CN111639852B - 基于小波奇异值的水电机组振动状态实时评估方法及系统 - Google Patents

Abstract

本发明涉及一种基于小波奇异值的水电机组振动状态实时评估方法及系统，该方法包括：对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数；得到表示水电机组振动信号的特征向量的奇异值特征向量；采集得到水电机组正常状态下的奇异值特征向量集，对奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心；得到水电机组振动状态的实时监测信号的奇异值特征向量，计算其与信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映水电机组实时振动状态的评估指标；充分利用了机组监测系统积累的海量历史数据，融入大数据思想，同时可利用机组振动历史数据进行自学习，更新振动预警模型，提高预警准确性。

Description

基于小波奇异值的水电机组振动状态实时评估方法及系统

技术领域

本发明涉及发电技术领域，尤其涉及一种基于小波奇异值的水电机组振动状态实时评估方法及系统。

背景技术

现代能源体系正迈入安全、清洁、高效的低碳时代。一方面，常规水电和抽水蓄能迎来新的发展机遇，装机规模快速增长，在电网中占比越来越大；另一方面，电力系统中风能及太阳能等间歇可再生能源的比重逐渐增加，为了保证间歇可再生能源与现有电力系统的良好集成，水电能源将承担更多的调峰、调频任务，对水电能源安全运行与管理提出了更高的要求。而水电机组作为水电能源转换的关键设备，正在向大型化、复杂化、大功率方向发展，机组结构日趋复杂，集成化程度越来越高,其安全性和稳定性已成为电力行业关注的焦点。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，必须对水电机组运行状态进行合理的监测和评估。

振动是机组故障的重要表现形式，据统计，水电机组大约80％的故障在机组振动上都有所反映，利用状态监测系统获取的振动信号来对机组进行状态评估与故障诊断，是一种有效而实用的方法。为了从水电机组振动信号中获取有用信息，学者们提出了多种信号处理方法，如傅立叶分析、经验模态分解、小波变换等，取得了良好的效果。

目前对水电机组进行故障诊断的主要方法是对振动信号进行特征提取，通过特征向量可以准确的判断振动信号所反映的机组运行状态是正常还是故障，而水电机组的故障发生为一个渐变过程，传统的特征提取侧重于对机组故障发生时的判断，难以有效的捕捉机组从正常转变为故障的微妙状态，无法为机组提供主动有效的故障预警保护。随着传感器技术、计算机技术和数据处理技术的不断进步，水电行业开展了大量振动监测方面的研究，并建立了完善的机组状态在线监测系统，为机组进行故障预警提供了有效的技术支撑。现有研究基本采用振动监测值与单一限值的比较来实现越限预警，其振动限值通常参考相关国家标准、行业标准，以及厂家建议值等来确定，这种绝对值比较法存在不能反映机组个性特色、适用机组运行工况有限的缺点，且没有对状态监测系统产生的海量历史数据进行充分利用，其报警实用性有待提高。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于小波奇异值的水电机组振动状态实时评估方法，解决现有技术中采用绝对值比较法进行振动监测时不能反映机组个性特色、适用机组运行工况有限的问题。

本发明解决上述技术问题的技术方案如下：一种基于小波奇异值的水电机组振动状态实时评估方法，所述方法包括：

步骤1，对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数；

步骤2，将各个所述小波分解系数组成的小波分解系数矩阵作为奇异值分解输入矩阵，得到表示所述水电机组振动信号的特征向量的奇异值特征向量；

步骤3，采集得到所述水电机组正常状态下的奇异值特征向量集，对所述奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心；

步骤4，按照所述步骤1-步骤2得到水电机组振动状态的实时监测信号的所述奇异值特征向量，计算所述实时监测信号的奇异值特征向量与所述信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映所述水电机组实时振动状态的评估指标。

一种基于小波奇异值的水电机组振动状态实时评估系统，所述系统包括：小波分解模块、奇异值特征向量确定模块、健康聚类中心确定模块和实时评估模块；

小波分解模块，用于对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数；

奇异值特征向量确定模块，用于将各个所述小波分解系数组成的小波分解系数矩阵作为奇异值分解输入矩阵，得到表示所述水电机组振动信号的特征向量的奇异值特征向量；

健康聚类中心确定模块，用于采集得到所述水电机组正常状态下的奇异值特征向量集，对所述奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心；

实时评估模块，按照所述小波分解模块和所述奇异值特征向量确定模块得到水电机组振动状态的实时监测信号的所述奇异值特征向量，计算所述实时监测信号的奇异值特征向量与所述信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映所述水电机组实时振动状态的评估指标。

本发明的有益效果是：针对目前水电机组振动预警方法的不足，基于小波奇异值特征提取和机组在线监测技术，将特征提取方法与在线状态监测相结合，对机组振动进行实时的风险劣化评估和故障预警；引入奇异值分解理论，从数据矩阵变换的角度提取信号特征，稳定简捷，有利于实时计算；可针对不同机组建立不同的振动故障预警模型，反映机组特色，提高状态评估的可靠性；充分利用了机组监测系统积累的海量历史数据，融入大数据思想，同时可利用机组振动历史数据进行自学习，更新振动预警模型，提高预警准确性。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1中通过离散小波变换中的Mallat算法进行小波分解，分解式为：

其中，f(t)表示采集的水电机组振动信号，c_j，k表示小波变换中的尺度系数，φ_j，k(t)表示尺度空间，d_m，k表示小波分解系数，ψ_m，k(t)表示小波空间。

进一步，所述尺度系数和小波系数的计算公式为：

其中，l、h分别表示尺度空间和小波空间分解所对应的低通、高通滤波器。

进一步，初始系数c_0，k取连续信号f(t)满足香农采样定理的情况下采样得到的离散信号f(N)的值。

进一步，所述步骤2中得到表示所述水电机组振动信号的特征向量的奇异值特征向量S的过程为：

对于所述小波分解系数矩阵存在相应的酉矩阵U(U∈R^m×m)和酉矩阵V(V∈R^n×n)，满足：

式中，R表示实数矩阵，∑＝diag(σ₁，σ₂，…，σ_r)为对角阵，σ₁，σ₂，…，σ_r称为矩阵A的奇异值，且有σ₁≥σ₂≥…≥σ_r＞0，r＝rank(A)；

所述奇异值特征向量S＝[σ₁，σ₂，…，σ_r]。

进一步，所述步骤3包括：

采用所述步骤1-步骤2所述方法采集所述水电机组正常状态下n组信号的奇异值特征向量集x＝{S_i}，i＝1，2，…，n，S_i表示第i组信号的奇异值向量；

利用数据挖掘技术中的K均值聚类算法，得到信号奇异值特征向量健康聚类中心C。

进一步，所述步骤4中，

反映所述水电机组振动状态的评估指标F_i：

C表示信号奇异值特征向量健康聚类中心，S_i表示实时监测的第i个所述水电机组振动信号的特征向量的奇异值特征向量。

采用上述进一步方案的有益效果是：建立基于离散小波变换中的Mallat算法和奇异值特征向量的特征提取方法，并将该特征提取方法与在线状态监测相结合，对机组振动进行实时的风险劣化评估和故障预警。

附图说明

图1为本发明提供的一种基于小波奇异值的水电机组振动状态实时评估方法的流程图；

图2为本发明本发明提供的一种基于小波奇异值的水电机组振动状态实时评估方法的实施例的流程图；

图3为本发明实施例提供的一种Mallat分解算法示意图；

图4为本发明提供的具体应用实施例中机组振动状态评估指标趋势变化图；

图5为本发明提供的一种基于小波奇异值的水电机组振动状态实时评估系统的实施例的结构框图；

图6为本发明实施例提供的一种电子设备的实体结构示意图。

附图中，各标号所代表的部件列表如下：

101、小波分解模块，102、奇异值特征向量确定模块，103、健康聚类中心确定模块，104、实时评估模块，201、处理器，202、通信接口，203、存储器，204、通信总线。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示为本发明提供的一种基于小波奇异值的水电机组振动状态实时评估方法的流程图，由图1可知，该方法包括：

步骤1，对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数。

具体的，进行小波分解之前还包括：对采集的水电机组振动信号进行降噪预处理。

步骤2，将各个小波分解系数组成的小波分解系数矩阵作为奇异值分解输入矩阵，得到表示水电机组振动信号的特征向量的奇异值特征向量。

步骤3，采集得到水电机组正常状态下的奇异值特征向量集，对奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心。

结合水电机组状态监测系统的海量历史数据，根据步骤1、2得到机组正常状态下n组信号的奇异值特征向量，组成该奇异值特征向量集。

步骤4，按照步骤1-步骤2得到水电机组振动状态的实时监测信号的奇异值特征向量，计算实时监测信号的奇异值特征向量与信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映水电机组实时振动状态的评估指标。

本发明实施例提供的一种基于小波奇异值的水电机组振动状态实时评估方法，针对目前水电机组振动预警方法的不足，基于小波奇异值特征提取和机组在线监测技术，将特征提取方法与在线状态监测相结合，对机组振动进行实时的风险劣化评估和故障预警；引入奇异值分解理论，从数据矩阵变换的角度提取信号特征，稳定简捷，有利于实时计算；可针对不同机组建立不同的振动故障预警模型，反映机组特色，提高状态评估的可靠性；充分利用了机组监测系统积累的海量历史数据，融入大数据思想，同时可利用机组振动历史数据进行自学习，更新振动预警模型，提高预警准确性。

实施例1

本发明提供的实施例1为本发明提供的一种基于小波奇异值的水电机组振动状态实时评估方法的实施例，如图2所示为本发明提供的基于小波奇异值的水电机组振动状态实时评估方法的实施例的流程图，由图2可知，该实施例包括：

步骤1，对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数。

优选的，通过离散小波变换中的Mallat算法进行小波分解，分解式为：

其中，f(t)表示采集的水电机组振动信号，c_j，k表示小波变换中的尺度系数，φ_j，k(t)表示尺度空间，d_m.k表示小波分解系数，ψ_m，k(t)表示小波空间。

尺度系数和小波系数的计算公式为：

其中，l、h分别表示尺度空间和小波空间分解所对应的低通、高通滤波器。

将上述尺度系数和小波系数的计算公式中的系数分解一直进行下去，层层递推，该分解算法即为Mallat(马拉特)分解算法，如图3所示为本发明实施例提供的一种Mallat分解算法示意图。

初始系数c_0，k取连续信号f(t)满足香农采样定理的情况下采样得到的离散信号f(n)的值。

在机组实际采样中，连续信号f(t)满足香农采样定理的情况下，采样得到的离散信号f(N)可近似等同于离散小波变换Mallat算法中的初始系数c_0，k，即：

c_0，k≈f(N)

通过对每个小波分解系数进行单支重构，得到原信号在相应尺度上的信号分量，其长度与原信号一致。

步骤2，将各个小波分解系数组成的小波分解系数矩阵作为奇异值分解输入矩阵，得到表示水电机组振动信号的特征向量的奇异值特征向量。

优选的，得到表示水电机组振动信号的特征向量的奇异值特征向量S的过程为：

对于小波分解系数矩阵存在相应的酉矩阵U(U∈R^m×m)和酉矩阵V(V∈R^n×n)，满足：

式中，R表示实数矩阵，∑＝diag(σ₁，σ₂，…，σ_r)为对角阵，σ₁，σ₂，…，σ_r称为矩阵A的奇异值，且有σ₁≥σ₂≥…≥σ_r＞0，r＝rank(A)。

奇异值特征向量S＝[σ₁，σ₂，…，σ_r]。

步骤3，采集得到水电机组正常状态下的奇异值特征向量集，对奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心。

优选的，采用步骤1-步骤2方法采集水电机组正常状态下n组信号的奇异值特征向量集x＝{S_i}，i＝1，2，…，n，S_i表示第i组信号的奇异值向量。

利用数据挖掘技术中的K均值聚类算法，得到信号奇异值特征向量健康聚类中心C。

步骤4，按照步骤1-步骤2得到水电机组振动状态的实时监测信号的奇异值特征向量，计算实时监测信号的奇异值特征向量与信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映水电机组实时振动状态的评估指标。

优选的，步骤4中，

反映水电机组振动状态的评估指标F_i：

C表示信号奇异值特征向量健康聚类中心，S_i表示实时监测的第i个水电机组振动信号的特征向量的奇异值特征向量。

其中评估指标F的值越大，则表明机组振动状态劣化程度越大。

实施例2

本发明提供的实施例2为本发明提供的一种基于小波奇异值的水电机组振动状态实时评估方法的具体应用实施例，本发明提供的一种基于小波奇异值的水电机组振动状态实时评估方法的具体应用实施例中，以某电站为例，介绍本发明的具体实施案例及效果。已知该电站3#机组2015年8月下旬发生了转轮室里衬脱落故障，对该段时间的机组振动状态进行分析。

故障发生前后机组的运行工况主要集中在导叶开度63％，桨叶开度20％，水头50～55m，从状态监测系统历史数据中选取位于该工况范围内，且机组未发生故障的轴向振动波形数据190组，用于计算信号奇异值特征向量健康聚类中心。对每组振动信号进行降噪处理，通过离散小波变换将其分解为一系列小波分解系数，分解小波基选用“DB8”小波，分解层数确定为4层。将分解得到的小波系数进行差值重构，重构后所得序列用于构造SVD输入矩阵A_i，i＝1，2，…，190，由于采样点为4096个点一组，所以A_i∈R^4096×5，存在酉矩阵U(U∈R^{m ×m})和酉矩阵V(V∈R^n×n)，满足：

其中，∑＝diag(σ₁，σ₂，…，σ_r)，并且σ₁≥σ₂≥…≥σ_r＞0，r＝rank(A)＝5。因此，σ₁，σ₂，…，σ₅为信号的奇异值，[σ₁，σ₂，…，σ₅]为反映信号特征的奇异值向量，即有S_i＝[σ₁，σ₂，…，σ₅]。利用数据挖掘技术中的K均值聚类算法，对每组振动信号的特征向量聚类，得到健康聚类中心C。奇异值特征向量集x和健康聚类中心C如表1所示。

表1奇异值特征向量集x和标准奇异值特征向量C

从机组状态监测系统中选取故障发生时段同工况下的振动信号170组，利用小波奇异值分解得到每组信号的奇异值特征向量S_i，代入上述步骤4反映水电机组振动状态的评估指标F_i的计算式中，计算反映机组振动状态的评估指标F，评估指标随时间(信号序列)的变化趋势如图4所示。

通过以上具体应用实施例，本方法可以较为准确的判断出机组运行状态劣化趋势，从而提供故障预警功能，对实现机组预防性维修有着较强的指导意义。

实施例3

本发明提供的实施例3为本发明提供的一种基于小波奇异值的水电机组振动状态实时评估系统的实施例，如图5所示为本发明提供的一种基于小波奇异值的水电机组振动状态实时评估系统的实施例的结构框图，由图5可知，该系统包括：小波分解模块101、奇异值特征向量确定模块102、健康聚类中心确定模块103和实时评估模块104。

小波分解模块101，用于对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数。

奇异值特征向量确定模块102，用于将各个小波分解系数组成的小波分解系数矩阵作为奇异值分解输入矩阵，得到表示水电机组振动信号的特征向量的奇异值特征向量。

健康聚类中心确定模块103，用于采集得到水电机组正常状态下的奇异值特征向量集，对奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心。

实时评估模块104，按照小波分解模块和奇异值特征向量确定模块得到水电机组振动状态的实时监测信号的奇异值特征向量，计算实时监测信号的奇异值特征向量与信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映水电机组实时振动状态的评估指标。

图6为本发明实施例提供的一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器201、通信接口202、存储器203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储在存储器203上并可在处理器201上运行的计算机程序，以执行上述各实施例提供的基于小波奇异值的水电机组振动状态实时评估方法，例如包括：步骤1，对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数；步骤2，将各个小波分解系数组成的小波分解系数矩阵作为奇异值分解输入矩阵，得到表示水电机组振动信号的特征向量的奇异值特征向量；步骤3，采集得到水电机组正常状态下的奇异值特征向量集，对奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心；步骤4，按照步骤1-步骤2得到水电机组振动状态的实时监测信号的奇异值特征向量，计算实时监测信号的奇异值特征向量与信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映水电机组实时振动状态的评估指标。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于小波奇异值的水电机组振动状态实时评估方法，例如包括：步骤1，对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数；步骤2，将各个小波分解系数组成的小波分解系数矩阵作为奇异值分解输入矩阵，得到表示水电机组振动信号的特征向量的奇异值特征向量；步骤3，采集得到水电机组正常状态下的奇异值特征向量集，对奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心；步骤4，按照步骤1-步骤2得到水电机组振动状态的实时监测信号的奇异值特征向量，计算实时监测信号的奇异值特征向量与信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映水电机组实时振动状态的评估指标。

以上仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于小波奇异值的水电机组振动状态实时评估方法，其特征在于，所述方法包括：

步骤1，对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数；

步骤2，将各个所述小波分解系数组成的小波分解系数矩阵作为奇异值分解输入矩阵，得到表示所述水电机组振动信号的特征向量的奇异值特征向量；

步骤3，采集得到所述水电机组正常状态下的奇异值特征向量集，对所述奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心；

步骤4，按照所述步骤1-步骤2得到水电机组振动状态的实时监测信号的所述奇异值特征向量，计算所述实时监测信号的奇异值特征向量与所述信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映所述水电机组实时振动状态的评估指标；

所述步骤1中通过离散小波变换中的Mallat算法进行小波分解，分解式为：

其中，f(t)表示采集的水电机组振动信号，c_j,k表示小波变换中的尺度系数，φ_j,k(t)表示尺度空间，d_m.k表示小波系数,ψ_m,k(t)表示小波空间；

所述步骤2中得到表示所述水电机组振动信号的特征向量的奇异值特征向量S的过程为：

对于所述小波分解系数矩阵存在相应的酉矩阵U(U∈R^m×m)和酉矩阵V(V∈R^n×n)，满足：

式中，R表示实数矩阵，∑＝diag(σ₁,σ₂,…,σ_r)为对角阵，σ₁,σ₂,…,σ_r称为矩阵A的奇异值，且有σ₁≥σ₂≥…≥σ_r>0，r＝rank(A)；

所述奇异值特征向量S＝[σ₁,σ₂,…,σ_r]。

2.根据权利要求1所述的方法，其特征在于，所述尺度系数和小波系数的计算公式为：

其中，l、h分别表示尺度空间和小波空间分解所对应的低通、高通滤波器。

3.根据权利要求2所述的方法，其特征在于，初始系数c_0,k取连续信号f(t)满足香农采样定理的情况下采样得到的离散信号f(N)的值。

4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

采用所述步骤1-步骤2所述方法采集所述水电机组正常状态下n组信号的奇异值特征向量集x＝{S_i},i＝1,2,…,n，S_i表示第i组信号的奇异值向量；

利用数据挖掘技术中的K均值聚类算法，得到信号奇异值特征向量健康聚类中心C。

5.根据权利要求1所述的方法，其特征在于，所述步骤4中，

反映所述水电机组振动状态的评估指标F_i：

C表示信号奇异值特征向量健康聚类中心，S_i表示实时监测的第i个所述水电机组振动信号的特征向量的奇异值特征向量。

6.一种基于小波奇异值的水电机组振动状态实时评估系统，其特征在于，所述系统包括：小波分解模块、奇异值特征向量确定模块、健康聚类中心确定模块和实时评估模块；

小波分解模块，用于对采集的水电机组振动信号进行一系列的小波分解，得到各个小波分解系数；

奇异值特征向量确定模块，用于将各个所述小波分解系数组成的小波分解系数矩阵作为奇异值分解输入矩阵，得到表示所述水电机组振动信号的特征向量的奇异值特征向量；

健康聚类中心确定模块，用于采集得到所述水电机组正常状态下的奇异值特征向量集，对所述奇异值特征向量集进行聚类得到信号奇异值特征向量健康聚类中心；

实时评估模块，按照所述小波分解模块和所述奇异值特征向量确定模块得到水电机组振动状态的实时监测信号的所述奇异值特征向量，计算所述实时监测信号的奇异值特征向量与所述信号奇异值特征向量健康聚类中心的相对欧式距离，作为反映所述水电机组实时振动状态的评估指标；

所述小波分解模块通过离散小波变换中的Mallat算法进行小波分解，分解式为：

其中，f(t)表示采集的水电机组振动信号，c_j,k表示小波变换中的尺度系数，φ_j,k(t)表示尺度空间，d_m.k表示小波系数,ψ_m,k(t)表示小波空间；

所述奇异值特征向量确定模块得到表示所述水电机组振动信号的特征向量的奇异值特征向量S的过程为：

对于所述小波分解系数矩阵存在相应的酉矩阵U(U∈R^m×m)和酉矩阵V(V∈R^n×n)，满足：

式中，R表示实数矩阵，∑＝diag(σ₁,σ₂,…,σ_r)为对角阵，σ₁,σ₂,…,σ_r称为矩阵A的奇异值，且有σ₁≥σ₂≥…≥σ_r>0，r＝rank(A)；

所述奇异值特征向量S＝[σ₁,σ₂,…,σ_r]。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于小波奇异值的水电机组振动状态实时评估方法的步骤。

8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于小波奇异值的水电机组振动状态实时评估方法的步骤。