。支持向 量机在小样本的情况下依然能达到较高的诊断精度，且改进粒子群算法可以快速的对其参 数进行优化，从而获取最佳参数。本发明适合于水电机组振动故障的诊断，其诊断结果精度 较高，能够较为准确地诊断出机组的故障类型，为机组运行维护人员提供了可靠的诊断结 果，方便维护人员及时快速的处理故障，保障了机组运行的安全性以及经济性。
【附图说明】
[0035] 图1为本发明实施例提供的水电机组的振动故障诊断方法的实现流程图；
[0036] 图2为本发明中基于改进粒子群算法优化支持向量机模型的流程图；
[0037] 图3为本发明实施例水电机组尾水管无涡带时的压力脉动信号图；
[0038] 图4为本发明实施例中尾水管无涡带时第一段信号的随机共振去噪前后对比图；
[0039] 图5为实施例中尾水管故障的诊断结果图。
【具体实施方式】
[0040] 为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图和实施例，对 本发明进行进一步详细阐述。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0041] 图1示出了本发明实施例提供的水电机组的振动故障诊断方法的实现流程。
[0042] 本发明实施例水电机组的振动故障诊断方法按照如下步骤进行：
[0043] 步骤一，利用随机共振技术对采集到的原始振动信号进行去噪处理：由于水电机 组属于旋转机械，因此传感器采集到的振动信号往往含有大量的噪声和其他干扰信号，若 不及时处理，必然会影响故障诊断的准确性，而随机共振技术则能很好的解决这一问题。
[0044] 利用随机共振技术对采集到的原始振动信号进行去噪处理，按照如下方式进行：
[0045] 使用朗之万方程描述随机共振系统模型，如式（1)所示：
[0046]
[0047] 其中，f(x) =ax-bx3是一维非线性系统的动力学系统方程，a、b是该系统的参数， Sn(t)是该随机共振系统的输入，A为待测信号S(t) =ASin(2 3if0t)的幅值，n(t)为白噪 声，且n(t)满足统计平均E[n(t)] = 0和E[n(t)n(t-t)] = 2D5 (t)，D是噪声强度，t 为延迟时间；
[0048] 然后将采集到的水电机组振动信号分为若干段，将每一段振动信号输入到随机共 振系统模型中，采用龙格一库塔数值算法对式（1)进行求解，如式（2)所示，求得的解即为 随机共振系统的输出，亦即去噪后的振动信号：
[0049]
[0050] 其中n= 0, 1，2. ? ?，N-l，SjPx"分别表示输入Sn(t) =Asin(2JrfVt)+n(t)和输 出X(t)的第n个采样值，h为数值计算步长。
[0051] 步骤二，利用多维度排列熵技术对去噪后的振动信号进行特征向量的提取：排列 熵是一种描述一维时间序列复杂度的平均熵参数，它可以有效提取出信号的故障特征，反 应故障的发生时刻，且具有算法简单，计算速度快，对时间敏感等特点。多维度排列熵技术 是在排列熵的基础上提出的，即利用多个嵌入维数下的排列熵作为信号的特征向量。不同 故障的振动信号在不同嵌入维数下必然会表现出不同的复杂度，因而利用多维度排列熵表 征这些信号的复杂度时，也必然会得到较为全面的信号特征；
[0052] 利用多维度排列熵技术对去噪后的振动信号进行特征向量的提取按照如下步骤 进行：
[0053] a.对每一段去噪后的信号进行排列熵的求取；
[0054] 将每一段去噪后的信号通过排列熵算法进行排列熵的求取，时间序列X(i)的k种 不同符号序列的排列熵按照熵的形式定义为下式：
[0055] J-1
v.J )
[0056] 式中，P_j为每一种符号序列出现的概率，Hp(m)是该信号的排列熵值，参数m是排 列熵的嵌入维数，当Pj= 1/m!时，Hp(m)就达到最大值ln(m!)，用ln(m!)将Hp(m)进 行归一化处理，即
[0057] 0 ^HP=HP/ln(m! ) 1 (4);
[0058] b.改变排列熵的嵌入维数m，利用公式（4)分别求其在不同嵌入维数下的排列熵 值，即得到该段信号的多维度排列熵，亦即该段信号的特征向量；
[0059] 多维度排列熵的计算公式如下所示：
[0060] Hmpe= [HP1HP2 . . .HPi . . .HPn] (5)；
[0061] 其中，Hpl、Hp2、HP1、Hpn分别表示嵌入维数m取1、2、i、n时的排列熵值，HMPE为该段 信号的特征向量。
[0062] 步骤三，建立基于改进粒子群算法优化支持向量机的故障诊断模型：
[0063] 采用径向基函数作为支持向量机的核函数，其中，建立支持向量机故障诊断模型 所需要的参数有惩罚因子C和径向基核函数的宽度〇，在建立支持向量机故障诊断模型 时，利用改进粒子群算法的全局搜索能力，对支持向量机建模过程的参数(：和〇进行优化 调整，以构建诊断效果理想的优化支持向量机分类器。该模型建立的流程见图2。
[0064] 建立基于改进粒子群算法优化支持向量机的故障诊断模型时，首先从多组特征向 量中随机抽取若干组作为基于改进粒子群算法优化支持向量机模型的训练样本，剩余的即 为测试样本，利用训练样本中的每个特征向量获得一组支持向量机分类器的参数（C、〇) 组成一个粒子，从而组建粒子种群；对所获得的粒子群进行初始化，设定各种初始参数；利 用适应度函数计算各个粒子的适应度函数值；根据计算结果调整粒子的个体最优位置PjP 全局最优位置Pg;进行下一次迭代，对粒子状态进行更新，从而获得一组新的支持向量机分 类器的参数（C、〇 );当满足终止条件时，迭代结束，即获得最佳参数（C、〇 );将获得的最佳 参数（C、〇)带入到支持向量机模型中，S卩获得优化后的支持向量机故障诊断模型。
[0065] 步骤四，将提取的特征向量输入到基于改进粒子群算法优化支持向量机的模型中 进行故障诊断：
[0066] 利用训练样本对模型进行训练，然后再对测试样本进行诊断，从而实现故障的诊 断：首先将各类故障进行编号，即用数字标签1、2、3…分别表示故障的类型，以便简化诊断 过程，然后将训练样本输入优化后的支持向量机模型，利用支持向量机本身自带的训练算 法对模型进行训练，即该模型的一个自学习过程；训练完成后，将测试样本输入，该模型即 自动对测试样本的各类故障进行分类；若模型输出参数"testpre"结果为1，则判定该故障 为编号为1的故障，以此类推，即得到各类型故障的诊断结果，求取正确诊断的样本数占总 样本数的百分比，即得到该方法的诊断精度。
[0067] 下面结合附图及具体实施例对本发明的应用原理作进一步描述。
[0068] 本发明实施例将基于随机共振和多维度排列熵的振动故障诊断技术应用于黄河 上游某水电站的机组中。首先利用随机共振技术对原始信号进行去噪，然后通过多维度排 列熵技术提取其特征向量，最后将其作为基于改进粒子群算法优化的支持向量机模型的输 入，从而完成故障的诊断。具体实施如下：
[0069] 水电机组尾水管无涡带时的压力脉动信号如图3所示，采样频率为500Hz，采样点 数为2000。将该原始信号分为20段，每段100个点，对每一段进行去噪和特征向量的提取， 从而构成一个样本数据。第一段信号的随机共振去噪结果如图4所示，图4的