基于概率神经网络的水轮机运行故障诊断方法技术

本发明专利技术提供一种故障诊断的结果更精准的基于概率神经网络的水轮机运行故障诊断方法，属于水轮机压力脉动监测与诊断领域。本发明专利技术包括：将水轮机的主要相关工况参数与压力脉动信号进行特征融合形成融合特征向量，作为概率神经网络的输入，将水轮机的运行状态作为所述概率神经网络的输出，构建概率神经网络的故障诊断模型；S2、利用构建的故障诊断模型实时监测水轮机的运行状态，进行故障诊断。本发明专利技术将水轮机运行工况和压力脉动信号一同作为特征进行识别，通过对历史数据进行互信息计算，并根据计算的互信息，求得水轮机各种工况参数对压力脉动信号影响的重要程度，进而求得水轮机的主要相关工况参数。

Fault Diagnosis Method for Hydraulic Turbine Operation Based on Probabilistic Neural Network

The invention provides a more accurate fault diagnosis method for hydraulic turbine operation based on probabilistic neural network, which belongs to the field of hydraulic turbine pressure fluctuation monitoring and diagnosis. The invention includes: fusing the main relevant working condition parameters of the turbine with the pressure fluctuation signal to form a fusion feature vector, as the input of the probabilistic neural network, taking the running state of the turbine as the output of the probabilistic neural network, and constructing the fault diagnosis model of the probabilistic neural network; S2, real-time monitoring the running state of the turbine by using the built fault diagnosis model. State, fault diagnosis. The method identifies the operation condition and pressure fluctuation signal of a hydraulic turbine as characteristics, calculates mutual information from historical data, and obtains the importance of the influence of various operating conditions parameters of a hydraulic turbine on the pressure fluctuation signal based on the mutual information of calculation, and then obtains the main relevant operating conditions parameters of a hydraulic turbine.

【技术实现步骤摘要】
基于概率神经网络的水轮机运行故障诊断方法
本专利技术涉及一种水轮机运行状态识别方法，特别涉及一种基于概率神经网络的水轮机运行故障诊断方法，属于水轮机压力脉动监测与诊断领域。
技术介绍
水轮机压力脉动是水电机组运行过程中不可避免的现象，它会引起水电机组的振动噪声、出力摆动和叶片裂纹等故障，是影响机组安全稳定运行的主要因素之一。因此，为了提高水电机组的安全稳定运行，对水轮机压力脉动进行状态监测与诊断具有重要意义。现有的水轮发电机组故障诊断方是依赖压力脉动信号进行故障模式识别。本领域技术人员对水泵水轮机泵工况进行研究，确定了各个流道位置的压力脉动的频率和幅值变化规律；本领域技术人员采取了在泄水锥处射水的方式来减弱尾水管内的低频压力脉动；本领域技术人员则通过改变泄水锥中心补气孔长度得到存在一个补气孔长度可以有效的减小涡带的运动规模，从而降低压力脉动幅值；本领域技术人员利用分离涡(DES)湍流模型着重分析了反水泵工况下的压力脉动特性；本领域技术人员通过对导叶叶栅进行几种不同布置下的数值模拟，得出槽道流动和真实流动下导叶近壁区域流体绕过导叶的绕流特性与真实的叶道绕流的相似性；本领域技术人员采用真机试验和数值计算的方法，研究了水轮机无叶区的动静干涉及蜗壳水力激振频率。随着人工智能在各领域的广泛应用，神经网络分析方法也已经被应用到图像识别、语音识别、文本识别中，并取得了一定成效。神经网络特有的非线性适应性信息处理能力，可以学习到数据深层次的抽象特征表达，具有更强更复杂的数据表达能力，其在故障诊断领域的应用潜能被广泛重视并引发很多学者研究。本领域技术人员利用自动编码器模型(AE)及其延伸模型堆叠成深度结构，即深度神经网络DNN，实现机械设备的故障诊断。本领域技术人员利用多个自动编码器叠加构成深度神经网络，应用于频谱数据上实现旋转机械的智能故障诊断，并总结了这种深度神经网络用于旋转机械故障诊断上的一些优点，指出机械装备基于大数据健康监测的趋势。本领域技术人员利用小波包节点能量作为深度信念网络(DBN)的输入数据，进行滚动轴承故障的模式识别。本领域技术人员则是用混合的时域和频域的统计特征作为深度神经网络的输入训练数据，实现了智能轴承故障诊断。上述神经网络在故障诊断领域的应用研究，为水轮发电机组故障诊断提供了重要参考。对于水轮发电机组这一复杂非线性系统，不同运行工况下，即使压力脉动信号相同，运行状态也不尽相同，现有基于信号处理的水轮发电机组故障诊断方法，仅仅依赖压力脉动信号进行故障模式识别，忽略水轮发电机组运行工况对压力脉动信号的影响，当将其应用在机组设备实际故障诊断中时，往往会导致故障诊断正确率低或者诊断失败，极大地制约了水轮发电机故障诊断理论与方法在实际工程中的应用。
技术实现思路
针对上述不足，本专利技术提供一种故障诊断的结果更精准的基于概率神经网络的水轮机运行故障诊断方法。本专利技术的基于概率神经网络的水轮机运行故障诊断方法，所述方法包括：S1、将水轮机的主要相关工况参数与压力脉动信号进行特征融合形成融合特征向量，作为概率神经网络的输入，将水轮机的运行状态作为所述概率神经网络的输出，构建概率神经网络的故障诊断模型；S2、利用构建的故障诊断模型实时监测水轮机的运行状态，进行故障诊断。优选的是，所述S1中，水轮机的主要相关工况参数的获取方法，包括：将水轮机运行工况和压力脉动信号一同作为特征进行识别，通过对历史数据进行互信息计算，并根据计算的互信息，求得水轮机各种工况参数对压力脉动信号影响的重要程度，进而求得水轮机的主要相关工况参数。优选的是，将每个压力脉动信号与所有工况参数之间的平均影响程度进行降序排序，计算水轮机振动变量的前n个工况参数的相关程度之和，当其大于设定值时，则认为前n个工况参数为对应振动变量的主要相关工况参数，即为待测水轮机的主要相关工况参数。优选的是，所述水轮机各种工况参数对压力脉动信号影响的重要程度，表示为：式中，δi,j为水轮机第j个工况参数对第i个压力脉动信号的影响程度，J表示工况参数的数量，Ii,j为水轮机第i个压力脉动信号与第j个工况参数之间的互信息；X表示第i个压力脉动信号，Y表示j个工况参数，p(x,y)为随机变量x与随机变量y的联合概率密度函数，p(x)与p(y)分别为随机变量x与随机变量y的边缘概率密度函数。优选的是，采用正常状态、警戒状态、报警状态和故障状态四种类别表示概率神经网络输出的运行状态。本专利技术的有益效果，本专利技术将水轮机运行工况参数与压力脉动信号进行数据融合，使数据样本包含最大故障信息量，进而故障诊断的结果更精准；概率神经网络(PNN)可以根据大量的水轮机压力脉动数据样本，进行快速的训练并对运行状态做出正确的模式分类，准确率高，且具有较高泛化能力；PNN网络预测出的分类结果直观，便于检修，节约检修时间，同时可以实时远程掌握水轮发电机组的运行状态，实现运行状态监控和故障诊断。附图说明图1为PNN神经网络基本结构图；图2为本专利技术PNN网络的训练图，其中“〇”为预测值，“*”为真实值；图3为本专利技术PNN网络的预测图，其中“〇”为预测值，“*”为真实值。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。下面结合附图和具体实施例对本专利技术作进一步说明，但不作为本专利技术的限定。本实施方式的基于概率神经网络的水轮机运行故障诊断方法，包括：S1、将水轮机的主要相关工况参数与压力脉动信号进行特征融合形成融合特征向量，作为概率神经网络的输入，将水轮机的运行状态作为所述概率神经网络的输出，构建概率神经网络的故障诊断模型；S2、利用构建的故障诊断模型实时监测水轮机的运行状态，进行故障诊断。本实施方式运用PNN神经网络对水轮发电机组进行故障诊断；概率神经网络(PNN)是基于Bayes分类规则与Parzen窗的概率密度函数估计方法发展而来的一种并行算法。在模式分类问题中，它可以利用线性学习算法来完成非线性学习算法所做的工作。同时保持非线性算法的高精度等特性。PNN网络结构由输入层、模式层、求和层、输出层共四层组成，如图1所示。输入层接收来自训练样本的值，将特征向量传递给PNN网络，样本矢量的维数与其神经元数目相等；模式层计算输入特征向量与训练集中各个模式的匹配关系，模式层神经元的个数等于各个类别训练样本数之和，该层每个模式单元的输出为：式中，Wi为输入层到模式层连接的权值δ为平滑因子，它对分类起着至关重要的作用。每一类只有一个求和层单元，求和层单元只与属于自己的模式层连接，与其它单元的模式层没有连接。其输出与各类基于内核的概率密度的估计成比例，通过输出层的归一化处理，根据式(1)，求得故障模式的估计概率密度函数，得到各类的概率估计。输出层主要由简单的阈值辨别器组成，将各个估计的概率密度中后验概率密度最大者作为整个系统的输出。输出层是一种竞争神经元，每个神经元与数据类型都是一一对应的，其个数与训练样本数据的个数相同，本文档来自技高网...

【技术保护点】
1.基于概率神经网络的水轮机运行故障诊断方法，其特征在于，所述方法包括：S1、将水轮机的主要相关工况参数与压力脉动信号进行特征融合形成融合特征向量，作为概率神经网络的输入，将水轮机的运行状态作为所述概率神经网络的输出，构建概率神经网络的故障诊断模型；S2、利用构建的故障诊断模型实时监测水轮机的运行状态，进行故障诊断。

【技术特征摘要】
1.基于概率神经网络的水轮机运行故障诊断方法，其特征在于，所述方法包括：S1、将水轮机的主要相关工况参数与压力脉动信号进行特征融合形成融合特征向量，作为概率神经网络的输入，将水轮机的运行状态作为所述概率神经网络的输出，构建概率神经网络的故障诊断模型；S2、利用构建的故障诊断模型实时监测水轮机的运行状态，进行故障诊断。2.根据权利要求1所述的基于概率神经网络的水轮机运行故障诊断方法，其特征在于，所述S1中，水轮机的主要相关工况参数的获取方法，包括：将水轮机运行工况和压力脉动信号一同作为特征进行识别，通过对历史数据进行互信息计算，并根据计算的互信息，求得水轮机各种工况参数对压力脉动信号影响的重要程度，进而求得水轮机的主要相关工况参数。3.根据权利要求2所述的基于概率神经网络的水轮机运行故障诊断方法，其特征在于，将每个压力脉动信号与所有工况参数之间的平均影响程度进行降序排序...

【专利技术属性】
技术研发人员：兰朝凤，李水静，刘岩，赵宏运，刘春东，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23