a显示出了 第一段信号在去噪处理前的情况，图4的a显示出了第一段信号在去噪处理后的情况。
[0070] 对以上经过随机共振技术去噪后的信号利用多维度排列熵技术进行特征向量的 提取，取多维度的维数为[3,4, 5,6, 7,8]。水电机组尾水管在有涡带和涡带严重这两种故障 情况下的尾水管压力脉动信号的特征向量提取与上述方法一样，在此不再余赘。提取的第 一段，第二段，第三段信号的特征向量见表1。其中cl，c2，c3分别为第一段，第二段，第三 段信号的特征向量，其余段信号的特征向量在此省略。
[0071] 表1尾水管压力脉动信号的特征向量
[0072]
[0073]
[0074] 将表1中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 训练。在不同故障下的特征向量中随机选取10组作为训练样本，剩余10组作为测试样本， 其诊断结果如图5所示。
[0075] 图5为尾水管故障的诊断结果图，图5的a、b、c分别是真实类别为无涡带、有涡 带和涡带严重时的诊断结果图，其中，图中的纵坐标测试样本类别1、2、3分别代表无涡带、 有涡带、涡带严重。由图5的a和c可以清楚地看到，在无涡带和涡带严重这两种情况下， 10组测试样本诊断均正确，故障诊断的正确率达到了 100%，在有涡带的故障情况下，如图 5的b可以看出，第5组测试样本诊断错误，被误分为涡带严重，诊断正确率为90%。综合 以上诊断结果，平均正确率达到了 96. 7%。
[0076] 仿真结果表明本发明的诊断精度较高，在水电机组中应用效果良好，为今后水电 机组的振动故障诊断提供了一种新的思路和手段；方便机组维护人员及时快速地解决故障 问题，提高了机组运行的安全性和经济性。
[0077] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精 神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种水电机组的振动故障诊断方法，其特征在于，包括w下步骤： 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； 步骤二，利用多维度排列赌技术对去噪后的振动信号进行特征向量的提取； 步骤=，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； 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。2. 根据权利要求1所述的一种水电机组的振动故障诊断方法，其特征在于，在步骤一 中，使用朗之万方程描述随机共振系统模型，如式（1)所示：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，S。(t) =Asin(2 3ifet)+n(t)是该随机共振系统的输入，A为待测信号s(t) =Asin(2 3ifet)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-i)] = 2D5 (t)，D 是噪声强度，T为延迟时间； 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；其中n = 0，l，2...，N-l，Sn和Xn分别表示输入Sn(t)=Asin(2 3Tf。t)+n(t)和输出X(t)的第n个采样值，h为数值计算步长。3. 根据权利要求1所述的一种水电机组的振动故障诊断方法，其特征在于，在步骤二 中，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： a.对每一段去噪后的信号进行排列赌的求取； 将每一段去噪后的信号通过排列赌算法进行排列赌的求取，时间序列X(i)的k种不同 符号序列的排列赌按照赌的形式定义为下式：式中，P,为每一种符号序列出现的概率，Hp(m)是该信号的排列赌值，参数m是排列赌 的嵌入维数，当Pj= 1/m!时，HP(m)就达到最大值In(m!)，用In(m!)将Hp(m)进行归 一化处理，即 0《Hp=Hp/ln(m!)《1 (4); b.改变排列赌的嵌入维数m，利用公式（4)分别求其在不同嵌入维数下的排列赌值，即 得到该段信号的多维度排列赌，亦即该段信号的特征向量； 多维度排列赌的计算公式如下所示： Hmpe-出P1Hp2 . . .Hpi. . .Hpn] 巧）； 其中，Hpi、Hp2、Hpi、Hp。分别表示嵌入维数m取1、2、i、n时的排列赌值，Hmpe为该段信号 的特征向量。4. 根据权利要求1所述的一种水电机组的振动故障诊断方法，其特征在于，在步骤= 中，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0，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捜索能力，对支持向量机建模过程的参数〇和0进行优化调整，W 构建诊断效果理想的优化支持向量机分类器； 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、0)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Pi和全局 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、0 );当满足终止条件时，迭代结束，即获得最佳参数（C、0 );将获得的最佳参数 (C、0)带入到支持向量机模型中，即获得优化后的支持向量机故障诊断模型。5. 根据权利要求1所述的一种水电机组的振动故障诊断方法，其特征在于，步骤四的 具体步骤如下： 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，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"tes化re"结果为1，则判定该故障为编号为1的故障，W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。
【专利摘要】本发明涉及一种水电机组的振动故障诊断方法，包括以下步骤：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；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；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；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。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。
【IPC分类】G06N3/00, G06F19/12, G01M7/02
【公开号】CN105004498
【申请号】CN201510401885
【发明人】贾嵘, 何洋洋, 党建, 董开松, 李臻, 沈渭程, 马喜平
【申请人】西安理工大学
【公开日】2015年10月28日
【申请日】2015年7月9日