一种基于信息融合技术的水电机组故障诊断方法与流程

本发明属于水电机组故障诊断
技术领域：
，涉及一种基于信息融合技术的水电机组故障诊断方法。
背景技术：
：水电机组(hgu)在运行过程中易受到水力、机械、电磁等因素的耦合影响，随着运行时间的累积，水电机组及其辅助设备难免会发生故障甚至失效，其故障通常以振动的形式表现出来；因此，准确提取振动信号的特征并正确识别其故障类型，对保证水电机组的安全稳定运行具有重要意义。近年来，随着人工智能技术的发展，多种智能诊断方法已应用于水电机组(hgu)的故障诊断中，如支持向量机(svm)、bp神经网络(bpnn)以及自组织映射神经网络(som)等；然而，支持向量机对缺失数据敏感；而bpnn具有收敛速度慢、处理复杂问题的能力差等缺陷；不同的初始条件对som网络的学习过程以及学习结果有着非常敏感的影响。基于此，研究者选择将人工智能与优化算法相结合进而诊断水电机组的振动故障。但由于算法运行的随机性，需要多次实验才能获得较满意的诊断结果。因此，选择适宜的优化算法是非常必要的。布谷鸟搜索(cs)是一种新颖的优化算法，鉴于其模型简单且易于实现，已被应用于不同的工程领域。研究表明，cs优于遗传算法(ga)和粒子群优化(pso)算法。然而，在原始cs算法中，步长因子对优化问题较敏感；对于不同的问题，它可以设置为1、0.1或0.01。显然，合理设置步长因子是一项挑战性工作。因此，需要对cs算法进行改进，以提高其优化性能。此外，bp神经网络的诊断性能受初始权阈值参数设置的影响严重，其求解复杂非线性问题时易出现过拟合。技术实现要素：本发明的目的是提供一种基于信息融合技术的水电机组故障诊断方法，解决了现有技术中存在的cs算法与bp神经网络融合的智能诊断方法适应性差、步长因子对优化问题敏感以及bp神经网络求解复杂非线性问题能力差的问题。本发明所采用的技术方案是，一种基于信息融合技术的水电机组故障诊断方法，具体按照以下步骤实施：步骤1、采用至少一组加速度传感器来收集水电机组振动故障的信息，并提取出特征参数；步骤2、将特征参数划分为训练数据和测试数据，训练数据用于构建神经网络模型，测试数据用于验证神经网络模型的诊断性能；步骤3、建立至少两个基于改进布谷鸟搜索算法优化bp神经网络的初级诊断模型，获取基本概率赋值；步骤4、采用证据理论的合成规则对基本概率赋值进行信息融合，得出所述水电机组振动故障的诊断结论。本发明的特点还在于：步骤1中，振动故障的类型分为：转子不平衡、转子不对中和尾水管偏心涡带，上述三种类型构成了振动故障的识别框架，特征参数为振动信号频谱分量的幅值：<0.5f0、f0、2f0、3f0、>3f0，其中，f0为基频；步骤3中，建立基于改进布谷鸟搜索算法优化bp神经网络的初级诊断模型，具体按照以下步骤实施：步骤3.1、构建bp神经网络模型，对以下参数进行初始化：训练步数、学习率、学习目标以及隐含层神经元个数，并确定转移函数与训练函数；步骤3.2、初始化改进布谷鸟搜索算法，初始化参数包括：种群规模n、最大迭代次数tmax、发现概率pa以及刻度因子α0；步骤3.3、生成初始解xi(i＝1,2,…,n)，计算其适应度f(xi)；步骤3.4、记录最优解xbest及其适应度fbest；步骤3.5、若当前迭代次数t＜tmax，搜索最优解，且每次循环后，迭代次数加1；否则跳转至步骤3.12；步骤3.6、计算步长因子；步骤3.7、采用levy飞行策略生成新解；步骤3.8、计算新解的适应度，若新解优于当前解，则用新解替换当前解；否则保留当前解；步骤3.9、采用偏好随机行走再次生成新解；步骤3.10、计算新解的适应度，若新解优于当前解，则用新解替换当前解；步骤3.11、记录最佳适应度及最优解；步骤3.12、将最优解作为bp神经网络的权阈值参数；步骤3.13、采用改进布谷鸟搜索算法优化的bp神经网络对水电机组振动故障进行诊断，并将诊断结果进行归一化处理后作为证据理论的基本概率赋值。步骤3.1中，bp神经网络选择具有三层拓扑的网络结构；转移函数选择tansig和logsig；训练函数选择trainlm函数。步骤3.6中，步长因子的计算规则表示为：式(1)中，favg为种群的平均适应度，a0为刻度因子。步骤3.7中，levy飞行策略表示为：式(2)和(3)中，ui与xi分别为新解和当前解；表示点乘积；z和v为两个服从正态分布的随机数；β为分布参数。步骤3.9中，偏好随机行走表示为：式(4)中，r和rand为两个服从均匀分布的随机数；pa为发现概率；xm和xn为两个随机解。步骤4中，证据理论的合成规则描述为：式(5)和(6)中，m1(ai)与m2(bj)分别为命题ai和bj的基本概率赋值；k的大小表示证据间的冲突强度。本发明的有益效果是：根据种群的适应度值，来自适应地调整步长因子，进而提高了布谷鸟搜索算法的搜索能力和优化效率；用所改进的布谷鸟搜索算法来寻找bp神经网络的最优参数，进而得到一个具有良好性能的诊断模型；将三个改进布谷鸟搜索算法优化的bp神经网络模型分别用于水电机组的振动故障诊断中，并对诊断结果进行归一化处理以得到基本概率分配值，实现了基本概率赋值的客观化；采用证据理论来产生最终的诊断结论，有效提高了水电机组故障诊断的准确性。附图说明图1是本发明一种基于信息融合技术的水电机组故障诊断方法的流程图；图2是本发明一种基于信息融合技术的水电机组故障诊断方法的系统框图；图3是本发明改进布谷鸟搜索算法优化bp神经网络(mcsbp)与csbp、acsbp、bcsbp以及vcsbp的适应度收敛曲线图。具体实施方式下面结合附图和具体实施方式对本发明进行详细说明。本发明根据种群适应度值来自适应地调整步长因子，提出了一种适应性强的改进cs算法；为了提高bp神经网络求解复杂非线性问题的能力，采用改进cs算法来寻找bp神经网络的最优参数；本发明将优化后的bp神经网络作为水电机组的初级故障诊断模型，得出基本概率分配值，随之采用证据理论进行信息融合决策，最终实现了水电机组故障的智能诊断。如图1所示，本发明一种基于信息融合技术的水电机组故障诊断方法，具体按照以下步骤实施：步骤1、采用至少一组加速度传感器来收集水电机组振动故障的信息，并提取出特征参数；其中，振动故障的类型分为：转子不平衡、转子不对中和尾水管偏心涡带，上述三种类型构成了振动故障的识别框架；特征参数为振动信号频谱分量的幅值：<0.5f0、f0、2f0、3f0、>3f0，其中f0为基频；步骤2、将特征参数划分为训练数据和测试数据，训练数据用于构建神经网络模型，测试数据用于验证神经网络模型的诊断性能；步骤3、建立至少两个基于改进布谷鸟搜索算法优化bp神经网络的初级诊断模型，获取基本概率赋值；其中，建立基于改进布谷鸟搜索算法优化bp神经网络的初级诊断模型，具体按照以下步骤实施：步骤3.1、构建bp神经网络模型，对以下参数进行初始化：训练步数、学习率、学习目标以及隐含层神经元个数，并确定转移函数与训练函数；其中，bp神经网络为三层拓扑的网络；转移函数选择tansig和logsig；训练函数选择trainlm函数。步骤3.2、初始化改进布谷鸟搜索算法，初始化参数包括：种群规模n、最大迭代次数tmax、发现概率pa以及刻度因子α0；步骤3.3、生成初始解xi(i＝1,2,…,n)，计算其适应度f(xi)；步骤3.4、记录最优解xbest及其适应度fbest；步骤3.5、若当前迭代次数t＜tmax，搜索最优解，且每次循环后，迭代次数加1；否则跳转至步骤3.12；步骤3.6、计算步长因子；其中，步长因子的计算规则表示为：式(1)中，favg为种群的平均适应度，a0为刻度因子。步骤3.7、采用levy飞行策略生成新解；其中，levy飞行策略表示为：式(2)和(3)中，ui与xi分别为新解和当前解；表示点乘积；z和v为两个服从正态分布的随机数；β为分布参数，通常设为1.5。步骤3.8、计算新解的适应度，若新解优于当前解，则用新解替换当前解；否则保留当前解；步骤3.9、采用偏好随机行走再次生成新解；其中，偏好随机行走表示为：式(4)中，r和rand为两个服从均匀分布的随机数；pa为发现概率；xm和xn为两个随机解。步骤3.10、计算新解的适应度，若新解优于当前解，则用新解替换当前解；步骤3.11、记录最佳适应度及最优解；步骤3.12、将最优解作为bp神经网络的权阈值参数；步骤3.13、采用改进布谷鸟搜索算法优化的bp神经网络对所述水电机组振动故障进行诊断，并将诊断结果进行归一化处理后作为证据理论的基本概率赋值。步骤4、采用证据理论的合成规则对所述基本概率赋值进行信息融合，得出所述水电机组振动故障的诊断结论；其中，证据理论的合成规则描述为：式(5)和(6)中，m1(ai)与m2(bj)分别为命题ai和bj的基本概率赋值；k的大小表示证据间的冲突强度。为了验证本发明一种基于信息融合技术的水电机组故障诊断方法的有效性，将具有代表性的水电机组振动故障：转子不平衡、转子不对中和尾水管偏心涡带，作为诊断的故障类型；3种故障模式分别用向量[100]、[010]和[001]对应表示，将振动信号频谱分量的幅值作为特征向量，包括：0.5f0、f0、2f0、3f0和＞3f0(f0为基频)，采用三个改进布谷鸟搜索优化bp神经网络作为诊断的初级模型，简记为mcsbp1、mcsbp2和mcsbp3，最后采用证据理论进行最终的信息融合，该混合方法简记为mcsbp-ds模型。系统框图如图2所示。在上述初级诊断模型中，选定30组测试样本；控制参数和函数的设置分别如下：bp神经网络的拓扑结构为5-10-4，从输入层到输出层的转移函数是tansig和logsig，训练函数为trainlm，训练次数为5000，收敛因子为0.001；改进的布谷鸟搜索算法的参数设置如下：种群规模设为30，最大迭代次数为300，发现概率为0.25，刻度因子为0.2。为了验证mcsbp算法的竞争力，将布谷鸟搜索训练bp神经网络(csbp)、自适应布谷鸟搜索训练bp网络(acsbp)、具有贝塔分布的布谷鸟搜索训练bp网络(bcsbp)和变刻度布谷鸟搜索训练bp网络(vcsbp)用来诊断水电机组振动故障，其适应度收敛曲线如图3所示。本发明采用证据理论进行信息融合决策。首先，根据3个mcsbp模型所提供的初级诊断结果，归一化后得到基本概率赋值；然后，利用证据理论强大的信息融合能力，将这些基本概率赋值进行融合以实施最终决策。表1给出了四种方案的基本概率赋值；表2给出了四种方案诊断准确率的统计结果。表1基本概率赋值表2诊断准确率的统计结果方法mcsbp1mcsbp2mcsbp3mcsbp-ds准确率/％83.376.776.786.7从表2可以看出，mcsbp-ds获得的诊断准确率为86.7％。显然，mcsbp-ds具有较强的鲁棒性和容错性，从而验证了本发明一种基于信息融合技术的水电机组故障诊断方法的有效性。当前第1页12