一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于PCA
‑
VMD的水轮发电机组特征提取与故障预警方法


[0001]本专利技术涉及水轮发电机组故障预警
，具体为一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法
。

技术介绍

[0002]水轮发电机组作为水电站的核心设备，其运行的稳定性直接影响到水电站的安全稳定
。
水轮发电机组一般采用定期检修的方式，存在检修针对性不强，检修的时间与频次不匹配的问题，造成大量的人力物力浪费，检修效果不明显
。
[0003]水轮发电机组的运行稳定主要由机组振动的信号体现，水轮发电机组
80
％的故障都和机组的振动有关
。
水轮发电机组在运行过程中受机械
、
水力和电磁等因素的多重干扰，其振动信号呈现强非平稳性
、
强非线性的特征，常规的故障特征提取方法很难识别出其微弱的故障征兆，因此对水轮发电机组的振动特征信号的提取算法和故障预警方法进行研究具有广泛的应用前景和重要的推广价值
。

技术实现思路

[0004]鉴于上述存在的问题，提出了本专利技术，本专利技术解决的技术问题是：如何快速准确提取水轮发电机组故障特征并实现对水轮发电机组的早期故障预警
。
[0005]为解决上述技术问题，本专利技术提供如下技术方案：一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法，包括以下步骤：
[0006]S1
采集与水轮发电机组运行状态相关的参数数据，对所采集的样本数据进行数据划分，按
6:2:2
的原则划分为训练集
、
测试集和验证集3个样本集；
[0007]S2
采用
KMO
与
Bartlett
检验来验证所采集的样本数据集是否适用
PCA
数据降维算法；
[0008]S3
采用
PCA
数据降维算法对采集的样本数据集进行属性参数的约简，得到与水轮发电机组运行状态相关的新主元，并利用累积方差贡献率
、
陡坡图两个指标衡量
PCA
数据降维算法；
[0009]S4
采用
VMD
分解算法对水轮发电机组的故障特征进行提取，最后采用
DENCLUE
密度聚类算法构建水轮发电机组故障预警模型，完成水轮发电机组的故障预警
。
[0010]作为本专利技术所述的一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：所述的样本数据划分为训练集
、
测试集和验证集，包括对水电站
SIS
系统采集的数据进行数据清洗，并将前
60
％的数据作为训练集，中间
20
％的数据作为测试集，最后
20
％的数据作为验证集
。
[0011]作为本专利技术所述的一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：所述的
KMO(Kaiser Meyer Olkin)
与
Bartlett(
巴特利特球度
)
检验通过
KMO
检验统计量和
Bartlett
的球形检验两个指标进行校验该样本数据集是否适用
PCA
数据降维算法进行分析
。
[0012]作为本专利技术所述的一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：所述的
PCA
数据降维算法包括：
[0013]第一步，对样本集合矩阵进行
Z
‑
score
标准化处理；
[0014]第二步，计算标准化样本集合矩阵
Z
的相关系数矩阵
R
；
[0015]第三步，求相关系数矩阵
R
的特征值
λ
和特征向量
v
；
[0016]第四步，计算水轮发电机组的各监测参数变量的贡献率
c
l
；
[0017]第五步，计算水轮发电机组的各监测参数变量的累积贡献率
C
k
，以此来确定水轮发电机组主要的监测参数
。
[0018]作为本专利技术所述的一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：
PCA
数据降维算法具体计算过程如下：
[0019]第一步，对样本集合矩阵进行
Z
‑
score
标准化处理；
[0020][0021]式中，
z
ab
表示标准化样本集合矩阵的第
a
行第
b
列的数值，列的数值，列的数值，表示矩阵
X
m
×
n
第
b
列的平均值，
σ
b
表示矩阵
X
m
×
n
第
b
列的标准差，
∑()
为求和函数，
x
ab
为矩阵
X
m
×
n
的第
a
行
b
列的数值，
m
表示样本点个数，
n
表示参数变量个数；
[0022]得到的标准化样本集合矩阵
Z
如下：
[0023][0024]第二步，计算标准化样本集合矩阵
Z
的相关系数矩阵
R
；
[0025][0026]式中，
k,l
分别为矩阵
Z
中的第
k
列和第
l
列，且
r
kl
＝
r
lk
，
k,l
＝
1,2...n
，
r
kl
为相关系数矩阵
R
的第
k
列和第
l
列的相关系数，为矩阵
Z
的第
k
列的平均值，为矩阵
Z
的第
l
列的平均值，
z
kl
为矩阵
Z
的第
i
行第
k
列的数值，
m
表示样本点个数，
n
表示参数变量个数；...

【技术保护点】

【技术特征摘要】
1.
一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法，其特征在于，包括以下步骤：
S1
采集与水轮发电机组运行状态相关的参数数据，对所采集的样本数据进行数据划分，按
6:2:2
的原则划分为训练集
、
测试集和验证集3个样本集；
S2
采用
KMO
与
Bartlett
检验来验证所采集的样本数据集是否适用
PCA
数据降维算法；
S3
采用
PCA
数据降维算法对采集的样本数据集进行属性参数的约简，得到与水轮发电机组运行状态相关的新主元，并利用累积方差贡献率
、
陡坡图两个指标衡量
PCA
数据降维算法；
S4
采用
VMD
分解算法对水轮发电机组的故障特征进行提取，最后采用
DENCLUE
密度聚类算法构建水轮发电机组故障预警模型，完成水轮发电机组的故障预警
。2.
如权利要求1所述的一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法，其特征在于：所述的样本数据划分为训练集
、
测试集和验证集，包括对水电站
SIS
系统采集的数据进行数据清洗，并将前
60
％的数据作为训练集，中间
20
％的数据作为测试集，最后
20
％的数据作为验证集
。3.
如权利要求1所述的一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法，其特征在于：所述的
KMO
与
Bartlett
检验通过
KMO
检验统计量和
Bartlett
的球形检验两个指标进行校验该样本数据集是否适用
PCA
数据降维算法进行分析
。4.
如权利要求1所述的一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法，其特征在于：所述的
PCA
数据降维算法包括：第一步，对样本集合矩阵进行
Z
‑
score
标准化处理；第二步，计算标准化样本集合矩阵
Z
的相关系数矩阵
R
；第三步，求相关系数矩阵
R
的特征值
λ
和特征向量
v
；第四步，计算水轮发电机组的各监测参数变量的贡献率
c
l
；第五步，计算水轮发电机组的各监测参数变量的累积贡献率
C
k
，以此来确定水轮发电机组主要的监测参数
。5.
如权利要求4所述的一种基于
PCA
‑
VMD
的水轮发电机组特征提取与故障预警方法，其特征在于：
PCA
数据降维算法具体计算过程如下：第一步，对样本集合矩阵进行
Z
‑
score
标准化处理；式中，
z
ab
表示标准化样本集合矩阵的第
a
行第
b
列的数值，列的数值，列的数值，表示矩阵
X
m
×
n
第
b
列的平均值，
σ
b
表示矩阵
X
m
×
n
第
b
列的标准差，
∑()
为求和函数，
x
ab
为矩阵
X
m
×
n
的第
a
行
b
列的数值，
m
表示样本点个数，
n
表示参数变量个数；得到的标准化样本集合矩阵
Z
如下：
第二步，计算标准化样本集合矩阵
Z
的相关系数矩阵
R
；式中，
k,l
分别为矩阵
Z
中的第
k
列和第
l
列，且
r
kl
＝
r
lk
，
k,l
＝
1,2...n
，
r
kl
为相关系数矩阵
R
的第
k
列和第
l
列的相关系数，为矩阵
Z
的第
k
列的平均值，为矩阵
Z...

【专利技术属性】
技术研发人员：皮有春，李友平，谭鋆，张春辉，郭钰静，肖燕凤，黄正海，徐铬，段新平，
申请(专利权)人：中国长江电力股份有限公司，
类型：发明
国别省市：