一种水电机组的振动故障诊断方法
【技术领域】
[0001] 本发明属于故障诊断技术领域，更具体的说，涉及一种水电机组的振动故障诊断 方法。
【背景技术】
[0002] 近年来，关于水电机组振动故障诊断的研究如火如荼。故障诊断的大体步骤可以 分为三步：振动信号处理、特征向量提取、故障类型诊断。
[0003] 振动信号的处理主要是指对原始信号进行过滤，即去噪处理。在这方面，国内外的 研究方法主要有短时傅里叶变换、小波分析法、高阶统计量、混沌振子法等等。短时傅里叶 变换虽然在一定程度上很好地描述了非平稳信号的时变特性，但无法避免时频窗固定的缺 陷；小波分析法具有对信号按不同的尺度进行分层分析的功能，但其小波基函数的选择还 没有一个基本的标准或通用的方法，另外，信号采样频率和长度对小波变换分辨率的影响 问题，人们至今还未能有效解决；高阶统计量能够完全抑制任何高斯噪声，但缺点在于计算 量大，抑制的对象只是白噪声和高斯色噪声。混沌振子法需要知道待检测信号的确切频率 以构造周期策动力，在一定程度上限制了这种方法的适用范围。
[0004] 特征向量提取主要是指提取能够反映故障信息的特征向量。目前应用最为广泛的 方法主要有Hilbert-huang变换和小波包分解，但这两种方法比较繁琐且耗时较多。
[0005] 故障类型的诊断是指对所提取的特征向量进行分类诊断。因果分析诊断法是一种 离线的后发性诊断工作，无法实现实时在线诊断；故障树诊断法受主观因素影响较大，同时 不能诊断不可预知的故障；模糊诊断法利用的信息单一，其诊断精度无法保证；专家诊断 系统主要存在推理能力弱、诊断系统建立周期长和知识库维护性差等问题；神经网络需要 大量的样本才能保证其诊断的可靠性；粗糙集在构造信息决策表时受主观影响较大。
[0006] 由上述分析可知，现有的振动故障诊断方法都有其各自的局限性，由于水电机组 事故的频频发生，因此亟需一种行之有效的水电机组振动故障诊断方法。
【发明内容】
[0007] 本发明的目的在于克服现有技术的不足，提供一种行之有效的水电机组振动故障 诊断方法，以有效地对水电机组故障进行精确诊断。
[0008] 为实现上述目的，本发明采用的技术方案如下：
[0009] -种水电机组的振动故障诊断方法，包括以下步骤：
[0010] 步骤一，利用随机共振技术对采集到的原始振动信号进行去噪处理；
[0011] 步骤二，利用多维度排列熵技术对去噪后的振动信号进行特征向量的提取；
[0012] 步骤三，建立基于改进粒子群算法优化支持向量机的故障诊断模型；
[0013] 步骤四，将提取的特征向量输入到基于改进粒子群算法优化支持向量机的模型中 进行故障诊断。
[0014] 本发明的特点还在于，在步骤一中，使用朗之万方程描述随机共振系统模型，如式 (1)所示：
[0015]
[0016] 其中，f(x) =ax-bx3是一维非线性系统的动力学系统方程，a、b是该系统的参数， Sn(t)是该随机共振系统的输入，A为待测信号S(t) =ASin(2 3if0t)的幅值，n(t)为白噪 声，且n(t)满足统计平均E[n(t)] = 0和E[n(t)n(t-t)] = 2D5 (t)，D是噪声强度，t 为延迟时间；
[0017] 然后将采集到的水电机组振动信号分为若干段，将每一段振动信号输入到随机共 振系统模型中，采用龙格一库塔数值算法对式（1)进行求解，如式（2)所示，求得的解即为 随机共振系统的输出，亦即去噪后的振动信号：
[0018]
[0019] 其中n= 0, 1，2...，N-l，SjPx"分别表示输入Sn(t) =Asin(2Jrf〇t)+n(t)和输 出X(t)的第n个采样值，h为数值计算步长。
[0020] 本发明的特点还在于，在步骤二中，对去噪后的振动信号进行特征向量的提取按 照如下步骤进行：
[0021] a.对每一段去噪后的信号进行排列熵的求取；
[0022] 将每一段去噪后的信号通过排列熵算法进行排列熵的求取，时间序列X(i)的k种 不同符号序列的排列熵按照熵的形式定义为下式：
[0023]
[0024] 式中，P,为每一种符号序列出现的概率，HP(m)是该信号的排列熵值，参数m是排 列熵的嵌入维数，当Pj= 1/m!时，Hp(m)就达到最大值ln(m!)，用ln(m!)将Hp(m)进 行归一化处理，即
[0025] 0^HP=HP/ln(m! ) 1 (4);
[0026] b.改变排列熵的嵌入维数m，利用公式（4)分别求其在不同嵌入维数下的排列熵 值，即得到该段信号的多维度排列熵，亦即该段信号的特征向量；
[0027] 多维度排列熵的计算公式如下所示：
[0028] Hmpe=[HP1HP2 . . .HPi . . .HPn] (5)；
[0029] 其中，Hpl、Hp2、HP1、Hpn分别表示嵌入维数m取1、2、i、n时的排列熵值，HMPE为该段 信号的特征向量。
[0030] 本发明的特点还在于，在步骤三中，采用径向基函数作为支持向量机的核函数，其 中，建立支持向量机故障诊断模型所需要的参数有惩罚因子C和径向基核函数的宽度〇， 在建立支持向量机故障诊断模型时，利用改进粒子群算法的全局搜索能力，对支持向量机 建模过程的参数(：和〇进行优化调整，以构建诊断效果理想的优化支持向量机分类器；
[0031] 建立基于改进粒子群算法优化支持向量机的故障诊断模型时，首先从多组特征向 量中随机抽取若干组作为基于改进粒子群算法优化支持向量机模型的训练样本，剩余的即 为测试样本，利用训练样本中的每个特征向量以获得一组支持向量机分类器的参数（C、〇 ) 组成一个粒子，从而组建粒子种群；对所获得的粒子群进行初始化，设定各种初始参数；利 用适应度函数计算各个粒子的适应度函数值；根据计算结果调整粒子的个体最优位置PjP 全局最优位置Pg;进行下一次迭代，对粒子状态进行更新，从而获得一组新的支持向量机分 类器的参数（C、〇 );当满足终止条件时，迭代结束，即获得最佳参数（C、〇 );将获得的最佳 参数（C、〇)带入到支持向量机模型中，S卩获得优化后的支持向量机故障诊断模型。
[0032] 本发明的特点还在于，步骤四的具体步骤如下：
[0033] 利用训练样本对模型进行训练，然后再对测试样本进行诊断，从而实现故障的诊 断：首先将各类故障进行编号，即用数字标签1、2、3…分别表示故障的类型，以便简化诊断 过程，然后将训练样本输入优化后的支持向量机模型，利用支持向量机本身自带的训练算 法对模型进行训练，即该模型的一个自学习过程；训练完成后，将测试样本输入，该模型即 自动对测试样本的各类故障进行分类；若模型输出参数"testpre"结果为1，则判定该故障 为编号为1的故障，以此类推，即得到各类型故障的诊断结果，求取正确诊断的样本数占总 样本数的百分比，即得到该方法的诊断精度。
[0034] 本发明提供的水电机组的振动故障诊断方法，将基于随机共振和多维度排列熵的 振动故障诊断技术应用到了水电机组中，利用随机共振技术进行去噪，其优势不仅在于有 效抑制了噪声，而且更重要的是增强了有用信号的能量；多维度排列熵技术可以直接从非 线性信号中提取所隐含的且较为全面的特征信息，不需要将非线性信号进行分解