CN108919116B - 基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法 - Google Patents

Abstract

本发明公开了基于MCCKAF‑FFT‑Softmax的海流发电机不平衡定子电流故障诊断方法，具体方法实施示意如图1所示。该诊断方法首先采集海流发电机单周期的定子电流信号作为样本，然后利用MCCKAF对所采集的样本进行滤波，然后利用FFT提取信号的频谱特征，最后通过softmax进行故障分类，根据特征频率判断故障类型，根据特征频率的幅值变化判断故障程度。本发明的故障诊断方法是基于定子电流的故障诊断，可以解决噪声淹没故障特征的问题，且计算复杂度低，训练速度快，softmax分类器增强了海流发电机叶轮不平衡故障中不确定性分类问题的处理能力。

Description

基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障 诊断方法

技术领域：

本发明涉及海流发电机的故障研究，尤其涉及基于MCCKAF-FFT-Softmax 的海流发电机不平衡故障定子电流诊断方法。

背景技术：

面对能源危机、环境恶化，海流能因具有高能量密度、可预测性、能量相对稳定等优点，海流发电相关技术得以发展与应用。然而，海洋生物生长、污染物附着、运动部件腐蚀等极易引起海流发电机发生故障，影响系统正常运行。另外，海流发电机安装在水下，受瞬时流速变化剧烈、海水磨损、附着生物、浪涌、湍流等多因素影响，其故障特征多样，且受海洋环境影响故障特征不明显。为了提高海流机运行的安全性和可靠性，有效的诊断技术必不可少。

针对轴转矩频繁变动导致的故障特征易被电流基频及噪声所淹没的问题，本文提出一种MCCKAF-FFT-Softmax的海流发电机不平衡故障定子电流诊断策略。利用同步采样技术对电流信号进行核自适应滤波并做频谱分析，实现轴转速变动下不平衡故障检测。海流发电机实际运行中故障导致的谐波成分幅值很小，易淹没在变动的电流基频及环境噪声中，可有效用于电流频率频繁变动的海流发电机不平衡故障诊断。该技术同样适用于风机泵类等设备的不平衡故障诊断。

发明内容：

本发明的目的是要解决上述海流发电机不平衡故障的问题，为了及时发现不平衡故障，利用定子电流数据作为诊断信息，通过核自适应方法对采集信号的模平方和用FFT算法提取周期定子电流的特征信息，最后采用softmax分类器做故障分类和判别，输出各不平衡故障类别的概率，输出具有概率统计意义，便于分析不确定性问题。

为了实现上述目的，本发明所提出的技术方案包括以下步骤：

1.构建一个海流发电机实验平台

利用低速海流发电系统，模拟海流发电机在水下的工作状态和故障，并采集相应数据。依次通过定子电流数据作为分析数据，建立不平衡故障与分类特征集；

2.提取定子电流的局部周期信息

从采集的定子电流数据中提取局部周期数据作为特征提取的数据处理样本；

3.定子电流数据核自适应滤波处理

对样本数据进行零均值处理，并通过ZCA白化以降低周期数据之间的相关度；然后，将周期数据作模平方运算。然后通过核自适应方法对周期数据进行滤波处理，这里数据点之间的最大互相关熵值作为判断依据。

4.提取定子电流的特征频率信息

利用快速FFT算法，提取与处理过的样本数据，按照频率量幅值来提取样本数据的主要特征作为卷积核；

5.模型训练阶段

根据计算距离特征后的卷积特征数据训练softmax分类器，以达到分类效果。

6.实时诊断阶段

采集实时测试样本，采用步骤4同样的方法，然后输入到已训练好的softmax 分类器，即可得到实时样本的概率输出结果，并将其中概率最大的类别作为样本分类的诊断结果。

本发明的技术效果在于：本发明采用的MCCKAF-FFT-Softmax的海流发电机不平衡故障诊断策略，首先在对处理故障时，以一维的定子电流信号作为不平衡故障诊断数据，不需要其他额外的传感器数据，可以利用FFT快速地提取故障相关的特征信息，softmax分类器的输出为概率输出，具有概率统计的意义，便于分析不确定性问题。该策略只需要定子电流作为诊断数据源，因此也可以避免大量的传感器使用，降低了系统的复杂度和成本。此外本发明具有较强适用性，可适用于风机泵类的不平衡故障诊断。

附图说明

图1为本发明的不平衡故障诊断方案工作示意图；

图2为本发明的不平衡故障诊断方案工作流程图；

图3为不平衡故障发生时的海流发电机三相定子电流波形图。

具体实施方式：

为了使本发明实现的技术手段、达成目的清晰可见，下面结合图1所示的示意图以及图2所示的具体计算流程图，进一步阐释发明。

海流发电机故障定子电流诊断策略主要有四部分组成：采集定子电流数据、数据预处理、特征提取、诊断分类。本发明主要将这四部相结合来及时发现海流发电机故障。接下来将具体介绍本发明所提出的MCCKAF-FFT-Softmax的海流发电机不平衡故障定子电流诊断策略。

步骤1：构建一个海流发电机实验平台

利用低速海流发电系统，模拟海流发电机在水下的工作状态，并模拟不平衡故障状态，从而建立故障与分类特征集，如图3所示即不平衡故障发生前后的海流发电机三相定子电流波形数据图；

步骤2：提取局部信息

步骤1所采集的定子电流数据分为三组，一组为无标签数据X_unlabel有m_unlabel个周期，一组作为训练数据X_train共含有m_train个周期，一组为测试数据X_test共有 m_test个周期，定子电流单元数据尺度都相同；从训练样本X_unlabel中的每一个数据中提取尺度k个局部数据点；可组成特征提取矩阵X_sample；

步骤3：数据预处理

对步骤2的特征提取矩阵X_sample进行零均值化，而后再进行ZCA白化处理以降低数据点之间的相关度，接着对白化后的样本数据作基于最大互相关熵的核自适应滤波处理：

1)给定滤波核尺寸μ和迭代参数η以及迭代终止条件；

2)计算输入数据核映射

3)计算误差并更新参数，重复步骤1)、2)、3)；

最后得到滤波序列组X_{filter_sample}，其中，i是数据点序，j是迭代次数；

步骤4：提取故障特征频率信息

对步骤3中获得的滤波后数据X_{filter_sample}进行FFT计算，并将频率排序并记录，f_{filter_1}，f_{filter_2},，L；

步骤5：训练softmax分类器

利用步骤6得到的池化后的训练特征Y_train来训练softmax分类器，并设置类别标签F∈{1,2,L,k}，其中1为叶片无附着物状态，2,3,L,k为叶轮被附着物覆盖的不平衡程度；初始化θ∈k×q的参数矩阵，则softmax分类器的输出为一阶概率矩阵，该概率表示样本属于类别"k"；因此它的类标签可以从1到k，系统方程为：

该矩阵的每一行可被当作是一个分类标签所对应的分类器参数，总共有k 行，其代价参数为：

1{g}是一个指示性函数，当大括号中的等式值为真时，则函数的值为1，否则值就为0；等式右边第二项为权值衰减项，它可以使原来代价函数变成严格的凸函数，保证得到唯一解；代价函数对参数θ的偏导函数的表达式如下：

知道了训练样本，代价函数和其偏导数，利用最速降梯度迭代算法可以求得参数θ；

步骤6：测试阶段

将测试卷积特征Y_test输入至分类器，得到各个样本的概率输出，并将概率最大的结果所对应的类别作为最终分类结果。

Claims (1)

1.一种基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法，其特征在于包括以下步骤：

步骤1：构建一个海流发电机不平衡故障发生的实验平台

利用低速海流发电系统，模拟海流发点机在水下的工作状态，并模拟不平衡故障状态，从而建立不平衡故障与分类特征集；

步骤2：提取局部信息

步骤1所采集的定子电流数据分为三组，一组为无标签数据X_unlabel有m_unlabel个周期，一组作为训练数据X_train共含有m_train个周期，一组为测试数据X_test共有m_test个周期，定子电流单元数据尺度都相同；从训练样本X_unlabel中的每一个数据中提取尺度k个局部数据点；可组成特征提取矩阵X_sample；

步骤3：数据预处理

对步骤2的特征提取矩阵X_sample进行零均值化，而后再进行ZCA白化处理以降低数据点之间的相关度，接着对白化后的样本数据作基于最大互相关熵的核自适应滤波处理：

1)给定滤波核尺寸μ和迭代参数η以及迭代终止条件；

2)计算输入数据核映射

3)计算误差并更新参数，重复步骤1)、2)、3)；

最后得到滤波序列组X_{filter_sample}，其中，i是数据点序，j是迭代次数；

步骤4：提取故障特征频率信息

对步骤3中获得的滤波后数据X_{filter_sample}进行FFT计算，并将频率排序并记录，f_{filter_1}，f_{filter_2}，L；

步骤5：训练softmax分类器

利用步骤4得到的训练特征Y_train来训练softmax分类器，并设置类别标签F∈{1,2,L,k}，其中1为叶片无附着物状态，2,L,k为叶轮被附着物覆盖的不平衡程度；初始化θ∈k×q的参数矩阵，则softmax分类器的输出为一阶概率矩阵，该概率表示样本属于类别"k"；因此它的类标签从1到k，系统方程为：

该矩阵的每一行被当作是一个分类标签所对应的分类器参数，总共有k行，其代价参数为：

1{g}是一个指示性函数，当大括号中的等式值为真时，则函数的值为1，否则值就为0；等式右边第二项为权值衰减项，它可以使原来代价函数变成严格的凸函数，保证得到唯一解；代价函数对参数θ的偏导函数的表达式如下：

知道了训练样本，代价函数和其偏导数，利用最速降梯度迭代算法可以求得参数θ；

步骤6：测试阶段

将测试卷积特征Y_test输入至分类器，得到各个样本的概率输出，并将概率最大的结果所对应的类别作为最终分类结果。

Images