CN115982566A - 一种水电机组多通道故障诊断方法 - Google Patents
一种水电机组多通道故障诊断方法 Download PDFInfo
- Publication number
- CN115982566A CN115982566A CN202211605212.3A CN202211605212A CN115982566A CN 115982566 A CN115982566 A CN 115982566A CN 202211605212 A CN202211605212 A CN 202211605212A CN 115982566 A CN115982566 A CN 115982566A
- Authority
- CN
- China
- Prior art keywords
- generating set
- hydroelectric generating
- entropy
- cmbe
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000007637 random forest analysis Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 22
- 239000002131 composite material Substances 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000036039 immunity Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种水电机组多通道故障诊断方法,属于故障诊断技术领域,利用CMBE分别提取水电机组不同传感器信号的故障特征,并将故障特征进行融合构成一个全面反映故障特性的特征向量,然后将特征向量输入随机森林模型,实现机组不同类型故障的精确识别。本发明通过复合多尺度气泡熵(CMBE)和随机森林(RF)相结合进行水电机组的故障诊断,克服了现有技术中水电机组故障诊断研究主要建立在单一传感器振动信号数据的基础上,无法全面刻画机组的故障特性的同时还具有很大的不确定性的技术问题,具有一定的有效性。
Description
技术领域
本发明属于故障技术领域,更具体地说是涉及一种水电机组多通道故障诊断方法。
背景技术
近年来,随着水电工程的快速发展,水电站的规模与数量也日益增加,水电机组是水电站的重要设备,水电机组的运行状态影响着水电站的安全运行。在水电机组实际运行的过程中,容易出现各种类型的故障,故障的表现形式也非常复杂,研究设计一种水电机组故障的诊断方法对水电机组存在的故障进行诊断,确保水电机组运行更加安全、稳定,具有十分重要的现实意义。
现有水电机组故障诊断研究主要建立在单一传感器振动信号数据的基础上,通过特征提取和模式识别等步骤完成机组故障诊断工作,无法全面刻画机组的故障特性的同时还具有很大的不确定性。
因此,提出一种水电机组多通道故障诊断方法,能够全面刻画机组的故障特性同时确保诊断的有效性,是本领域技术人员亟需解决的问题。
发明内容
针对上述问题,本发明提出了一种基于复合多尺度气泡熵(CMBE)和随机森林(RF)相结合的水电机组多通道故障诊断方法,具有一定的有效性。
为了实现上述目的,本发明采用如下技术方案,包括:
一种水电机组多通道故障诊断方法,包括以下步骤:
S1、通过复合多尺度气泡熵分别提取水电机组不同传感器信号的故障特征,将所述故障特征进行融合构成一个全面反映故障特性的特征向量;
S2、构建随机森林模型;
S3、将所述特征向量输入所述随机森林模型,得到水电机组故障类型的识别结果。
进一步,所述S1包括:
式中,m代表嵌入维数;λ是延迟时间;N是时间序列长度;由于参数对BE熵值较小,因此将参数设置如下:m=3,λ=1。
S12、对每个空间向量进行排序处理,计算排序完成后空间向量分布的排列熵值Hm;其中,采用冒泡排序算法对每个空间向量Ym(j)={x(j),x(j+λ),···,x(j+(m-1)λ}进行排序处理,记录每个向量所需的交换数,用于计算Hm;
Hm计算公式如下所示:
l是不同交换数的类型数目;pl表示不同交换数出现的概率;
S13、将m维替换为m+1维,重复S11-S12,计算Hm+1;
S14、根据排列熵值Hm和排列熵值Hm+1得到气泡熵BE,计算公式如下:
BE(X,m,λ)=(Hm+1-Hm)/log(m+1/m-1);
S15、计算复合多尺度气泡熵CMBE。
进一步,所述S15中计算复合多尺度气泡熵CMBE包括:
BE(X,m,λ)=(Hm+1-Hm)/log(m+1/m-1)。
进一步,所述S2中构建随机森林模型包括:
S21、采用有放回的抽样方法从水电机组样本数据中抽取P个样本,构建P个决策树;所述样本数据中有M个特征属性;
S22、从所述样本数据的M个特征属性中随机选择1个特征属性,作为所述决策树的训练属性;
S23、完成属性训练的P个决策树组合构成随机森林,通过P个决策树的判断结果的投票得到随机森林的输出结果。
进一步,所述故障诊断方法还包括算法验证,对CMBE的时序长度鲁棒性、不同信号的识别能力以及抗噪性进行分析,验证所述方法的有效性。
经由上述的技术方案可知,与现有技术相比,本发明提供的一种水电机组多通道故障诊断方法基于复合多尺度气泡熵(CMBE)和随机森林(RF)的互相结合实现,利用CMBE分别提取水电机组不同传感器信号的故障特征,并将故障特征进行融合构成一个全面反映故障特性的特征向量,然后将特征向量输入随机森林模型,实现机组不同类型故障的精确识别;复合多尺度气泡熵作为度量信号复杂度的工具,克服了传统多尺度熵依赖超参数的不足,可以很好地衡量时间序列复杂度,且具有良好的抗噪性能;采用多传感器信号融合的CMBE可以实现不同故障特征的有效提取,基于此提出的复合多尺度气泡熵(CMBE)和随机森林(RF)相结合的水电机组多通道故障诊断方法能够全面刻画机组的故障特性,具有一定的有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种水电机组多通道故障诊断方法的流程图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提出一种水电机组多通道故障诊断方法,如图1所示,包括以下步骤:
S1、通过复合多尺度气泡熵分别提取水电机组不同传感器信号的故障特征,将故障特征进行融合构成一个全面反映故障特性的特征向量,具体包括;
S12、对每个空间向量进行排序处理,计算排序完成后空间向量分布的排列熵值Hm;
Hm计算公式如下所示:
l是不同交换数的类型数目;pl表示不同交换数出现的概率;
S13、将m维替换为m+1维,重复S11-S12,计算Hm+1;
S14、根据排列熵值Hm和排列熵值Hm+1得到气泡熵BE,;
S15、计算复合多尺度气泡熵CMBE计算公式如下:
BE(X,m,λ)=(Hm+1-Hm)/log(m+1/m-1)。
S2、构建随机森林模型;
S3、将特征向量输入随机森林模型,得到水电机组故障类型的识别结果。
故障诊断方法还包括算法验证,对CMBE的时序长度鲁棒性、不同信号的识别能力以及抗噪性进行分析,验证上述方法的有效性,具体为:
1.分析CMBE时序长度鲁棒性
分析30组不同时序长度噪声(N=5000,N=7000,N=10000,N=20000,N=30000N=40000及N=50000)下CMBE和MBE两种多尺度熵的分布情况,并用均值和标准差评价算法的时序长度鲁棒性能。CMBE对时序长度具有良好的鲁棒性。
2.分析CMBE对不同类型信号的识别能力
分析CMBE和MBE对于不同噪声(高斯白噪声和1/f噪声)的识别效果,在任意尺度都没有发生交叉,两种多尺度熵均有效区分不同类型噪声,说明CMBE对不同类型信号具有良好的识别能力。
3.分析CMEB抗噪性
由下式模拟尾水管低频涡带引发的振动故障信号:
S(t)=0.39sin(πt)+0.21sin(4.2πt)+
0.1sin(33.4πt)+0.11sin(58.4πt)+
0.13sin(100πt)+0.06sin(200πt)+
z(t)
式中,S(t)是振动故障信号;z(t)表示白噪声,本发明取50dB、40dB、30dB以及20dB,相较于未染噪信号,染噪信号成分更为复杂,故障信息更加难以提取。
为验证CMBE算法的抗噪性能,分析CMBE和MBE在不同噪声环境下的分布情况,并用相关系数来量化染噪前后(SNR为50dB、40dB、30dB以及20dB)信号熵值的差异程度,结果表明CMBE的抗噪性能更强。此外,当噪声强度小于20dB时,气泡熵BE发生了较大的变化,间接验证了熵多尺度化可以有效增强算法的抗噪性能。
利用HZXT-008型转子实验台模拟水电机组不对中、不平衡以及碰摩等故障,并通过径向相垂直的两个传感器采集不同状态的振动信号,采样频率为2048Hz,验证本发明的有效性。
在具体实施方式中,本发明提出的水电机组多通道故障诊断方法的具体分析过程为:
1.水电机组故障特征提取
引入多尺度气泡熵(MBE)、多尺度排列熵(MPE)以及复合多尺度排列熵(CMBE)进行对比实验,其中,MPE和CMBE的参数设置如下:嵌入维数m=3,时间延迟λ=1,尺度因子τ=20。
采用X方向传感器信号、Y方向传感器信号以及融合多传感器信号三种情景下不同多尺度熵的故障特征情况,并利用T-SNE对提取的故障特征进行降维可视化处理。
同时,对比复合传感器信号情景下四种多尺度熵的特征提取情况,发现CMBE提取的故障特征中“IHM”、“IVM”以及“Nor”发生零星混杂;MBE提取的故障特征中“IHM”、“IVM”、“Nor”、“SHM”以及“SBL”发生一定混杂;CMBE提取的故障特征中“IHM”、“IVM”、“Nor”、“SHM”存在一些混杂;MPE提取的故障特征中“IHM”、“IVM”、“Nor”、“SBL”、“SVM”以及“SHM”发生零星混杂。总体来看,CMBE提取的故障特征区分度更高,说明CMBE是一种良好的特征提取工具。
表1对比了四种多尺度熵提取水电机组故障特征花费的时间成本。从表中可以看出,MBE提取信号特征仅耗费36.73s,而相对应的MPE提取信号特征则需要146.11s。同时,对比CMBE和CMPE提取信号特征的时间,发现CMBE的时间成本仅为CMPE的34.31%。通过以上分析,可以得出CMBE是一种快速的特征提取方法。
表1多尺度熵提取故障特征耗费时间(s)
2.水电机组故障模式识别
将不同多尺度熵提取的特征输入RF模型中,完成水电机组不同故障信号的识别工作。同时,为确保诊断模型的泛化性能以及消除随机实验带来的影响,本发明采用5折交叉法划分训练集和测试集,每个模型重复十次实验,并利用诊断率均值和标准差两个指标衡量不同诊断模型的优劣,结果如表2所示。从表中可以看出,对比基于X方向传感器信号的诊断模型(MBE-RF、CMBE-RF、MPE-RF以及CMPE-RF),融合多传感器信号的诊断模型分别提取了6.14%、3.5%、7.54%以及5.49%的诊断精度。同样,相较于采用Y方向传感器信号的诊断模型,融合多传感器信号的诊断模型提升了4.27%、1.54%、6.89%以及3.62%的诊断率。通过以上分析可知,融合多传感器信号是提升诊断模型精度的重要途径。
同时,相比其它模型(MBE-RF、MPE-RF以及CMPE-RF)的诊断情况,CMBE-RF模型在三种情景下都具有一定的优势。其中,基于多传感器信号的CMBE-RF相较于其它模型提升了0.62%、0.95%以及0.41%的诊断率;基于X方向传感器信号的CMBE-RF对比其它模型提升了3.26%、4.99%以及2.4%的诊断率;基于Y方向传感器信号的CMBE-RF相较于其它模型提升了3.35%、6.3%以及2.49%的诊断率。此外,对比不同诊断模型的标准差,发现本发明所提模型的标准差仅为0.54,远低于其它诊断模型。上述分析验证了本发明所提模型是一种精准稳定的水电机组故障诊断模型。
表2不同诊断模型的识别情况(RF分类器)
此外,为验证RF分类器的识别效果,本发明引入BP神经网络、支持向量机以及极限学习机等流行机器学习算法进行对比。其中,BPNN的参数设置如下:隐藏层节点数为10,最大迭代次数为1000;支持向量机的参数设置如下:惩罚因子c=1,核函数系数g=0.05;极限学习机的参数设置如下:隐藏层节点数为10。
表3不同诊断模型的识别情况(BPNN分类器)
表3、表4、表5分别给出了BPNN、SVM以及ELM在不同特征(多尺度熵)下的识别情况,从表中可以看出使用CMBE的模型基本都取得了最高的诊断效果,说明CMBE可以有效提取水电机组故障特征。同时对比RF和其它分类器的诊断效果,得出RF的分类效果最好。在使用多传感器信号下CMBE-RF模型对比其它模型(CMBE-BPNN、CMBE-SVM以及CMBE-ELM)提升了18.87%、0.27%以及11.52%的诊断率,验证了随机森林是一种良好的分类器。
表4不同诊断模型的识别情况(SVM分类器)
表5不同诊断模型的识别情况(ELM分类器)
基于以上分析,新提出的CMBE可以很好地衡量时间序列复杂度,且具有良好的抗噪性能;采用多传感器信号融合的CMBE模型可以实现不同故障特征的有效提取,且CMBE是一种快速的特征提取方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种水电机组多通道故障诊断方法,其特征在于,包括以下步骤:
S1、通过复合多尺度气泡熵分别提取水电机组不同传感器信号的故障特征,将所述故障特征进行融合构成一个全面反映故障特性的特征向量;
S2、构建随机森林模型;
S3、将所述特征向量输入所述随机森林模型,得到水电机组故障类型的识别结果。
5.根据权利要求1所述的一种水电机组多通道故障诊断方法,其特征在于,所述S2中构建随机森林模型包括:
S21、采用有放回的抽样方法从水电机组样本数据中抽取P个样本,构建P个决策树;所述样本数据中有M个特征属性;
S22、从所述样本数据的M个特征属性中随机选择1个特征属性,作为所述决策树的训练属性;
S23、完成属性训练的P个决策树组合构成随机森林,通过P个决策树的判断结果的投票得到随机森林的输出结果。
6.根据权利要求1所述的一种水电机组多通道故障诊断方法,其特征在于,所述故障诊断方法还包括算法验证,对CMBE的时序长度鲁棒性、不同信号的识别能力以及抗噪性进行分析,验证所述方法的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605212.3A CN115982566A (zh) | 2022-12-14 | 2022-12-14 | 一种水电机组多通道故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211605212.3A CN115982566A (zh) | 2022-12-14 | 2022-12-14 | 一种水电机组多通道故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115982566A true CN115982566A (zh) | 2023-04-18 |
Family
ID=85958948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211605212.3A Pending CN115982566A (zh) | 2022-12-14 | 2022-12-14 | 一种水电机组多通道故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115982566A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992365A (zh) * | 2023-08-02 | 2023-11-03 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
-
2022
- 2022-12-14 CN CN202211605212.3A patent/CN115982566A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992365A (zh) * | 2023-08-02 | 2023-11-03 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
CN116992365B (zh) * | 2023-08-02 | 2024-03-08 | 广东海洋大学 | 一种在随机冲击干扰下的故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Fault diagnosis for rolling bearings based on composite multiscale fine-sorted dispersion entropy and SVM with hybrid mutation SCA-HHO algorithm optimization | |
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN111539152B (zh) | 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN104897403A (zh) | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 | |
CN102706573A (zh) | 一种设备的故障分类诊断方法 | |
CN103412557A (zh) | 一种适于非线性过程在线监控的工业故障检测与诊断方法 | |
CN103761965B (zh) | 一种乐器信号的分类方法 | |
CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
CN117290771A (zh) | 基于改进辅助分类生成对抗网络的旋转机械故障诊断方法 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
CN115762533A (zh) | 一种鸟鸣声分类识别方法及装置 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN112200048A (zh) | 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质 | |
Luo et al. | SMD anomaly detection: a self-supervised texture–structure anomaly detection framework | |
CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN112465124A (zh) | 孪生深度时空神经网络模型获取/故障诊断方法、装置 | |
CN117494037A (zh) | 一种基于变权vae与双通道特征融合的变压器故障诊断方法 | |
CN114707534A (zh) | 一种小样本数据下滚动轴承故障诊断方法 | |
CN114817034A (zh) | 一种测试质量的分析方法、装置及电子设备 | |
CN117332352B (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
CN117633588A (zh) | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |