最優位置Pg;進行下一次迭代，對粒子狀態進行更新，從而獲得一組新的支持向量機分 類器的參數（C、〇 );當滿足終止條件時，迭代結束，即獲得最佳參數（C、〇 );將獲得的最佳 參數（C、〇)帶入到支持向量機模型中，S卩獲得優化后的支持向量機故障診斷模型。
[0032] 本發明的特點還在于，步驟四的具體步驟如下：
[0033] 利用訓練樣本對模型進行訓練，然后再對測試樣本進行診斷，從而實現故障的診 斷：首先將各類故障進行編號，即用數字標簽1、2、3…分別表示故障的類型，以便簡化診斷 過程，然后將訓練樣本輸入優化后的支持向量機模型，利用支持向量機本身自帶的訓練算 法對模型進行訓練，即該模型的一個自學習過程；訓練完成后，將測試樣本輸入，該模型即 自動對測試樣本的各類故障進行分類；若模型輸出參數"testpre"結果為1，則判定該故障 為編號為1的故障，以此類推，即得到各類型故障的診斷結果，求取正確診斷的樣本數占總 樣本數的百分比，即得到該方法的診斷精度。
[0034] 本發明提供的水電機組的振動故障診斷方法，將基于隨機共振和多維度排列熵的 振動故障診斷技術應用到了水電機組中，利用隨機共振技術進行去噪，其優勢不僅在于有 效抑制了噪聲，而且更重要的是增強了有用信號的能量；多維度排列熵技術可以直接從非 線性信號中提取所隱含的且較為全面的特征信息，不需要將非線性信號進行分解