基于多层时频图像识别的水轮机故障诊断方法技术

本发明专利技术公开了基于多层时频图像识别的水轮机故障诊断方法，采集水轮机振动信号和摆度信号并对其进行噪声去除处理和切分；采用维格纳分布变换将信号转换为时频图像，并对图像进行尺寸压缩及调整；采取二维经验模式获取时频图像1

【技术实现步骤摘要】
基于多层时频图像识别的水轮机故障诊断方法


[0001]本专利技术属于水力机械状态监测与故障诊断
，具体涉及基于多层时频图像识别的水轮机故障诊断方法。

技术介绍

[0002]水轮机作为水力发电的核心机械装备，其安全稳定性研究一直备受重视。近年来随着水电站智能化的升级改造以及水电站调频调幅任务的不断加剧，电力系统对各类水电站机组的故障监测诊断水平提出了更高的要求。
[0003]当前，随着信息融合技术与人工智能技术的广泛应用，以数据驱动的水电机组故障诊断方法已经成为主流研究方向和主要技术手段，国内外相关学者企业开展了丰富研究。谢勇涛等针对灯泡贯流式机组的常见振动故障，设计并搭建了机组振动监测与故障诊断系统应用于黄河口水电站；杨文平建立了一套能够实现抽水蓄能电站机组的振动、摆度、压力脉动以及发电电动机空气间隙、局部放电等参数的监测与故障诊断系统应用于永泰抽水蓄能电站；陈飞等针对高噪声环境下，提出了一种基于时移多尺度注意熵和随机森林的抗噪性能良好、识别率高的水电机组故障诊断方法；ZemouriRyad等对于水轮发电机早期的故障诊断，提出一种基于变分自编码器和稀疏字典学习的异常检测模型等。
[0004]各类水轮机故障诊断与状态识别方法，在电力安全稳定生产中发挥了重要作用，但是当前仍存在以下不足之处亟待改进：其一，对于已有故障的诊断方法较多，但在监测诊断中多针对单个通道或多个通道的时域信号展开，虽然也会考虑倍频特性，但在工程应用中对于信号的时频联合分布特性研究不足，对于信号的解析多停留在原始信号本身或常见时域频域特征值，未能深入挖掘信号时频特性的内在关联规律；其二，已有故障诊断或工况辨识研究中，都需要建立基于数据驱动的智能模型，模型的效果在很大程度上取决于训练样本中的特征类型，然而在实际生应用中，特征的选择很大程度上取决于人工经验知识，对于运维人员的工程经验有着较高要求，同时，对单一时域特征值或者频域特征值应用较多，对于时频联合分布应用较少。
[0005]经过我国能源行业的高速发展，国内大量水电站的计算机系统、服务器平台、传感测试系统等硬件都得到了升级完善，目前我国主要电站已经具备强大数据处理能力。在此基础上，若能在原始监测信号上开展智能化诊断模型和深层时频信息挖掘，将有助于充分发挥已有监测装置的功能和作用，对于提高水电站智能运维水平具有重要意义。
[0006]通常情况下时频域联合信息包含了更为丰富的机组状态信息，以时频域联合信息为依据进行故障预测研究在信息完整度和丰富程度方面更具优势。
[0007]基于上述理由，本专利技术提出了一种基于多层时频图像分析的水轮机故障预警方法，旨在从水轮机监测信号的时频联合角度分析时间尺度与频率特性的内在关联，以时频图像的形式开展水轮机故障诊断研究，实现时频联合信息的数据挖掘与智能预测。本专利技术可有效提高水轮机的安全可靠性，具有适用性强和信息完整等优势。

技术实现思路

[0008]本专利技术目的在于提供基于多层时频图像识别的水轮机故障诊断方法，解决了传统时频图像时频信息的数据挖掘与分析方法单一的问题，弥补了传统信号分析方法对于非线性、非稳态信号分析不精准的局限性。
[0009]本专利技术所采用的技术方案是：基于多层时频图像识别的水轮机故障诊断方法，采集水轮机机架、顶盖、尾水管等部位的振动信号，上导轴承、下导轴承、水导轴承的摆度信号，并对所述振动信号和摆度进行噪声去除处理和切分；采用维格纳分布变换将信号转换为时频图像，并对图像进行尺寸压缩及调整；采取二维经验模式获取时频图像1
‑
3阶二维本征模式分量，通过拼接操作得到拼接图像；选取待识别工况和故障工况的样本数据构建卷积神经网络模型；利用所建立模型实现对机组未知样本进行故障诊断。
[0010]本专利技术的特点还在于，
[0011]基于多层时频图像识别的水轮机故障诊断方法，具体操作步骤如下：
[0012]步骤1，收集水轮机机架、顶盖、尾水管等部位的振动信号，上导轴承、下导轴承、水导轴承的摆度信号；
[0013]步骤2，对每个通道采集到的振动信号和摆度信号进行基于集成经验模式分解的噪声去除处理；
[0014]步骤3，将步骤2处理后的信号按照水轮机运行状态将数据分割成多个信号片段，对每段信号进行维格纳分布变换以得到时频图像；
[0015]步骤4，对每幅时频图像进行灰度化处理、几何变换和压缩处理，使其具有相同的大小，转换后灰度级数为0
‑
255；
[0016]步骤5，将步骤4生成的图像通过二维经验模式分解，选取1
‑
3阶二维本征模式分量图；
[0017]步骤6，将原图和3个分量图按照田字分布进行拼接，得到拼接图像；
[0018]步骤7，从机组已有运行数据中，选取待识别工况和故障工况的样本数据，将其全部按照步骤2
‑
6的方法转化为拼接图像后，划分为训练集和测试集；
[0019]步骤8，针对每个通道信号构建多个卷积神经网络模型，采用步骤7所述训练集对模型进行训练；
[0020]步骤9，模型训练完成后，用于水轮机故障诊断，使用时将监测的信号按照步骤2～步骤6进行处理，得到对应的拼接图像，将其输入步骤8所建立的模型中，模型输出结果即为当前水轮机状态；
[0021]步骤10，在诊断末端环节同时考虑每个模型各自的输出结果，统计所有故障类型判定结果，以最多的故障类型为判断结果。
[0022]振动信号和摆度信号具有一致的采样频率，不一致时以最低采样频率为基准，将其它通道信号进行降采样处理以实现统一。
[0023]步骤2对采集信号进行集成经验模式分解的具体步骤为：
[0024]①
设定平均阶次为I，在原始信号x(t)中加入标准正态分布白噪声n(t)，生成I个新噪声x
i
(t)，x
i
(t)＝x(t)+n
i
(t)，i＝1，2，3
……
I；
[0025]②
对每个x
i
(t)分别进行EMD分解，得到
[0026][0027]其中，J为IMF数量，C
i,j
(t)为第i次加入白噪声后的信号分解得到的第j个信号，r
i,j
(t)为第i次加入白噪声后的信号分解得到的余量；
[0028]③
重复
①‑②
步I次，每次加入不同的白噪声，生成C
i,j
集合，其中i＝1，2，3
……
I，j＝1，2，3
……
J；
[0029]④
将集合C
i,j
进行平均运算，基于不相关序列统计平均值为零原理，得到集合经验模态分解结果：
[0030][0031]对于振摆信号来说，故障信息都集中在高频频率，因此将分解得到的IMF前1
‑
3阶保留，将保留的IMF合并得到降噪后的结果信号。
[0032]⑤...

【技术保护点】

【技术特征摘要】
1.基于多层时频图像识别的水轮机故障诊断方法，其特征在于，采集水轮机机架、顶盖、尾水管部位的振动信号，上导轴承、下导轴承、水导轴承的摆度信号，并对所述振动信号和摆度进行噪声去除处理和切分；采用维格纳分布变换将信号转换为时频图像，并对图像进行尺寸压缩及调整；采取二维经验模式获取时频图像1
‑
3阶二维本征模式分量，通过拼接操作得到拼接图像；选取待识别工况和故障工况的样本数据构建卷积神经网络模型；利用所建立模型实现对机组未知样本进行故障诊断。2.根据权利要求1所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，具体操作步骤如下：步骤1，收集水轮机机架、顶盖、尾水管部位的振动信号，上导轴承、下导轴承、水导轴承的摆度信号；步骤2，对每个通道采集到的振动信号和摆度信号进行基于集成经验模式分解的噪声去除处理；步骤3，将步骤2处理后的信号按照水轮机运行状态将数据分割成多个信号片段，对每段信号进行维格纳分布变换以得到时频图像；步骤4，对每幅时频图像进行灰度化处理、几何变换和压缩处理，使其具有相同的大小，转换后灰度级数为0
‑
255；步骤5，将步骤4生成的图像通过二维经验模式分解，选取1
‑
3阶二维本征模式分量图；步骤6，将原图和3个分量图按照田字分布进行拼接，得到拼接图像；步骤7，从机组已有运行数据中，选取待识别工况和故障工况的样本数据，将其全部按照步骤2
‑
6的方法转化为拼接图像后，划分为训练集和测试集；步骤8，针对每个通道信号构建多个卷积神经网络模型，采用步骤7所述训练集对模型进行训练；步骤9，模型训练完成后，用于水轮机故障诊断，使用时将监测的信号按照步骤2～步骤6进行处理，得到对应的拼接图像，将其输入步骤8所建立的模型中，模型输出结果即为当前水轮机状态；步骤10，在诊断末端环节同时考虑每个模型各自的输出结果，统计所有故障类型判定结果，以最多的故障类型为判断结果。3.根据权利要求2所述的基于决策层信息融合的水电机组小样本工辨识方法，其特征在于，所述振动信号和摆度信号具有一致的采样频率，不一致时以最低采样频率为基准，将其它通道信号进行降采样处理以实现统一。4.根据权利要求3所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，步骤2对采集信号进行集成经验模式分解的具体步骤为：
①
设定平均阶次为I，在原始信号x(t)中加入标准正态分布白噪声n(t)，生成I个新噪声x
i
(t)，x
i
(t)＝(t)+
i
(t)，i＝1，2，3
……
I；
②
对每个x
i
(t)分别进行EMD分解，得到
其中，J为IMF数量，C
i,j
(t)为第i次加入白噪声后的信号分解得到的第j个信号，r
i,j
(t)为第i次加入白噪声后的信号分解得到的余量；
③
重复
①‑②
步I次，每次加入不同的白噪声，生成C
i,j
集合，其中i＝1，2，3
……
I，j＝1，2，3
……
J；
④
将集合C
i,j
进行平均运算，基于不相关序列统计平均值为零原理，得到集合经验模态分解结果：对于振摆信号来说，故障信息都集中在高频频率，因此将分解得到的IMF前1
‑
3阶保留，将保留的IMF合并得到降噪后的结果信号；
⑤
对降噪后的信号归一化，采用min
‑
max标准化公式，将结果映射到0～1之间，min
‑
max标准化公式为：其中x
*
为输出像素值，min和max分别表示输入信号中最小和最大值，x为输入信号像素值，M为扰动次数。5.根据权利要求4所述的基于多层时频图像识别的水轮机故障诊断方法，其特征在于，步骤3对信号进行切分...

【专利技术属性】
技术研发人员：王勇飞，蔡银辉，王彤，李晓飞，王浩宇，孙龙刚，徐卓飞，佘斌，李胜，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：