基于GA-BP神经网络和误差统计分析的水电机组健康评估方法技术

本发明专利技术公开了一种基于GA

【技术实现步骤摘要】
基于GA
‑
BP神经网络和误差统计分析的水电机组健康评估方法


[0001]本专利技术属于设备健康评估领域，涉及一种水电机组的健康评估方法，具体涉及一种基于GA
‑
BP神经网络和误差统计分析的水电机组健康评估方法。

技术介绍

[0002]水电机组是水电站中的核心设备，机组的健康稳定运行对电站安全运行有着重大的意义。对机组进行故障诊断和健康评估能够对机组的运行状况进行判断，从而制定对应的检修方案。目前，在水电机组的故障诊断领域中，大多为基于故障征兆的诊断方法，但是水电机组在运行过程中受到水力、机械、电磁等因素的耦合影响，其故障的表现形式复杂且多样，部分故障的机理仍然还处于研究之中。同时，在实际运行过程中故障样本较少，难以构建准确全面的故障诊断模型。因此，该类诊断方法在水电机组故障诊断领域不能完全发挥其诊断效果。
[0003]针对这一问题，有研究提出通过机组的健康样本构建健康模型，将实时运行结果与健康模型进行比较，当实时运行结果与理论正常结果有较大偏差时，即可发出报警，从而对机组的运行状态进行实时监测。但是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA
‑
BP神经网络和误差统计分析的水电机组健康评估方法，其特征在于，包括如下步骤：S1：采用相关性分析方法提取对机组振动影响较大的多项工况参数；通过计算每一个工况参数和机组振动之间的互信息值以及贡献率和累积贡献率，提取与机组振动最为相关的多项工况参数；S2：采用遗传算法优化的BP神经网络构建机组振动预测模型，采用BP神经网络的初始权值和阈值，利用水电机组正常运行期间的数据样本训练和测试机组振动预测模型，将机组振动预测模型输出的振动预测值作为健康模型的基准值，健康模型的输入为提取的多项工况参数，输出为机组振动值；S3：对振动预测值和振动实际值之间的相对误差进行统计分析，利用核密度估计法和正态分布估计法分别拟合相对误差的概率密度函数曲线，在置信水平下，分别求取机组振动的上下界限值；S4：采用熵权法分配核密度估计法和正态分布估计法的权重，将两种方法得到的振动上下界限值合理组合得到最终的振动上下界限值，作为机组健康模型的上下界限值。2.根据权利要求1所述的一种基于GA
‑
BP神经网络和误差统计分析的水电机组健康评估方法，其特征在于，所述步骤S1具体为：通过计算每一个工况参数和机组振动之间的互信息值以及贡献率和累积贡献率，提取与机组振动最为相关的多项工况参数。3.根据权利要求2所述的一种基于GA
‑
BP神经网络和误差统计分析的水电机组健康评估方法，其特征在于，所述步骤S1中采用互信息理论作为相关性分析方法，具体为：根据互信息理论对众多的工况参数进行振动相关性分析，互信息理论计算公式如(1)所示：式中：p(x,y)为变量X和Y的联合概率密度函数；p(x)和p(y)分别为变量X和变量Y的边缘概率密度函数。4.根据权利要求3所述的一种基于GA
‑
BP神经网络和误差统计分析的水电机组健康评估方法，其特征在于，所述步骤S1中采用贡献率和累积贡献率提取工况参数，具体为：计算每个工况参数的贡献率并按降序排序，计算前m个工况参数的累积贡献率，当累积贡献率达到所设定的阈值，即可提取前m个工况参数；贡献率和累积贡献率如公式(2)和(3)所示：贡献率和累积贡献率如公式(2)和(3)所示：式中：MI
i
为互信息值，为第i个工况参数的贡献率；n为工况参数的个数；φ
m
为前m(m＝1,2,
…
,n)个参数的累积贡献率。5.根据权利要求1所述的一种基于GA
‑
BP神经网络和误差统计分析的水电机组健康评
估方法，其特征在于，所述步骤S2中采用遗传算法优化BP神经网络的过程为：A1：定义相关参量：包括定义种群大小，遗传代数，交叉变异概率，参数编码采用实数编码，适应度函数为BP神经网络的误差平方和的倒数，适应度函数如公式(4)所示：式中，n为训练样本总数；Y
hk
为振动真实值；Y
k
为振动预测值。A2：初始化：对BP神经网络的初始权值和阈值进行编码，随机生成初...

【专利技术属性】
技术研发人员：傅质馨，曹延，朱俊澎，袁越，
申请(专利权)人：河海大学，
类型：发明
国别省市：