CN109472288A - 一种抽水蓄能机组振动混合特征提取与分类方法 - Google Patents

Abstract

本发明公开了一种抽水蓄能机组空蚀振动信号混合特征提取与分类方法，首先使用集合经验模态分解方法对采集的原始信号进行特征提取，得到一系列本征模态函数，并提取各IMF分量的能量特征和奇异值特征；同时，对原始信号中的多种典型时域和频域特征进行人工提取。然后，由以上计算得到的时域、频域、能量和奇异值特征共同组成原始信号的混合特征向量，将其作为径向基神经网络的输入，利用神经网络对抽水蓄能机组不同工况下的空蚀信号进行有效的分类与识别。通过本发明对抽水蓄能机组采集得到的水泵水轮机尾水管不同运行工况下的空蚀振动信号进行特征提取与分类，可以有效解决抽水蓄能机组不同运行工况下空蚀振动信号准确诊断的问题。

Description

一种抽水蓄能机组振动混合特征提取与分类方法

技术领域

本发明属于电力系统抽水蓄能机组状态监测与信号分析领域，更具体地，涉及一种抽水蓄能机组振动混合特征提取与分类方法。

背景技术

空蚀是抽水蓄能机组过流部件最常见的故障之一，将会造成机组效率降低、转轮叶片寿命缩短，同时使机组产生剧烈的振动，更影响着大电网的安全稳定。因此，对抽水蓄能机组的稳定性展开研究具有重要的工程实际价值，空蚀振动信号是表征机组运行状态的重要指标。由于空蚀信号具有非平稳和强衰减等特性，极易被淹没于噪声中，因此，为提高机组运行效率和稳定性，探索新的特征提取方法，开展机组空蚀强度量化的研究工作显得尤为重要。

目前，常用于工程实际的空蚀振动信号特征提取的方法主要包括：小波变换(Wavelet Transform，WT)、局部均值分解(Local Mean Decomposition，LMD)和经验模态分解(Empirical Mode Decomposition，EMD)方法等。其中，WT分解信号的效果受小波基和阈值的影响；LMD分解信号的效果与滑动平均步长的选择有关；EMD虽然能自适应地将原始信号分解为一系列的本征模态函数(Intrinsic Mode Function，IMF)，但是由于存在端点效应和模态混叠现象，导致噪声与有用的信号无法完全分离开来；集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)是在EMD的基础上利用噪声的统计特性来有效避免混叠现象的新方法，实现各信号分量频率的分离，进而提取信号的混合特征。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种抽水蓄能机组振动混合特征提取与分类方法，由此解决常用于工程实际的空蚀振动信号特征提取的方法存在的不同运行工况下空蚀振动信号识别精度较低的技术问题。

为实现上述目的，本发明提供了一种抽水蓄能机组故障混合特征提取与分类方法，包括：

在抽水蓄能机组的不同运行工况下，以预设采样频率对机组空蚀振动信号进行采集，获得不同工况下的故障样本；

计算原始空蚀振动信号的时域特征和频域特征，采用集合经验模态分解方法将所述原始空蚀振动信号分解为n个本征模态函数，并计算各本征模态函数的能量特征，同时，对各本征模态函数分量组成的矩阵进行奇异值分解分别获取奇异值特征，将所述时域特征、所述频域特征、所述能量特征及所述奇异值特征四种特征依次组合起来，构成振动信号的混合特征集；

从所述故障样本中随机选取部分样本数据的混合特征集作为训练样本输入到神经网络进行学习，并将剩余的部分混合特征集作为测试样本输入到训练好的神经网络进行故障分类，输出诊断结果。

优选地，所述本征模态函数的能量特征为：E＝[G₁ G₂…G_n R₁ R₂…R_n]，其中，其表示第i个本征模态函数的第一种能量函数，c_i(k)表示第i个本征模态函数分量在k时刻取值，N为采样点总数；其表示第j个本征模态函数的第二种能量函数，c_j(k)表示第j个本征模态函数分量在k时刻取值。

优选地，所述对各本征模态函数分量组成的矩阵进行奇异值分解分别获取奇异值特征，包括：

取前m层本征模态函数分量构建原始的矩阵A_m×n，由A_m×n＝UΛV^T对矩阵A_m×n进行奇异值分解，其中，U与V分别为m×m和n×n的正交矩阵，Λ为m×n的对角矩阵[diag{σ₁,σ₂...,σ_p}0]，p＝min(m,n)，σ₁,σ₂...,σ_p为矩阵A_m×n的奇异值。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、本发明首先利用EEMD对抽水蓄能机组空蚀信号进行本征模态分解，然后通过IMF对多种时频域、能量和奇异值特征进行提取，最后将丰富的混合特征和机组运行状态信息分别作为神经网络的输入，对神经网络进行训练，将特征提取和故障分类有机结合，实现了空蚀故障的高精度诊断。

2、本发明从时域、频域、能量和奇异值等多个角度对抽水蓄能机组实测振动信号进行较为全面的特征提取，增强了机组不同运行状态下振动信号的区分度，挖掘了实际工程环境下被噪声淹没的故障特征。

附图说明

图1为本发明实施例提供的一种方法流程示意图；

图2为本发明实施例提供的一种三种工况下水电机组空蚀振动时域波形图；

图3为本发明实施例提供的一种空载工况机组空蚀振动信号IMFs；

图4为本发明实施例提供的一种导叶开度30％工况机组空蚀振动信号IMFs；

图5为本发明实施例提供的一种导叶开度100％工况机组空蚀振动信号IMFs；

图6为本发明实施例提供的一种多维特征向量。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供了一种抽水蓄能机组振动混合特征提取与分类方法，其目的在于对抽水蓄能机组振动信号进行混合特征提取与分类，提升复杂水力、机械和电磁干扰下的不同工况下抽水蓄能机组振动信号的差异性识别精度。

如图1所示为本发明实施例提供的一种抽水蓄能机组空蚀振动信号混合特征提取与分类方法的流程示意图，在图1所示的方法中包括如下步骤：

(1)在抽水蓄能机组的不同运行工况下，以预设采样频率f_s对机组空蚀振动信号进行采集，获得不同工况下足量的故障信号样本；

在本发明实施例中，预设采样频率可以根据实际需要确定，本发明实施例不做唯一性限定。

(2)计算原始振动信号的时域和频域特征，采用EEMD方法将原始振动信号分解为n个IMF分量，通过构造能量函数计算本征模态函数的能量特征，同时，对IMF分量组成的矩阵进行奇异值分解分别获取奇异值特征，将时域、频域、能量、奇异值四种特征依次组合起来，构成振动信号的混合特征集；

(3)从故障信号样本中选取部分样本数据的混合特征集作为训练样本输入到神经网络中，对神经网络进行训练；

本发明实施例中的神经网络可以是RBF神经网络，即径向基函数神经网络(Radical Basis Function，RBF)，其中，RBF神经网络模型的中间层节点激活函数为：

其中，φ_j为第j个中间节点的输出，C_j＝[c₁c₂…c_m]为第j个中间层节点的高斯核函数中心，σ_j为高斯函数的宽度，m为输入层节点数，则RBF神经网络的输出为：

其中，y_k为第k个输出节点的输出；w_kj为中间层第j个节点到输出层第k个节点的权重；b_k为输出层偏移，n为中间层节点数；RBF神经网络训练中，各权重和输出层偏移用最小二乘法求解。

(4)将剩余的部分混合特征集作为测试样本输入到训练好的神经网络进行故障分类，输出诊断结果。

作为一种可选的实施方式，原始空蚀振动信号x(t)通过EEMD分解得到n个IMFs分量，步骤(2)中本征模态函数的能量特征由以下两种能量函数组合而成：

第i个本征模态函数第一种能量函数如式(3)所示

式中，c_i(k)表示第i个IMF分量在k时刻取值，N为采样点总数。本征模态函数的第一种能量函数取各采样时刻对应的IMF分量的平方和。

第j个本征模态函数第二种能量函数如式(4)所示

其中，c_j(k)表示第j个本征模态函数分量在k时刻取值。

本征模态函数的第二种能量函数取各采样时刻对应的IMF分量的均方根。

在本发明实施例中，振动信号能量特征向量由各本征模态函数的上述两种能量函数共同组成，即为：E＝[G₁ G₂…G_n R₁ R₂…R_n]。

作为一种可选的实施方式，步骤(2)具体包括如下子步骤：

(2-1)计算原始振动信号的时域与频域特征：原始空蚀信号的时域与频域特征包含机组运行状态的部分信息，本发明实施例依据提取了23种典型的时频特征，其中，特征P₁-P₁₁为时域统计特征，如表1所示；特征P₁₂-P₂₃为频域统计特征，如表2所示。

表1时域特征

其中，x(n)为信号的时间序列，N是信号时间序列的长度。

表2频域特征

其中，s(k)是信号经过傅里叶变换后的频域内的序列；f_k是信号第k个谱线的频谱值，K为原始信号经过FFT变换后的长度。

(2-2)提取本征模态能量特征：原始空蚀信号x(t)通过EEMD分解得到n个IMFs分量，分别通过式(3)与式(4)构造两种能量函数，分别得到G₁,G₂,…,G_n和R₁,R₂,…,R_n两种能量特征，并将这两种能量特征结合，构造出能量特征向量E＝[G₁ G₂…G_n R₁ R₂…R_n]。

(2-3)提取本征模态奇异值特征：对由IMF分量所构成矩阵提取奇异值特征。奇异值特征是矩阵经奇异值分解后获得的一系列特征值，当矩阵元素的值发生微小的变化时，奇异值变化较小，具有较好的稳定性。因此，通过奇异值特征的提取能挖掘出被噪声淹没的故障特征。

取前m层IMFs分量构建原始的矩阵A_m×n,对矩阵A进行奇异值分解：

A＝UΛV^T (5)

其中，U与V分别为m×m和n×n的正交矩阵，Λ为m×n的对角矩阵[diag{σ₁,σ₂...,σ_p}0],p＝min(m,n),σ₁,σ₂...,σ_p即为矩阵A的奇异值。

以上四种不同类型的振动信号特征—时域特征、频域特征、能量特征和奇异值特征共同构成RBF神经网络分类器的输入。

以国内某发电厂2#机组空蚀故障诊断作为分析案例，对本发明的有效性进行验证。机组的空蚀监测系统采用物理声学公司的R15a声发射传感器，频率响应范围为50KHz～400kHz,采集装置为NI9223采集箱，分别监测导叶连杆、顶盖X方向、Y方向和尾水管四个部位的空蚀信号，本发明实施例中选取监测导叶连杆处水轮机空载、30％开度和满负荷运行三种工况下的空蚀数据进行实验。

由图2可知，三种工况下空蚀信号的幅值在时域内相差不大，且其波形基本无规律可循，仅在时域内难以挖掘更多表征空蚀故障特征的信息，因此利用三种工况下空蚀振动样本，搭建EEMD-RBFNN诊断模型，提取并构建混合特征矩阵，对水电机组空蚀故障进行诊断。空载工况、导叶30％开度工况和导叶满开度工况下水电机组空蚀振动信号经EMD分解后的IMF如图3，图4及图5所示，IMF_i(i＝1,2,…,11)表示原始信号分解后各层的模态分量，R表示分解后的残余量。

针对三种不同工况，分别选取30组样本进行诊断，从各工况样本的混合特征子集中随机选取20组数据用于训练模型，10组数据用于检验模型。对所有的空蚀故障样本进行混合特征提取。首先，分别计算所有原始样本的时域和频域的特征P₁-P₂₃；然后，通过对所有样本进行EMD分解，选取前10层IMFs分量，分别提取能量特征E和奇异值特征σ₁,σ₂...,σ_p，根据挖掘出的特征融合构建混合特征向量T_1×53，如图6所示。

利用BP神经网络进行空蚀信号的诊断分类，分别将水轮机空载、30％开度和满负荷工况下空蚀的特征向量T_1×43作为神经网络的输入，其中输入层的节点数为53，输出节点数为3，即输出编码分别为：水轮机空载工况下空蚀[0 1]，导叶开度30％工况下空蚀[1 0]，满负荷工况下空蚀[1 1]；依据公式，中间层节点数已知n为53，m为3，计算得8≤l≤18，隐含层节点的高斯核函数中心和宽度由FCM算法确定，通过多次调试网络，验证隐含层节点数为16时网络最快收敛。因此，最终确定RBF神经网络的结构为53×16×3，训练时，各输出节点的权重和偏移使用最小二乘法求解，利用训练好的神经网络对测试样本进行诊断分类，诊断结果如表3所示。为了避免实验的偶然性和随机性，所有实验结果均在相同的平台上独立重复20次取平均值。

表3 EEMD-RBFNN模型对测试样本的分类结果

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种抽水蓄能机组故障混合特征提取与分类方法，其特征在于，包括：

在抽水蓄能机组的不同运行工况下，以预设采样频率对机组空蚀振动信号进行采集，获得不同工况下的故障样本；

计算原始空蚀振动信号的时域特征和频域特征，采用集合经验模态分解方法将所述原始空蚀振动信号分解为n个本征模态函数，并计算各本征模态函数的能量特征，同时，对各本征模态函数分量组成的矩阵进行奇异值分解分别获取奇异值特征，将所述时域特征、所述频域特征、所述能量特征及所述奇异值特征四种特征依次组合起来，构成振动信号的混合特征集；

从所述故障样本中随机选取部分样本数据的混合特征集作为训练样本输入到神经网络进行学习，并将剩余的部分混合特征集作为测试样本输入到训练好的神经网络进行故障分类，输出诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述本征模态函数的能量特征为：E＝[G₁G₂…G_n R₁ R₂…R_n]，其中，其表示第i个本征模态函数的第一种能量函数，c_i(k)表示第i个本征模态函数分量在k时刻取值，N为采样点总数；其表示第j个本征模态函数的第二种能量函数，c_j(k)表示第j个本征模态函数分量在k时刻取值。

3.根据权利要求1或2所述的方法，其特征在于，所述对各本征模态函数分量组成的矩阵进行奇异值分解分别获取奇异值特征，包括：

取前m层本征模态函数分量构建原始的矩阵A_m×n，由A_m×n＝UΛV^T对矩阵A_m×n进行奇异值分解，其中，U与V分别为m×m和n×n的正交矩阵，Λ为m×n的对角矩阵[diag{σ₁,σ₂...,σ_p}0]，p＝min(m,n)，σ₁,σ₂...,σ_p为矩阵A_m×n的奇异值。