【技术实现步骤摘要】
本专利技术公开了一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，属于水电机组振动信号处理领域。
技术介绍
1、随着全球工业化的发展，能源的需求量也在不断增加，而水电站作为一种可再生能源，成为解决能源需求的重要选择。截至2019年底，全球约有1.3×109kw的水电装机总容量和4.3×1015kwh的全年发电量，2035年全球年发电量预计达到6.1×1015kwh，水电装机容量1.75×109kw。水电机组故障诊断是电力工业中非常重要的一个环节，其准确性和及时性对于保障电力系统的稳定性和安全性有着至关重要的影响，伴随着电力工业的快速发展，水电机组的规模和复杂性也在不断增加。因此，对水电机组故障诊断方法的研究显得尤为重要。
2、水电机组发生故障时，其振动信号受周围噪声的影响表现出强烈的非平稳性，而同样的在不同负荷不同工况下其振动信号的表现也各有差异。如果能准确分别振动信号所对应的水电机组运行状态，那对于监测水电机组状态或者故障诊断都有重要意义。对水电机组振动信号处理，目前有一部分采用传统的特征提取算法和分类器进行处理，时域分析、频域分析、小波变换、奇异值分解、支持向量机等，但这些方法特征提取的特征不够准确，在分类器的训练中容易出现过拟合等问题，导致结果的可靠性和稳定性差；另一部分采用深度学习方法，如卷积神经网络，递归神经网络等，虽然这些方法在特征提取和分类器构建上相对传统方法更具优势，但在样本计算和分类器训练时需要较大的数据量，而目前水泵机组振动信号数据较为有限，因此这种方法在实际应用中仍存在一定的局限性。因此，
技术实现思路
1、本专利技术的目的在于提供一种水泵机组振动信号特征提取与状态识别方法，解决现有技术方法中效果不理想、可靠性差且局限性大的问题，基于时移多尺度余弦相似熵，并结合ceemdan-vmd和cnn-lstm的特点，实现高特征提取效率、高精度状态识别与分类，为保障水电机组的可靠、安全、经济运行提供有力的指导。
2、为解决上述的技术问题，本专利技术采用以下技术方案：一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于包括如下步骤：
3、(1)采集不同工况下水电机组水导轴承不同方向上的振动信号；
4、(2)使用ceemdan-vmd二分法对振动信号进行详细分解；
5、(3)利用时移多尺度余弦相似熵从振动信号中提取特征向量，并组成特征集；
6、(4)将特征集分为训练集和测试集，将特征集训练模型得到cnn-lstm模型，将测试集输入cnn-lstm模型进行状态识别，完成对水电机组振动信号的状态识别。
7、更进一步的技术方案是所述步骤(1)中采集的振动信号为运行中水电机组记录的实测数据，分别是20mw、100mw、280mw、340mw负荷工况下水导轴承摆度+x、+y方向上的振动信号。
8、更进一步的技术方案是所述步骤(2)具体步骤如下：将振动信号数据先进行ceemdan分解，得到若干分量，再利用vmd对imf1重新分解，分解后的分量与之前ceemdan分解后剩余分量重新组合成新的信号分量集。
9、更进一步的技术方案是所述步骤(3)利用时移多尺度余弦相似熵从振动信号中提取特征向量为通过对信号分量进行平移来捕捉时间上的局部特征，求取tsmcse，具体方法如下：
10、3-1.将其中一个长度为n的信号分量{x(i),i＝1,2,…,n}分割成k个子序列，构造新的时移子序列yk,β公式为：
11、
12、式中：k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和间隔时间，δ(k,β)为四舍五入的整数，表示上边界个数，yk,β为第k个子序列，
13、3-2.对于一个特定的最大尺度因子τmax，信号分量的时序信号{x(i),i＝1,2,…,n}，通过下式构造粗粒化序列：
14、
15、式中j代表粗粒化时间序列的长度；τ代表尺度因子，n为信号分量长度；
16、3-3.当尺度因子为τ时，按3-2计算时移粗粒化序列并计算其余弦相似熵值，对得到的τ个不同时移余弦相似熵进行平均化计算，如下式所示：
17、
18、式中：m表示嵌入维度；λ表示延迟时间；x表示原始时间序列；
19、3-4.依上述方法分别计算每一个分量的tsmsce，形成特征集。
20、更进一步的技术方案是所述步骤(4)具体如下：
21、特征集按照1：9分为测试集和训练集，构建cnn-lstm模型，输入训练集进行模型训练，再将测试集输入到训练完成的cnn-lstm模型中，完成对于水电机组振动信号的状态识别；其中参数设置如下表：
22、
23、与现有技术相比，本专利技术的有益效果是：提出了一种新的熵值指标tsmcse，先对信号进行平移来捕捉时间上的局部特征，将振动信号分解成不同尺度的小波子带，然后在每个尺度上计算余弦相似熵，再对各个尺度的结果进行加权平均。并将其与ceemdan-vmd和cnn-lstm模型相结合，构建了一个新的振动信号分析和智能识别模型。首先，利用ceemdan对振动信号进行分解，得到多个分量，然后使用vmd对imf1进行再次分解，形成一个新的分量集，再计算每个分量的tsmcse值，生成特征熵向量。最后，采用cnn-lstm模型对振动信号的特征向量进行准确识别，并通过四种对比模型对该模型进行全面验证。结果表明，振动信号的识别准确率达到100％，为水电机组振动信号特征提取和故障诊断提供了重要的技术支持。
本文档来自技高网...【技术保护点】
1.一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于包括如下步骤：
2.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于：所述步骤(1)中采集的振动信号为运行中水电机组记录的实测数据，分别是20MW、100MW、280MW、340MW负荷工况下水导轴承摆度+X、+Y方向上的振动信号。
3.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于：所述步骤(2)具体步骤如下：
4.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于：所述步骤(3)利用时移多尺度余弦相似熵从振动信号中提取特征向量为通过对信号分量进行平移来捕捉时间上的局部特征，求取TSMCSE，具体方法如下：
5.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于：所述步骤(4)具体如下：
【技术特征摘要】
1.一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于包括如下步骤：
2.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法，其特征在于：所述步骤(1)中采集的振动信号为运行中水电机组记录的实测数据，分别是20mw、100mw、280mw、340mw负荷工况下水导轴承摆度+x、+y方向上的振动信号。
3.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号...
【专利技术属性】
技术研发人员：曾云，李想，刀方，钱晶，邹屹东，唐跨纪，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。