一种基于SDAE-IELM的水轮机组故障诊断方法技术

一种基于SDAE‑IELM的水轮机组故障诊断方法，包括如下步骤：采用自适应噪声添加的完备集合经验模态分解算法CEEMDAN对水轮机组振动信号进行分解，获取反映信号局部时间尺度特征的固有模态函数(IMF)分量；对由IMF分量构成的时频矩阵按时段划分并计算各分段的能量值，从而将时频矩阵转化为能量矩阵；采用SDAE对能量矩阵进行特征提取；采用IELM实现已知故障类型的分类及未知故障类型的检测。本发明专利技术在机组发生故障后能够迅速而准确地做出判断，有利于减少停机维修时间，减轻运维人员的工作强度，提高工作效率。

【技术实现步骤摘要】
一种基于SDAE-IELM的水轮机组故障诊断方法
本专利技术属于水轮机组的诊断
，具体是指一种基于SDAE-IELM的水轮机组故障诊断方法。
技术介绍
近年来，随着能源需求的不断增长，水电发展规模日益增大，中小型水电机组的数量也逐渐增多。小水电站通常布置在偏远的地区，水电机组往往运行在恶劣的环境下，很容易发生故障。水电机组的异常振动是造成机组发电效率下降和生产成本增加的原因之一。异常的振动轻则会影响设备的正常运行，导致功率输出降低到最优水平以下，造成经济损失；重则可能造成设备的损坏，机组停机。
技术实现思路
本专利技术所要解决的技术问题在于提供一种基于SDAE-IELM的水轮机组故障诊断方法，在机组发生故障后能够迅速而准确地做出判断，有利于减少停机维修时间，减轻运维人员的工作强度，提高工作效率。本专利技术是这样实现的的：一种基于SDAE-IELM的水轮机组故障诊断方法，包括如下步骤：步骤1：采用自适应噪声添加的完备集合经验模态分解算法CEEMDAN对水轮机组振动信号进行分解，获取反映信号局部时间尺度特征的固有模态函数IMF分量；步骤2：对由IMF分量构成的时频矩阵按时段划分并计算各分段的能量值，从而将时频矩阵转化为能量矩阵；步骤3：采用SDAE对能量矩阵进行特征提取；步骤4：采用IELM实现已知故障类型的分类及未知故障类型的检测。进一步地，所述步骤1，具体包括：定义操作符Ej(x)代表着EMD分解所获取的第j阶IMF分量，ni为服从N(0，1)分布的高斯白噪声，εi为控制着辅助噪声与原始信号信噪比的系数；给定待处理信号x(t)，则CEEMDAN算法可描述如下：1)CEEMDAN的第1个IMF分量与EEMD算法相同：其中，i＝1,2,…，I，I为辅助噪声添加次数。2)在第1阶段(k＝1)，计算第一个余量：3)对信号r1(t)+ε1E1(ni(t))进行EMD分解，则第2个IMF分量可表示为：4)同理，对于k＝2，3，…，K的各阶段，计算第k个余量rk(t)：其中，K为IMF分量的总阶数；5)对信号rk(t)+εkEk(ni(t))进行EMD分解，则第k+1个IMF分量可表示为：6)直至余量r(t)满足残差分量终止条件，最终，原始信号可被分解为：进一步地，所述步骤2，具体包括：CEEMDAN分解后获得M个IMF分量，即形成M×N大小的时频矩阵，其中，N为时间序列的长度；沿时域方向，将时频矩阵等间距划分成L个时段，构成M×L个分块时频矩阵，其中每个分块矩阵的长度为N/L；设m＝1，2，…，M)为第m个频带中第l个时段对应的时间序列，其能量值El,m的计算公式如下：由式(11)，可将时频矩阵转化为分块能量矩阵。进一步地，所述步骤3，具体包括：设计一个由多个降噪自动编码器顺序堆叠的神经网络，简称为堆栈降噪自动编码器SDAE；一旦一个DAE网络完成训练，输入数据在隐含层的压缩表示将作为下一个DAE网络的输入；依次进行多个DAE的堆叠，并将最后一个网络的压缩表示作为原始信号的特征。进一步地，还包括：在无监督SDAE的基础上添加了一个微调模块，即给定训练样本的标签，构建成一个监督式学习的模型，通过微调已构建好的网络参数，以此来增强SDAE模型的鲁棒性及泛化性。进一步地，所述步骤4，具体包括：通过对输入层数据进行降噪处理，随机置零部分数据，使得参与训练子分类器的输入样本为腐坏样本；由于腐坏样本为随机生成的，每次构建的分类器相较于ELM均属于弱分类器，故而各分类器之间的相关性也随之降低并且具有独特的属性；多个降噪极限学习机的集成能够在一定程度上深度挖掘出信号多样性的特征信息，使得分类结果准确度更高；集成降噪极限学习机的决策过程如下：其中，sum(i)表示预测样本标签为i的子分类器个数，Label(x)为集成决策的分类结果；在未知故障检测之前，需首先判断样本是否为故障样本，即对非正常样本的检测；若样本为故障样本，由故障分类模型实现未知故障检测及已知故障类型识别；不论判断样本正常与否的检测模型，还是判断故障样本所属类别的分类模型，均采用二分类的结构，即给定同类与非同类样本，简称为正、负样本，训练集成降噪极限学习机，每种状态对应于一个集成的二分类模型；以正常、故障两类样本共同构建二分类的集成降噪极限学习机，其中单个降噪极限学习机的输出是一个二值的输出；每种机械故障均与其它所有故障共同作用训练二分类的集成降噪极限学习机，单个故障分类模型的训练方式与故障检测模型相同；假设给定一测试样本，若故障检测模型按式(21)的决策准则判定样本为负样本，则认定该样本为故障样本；在故障分类模型中，每种故障状态下均对应于一个集成降噪极限学习机的子诊断模型；对于任一故障样本，各子诊断模型均给出一个介于正、负样本的判定；若所有的判定结果均为负样本，则证明该样本属于未知机械故障；未知故障检测的决策过程如下：对于二分类的集成降噪极限学习机，各机械状态下分类模型的决策准则均参照式(21)，其中以Label(x)为1、0代表正样本、负样本；给定一测试样本，在故障检测模型中，若Label(x)＝0，则判定该样本为故障样本；当样本为故障样本时，在故障分类模型中，对任意l＝1,2,…,N(N为故障类别总数)，若Labell(x)＝0恒成立，则判定样本为未知故障，其中Labell(x)表示第l类故障分类模型对应的判定结果；一旦出现杂散信号，重新采集当前状态下的振动信号，再经诊断模型进行甄别。本专利技术的优点在于：1、本专利技术采用高精准度的信号分解方法实现对振动信号的处理，相较于EMD及其改进版本，CEEMDAN以较少的辅助噪声添加次数抑制模态混叠现象，重构信号与原始信号之间的误差几乎为零；相较于小波及其改进版本，它无需预先设置基函数，具备较强的分解自适应性。2、本专利技术采用SDAE进行特征提取，与常规的人工构造特征方法相比，它不需具备充分的先验知识，通过机器自主学习，能够拟合出不同状态下振动信号中固有的特征信息，大大简化了构建优良诊断模型的繁琐流程，节省了大量人力物力。3、目前，水轮机组故障诊断模型大多建立在已知故障类型的基础上，而对于出现的新故障，模型是难以将其甄别出来的，直接造成新出现的未知故障被误判为与已知故障最为相似的一类。本专利技术构建的IELM模型在实现已知故障类型分类的同时，又具备着对未知故障的检测，特别是在含噪的背景下，它具有着较强的鲁棒性。【附图说明】下面参照附图结合实施例对本专利技术作进一步的描述。图1是本专利技术的方法流程示意图。图2是本专利技术的分块能量矩阵图。图3是本专利技术的SDAE网络拓扑图。图4是本专利技术的训练故障检测模型的框架结构。图5是本专利技术的训练故障本文档来自技高网...

【技术保护点】
1.一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：包括如下步骤：/n步骤1：采用自适应噪声添加的完备集合经验模态分解算法CEEMDAN对水轮机组振动信号进行分解，获取反映信号局部时间尺度特征的固有模态函数IMF分量；/n步骤2：对由IMF分量构成的时频矩阵按时段划分并计算各分段的能量值，从而将时频矩阵转化为能量矩阵；/n步骤3：采用SDAE对能量矩阵进行特征提取；/n步骤4：采用IELM实现已知故障类型的分类及未知故障类型的检测。/n

【技术特征摘要】
1.一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：包括如下步骤：
步骤1：采用自适应噪声添加的完备集合经验模态分解算法CEEMDAN对水轮机组振动信号进行分解，获取反映信号局部时间尺度特征的固有模态函数IMF分量；
步骤2：对由IMF分量构成的时频矩阵按时段划分并计算各分段的能量值，从而将时频矩阵转化为能量矩阵；
步骤3：采用SDAE对能量矩阵进行特征提取；
步骤4：采用IELM实现已知故障类型的分类及未知故障类型的检测。


2.如权利要求1所述的一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：所述步骤1，具体包括：
定义操作符Ej(x)代表着EMD分解所获取的第j阶IMF分量，ni为服从N(0，1)分布的高斯白噪声，εi为控制着辅助噪声与原始信号信噪比的系数；
给定待处理信号x(t)，则CEEMDAN算法可描述如下：
1)CEEMDAN的第1个IMF分量与EEMD算法相同：



其中，i＝1,2,…，I，I为辅助噪声添加次数。
2)在第1阶段(k＝1)，计算第一个余量：



3)对信号r1(t)+ε1E1(ni(t))进行EMD分解，则第2个IMF分量可表示为：



4)同理，对于k＝2，3，…，K的各阶段，计算第k个余量rk(t)：



其中，K为IMF分量的总阶数；
5)对信号rk(t)+εkEk(ni(t))进行EMD分解，则第k+1个IMF分量可表示为：



6)直至余量r(t)满足残差分量终止条件，最终，原始信号可被分解为：





3.如权利要求1所述的一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：所述步骤2，具体包括：
CEEMDAN分解后获得M个IMF分量，即形成M×N大小的时频矩阵，其中，N为时间序列的长度；
沿时域方向，将时频矩阵等间距划分成L个时段，构成M×L个分块时频矩阵，其中每个分块矩阵的长度为N/L；设为第m个频带中第l个时段对应的时间序列，其能量值El,m的计算公式如下：



由式(11)，可将时频矩阵转化为分块能量矩阵。


4.如权利要求1所述的一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：所述步骤3，具体包括：
设计一个由多个降噪自动编码器顺序堆叠的神经网络，简称为堆栈降噪自动编码器SDAE；
一旦一个DAE网络完成训练，输入数据在隐含层的压缩表示将作为下一个DAE网络的输入；依次进行多个DAE的...

【专利技术属性】
技术研发人员：高伟，郭谋发，乔苏朋，蒋文，林泽峰，阮文华，梁勇，
申请(专利权)人：福建亿华源能源管理有限公司，
类型：发明
国别省市：福建;35