CN115081483A - 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于特征选择和GWO‑BP的水轮发电机转子故障诊断方法，包括以下步骤：1）收集水轮发电机转子在正常情况下和故障情况下的振动信号数据，并将其通过计算频域信号对应的数学统计特征以及频域特征，提取转子信号特征数据，构造高维特征集。2）建立GWO‑BP分类器模型，并将特征多次输入分类器模型训练，保留平均识别率较高的特征，将其依次增加特征维数再次输入到模型训练，取出在相对较低的维中具有较高的识别效果的特征。3）将降维后的特征参数输入到GWO‑BP分类器对转子故障进行诊断。本发明将数据特征提取和分类器模型相结合，提高了故障诊断的准确率，通过对代表特征参数筛取，以此降低输入数据维度提高诊断效率。

Description

基于特征选择和GWO-BP的水轮发电机转子故障诊断方法

技术领域

本发明涉及故障诊断技术领域，具体涉及一种基于特征选择和GWO-BP的水轮发电机转子故障诊断方法。

背景技术

近年来，随着机械化的不断发展和推进，机械的健康检测和管理受到越来越多的关注。化工厂水轮发电机作为机器运行不可或缺的重要部分对企业的生产起着关键作用。发电机转子在运行时候容易出现故障，转子故障分为匝间短路故障、机械故障等。如果没有及时发现与处理转子故障，该故障会影响发电机的正常运行。然而，有一些故障条件下发电机可以正常运行或者存在故障特征不明显情况，几乎不会使转子故障被及时检测。然而，不及时解决发电机转子故障会导致更严重的问题，并对水轮发电机系统的安全平稳运行构成极大危害。由此可见，水轮发电机转子故障的准确诊断有着确保安全生产、减少经济损失等重要意义。

传统的水轮发电机的主要诊断方法主要是依据发电机的运行状况进行在线检测和离线检测。但是由于目前越来越多的水轮发电机被投入电网使用，对发电机的运行要求逐渐增高。原有的诊断方法不能满足现代准确诊断的要求。因此，寻找准确的故障诊断方法成为人们关注的对象。随着智能算法的不断兴起，更多的算法被引用到故障诊断中。神经网络作为新型算法，一些领域的专家学者开始利用神经网络等算法来进行发电机的故障诊断。

由于传统的BP神经网络存在很多缺点，如容易陷入局部最优，收敛速度慢等，需要利用优化算法对BP神经网络进行优化。因此，引用GWO算法改进传统BP模型对水轮发电机转子进行故障诊断。

发明内容

发明目的：本发明要解决的技术问题是提供一种基于特征选择和GWO-BP的水轮发电机转子故障诊断方法，可以提高其对水轮发电机转子故障的诊断准确率和诊断时间。

技术方案：本发明公开一种基于特征选择和GWO-BP的水轮发电机转子故障诊断方法，包括以下步骤：

步骤1：收集水轮发电机转子在正常情况和匝间短路故障情况下的实验数据，并进行数据预处理；

步骤2：通过计算频域信号对应的数学统计特征以及频域特征这两种方法，提取转子振动信号数据的混合特征，构建高维特征集；

步骤3：建立GWO-BP分类器模型，并将步骤2中每个特征输入GWO-BP模型训练多次，求出平均识别率；比较每个特征对故障的识别率，筛选掉识别率低于一定百分数的特征参数，并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到模型训练，取出在相对较低的维中具有较高的识别效果的特征；

步骤4：将降维后的特征参数按照一定的比例随机分为训练样本和测试样本作为GWO-BP分类器输入并重新训练GWO-BP分类器，直到满足分类准确率；

步骤5：根据以上步骤得到基于特征选择和GWO-BP分类器的数据提取和故障诊断整体模型，利用该模型实现对转子实验数据的深层特征提取和故障诊断。

进一步地，所述步骤2中的数据进行特征提取，共包括16个特征，其中，频域信号对应的数学统计特征包括均值、标准差、均方根、振幅因数、波形因数、冲击因数、裕度因数、能量；频域特征包括重心频率、均方频率、均方根频率、频率方差、频率标准差、频域幅值平均值、偏度指标、峭度指标。

进一步地，所述步骤3具体步骤如下：

步骤1：初始化GWO的参数，初始化向量参数A、C，灰狼种群N、最大迭代次数t、收敛因子a；

A＝2ar₁-a。C＝2r₂

其中，t是当前的迭代次数，A和C是系数向量，a是一个从2线性减少到0的数字，r₁和r₂是0到1之间的随机向量；

步骤2：计算每个灰狼的适应度值，保存适应度最优的三个个体为α，β，δ，对应位置分别为X_α，X_β，X_δ；灰狼位置计算公式如下：

D＝|CX_P(t)-X(t)|，X(t+1)＝X_p(t)-AD

其中，X_P(t)是猎物的当前位置，X(t)是t代灰狼个体位置，D是当前灰狼和猎物之间的距离；

步骤3：更新种群中各个灰狼的位置；

D_α＝|C₁·X_α(t)-X(t)|，D_β＝|C₂·X_β(t)-X(t)|，D_δ＝|C₃·X_δ(t)-X(t)|，

X_α(t+1)＝X_α(t)-A₁D_α，X_β(t+1)＝X_β(t)-A₂D_β，X_δ(t+1)＝X_δ(t)-A₃D_δ，

其中，X(t+1)是灰狼更新后的最新位置；

步骤4：更新收敛因子a和向量参数A、C的值；

步骤5：计算灰狼的个体适应度值，对每个灰狼在新位置上的适应度值与更新之前的适应度进行比较，若新的适应度值高于更新之前的，则新的适应度值代替更新之前的适应度值作为最优适应度，并且新狼位置替代原有位置；若新的适应度值低于或等于更新之前的，则适应度值保持不变；

步骤6：判断是否达到最大的迭代次数t，若达到则结束迭代过程；如果未达到，则t＝t+1且返回步骤2，直到达到迭代要求为止，则当前的适应度值最小的狼群位置X_α所对应的BP神经网络的训练模型即为训练好的神经网络模型。

进一步地，所述步骤3中将每个混合特征输入模型训练5次并比较故障平均识别率，选择识别率高于60％的前13个特征参数，并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到GWO-BP模型中进行训练和测试。

进一步地，所述步骤3中并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到GWO-BP模型中的具体操作为：

设定步骤3中筛选掉识别率低于一定百分数的特征参数，剩余特征参数个数为n个，分别为X₁～X_n，并且X₁～X_n特征对应的识别率已经由低到高顺序依次排序，在进行模型训练时：

第一次将X₁特征参数输入到GWO-BP模型中训练；

第二次将X₁和X₂特征参数输入到GWO-BP模型中训练；

第三次将X₁、X₂和X₃特征参数输入到GWO-BP模型中训练；

…

第n次将X₁～X_n特征参数输入到GWO-BP模型中训练；

对上述的特征维数进行多次训练和测试，再取测试结果的平均特征识别率，根据训练结果对比平均特征识别率，前a维比前b维(n＞a＞b)的特征识别率，相对b维之前的特征识别率提升幅度较小，此时取前b维特征。

有益效果

本发明基于特征选择和GWO-BP的水轮发电机转子故障诊断方法，针对传统信号数据很难准确反应故障问题，提出了通过计算频域信号对应的数学统计特征以及频域特征这两种方法，提取转子振动信号数据的混合特征，构建高维特征集；为了降低输入数据维度提高诊断效率，通过比较特征对故障的识别率筛选出代表特征参数，将降低维度后的特征参数作为输入特征向量；针对传统BP神经网络收敛速度慢、容易陷入局部最优等缺点，本发明使用的GWO-BP的故障诊断方法增强了模型的故障诊断能力，并具有很高的故障诊断精度及较小的相对误差。

附图说明

图1为本发明所述的基于特征选择和GWO-BP的水轮发电机转子故障诊断方法流程图；

图2为本发明所述的GWO-BP模型流程图；

图3为本发明灰狼的社会等级层次图；

图4为本发明灰狼的狩猎原理图；

图5为本发明BP神经网络三层结构图；

图6为本发明BP神经网络单个节点图；

图7为本发明具体实施案例的误差示意图；

图8为本发明BP神经网络具体实施案例结果示意图；

图9为本发明PSO-BP神经网络具体实施案例结果示意图；

图10为本发明GWO-BP神经网络具体实施案例结果示意图。

具体实施方式

下面结合附图和具体实施例，对本发明的实施方式作进一步详细描述。

本实施例基于特征选择和GWO-BP的水轮发电机转子故障诊断方法，如图1所示，主要包括以下步骤：

步骤1：收集水轮发电机转子在正常情况和匝间短路故障情况下的实验数据，并进行数据预处理。

步骤2：通过计算频域信号对应的数学统计特征以及频域特征这两种方法，提取转子振动信号数据的混合特征，构建高维特征集(见表1)。

数据进行特征提取，包括16个特征，其中，频域信号对应的数学统计特征包括均值、标准差、均方根、振幅因数、波形因数、冲击因数、裕度因数、能量；频域特征包括重心频率、均方频率、均方根频率、频率方差、频率标准差、频域幅值平均值、偏度指标、峭度指标。其中，公式1-8为频域信号对应的数学统计特征，公式9-16为频域特征。

步骤3：建立GWO-BP分类器模型，参见附图2，并将每个特征输入GWO-BP模型训练多次，求出平均识别率(见表2)。比较每个特征对故障的识别率，筛选掉识别率低于60％的特征参数，并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到模型训练，取出在相对较低的维中具有较高的识别效果的特征。

表1特征参数

表2不同维度下特征识别率

在获得所需的实验数据特征后，将特征参数输入到由GWO-BP模型中进行训练。

灰狼社会等级如图3所示，其中，第一层是狼群α，简称头狼，对狼群的重大问题做出决策；第二层是狼群β，协助头狼管理狼群的行动；第三层是狼群δ，主要任务是进行狼群中的侦察行动；第四层为狼群w，服从上面三级灰狼下达的命令。下一层狼群要顺从上一层狼群的领导。形成的等级结构类似金字塔状。灰狼算法过程如下：

步骤3.1：初始化GW0的参数，如初始化向量参数A、C，灰狼种群N、最大迭代次数t、收敛因子a；

A＝2ar₁-a

C＝2r₂

其中，t是当前的迭代次数，A和C是系数向量，a是一个从2线性减少到0的数字，r₁和r₂是0到1之间的随机向量。

步骤3.2：计算每个灰狼的适应度值，保存适应度最优的三个个体为α，β，δ，对应位置分别为X_α，X_β，X_δ；灰狼位置计算公式如下：

D＝|CX_P(t)-X(t)|

X(t+1)＝X_p(t)-AD

其中，X_P(t)是猎物的当前位置，X(t)是t代灰狼个体位置，D是当前灰狼和猎物之间的距离。

步骤3.3：更新种群中各个灰狼的位置，其中灰狼狩猎过程如图4所示，通过该过程完成灰狼位置的更新；

D_α＝|C₁·X_α(t)-X(t)|

D_β＝|C₂·X_β(t)-X(t)|

D_δ＝|C₃·X_δ(t)-X(t)|

X_α(t+1)＝X_α(t)-A₁D_α

X_β(t+1)＝X_β(t)-A₂D_β

X_δ(t+1)＝X_δ(t)-A₃D_δ

其中，X(t+1)是灰狼更新后的最新位置(即最优解向量)。

步骤3.4：更新收敛因子a和向量参数A、C的值。

步骤3.5：计算灰狼的个体适应度值，对每个灰狼在新位置上的适应度值与更新之前的适应度进行比较，若新的适应度值高于更新之前的，则新的适应度值代替更新之前的适应度值作为最优适应度，并且新狼位置替代原有位置；若新的适应度值低于或等于于更新之前的，则适应度值保持不变。

步骤3.6：判断是否达到最大的迭代次数t，若达到则结束迭代过程；如果未达到，则t＝t+1且返回步骤2，直到达到迭代要求为止。则当前的适应度值最小的狼群位置X。所对应的BP神经网络的训练模型即为训练好的神经网络模型。

BP神经网络由三层组成，分别是输入层、隐藏层和输出层。如图5所示。此外，BP由多个单个节点组成，一个节点称为感知器。这些项包括输入项X_i、权重W_i、偏差b和输出项output。图6为BP的单个节点的组成图。

参见表2，步骤3中并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到GWO-BP模型中的具体操作为：

步骤3中筛选掉识别率低于60％的特征参数，剩余特征参数个数为13个，并且13个特征已经按照识别率由低到高的顺序进行排序了，参见表2的特征维数和特征名称，特征维数1至特征参维数13对应的特征名称即为保留的13个特征参数，在进行模型训练时：

第一次将第一个特征参数Mean输入到GWO-BP模型中训练；

第二次将Mean和Std特征参数输入到GWO-BP模型中训练；

第三次将Mean、Std以及SKSkewness特征参数输入到GWO-BP模型中训练；

依次类推；

第13次将13个特征参数一起输入到GWO-BP模型中训练。

一般来说，随着特征维数的增加，识别效果呈上升趋势。但当特征达到一定的维数时，如果进一步增大特征维数，识别效果几乎不会提高。取出在相对较低的维中具有较高的识别效果的特征。以此达到减小输入数据维度增大故障诊断率的目的。对上述的特征维数进行5次训练和测试，再取测试结果的平均识别率，根据训练结果对比特征识别率，前11维比前10维的特征识别率，相对10维之前的特征识别率提升幅度较小，此时取前10维特征。所以最终筛选后，保留表2中的前10个特征参数。

步骤4：将降维后的特征参数按照一定的比例随机分为训练样本和测试样本作为GWO-BP分类器输入并重新训练GWO-BP分类器，直到满足分类准确率。

步骤5：根据以上步骤得到基于特征选择和GWO-BP分类器的数据提取和故障诊断整体模型，利用该模型实现对转子实验数据的深层特征提取和故障诊断。

将GWO-BP模型和BP、PSO-BP模型结果进行比较，由图7所示，GWO-BP具有更小的误差，误差几乎为0。此外，图8、图9和图10分别为BP、PSO-BP和GWO-BP分类预测图，三图比较可知，GWO-BP模型的故障诊断效果最优，对数据的诊断精度为99.49％。由此，GWO-BP诊断模型具有更高的故障诊断精度、较小的相对误差，具有较高的实际参考应用价值。

以上显示和描述了本发明的基本原理和主要特征以及本发明的优点，本发明不受上述实施例的限制，对于本技术领域的普通技术人员来说，在不脱离本发明精神和范围的前提下，还可对本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.一种基于特征选择和GWO-BP的水轮发电机转子故障诊断方法，其特征在于，包括如下步骤：

步骤1：收集水轮发电机转子在正常情况和匝间短路故障情况下的实验数据，并进行数据预处理；

步骤2：通过计算频域信号对应的数学统计特征以及频域特征这两种方法，提取转子振动信号数据的混合特征，构建高维特征集；

步骤3：建立GWO-BP分类器模型，并将步骤2中每个特征输入GWO-BP模型训练多次，求出平均识别率；比较每个特征对故障的识别率，筛选掉识别率低于一定百分数的特征参数，并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到模型训练，取出在相对较低的维中具有较高的识别效果的特征；

步骤4：将降维后的特征参数按照一定的比例随机分为训练样本和测试样本作为GWO-BP分类器输入并重新训练GWO-BP分类器，直到满足分类准确率；

步骤5：根据以上步骤得到基于特征选择和GWO-BP分类器的数据提取和故障诊断整体模型，利用该模型实现对转子实验数据的深层特征提取和故障诊断。

2.根据权利要求1所述的基于特征选择和GWO-BP的水轮发电机转子故障诊断方法，其特征在于：所述步骤2中的数据进行特征提取，共包括16个特征，其中，频域信号对应的数学统计特征包括均值、标准差、均方根、振幅因数、波形因数、冲击因数、裕度因数、能量；频域特征包括重心频率、均方频率、均方根频率、频率方差、频率标准差、频域幅值平均值、偏度指标、峭度指标。

3.根据权利要求1所述的基于特征选择和GWO-BP的水轮发电机转子故障诊断方法，其特征在于，所述步骤3具体步骤如下：

步骤1：初始化GWO的参数，初始化向量参数A、C，灰狼种群N、最大迭代次数t、收敛因子a；

A＝2ar₁-a，C＝2r₂

其中，t是当前的迭代次数，A和C是系数向量，a是一个从2线性减少到0的数字，r₁和r₂是0到1之间的随机向量；

步骤2：计算每个灰狼的适应度值，保存适应度最优的三个个体为α，β，δ，对应位置分别为X_α，X_β，X_δ；灰狼位置计算公式如下：

D＝|CX_P(t)-X(t)|，X(t+1)＝X_p(t)-AD

其中，X_P(t)是猎物的当前位置，X(t)是t代灰狼个体位置，D是当前灰狼和猎物之间的距离；

步骤3：更新种群中各个灰狼的位置；

D_α＝|C₁·X_α(t)-X(t)|，D_β＝|C₂·X_β(t)-X(t)|，D_δ＝|C₃·X_δ(t)-X(t)|，

X_α(t+1)＝X_α(t)-A₁D_α，X_β(t+1)＝X_β(t)-A₂D_β，X_δ(t+1)＝X_δ(t)-A₃D_δ，

其中，X(t+1)是灰狼更新后的最新位置；

步骤4：更新收敛因子a和向量参数A、C的值；

步骤5：计算灰狼的个体适应度值，对每个灰狼在新位置上的适应度值与更新之前的适应度进行比较，若新的适应度值高于更新之前的，则新的适应度值代替更新之前的适应度值作为最优适应度，并且新狼位置替代原有位置；若新的适应度值低于或等于更新之前的，则适应度值保持不变；

步骤6：判断是否达到最大的迭代次数t，若达到则结束迭代过程；如果未达到，则t＝t+1且返回步骤2，直到达到迭代要求为止，则当前的适应度值最小的狼群位置X_α所对应的BP神经网络的训练模型即为训练好的神经网络模型。

4.根据权利要求1所述的基于特征选择和GWO-BP的水轮发电机转子故障诊断方法，其特征在于：所述步骤3中将每个混合特征输入模型训练5次并比较故障平均识别率，选择识别率高于60％的前13个特征参数，并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到GWO-BP模型中进行训练和测试。

5.根据权利要求4所述的基于特征选择和GWO-BP的水轮发电机转子故障诊断方法，其特征在于：所述步骤3中并将保留的特征按照识别率由低到高顺序依次增加特征维数输入到GWO-BP模型中的具体操作为：

设定步骤3中筛选掉识别率低于一定百分数的特征参数，剩余特征参数个数为n个，分别为X₁～X_n，并且X₁～X_n特征对应的识别率已经由低到高顺序依次排序，在进行模型训练时：

第一次将X₁特征参数输入到GWO-BP模型中训练；

第二次将X₁和X₂特征参数输入到GWO-BP模型中训练；

第三次将X₁、X₂和X₃特征参数输入到GWO-BP模型中训练；

…

第n次将X₁～X_n特征参数输入到GWO-BP模型中训练；

对上述的特征维数进行多次训练和测试，再取测试结果的平均特征识别率，根据训练结果对比平均特征识别率，前a维比前b维(n＞a＞b)的特征识别率，相对b维之前的特征识别率提升幅度较小，此时取前b维特征。

Images