本发明涉及一种水轮机运行状态识别方法，特别涉及一种基于概率神经网络的水轮机运行故障诊断方法，属于水轮机压力脉动监测与诊断领域。
背景技术：
水轮机压力脉动是水电机组运行过程中不可避免的现象，它会引起水电机组的振动噪声、出力摆动和叶片裂纹等故障，是影响机组安全稳定运行的主要因素之一。因此，为了提高水电机组的安全稳定运行，对水轮机压力脉动进行状态监测与诊断具有重要意义。
现有的水轮发电机组故障诊断方是依赖压力脉动信号进行故障模式识别。本领域技术人员对水泵水轮机泵工况进行研究，确定了各个流道位置的压力脉动的频率和幅值变化规律；本领域技术人员采取了在泄水锥处射水的方式来减弱尾水管内的低频压力脉动；本领域技术人员则通过改变泄水锥中心补气孔长度得到存在一个补气孔长度可以有效的减小涡带的运动规模，从而降低压力脉动幅值；本领域技术人员利用分离涡(des)湍流模型着重分析了反水泵工况下的压力脉动特性；本领域技术人员通过对导叶叶栅进行几种不同布置下的数值模拟，得出槽道流动和真实流动下导叶近壁区域流体绕过导叶的绕流特性与真实的叶道绕流的相似性；本领域技术人员采用真机试验和数值计算的方法，研究了水轮机无叶区的动静干涉及蜗壳水力激振频率。
随着人工智能在各领域的广泛应用，神经网络分析方法也已经被应用到图像识别、语音识别、文本识别中，并取得了一定成效。神经网络特有的非线性适应性信息处理能力，可以学习到数据深层次的抽象特征表达，具有更强更复杂的数据表达能力，其在故障诊断领域的应用潜能被广泛重视并引发很多学者研究。本领域技术人员利用自动编码器模型(ae)及其延伸模型堆叠成深度结构，即深度神经网络dnn，实现机械设备的故障诊断。本领域技术人员利用多个自动编码器叠加构成深度神经网络，应用于频谱数据上实现旋转机械的智能故障诊断，并总结了这种深度神经网络用于旋转机械故障诊断上的一些优点，指出机械装备基于大数据健康监测的趋势。本领域技术人员利用小波包节点能量作为深度信念网络(dbn)的输入数据，进行滚动轴承故障的模式识别。本领域技术人员则是用混合的时域和频域的统计特征作为深度神经网络的输入训练数据，实现了智能轴承故障诊断。上述神经网络在故障诊断领域的应用研究，为水轮发电机组故障诊断提供了重要参考。
对于水轮发电机组这一复杂非线性系统，不同运行工况下，即使压力脉动信号相同，运行状态也不尽相同，现有基于信号处理的水轮发电机组故障诊断方法，仅仅依赖压力脉动信号进行故障模式识别，忽略水轮发电机组运行工况对压力脉动信号的影响，当将其应用在机组设备实际故障诊断中时，往往会导致故障诊断正确率低或者诊断失败，极大地制约了水轮发电机故障诊断理论与方法在实际工程中的应用。
技术实现要素：
针对上述不足，本发明提供一种故障诊断的结果更精准的基于概率神经网络的水轮机运行故障诊断方法。
本发明的基于概率神经网络的水轮机运行故障诊断方法，所述方法包括：
s1、将水轮机的主要相关工况参数与压力脉动信号进行特征融合形成融合特征向量，作为概率神经网络的输入，将水轮机的运行状态作为所述概率神经网络的输出，构建概率神经网络的故障诊断模型；
s2、利用构建的故障诊断模型实时监测水轮机的运行状态，进行故障诊断。
优选的是，所述s1中，水轮机的主要相关工况参数的获取方法，包括：
将水轮机运行工况和压力脉动信号一同作为特征进行识别，通过对历史数据进行互信息计算，并根据计算的互信息，求得水轮机各种工况参数对压力脉动信号影响的重要程度，进而求得水轮机的主要相关工况参数。
优选的是，将每个压力脉动信号与所有工况参数之间的平均影响程度进行降序排序，计算水轮机振动变量的前n个工况参数的相关程度之和，当其大于设定值时，则认为前n个工况参数为对应振动变量的主要相关工况参数，即为待测水轮机的主要相关工况参数。
优选的是，所述水轮机各种工况参数对压力脉动信号影响的重要程度，表示为：
式中，δi,j为水轮机第j个工况参数对第i个压力脉动信号的影响程度，j表示工况参数的数量，ii,j为水轮机第i个压力脉动信号与第j个工况参数之间的互信息；
x表示第i个压力脉动信号，y表示j个工况参数，p(x,y)为随机变量x与随机变量y的联合概率密度函数，p(x)与p(y)分别为随机变量x与随机变量y的边缘概率密度函数。
优选的是，采用正常状态、警戒状态、报警状态和故障状态四种类别表示概率神经网络输出的运行状态。
本发明的有益效果，本发明将水轮机运行工况参数与压力脉动信号进行数据融合，使数据样本包含最大故障信息量，进而故障诊断的结果更精准；概率神经网络(pnn)可以根据大量的水轮机压力脉动数据样本，进行快速的训练并对运行状态做出正确的模式分类，准确率高，且具有较高泛化能力；pnn网络预测出的分类结果直观，便于检修，节约检修时间，同时可以实时远程掌握水轮发电机组的运行状态，实现运行状态监控和故障诊断。
附图说明
图1为pnn神经网络基本结构图；
图2为本发明pnn网络的训练图，其中“〇”为预测值，“*”为真实值；
图3为本发明pnn网络的预测图，其中“〇”为预测值，“*”为真实值。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式的基于概率神经网络的水轮机运行故障诊断方法，包括：
s1、将水轮机的主要相关工况参数与压力脉动信号进行特征融合形成融合特征向量，作为概率神经网络的输入，将水轮机的运行状态作为所述概率神经网络的输出，构建概率神经网络的故障诊断模型；
s2、利用构建的故障诊断模型实时监测水轮机的运行状态，进行故障诊断。
本实施方式运用pnn神经网络对水轮发电机组进行故障诊断；
概率神经网络(pnn)是基于bayes分类规则与parzen窗的概率密度函数估计方法发展而来的一种并行算法。在模式分类问题中，它可以利用线性学习算法来完成非线性学习算法所做的工作。同时保持非线性算法的高精度等特性。pnn网络结构由输入层、模式层、求和层、输出层共四层组成，如图1所示。
输入层接收来自训练样本的值，将特征向量传递给pnn网络，样本矢量的维数与其神经元数目相等；模式层计算输入特征向量与训练集中各个模式的匹配关系，模式层神经元的个数等于各个类别训练样本数之和，该层每个模式单元的输出为：
式中，wi为输入层到模式层连接的权值δ为平滑因子，它对分类起着至关重要的作用。
每一类只有一个求和层单元，求和层单元只与属于自己的模式层连接，与其它单元的模式层没有连接。其输出与各类基于内核的概率密度的估计成比例，通过输出层的归一化处理，根据式(1)，求得故障模式的估计概率密度函数，得到各类的概率估计。
输出层主要由简单的阈值辨别器组成，将各个估计的概率密度中后验概率密度最大者作为整个系统的输出。输出层是一种竞争神经元，每个神经元与数据类型都是一一对应的，其个数与训练样本数据的个数相同，当神经元概率密度最大时，其输出值为1，即为待识别的样本模式类别，其它神经元的输出全为0，不是待识别的样本模式类别。
对于水轮发电机组这一复杂非线性系统，不同运行工况下，即使压力脉动信号相同，运转状态也不尽相同，现有基于信号处理的水轮发电机组故障诊断方法，仅仅依赖压力脉动信号进行故障模式识别，忽略水轮发电机组运行工况对压力脉动信号的影响，当将其应用在机组设备实际故障诊断中时，往往会导致故障诊断正确率低或者诊断失败，极大地制约了水轮发电机故障诊断理论与方法在实际工程中的应用。
为此，本实施方式将运行工况和压力脉动一同作为主要特征进行识别，本实施方式通过对历史数据进行计算，求得水轮机压力脉动的主要相关工况参数，将主要相关工况参数与压力脉动幅值进行特征融合形成融合特征向量，作为pnn网络的输入。
本实施方式将水轮机运行工况参数与压力脉动信号进行数据融合，使数据样本包含最大故障信息量，进而故障诊断的结果更精准；概率神经网络(pnn)可以根据大量的水轮机压力脉动数据样本，进行快速的训练并对运行状态做出正确的模式分类，准确率高，且具有较高泛化能力；
优选实施例中，本实施方式的s1中，水轮机的主要相关工况参数的获取方法，包括：
将水轮机运行工况和压力脉动信号一同作为特征进行识别，通过对历史数据进行互信息计算，并根据计算的互信息，求得水轮机各种工况参数对压力脉动信号影响的重要程度，进而求得水轮机的主要相关工况参数。
本实施方式将运行工况和压力脉动一同作为主要特征进行识别，通过对历史数据进行互信息计算，求得水轮机发电机组各种工况参数对压力脉动信号影响的重要程度，进而求得水轮机压力脉动的主要相关工况参数，将主要相关工况参数与压力脉动幅值进行特征融合形成融合特征向量，作为pnn网络的输入。
互信息是随机变量之间相关信息的量度，可以用于度量随机变量x和随机变量y概率密度的相关程度。它不仅可以表征两个随机变量之间线性相关性，也表征随机变量彼此之间的非线性相关关系。两个随机变量互信息计算公式可以表示为：
x表示第i个压力脉动信号，y表示j个工况参数，p(x,y)为随机变量x与随机变量y的联合概率密度函数，p(x)与p(y)分别为随机变量x与随机变量y的边缘概率密度函数。同理，可得多维变量的互信息。互信息i的取值范围为0到1，其值越接近与1，表明随机变量x和y的相关性越强，当i＝1，表明随机变量x和y完全相关，若i＝0时，表明随机变量x和随机变量y是完全独立。
为了度量不同工况参数对水轮机压力脉动的影响程度，采用公式如下:
式中，δi,j为水轮机第j个工况参数对第i个压力脉动信号的影响程度，j表示工况参数的数量，ii,j为水轮机第i个压力脉动信号与第j个工况参数之间的互信息；
优选实施例中，将每个压力脉动信号与所有工况参数之间的平均影响程度进行降序排序，计算水轮机振动变量的前n个工况参数的相关程度之和，当其大于设定值时，则认为前n个工况参数为对应振动变量的主要相关工况参数，即为待测水轮机的主要相关工况参数。
为研究水轮发电机组工况参数与压力脉动信号之间的制约关系，本实施方式选取某水电站的水轮发电机组作为研究对象，从历史监测数据选取2650组数据作为样本，相邻两个数据样本的时间间隔为30秒，每组数据样本包括9个振动变量和6个工况参数，分别计算9个振动变量与6个工况参数之间的互信息。由式(3)可计算获得水轮发电机组工况参数对不同压力脉动信号的影响程度，结果如表1所示。
表1水轮发电机组工况参数对压力脉动信号的影响程度
由表1可知，导叶开度和单位转速对压力脉动信号的影响程度最大，有功功率和叶轮转频的影响程度偏小，根据经验可知导叶开度和单位转速可作为主要相关工况参数。
为了提取对水轮发电机组压力脉动信号影响最为重要的工况参数，本实施方式将求取到的每个压力脉动信号与所有工况参数之间的平均影响程度进行降序排序，同时计算水轮发电机组振动变量的前n个工况参数的相关程度之和，当其大于0.8时，则认为第i个振动变量的前n个工况参数为第i个振动变量的主要相关工况参数，计算结果如表2所示。
表2平均影响程度
由表2可知，前四个工况参数的平均影响程度之和等于0.8248，大于0.8，因此水轮机压力脉动的主要相关工况参数依次为单位转速、导叶开度、单位流量、工作水头。
尾水管压力脉动引起的振动是混流式水轮机中最为常见的振源之一，尾水管涡带与水轮机发电机组运行工况密切相关，当水轮发电机组运行工况偏离最优工况时，尾水管进口处的旋转水流将会产生偏心涡带，引起机组振动，压力脉动幅值增大，进而效率下降。其中尾水管肘管内侧的压力脉动变化最为显著。参照iec标准，压力脉动的大小采用混频双振幅幅值(峰-峰值)表示，根据上述分析，构建水轮发电机组尾水管肘管内侧压力脉动融合特征向量，融合特征向量包括工作水头、单位转速、单位流量、导叶开度和尾水管肘管内侧混频双振幅幅值(峰-峰值)。
本实施方式利用pnn网络方法对水轮机运行状态进行诊断，首先，建立pnn网络的输入输出：任何神经网络建模中，选取的输入特征向量，必须能够正确地反映问题的特征。pnn模型故障特征的选择要使得故障特征样本包含最大故障信息量。本实施方式选取4种主要工况参数：即工作水头、单位转速、单位流量及导叶开度与压力脉动信号进行特征融合，作为pnn网络的输入，选用水轮机的运转状态作为pnn网络的输出，采用正常状态、警戒状态、报警状态和故障状态四种类别表示输出的运转状态，并分别用数字1，2，3，4来标定。
本实施方式采用对某水电站采集到的实测数据，构建60组样本，其数据类型为60×6维的矩阵，其中60行为60组不同运转状态的样本信息，前5列为主要相关工况参数和混频双振幅幅值(峰-峰值)，第6列为分类的输出，即运转状态的类别。为验证pnn网络模型的分类效果，把故障样本分为训练样本和测试样本。首先，按比例随机抽取其中40组样本作为训练输入样本；其次，构建的pnn网络模型，包括5个输入层(对应主要相关参数与混频双振幅幅值(峰-峰值))，20个模式层(20个测试样本)，4个输出层(对应4种故障状态，其中一种为正常状态)，中间层传递函数为径向基传递函数radbas，输出层传递函数为竞争传递函数compet；最后，为观测经pnn网络训练后的效果，将40组样本按从1～4的分类顺序进行排列，以此建立概率神经网络的故障诊断模型。
实验数据的处理与分析：
概率神经网络是一种适用于分类问题的径向基网络，本实施方式利用matlab仿真软件中的newpnn函数创建概率神经网络，其调用格式为:net＝newpnn(p，t，spead)。其中，p为输入向量；t为目标向量；spead为径向基函数密度，默认值为1.0，其值若取得过小，不能使径向基神经元对所有输入向量所覆盖的区间产生响应，若spead值过大，会导致网络计算上的困难。因此，实验过程中对spead多次取值并查看分类效果，最终确定spead值为1.1时，网络分类效果达到最优，即设定pnn网络模型中的spead值为1.1。
本实施方式选取60组数据样本，按比例随机抽取其中40组样本作为训练输入样本，其余20组样本作为预测样本进行实验，经pnn网络训练后，结果如图2所示。
由图2可见，预测值与真实值一致，没有样本错误，训练准确度达到100％。1-10样本预测的模式显示为第1类，表示水轮机运转状态处于正常状态；同理，11-20样本预测的模式显示为第2类，表示水轮机运转状态处于警戒状态；21-30样本预测的模式显示为第3类，表示水轮机运转状态处于报警状态；31-40样本预测的模式显示为第4类，表示水轮机运转状态处于故障状态。由此可见，40组数据样本训练后的结果与真实类别相同，所以预测正确。图2中随机抽取的40组训练样本经pnn神经网络的训练总时间为0.336372s，训练时间较快。
为了进一步检验pnn网络的外推性能，用图2中40组样本训练好的pnn模型对剩余20组样本进行分类预测，效果如图3所示。
由图3可见，1-5样本预测的模式类别为第1类，表示水轮机运转状态处于正常状态；同理，6-9样本预测的模式类别为第2类，表示水轮机运转状态处于警戒状态；11-15样本预测的模式类别为第3类，表示水轮机运转状态处于报警状态；16-20样本预测的模式类别为第4类，表示水轮机运转状态处于故障状态；由此可见，19组数据样本预测结果与与真实类别相同，所以预测正确。其中，第10组样本对应的特征向量为[1838.44310.414030.160107.1800]，其预测的模式类别为第1类，表示水轮机运转状态处于正常状态，而真实类别为第2类，水轮机运转状态处于警戒状态，所以预测错误。用预测样本进行验证的时候，只有1组样本即第10组样本判断错误，预测准确度达到95％。由此可见，pnn网络能适用于水轮机故障诊断。
实验所利用的这20组预测样本只是一个部分，可以利用训练好的pnn对水轮机运转的更多个压力脉动数据样本进行预测，实时监测水轮发电机组的运行状态，判断故障程度，避免因运转故障引起水轮机机体崩坏，对整个发电系统造成不可估计的影响，方便及时检修。
虽然在本实施方式中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本实施方式中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。