CN108255783A - 一种基于小波分析的船舶电力驱动系统故障诊断方法 - Google Patents

Abstract

本发明提出了一种船舶电力驱动系统故障诊断的方法，利用传感器数据的尺度转换以及小波变换来过滤最佳的信息丰富的区域，使故障类别分离最大化，然后利用这些区域的数据进行特征提取，并用于分类器训练进行故障诊断，这样可以提高诊断的准确性，降低分类器的计算复杂度。与现有技术相比，具有较高的正确分类率，误报率低，漏检率低。

Description

一种基于小波分析的船舶电力驱动系统故障诊断方法

技术领域

本发明涉及船舶电力系统故障诊断领域，具体涉及一种基于小波分析的船舶电力驱动系统故障诊断方法。

背景技术

电力驱动由于其可扩展性和操作条件的广泛性在运载工具如电动船舶、汽车和水下船舶等领域中广泛应用。然而，与大多数电气系统一样，电力驱动系统易出现部件故障，这可能会降低其性能，降低效率，并且需要昂贵的维护。因此需要对严重故障如转子断条以及电气相故障等进行自动早期诊断，国内外对于故障诊断方法已经做了一些研究，有学者提出电机电流特征分析的故障诊断技术，还有些学者提出时域方法如基于观测器的残差计算方法以及基于神经网络故障检测方法，频域方法如快速傅立叶变换方法；然而，由于基于快速傅立叶的方法在一般的操作条件下是不够的，最近有学者提出小波变换的方法，然而在小波域局部区域隐藏了与故障分类问题相关的信息，某些区域可能包含有用的信息，有助于更好地分离类；而其他区域可能对类分离没有用，使用对于分离故障没有用的信息实际上会降低任何已知分类器的性能。因此，在理解小波变换的整个二维域是否对电机诊断有必要时，存在着一个空白。

发明内容

本发明针对船舶电力驱动系统故障诊断方法，提出了一种基于小波分析的船舶电力驱动系统故障诊断方法。利用传感器数据的尺度转换以及小波变换来过滤最佳的信息丰富的区域，使故障类别分离最大化，然后利用这些区域的数据进行特征提取，并用于分类器训练进行故障诊断，该方法包括以下步骤：

步骤一、对当前数据进行小波分析

对于在任何L²(R)空间中的时域信号f(t),信号可以通过使用一族正交小波函数展开,如：

其中ψ(t)是母小波,s＝1,2......和τ＝1,2...........分别是缩放和平移参数,[W_ψf](s,τ)是信号f(t)的小波变换；

步骤二、小波域的划分

根据当前数据计算小波变换，二维小波域被分割成一系列区域，设a∈N⁺和b∈N⁺分别是小波域尺度和平移轴的分割数，这样m mod a＝0和n mod b＝0，然后块的总数等于ab,每个块的大小为现在让(i,j)表示任何特定单元格的索引i＝1,2......a和j＝1,2......b，然后,给出该单元内的内容或小波系数

W_i,j＝[W_ψf](S_i,T_j) (2)

其中

是包含单元格(i,j)中的点索引的子集,它们分别沿着刻度和平移轴；

此外,为了方便起见,让单元格的索引代表单个参数θ＝(i-1)b+j；此外,让R(θ)表示单元格θ的数据矩阵,这样

步骤三、最佳单元过滤

首先,C⁰＝{C₁，........,C_N}表示所有类的集合,然后选择任何C_α∈C⁰,α∈{1，.....N}的类，定义一个集合它包含C⁰中的所有类(不包括C_α)，表示任意其他类；

在排序过程中，任取单元θ∈{1,....,ab}，根据方程(4),当分别生成C_α∈C⁰类和级的数据时，和是包含索引θ的单元格中的小波系数的数据矩阵，另外,数据分布在R_·(θ)的概率为P(R_·(θ)),·是C_α或C_β；

然后，单元θ∈{1,....,ab}分离类对C_α和C_β的作用通过概率分布和之间的总变化距离来测量，如下

其中，θ^k∈{1,....,ab}，这也定义了单元的等级,rank(θ¹)≥rank(θ²)≥......≥rank(θ^ab)，因此单元产生的距离越高，其排名越高，然后得到可以最大程度地分离C_α类和C_β类的最高等级的单元集合

同样，上述过程包括方程(5)-(7)对每个其他类重复生成相应的最优单元,现在，可以从集合的交集中获得可以将C_α与所有其他类分离的最优单元，如下所示：

最优单元的数量用表示，这里是C_α类的最佳单元集合，可用来将它与其他所有类别分开，现在重复上面的过程来为所有类C_α∈C⁰,α∈{1，.....N}生成集合

步骤四、数据缩减分类

用主成分分析法进行数据压缩和特征提取，将来自每个C_α类的η个最优单元的数据放入矩阵中,其中使用Karhunen-Loève算法提取特征点，算法简单归纳如下：

(1)计算矩阵X_Cα的协方差矩阵∑，并且在i＝1,2......η处获得左特征值{λ_i}和相应的特征向量{e_i}，

(2)对特征值进行排序并选择q＜η最大的主特征值，

(3)使用对应于最大特征值的q个特征向量，获得变换矩阵Γ，其使用下面的公式(9)将数据组变换为特征向量

特征向量可以被看成是q维特征空间中的n特征点，所有类都重复上述过程,以获取特征空间中包含的所有类的特征点；

步骤五、使用诊断树进行故障分类

在树的等级l处分离最佳类别φ^l∈C^l-1，其中l＝1,....,N-1，首先，计算每个类别C_α∈C^l-1的总可分性度量

那么，在等级l分离的最佳类别是

级别l的输出集组成级别l+1的输入类集

C^l＝{C^l-1\φ^l} (12)

在树的每一层，使用方程(11)，并使用步骤四中描述的方法从该类的最优单元中提取特征，随后，在每个级别构建一个分类器来分离最佳类别与其他类别。

本发明具有如下效果和优点：

利用传感器数据的尺度转换以及小波变换来过滤最佳的信息丰富的区域，使故障类别分离最大化，然后利用这些区域的数据进行特征提取，并用于分类器训练进行故障诊断，这样可以提高诊断的准确性，降低分类器的计算复杂度。与现有技术相比，具有较高的正确分类率，误报率低，漏检率低。

具体实施方式

步骤一、对当前数据进行小波分析

对于在任何L²(R)空间中的时域信号f(t),信号可以通过使用一族正交小波函数展开,如：

其中ψ(t)是母小波,s＝1,2......和τ＝1,2...........分别是缩放和平移参数,[W_ψf](s,τ)是信号f(t)的小波变换；

步骤二、小波域的划分

根据当前数据计算小波变换，二维小波域被分割成一系列区域，设a∈N⁺和b∈N⁺分别是小波域尺度和平移轴的分割数，这样m mod a＝0和n mod b＝0，然后块的总数等于ab,每个块的大小为现在让(i,j)表示任何特定单元格的索引i＝1,2......a和j＝1,2......b，然后,给出该单元内的内容或小波系数

W_i,j＝[W_ψf](S_i,T_j) (2)

其中

是包含单元格(i,j)中的点索引的子集,它们分别沿着刻度和平移轴；

此外,为了方便起见,让单元格的索引代表单个参数此外,让R(θ)表示单元格θ的数据矩阵,这样

步骤三、最佳单元过滤

首先,C⁰＝{C₁，........,C_N}表示所有类的集合,然后选择任何C_α∈C⁰,α∈{1，.....N}的类，定义一个集合它包含C⁰中的所有类(不包括C_α)，表示任意其他类；

在排序过程中，任取单元θ∈{1,....,ab}，根据方程(4),当分别生成C_α∈C⁰类和级的数据时，和是包含索引θ的单元格中的小波系数的数据矩阵，另外,数据分布在R_·(θ)的概率为P(R_·(θ)),·是C_α或C_β；

然后，单元θ∈{1,....,ab}分离类对C_α和C_β的作用通过概率分布和之间的总变化距离来测量，如下

以这种方式，为所有单元θ∈{1,....,ab}计算距离,是所有单元分别到C_α和C_β的测量距离的集合，随后，集合按照如下降序排序：

其中，θ^k∈{1,....,ab}，这也定义了单元的等级,rank(θ¹)≥rank(θ²)≥......≥rank(θ^ab)，因此单元产生的距离越高，其排名越高，然后得到可以最大程度地分离C_α类和C_β类的最高等级的单元集合

同样，上述过程包括方程(5)-(7)对每个其他类重复生成相应的最优单元,现在，可以从集合的交集中获得可以将C_α与所有其他类分离的最优单元，如下所示：

最优单元的数量用表示，这里是C_α类的最佳单元集合，可用来将它与其他所有类别分开，现在重复上面的过程来为所有类C_α∈C⁰,α∈{1，.....N}生成集合

步骤四、数据缩减分类

用主成分分析法进行数据压缩和特征提取，将来自每个C_α类的η个最优单元的数据放入矩阵中,其中使用Karhunen-Loève算法提取特征点，算法简单归纳如下：

(1)计算矩阵的协方差矩阵∑，并且在i＝1,2......η处获得左特征值{λ_i}和相应的特征向量{e_i}，

(2)对特征值进行排序并选择q＜η最大的主特征值，

(3)使用对应于最大特征值的q个特征向量，获得变换矩阵Γ，其使用下面的公式(9)将数据组变换为特征向量

特征向量可以被看成是q维特征空间中的n特征点，所有类都重复上述过程,以获取特征空间中包含的所有类的特征点；

步骤五、使用诊断树进行故障分类

在树的等级l处分离最佳类别φ^l∈C^l-1，其中l＝1,....,N-1，首先，计算每个类别C_α∈C^l-1的总可分性度量

那么，在等级l分离的最佳类别是

级别l的输出集组成级别l+1的输入类集

C^l＝{C^l-1\φ^l} (12)

在树的每一层，使用方程(11)，并使用步骤四中描述的方法从该类的最优单元中提取特征，随后，在每个级别构建一个分类器来分离最佳类别与其他类别。

Claims (1)

1.一种基于小波分析的船舶电力驱动系统故障诊断方法，其特征在于包括以下步骤：

步骤一、对当前数据进行小波分析

对当前数据在任何L²(R)空间中的时域信号f(t),通过使用一族正交小波函数展开如下：

其中ψ(t)是母小波,s＝1,2......和τ＝1,2...........分别是缩放和平移参数,[W_ψf](s,τ)是信号f(t)的小波变换；

步骤二、小波域的划分

根据当前数据计算小波变换，二维小波域被分割成一系列区域；设a∈N⁺和b∈N⁺分别是小波域尺度和平移轴的分割数，这样m mod a＝0和n mod b＝0，然后块的总数等于ab,每个块的大小为现在让(i,j)表示任何特定单元格的索引i＝1,2......a和j＝1,2......b，然后,给出该单元内的内容或小波系数

W_i,j＝[W_ψf](S_i,T_j) (2)

其中

是包含单元格(i,j)中的点索引的子集,它们分别沿着刻度和平移轴；

此外,为了方便起见,让单元格的索引代表单个参数此外,让R(θ)表示单元格θ的数据矩阵,这样

步骤三、最佳单元过滤

首先,C⁰＝{C₁，........,C_N}表示所有类的集合,然后选择任何C_α∈C⁰,α∈{1，.....N}的类，定义一个集合它包含C⁰中的所有类(不包括C_α)，表示任意其他类；

在排序过程中，任取单元θ∈{1,....,ab}，根据方程(4),当分别生成C_α∈C⁰类和级的数据时，和是包含索引θ的单元格中的小波系数的数据矩阵，另外,数据分布在R.(θ)的概率为P(R.(θ)),·是C_α或C_β；

然后，单元θ∈{1,....,ab}分离类对C_α和C_β的作用通过概率分布和之间的总变化距离来测量，如下

以这种方式，为所有单元θ∈{1,....,ab}计算距离,是所有单元分别到C_α和C_β的测量距离的集合，随后，集合按照如下降序排序：

其中，θ^k∈{1,....,ab}，这也定义了单元的等级,rank(θ₁)≥rank(θ²)≥......≥rank(θ^ab)，因此单元产生的距离越高，其排名越高，然后得到可以最大程度地分离C_α类和C_β类的最高等级的单元集合

同样，上述过程包括方程(5)-(7)对每个其他类重复生成相应的最优单元；现在，从集合的交集中获得可以将C_α与所有其他类分离的最优单元，如下所示：

最优单元的数量用表示，这里是C_α类的最佳单元集合，可用来将它与其他所有类别分开，现在重复上面的过程来为所有类C_α∈C⁰,α∈{1，.....N}生成集合

步骤四、数据缩减分类

用主成分分析法进行数据压缩和特征提取，将来自每个C_α类的η个最优单元的数据放入矩阵中,其中使用Karhunen-Loève算法提取特征点，算法简单归纳如下：

(1)计算矩阵的协方差矩阵∑，并且在i＝1,2......η处获得左特征值{λ_i}和相应的特征向量{e_i}，

(2)对特征值进行排序并选择q＜η最大的主特征值，

(3)使用对应于最大特征值的q个特征向量，获得变换矩阵Γ，其使用下面的公式(9)将数据组变换为特征向量

特征向量可以被看成是q维特征空间中的n特征点，所有类都重复上述过程,以获取特征空间中包含的所有类的特征点；

步骤五、使用诊断树进行故障分类

在树的等级l处分离最佳类别φ^l∈C^l-1，其中l＝1,....,N-1，首先，计算每个类别C_α∈C^l-1的总可分性度量

那么，在等级l分离的最佳类别是

级别l的输出集组成级别l+1的输入类集

C^l＝{C^l-1\φ^l} (12)

在树的每一层，使用方程(11)，并使用步骤四中描述的方法从该类的最优单元中提取特征，随后，在每个级别构建一个分类器来分离最佳类别与其他类别。