CN106778592A - 基于多小波的水电机组状态监测数据降噪方法 - Google Patents
基于多小波的水电机组状态监测数据降噪方法 Download PDFInfo
- Publication number
- CN106778592A CN106778592A CN201611133669.3A CN201611133669A CN106778592A CN 106778592 A CN106778592 A CN 106778592A CN 201611133669 A CN201611133669 A CN 201611133669A CN 106778592 A CN106778592 A CN 106778592A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- coefficient
- signal
- ultiwavelet
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 9
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 20
- 238000011160 research Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 13
- 238000000605 extraction Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000012571 Ficus glomerata Nutrition 0.000 description 1
- 244000153665 Ficus glomerata Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于多小波的水电机组状态监测数据降噪方法，对采集到的振动信号进行预处理和多小波分解，得到多个频段的尺度系数和小波系数，利用阈值函数对多小波系数进行处理，并将处理后的系数进行多小波重构和后处理，达到减少信号中的噪声成分，提高振动信号信噪比的目的。多小波相邻系数降噪方法考虑了多小波相邻系数之间的相关特性，能够有效降低所采集信号中的噪声成分，本发明研究多小波相邻系数降噪方法在水电机组信号降噪过程中的应用，获取真实有效的信号成分，为水电机组故障的准确诊断提供可靠的数据。
Description
技术领域
本发明涉及一种基于多小波的水电机组状态监测数据降噪方法。
背景技术
水电能源是重点开发的新能源。在水电开发规模大幅增长的同时，作为水电厂的核心关键设备，水电机组也在向大型化、复杂化、集成化、精密化、自动化等方向发展。在这种形势下，水电机组的安全性问题也日趋突出。水电机组启、停速度快，负荷调整方便，在电网中常常担负调峰、调频、负荷备用等任务，其运行情况不仅关系到水电机组自身的安全，而且对整个电网的安全也具有重要影响。因此，为确保水电机组和电网安全、稳定运行，提高设备利用率，避免重大经济损失和人员伤亡，必须对水电机组进行合理的维护和检修。
水电机组故障诊断的主要步骤包括：1）采集水电机组相关信号；2）对采集的信号进行降噪预处理，提高信号信噪比；3）利用信号处理方法对降噪后的信号进行处理，提取有效的故障特征；4）将所提取的故障特征从水电机组的故障特征空间映射到机组的故障模式空间中，实现机组故障类型的识别。在这些步骤当中，水电机组的故障特征提取和故障诊断方法的研究是水电机组故障诊断技术研究的两个难点与热点。
故障特征提取是指从原始数据中削弱或去除与故障诊断无关的，以及对故障诊断结果准确性造成不良影响的信息，提取能够突显不同故障类别之间差别的故障特征的完整过程，其目的是简化故障诊断过程，增强故障诊断结果的准确性。换句话说，机械设备故障特征提取是为故障诊断服务的，所提取的故障特征结果关系到故障诊断过程的复杂性和故障诊断结果的准确性。水电机组故障特征提取的实现需要借助先进的信号处理方法，探索有效的故障特征提取途径，为水电机组故障的准确识别提供有效的数据支撑。目前，用于故障特征提取的信号处理方法大致可以分为时域分析、频域分析和时频分析方法三种。
（1）时域分析方法具有简单、直观等优点，但是，在设备某些故障状态下采集的振动信号往往表现出一定的频率特征，而时域分析方法却无法体现信号的频率特性，这使得其应用具有一定的局限性。
（2）频域分析方法实质上是信号的整体变换，其应用是建立在信号平稳性假设的前提之下的，对于非平稳信号，FT无法体现信号在时间域上的局部细节特征，这使得其应用受到了一定的限制。
（3）时频分析方法：Wigner-Ville 分布（Wigner-Ville Distribution，WVD）属于二次型变换，存在交叉干扰项，尤其是对多分量信号和在信号频率成分较为接近时，该现象更为严重。短时傅里叶变换（Short Time Fourier Transform，STFT）窗口大小和形状是预先确定的，在信号处理过程中无法改变，使得其分辨率较为单一，在某些情况下，难以满足实际需要。Hilbert-Huang变换（Hilbert-Huang Transform，HHT）缺乏完整的数学理论基础，存在端点效应，对噪声干扰的鲁棒性差等，仍需要在应用过程中进行不断的完善。
发明内容
本发明的目的是提供一种基于多小波的水电机组状态监测数据降噪方法。
为实现上述目的，本发明采用以下技术方案：假设实际观察到的信号s[n]由真实有用信号f[n]和一定的噪声成分z[n]组成，即： ，N为自然数；其中，z[n]为方差为σ2，独立同分布，均值为零的高斯白噪声信号，则多小波相邻系数降噪步骤为： 步骤S1：对含噪信号s[n]进行预处理；步骤S2：利用多小波的Mallat算法对预处理后的信号进行L层多小波分解，得到L个二维多小波系数序列和一个二维多尺度系数序列；步骤S3：根据鲁棒协方差矩阵估计方法计算V j ，具体方法如下：定义：，其中，abs(•)为绝对值函数，median(•)为中值函数；设a 1、a 2、b 1、b 2为实数，V j 为2×2实数矩阵，row1与row2分别为多小波系数w j,k 的第一行和第二行数据序列；
计算a 1、a 2、b 1、b 2：
计算V j ：
步骤S4：利用，计算，其中k代表多小波系数标号；步骤S5：利用将与其相邻的系数结合，得到包含相邻系数信息的值，其中，为非负整数； 步骤S6：根据，利用阈值函数对多小波系数进行处理，得到去噪后的多小波系数，阈值函数主要包括硬阈值函数和软阈值函数；
步骤S7：利用多小波的Mallat算法对去噪后的多小波系数和多尺度系数进行重构；
步骤S8：对多小波重构的结果进行多小波后处理，得到去噪后的信号。
较佳的，步骤S5中，m=2。
与现有技术相比，本发明具有以下优点：多小波相邻系数降噪方法考虑了多小波相邻系数之间的相关特性，能够有效降低所采集信号中的噪声成分，本发明研究多小波相邻系数降噪方法在水电机组信号降噪过程中的应用，获取真实有效的信号成分，为水电机组故障的准确诊断提供可靠的数据。
附图说明
图1为本发明的主要流程图。
具体实施方式
下面具体实施例对本发明做进一步解释说明。
水电机组所采集的信号经过多小波高通滤波器和低通滤波器等处理后，得到的多小波系数与其相邻系数之间存在一定的相关性，因此，利用多小波相邻系数降噪方法对水电机组采集的信号进行降噪能够取得良好的降噪效果。
本发明拟对采集到的振动信号进行预处理和多小波分解，得到多个频段的尺度系数和小波系数，利用阈值函数对多小波系数进行处理，并将处理后的系数进行多小波重构和后处理，达到减少信号中的噪声成分，提高振动信号信噪比的目的。最后将检验可行的研究成果应用到水口发电集团集控中心状态监测数据上，对电厂实际信号进行消噪处理。
假设实际观察到的信号s[n]由真实有用信号f[n]和一定的噪声成分z[n]组成，即：
，N为自然数；
其中，z[n]为方差为σ2，独立同分布，均值为零的高斯白噪声信号，则多小波相邻系数降噪步骤为：
（1）研究现有多小波预处理方法，从中选择适用于水电机组信号降噪的一种，对含噪信号s[n]进行预处理。
（2）利用多小波的Mallat算法对预处理后的信号进行L层多小波分解，得到L个二维多小波系数序列和一个二维多尺度系数序列。
（3）根据鲁棒协方差矩阵估计方法计算V j ，具体方法如下：
1）定义：，其中，abs(•)为绝对值函数，median(•)为中值函数；设a 1、a 2、b 1、b 2为实数，V j 为2×2实数矩阵，row1与row2分别为多小波系数w j,k 的第一行和第二行数据序列；
2）计算a 1、a 2、b 1、b 2：
计算V j ：
（4）利用，计算，其中k代表多小波系数标号。
（5）利用将与其相邻的系数结合，得到包含相邻系数信息的值，其中，为非负整数，研究表明，取2时降噪效果较好，因此，本文采用。
（6）根据，利用阈值函数对多小波系数进行处理，得到去噪后的多小波系数，阈值函数主要包括硬阈值函数和软阈值函数。
（7）利用多小波的Mallat算法对去噪后的多小波系数和多尺度系数进行重构。
参见图1，将本发明应用在具体实施例中，构建发电集团水电机组故障诊断诊断模型。为发电集团水电机组运行检修提供依据，指导机组安全稳定运行：
1、探求水电机组故障机理，建立水电机组故障特征集
通过大量阅读文献，研究现有研究成果和建立水电机组动力学模型等方式，探求水电机组故障机理，初步确定哪些特征参数对故障敏感性较强，用于指导建立原始水电机组故障特征集。结合发电集团各机组实际情况，将已得到的故障特征进行完善，进而建立适合水口发电集团的机组故障特征集。
、收集水电机组故障样本，用于故障特征自适应提取研究
通过发电集团水电机组状态监测系统采集水电机组故障样本，同时结合实验室转子实验台模拟多种机组故障，获取不同故障情况下的信号样本，为水电机组故障特征自适应提取研究提供数据支撑。
、基于多小波的水电机组信号降噪研究。具体方法如上所述
4、基于多小波的水电机组故障特征自适应提取方法研究
为了从大量特征参数中获取对故障敏感性较强的特征参数，提高后续故障诊断结果的准确性，利用自适应多小波，并结合遗传算法与敏感性评估指标对水电机组故障特征参数进行寻优，获取低维强敏感故障特征。
、基于贝叶斯网络的水电机组故障诊断方法研究
本发明拟采用专家经验指定贝叶斯网络各参数间的因果关系即网络结构，通过参数学习获得贝叶斯网络的条件概率表CPT，进而搭建起水电机组故障诊断贝叶斯网络，对机组故障模式进行识别。首先，将特征提取的结果利用SOM神经网络进行数据属性离散化。然后，经过贝叶斯网络参数学习确定先验概率，搭建贝叶斯网络。最后，通过簇树推理算法计算已知故障征兆下不同故障模式的后验概率。
、构建水电机组故障诊断模型
综合基于多小波的水电机组信号降噪方法研究、水电机组故障特征自适应提取方法研究，基于贝叶斯网络的水电机组故障诊断方法研究的研究成果，构建水电机组故障诊断模型，并根据水电机组故障诊断实际问题对方法进行测试和改进。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (2)
1.一种基于多小波的水电机组状态监测数据降噪方法，其特征在于，
假设实际观察到的信号s[n]由真实有用信号f[n]和一定的噪声成分z[n]组成，即：
，N为自然数；
其中，z[n]为方差为σ2，独立同分布，均值为零的高斯白噪声信号，则多小波相邻系数降噪步骤为：
步骤S1：对含噪信号s[n]进行预处理；
步骤S2：利用多小波的Mallat算法对预处理后的信号进行L层多小波分解，得到L个二维多小波系数序列和一个二维多尺度系数序列；
步骤S3：根据鲁棒协方差矩阵估计方法计算V j ，具体方法如下：
定义：，其中，abs(•)为绝对值函数，median(•)为中值函数；设a 1、a 2、b 1、b 2为实数，V j 为2×2实数矩阵，row1与row2分别为多小波系数w j,k 的第一行和第二行数据序列；
计算a 1、a 2、b 1、b 2：
计算V j ：
步骤S4：利用，计算，其中k代表多小波系数标号；
步骤S5：利用将与其相邻的系数结合，得到包含相邻系数信息的值，其中，为非负整数；
步骤S6：根据，利用阈值函数对多小波系数进行处理，得到去噪后的多小波系数，阈值函数主要包括硬阈值函数和软阈值函数；
步骤S7：利用多小波的Mallat算法对去噪后的多小波系数和多尺度系数进行重构；
步骤S8：对多小波重构的结果进行多小波后处理，得到去噪后的信号。
2.根据权利要求1所述的基于多小波的水电机组状态监测数据降噪方法，其特征在于：其中步骤S5中，。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611133669.3A CN106778592A (zh) | 2016-12-10 | 2016-12-10 | 基于多小波的水电机组状态监测数据降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611133669.3A CN106778592A (zh) | 2016-12-10 | 2016-12-10 | 基于多小波的水电机组状态监测数据降噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106778592A true CN106778592A (zh) | 2017-05-31 |
Family
ID=58875925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611133669.3A Pending CN106778592A (zh) | 2016-12-10 | 2016-12-10 | 基于多小波的水电机组状态监测数据降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106778592A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784279A (zh) * | 2019-01-17 | 2019-05-21 | 西安电子科技大学 | 基于多小波分析及svm的x射线高压电源故障诊断方法 |
| US11443136B2 (en) | 2019-03-20 | 2022-09-13 | Tata Consultancy Services Limited | System and method for signal pre-processing based on data driven models and data dependent model transformation |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739665A (zh) * | 2009-11-23 | 2010-06-16 | 深圳市安健科技有限公司 | 实现小波在dr图像处理中去噪的方法 |
-
2016
- 2016-12-10 CN CN201611133669.3A patent/CN106778592A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739665A (zh) * | 2009-11-23 | 2010-06-16 | 深圳市安健科技有限公司 | 实现小波在dr图像处理中去噪的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 华斌: "贝叶斯网络在水电机组状态检修中的应用研究", 《中国博士学位论文全文数据库》 * |
| 卢娜: "基于多小波的水电机组振动特征提取及故障诊断方法研究", 《中国博士学位论文全文数据库》 * |
| 毛保磊: "贝叶斯网络在空间机械臂故障诊断中的应用研究", 《计算机技术与发展》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784279A (zh) * | 2019-01-17 | 2019-05-21 | 西安电子科技大学 | 基于多小波分析及svm的x射线高压电源故障诊断方法 |
| CN109784279B (zh) * | 2019-01-17 | 2023-04-18 | 西安电子科技大学 | 基于多小波分析及svm的x射线高压电源故障诊断方法 |
| US11443136B2 (en) | 2019-03-20 | 2022-09-13 | Tata Consultancy Services Limited | System and method for signal pre-processing based on data driven models and data dependent model transformation |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis | |
| Han et al. | A recursive sparse representation strategy for bearing fault diagnosis | |
| CN109740523B (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
| CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
| Tang et al. | Method for eliminating mode mixing of empirical mode decomposition based on the revised blind source separation | |
| Lin et al. | Rolling bearing fault diagnosis using impulse feature enhancement and nonconvex regularization | |
| CN102288843B (zh) | 一种电能质量扰动信号检测方法 | |
| Yu et al. | Sparse coding shrinkage in intrinsic time-scale decomposition for weak fault feature extraction of bearings | |
| Gao et al. | Power quality disturbance classification under noisy conditions using adaptive wavelet threshold and DBN-ELM hybrid model | |
| CN103226649B (zh) | 机械早期及复合故障的集成噪声重构经验模式分解方法 | |
| CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
| Liu et al. | Fault diagnosis of rotor using EMD thresholding-based de-noising combined with probabilistic neural network | |
| CN102184451B (zh) | 一种基于多小波融合特征的神经元动作特征提取方法 | |
| Miao et al. | Multisource fault signal separation of rotating machinery based on wavelet packet and fast independent component analysis | |
| Zhang et al. | An adaptive graph morlet wavelet transform for railway wayside acoustic detection | |
| Zhou et al. | Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| Lv et al. | Longitudinal synchroextracting transform: A useful tool for characterizing signals with strong frequency modulation and application to machine fault diagnosis | |
| Chen et al. | Research on fault diagnosis method of rotating machinery based on deep learning | |
| CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
| Li et al. | Gear multi-faults diagnosis of a rotating machinery based on independent component analysis and fuzzy k-nearest neighbor | |
| CN106778592A (zh) | 基于多小波的水电机组状态监测数据降噪方法 | |
| Li et al. | Incipient detection of bearing fault using impulse feature enhanced weighted sparse representation | |
| Zhou et al. | A rotating machinery fault feature extraction approach based on an adaptive wavelet denoising method and synthetic detection index | |
| An et al. | A Parameter‐Optimized Variational Mode Decomposition Investigation for Fault Feature Extraction of Rolling Element Bearings |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
| RJ01 | Rejection of invention patent application after publication |