一种水轮机转动轴故障监测方法与流程

本发明涉及水轮机转动轴故障监测
技术领域：
，具体涉及基于fvmd的多尺度排列熵和oblbsa-fcm模糊聚类的水轮机转动轴故障监测方法。
背景技术：
：随着工业化生产逐渐扩大，各个行业对能源需求(尤其是对电力需求)日趋旺盛，水力发电作为一种可再生能源而得到迅速发展。水力发电最主要的机器设备是水轮机。随着水电工程建设的高速发展，水轮机组容量和尺寸在逐步增大，转速也相应提高，机组运行的自动化程度越来越高。无人值班、少人值守、远程控制的水电厂日益增多，使得机组运行稳定性的研究得到各国的广泛关注。由于机组的长期振动而导致机组部件的材料疲劳甚至遭到破坏，严重影响机组的安全运行和发电效益。机组运行时流体力、机械力及电磁力三者是相互影响的，而水力为机组的直接动力源，对机组振动具有非常大的影响。水轮机组在某些工况下运行时，因水流力作用会引起转轮、叶片、尾水管、管道等振动并生成噪音。所以，确定水力如何影响水电机组振动十分重要。目前，振动信号处理技术不断发展，若将目前先进的测试技术及信号分析方法用于滚动轴承、齿轮等易损零部件的故障诊断及水轮机运行状态监测将具有非常重要的意义。已有的振动信号分析方法有小波奇异性检测、自组织映射法、emd和小波包等。这些方法大多是基于线性理论。然而，研究表明，轴承切换过程中的振动信号表现出明显的非线性。因此，将振动信号假设为平稳或分段平稳信号进行时频分析的方法，其分析效果不是很明显。此外，现有技术中的水轮机转动轴故障监测方法，还存在诊断分析复杂，占用处理资源较多，并且识别率不高的缺陷。因此迫切需要有效的方法来对水轮机转动轴故障进行监测、诊断和分析。技术实现要素：为解决现有技术中的不足，本发明提出了一种水轮机转动轴故障监测方法，该方法故障特征明显，结果简单，可操性强。具体而言，针对现有技术中水轮机转动轴故障监测方法的缺点，本发明提出一种基于fvmd(fastvariationalmodedecomposition，fvmd)的多尺度排列熵和oblbsa-fcm模糊聚类的水轮机转动轴故障监测方法，同时针对传统bsa(birdswarmalgorithm)容易陷入局部最优的缺陷，将反响学习策略方法引入故障监测方法中，该方法被称为oblbsa(opposition-basedlearningbirdswarmalgorithm)。首先，利用方法在保留vmd算法中拉格朗日乘法算子λ更新的同时，通过引入迭代算子对λ进行二次更新。将多尺度排列熵作为特征量，并将其作为oblbsa-fcm输入，与传统fcm做对比。结果表明，本发明的方法能够有效地提取水轮机转动轴故障特征。为了实现上述目标，本发明采用如下技术方案：一种水轮机转动轴故障监测方法，其特征在于：包括以下步骤：(1)通过加速度传感器对水轮机转动轴正常状态下的振动信号、故障状态下的振动信号进行采集和载入，并对采集和载入的振动信号做预处理；(2)针对采集、载入和预处理的水轮机的信号，采用fvmd进行分解，首先进行vmd，然后在vmd基础上引入快速迭代；(3)获得多尺度排列熵；(4)利用oblbsa对fcm的初始聚类中心进行优化，其中利用oblbsa-fcm确定已知故障样本的标准聚类中心，基于上述步骤产生的并且经提取的多尺度排列熵，由择近原则计算待识别故障样本与标准聚类中心的距离，判定水轮机转动轴的故障状态。根据本发明的一个实施例，步骤(2)进一步包括：vmd使每个模态的估计带宽之和最小，其产生的约束变分如下：式中，uk＝{u1,u2,…,uk}为各模态函数集；ωk＝{ω1,ω2,…,ωk}为各中心频率集；是对函数求时间t的偏导数；δ(t)为单位脉冲函数；j为虚数单位；*表示卷积；k表示模态分量个数。寻求k个估计带宽之和最小的模态函数uk(t)，模态之和为输入信号f(t)；为了解决上述约束最优化问题，引入拉格朗日函数λ；根据本发明的一个实施例，步骤(2)进一步包括：通过交替方向乘数法迭代更新得uk、ωk及λ，得到变分模型的最优解，从而将信号分解为预先设定的k个模态分量，fvmd的具体步骤如下所示：(a)初始化和n＝0，t0＝1；(b)在频域内中迭代更新其中α为二次惩罚因子；(c)迭代更新ωk：(d)根据下式第一次更新参数式中，τ为噪声容量参数，为拉格朗日乘法算子λ在频域内的第n次迭代；(e)根据下式更新迭代算子tn+1：式中，tn为第n次迭代算子；(f)采用下式二次迭代式中，为迭代步长；(g)若满足以下迭代停止条件：执行步骤(h)，否则执行步骤(b)；其中ε为判别精度并且ε>0；(h)输出分解结果。根据本发明的一个实施例，步骤(3)中获得多尺度排列熵的步骤包括：(a)对时间序列[x(i),i＝1,2,…,n]进行粗粒化处理，得到粗粒化序列式中，s为尺度因子，n为时间序列长度，[n/s]表示对[n/s]取整；(b)对每个粗粒化序列进行相空间重构：式中l为重构分量的序号，其中l＝1,2,…,n-(m-1)τ；m为嵌入维数，τ为延迟时间；(c)将重构分量按升序排列，可得到符号序列s(r)＝(j1,j2,…,jm)；其中，r＝1,2,…,r,且r≤m！，r表示重构分量的个数；计算每一种符号序列出现的概率pr；(d)根据下式计算每个粗粒化序列的排列熵并进行归一化处理，进而得到多尺度排列熵值：通常将hp(m)进行归一化处理，即：hp值的大小表示时间序列x(i),i＝1,2,…,n的随机程度。根据本发明的一个实施例，步骤(4)进一步包括：计算待识别故障样本t和第i个状态ci的海明贴近度n(c,t)，海明贴近度的计算如下所示：其中贴近度大于第一阈值为第一类，小于第一阈值为故障。根据本发明的一个实施例，步骤(4)中，所述第一类为正常，所述第二类为故障。根据本发明的一个实施例，步骤(4)中，贴近度大于第一阈值为第一类；小于第一阈值且不小于0.01时为故障；贴近度小于0.01时，为无法识别或错分。根据本发明的一个实施例，步骤(4)替代地为：取分类得到的2个聚类中心作为标准聚类中心，通过计算待识别样本的特征矢量与标准聚类中心的欧几里德贴近度判断故障类型。根据本发明的一个实施例，所述故障为滚动体故障。本发明能够获得如下有益技术效果：1.本发明采用基于fvmd的多尺度排列熵和oblbsa-fcm模糊聚类的水轮机转动轴故障监测方法，相比较与其他方法，该方法简便易行，算法简单；2.本发明在水轮机方面转转动轴方面的应用，相较于传统fcm，识别率明显提高。附图说明图1是根据本发明一种水轮机转动轴故障监测方法的流程图。图2是根据本发明的基于oblbsa的监测方法性能与其他方法的对比图。具体实施方式下面结合附图对本发明做进一步描述。以下实施案例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。图1是根据本发明一种水轮机转动轴故障监测方法的流程图，所述的水轮机转动轴故障监测方法包括以下步骤：载入水轮机转动轴的原始信号；初始化参数；进行fvmd信号分解；计算多尺度排列熵特征量；将特征量带入oblbsa-fcm标准化聚类中心；根据贴近度特征量分类计算水轮机转动轴故障类精度。作为优选实施例，本发明的水轮机转动轴故障监测方法具体步骤如下：(1)通过加速度传感器对水轮机转动轴正常状态下的振动信号、故障状态下的振动信号进行采集和载入，并对采集和载入的振动信号做预处理；(2)针对采集、载入和预处理的水轮机的信号，采用fvmd进行分解，首先进行vmd，然后在vmd基础上引入快速迭代；其中vmd使每个模态的估计带宽之和最小，其产生的约束变分如下：式中，uk＝{u1,u2,…,uk}为各模态函数集；ωk＝{ω1,ω2,…,ωk}为各中心频率集；是对函数求时间t的偏导数；δ(t)为单位脉冲函数；j为虚数单位；*表示卷积；k表示模态分量个数。寻求k个估计带宽之和最小的模态函数uk(t)，模态之和为输入信号f(t)。为了解决上述约束最优化问题，引入拉格朗日函数λ。通过交替方向乘数法迭代更新得uk、ωk及λ，得到变分模型的最优解，从而将信号分解为预先设定的k个模态分量，fvmd的具体步骤如下所示：(a)初始化和n＝0，t0＝1；(b)在频域内中迭代更新其中α为二次惩罚因子；(c)迭代更新ωk：(d)根据下式第一次更新参数式中，τ为噪声容量参数，为拉格朗日乘法算子λ在频域内的第n次迭代；(e)根据下式更新迭代算子tn+1：式中，tn为第n次迭代算子；(f)采用下式二次迭代式中，为迭代步长；(g)若满足以下迭代停止条件：执行步骤(h)，否则执行步骤(b)；其中ε为判别精度并且ε>0；(h)输出分解结果；(3)多尺度排列熵的具体步骤如下所示：(a)对时间序列[x(i),i＝1,2,…,n]进行粗粒化处理，得到粗粒化序列式中，s为尺度因子，n为时间序列长度，[n/s]表示对[n/s]取整；(b)对每个粗粒化序列进行相空间重构：式中l为重构分量的序号，其中l＝1,2,…,n-(m-1)τ；m为嵌入维数，τ为延迟时间；(c)将重构分量按升序排列，可得到符号序列s(r)＝(j1,j2,…,jm)；其中，r＝1,2,…,r,且r≤m！，r表示重构分量的个数；计算每一种符号序列出现的概率pr；(d)根据下式计算每个粗粒化序列的排列熵并进行归一化处理，进而得到多尺度排列熵值：通常将hp(m)进行归一化处理，即：hp值的大小表示时间序列x(i),i＝1,2,…,n的随机程度；(4)利用oblbsa对fcm(fuzzyc-means)的初始聚类中心进行优化，其中利用oblbsa-fcm确定已知故障样本的标准聚类中心，基于上述步骤产生的并且经提取的多尺度排列熵，由择近原则计算待识别故障样本与标准聚类中心的距离，将正常的设置为1，滚动体故障为2。其中计算待识别故障样本t和第i个状态ci的海明贴近度n(c,t)，海明贴近度的计算如下所示：其中贴近度大于第一阈值为第一类，小于第一阈值为故障。优选的，所述第一类为正常，所述第二类为故障。优选的，贴近度大于第一阈值为第一类；小于第一阈值且不小于0.01时为故障；贴近度小于0.01时，为无法识别或错分。作为替代实施例，取分类得到的2个聚类中心作为标准聚类中心，通过计算待识别样本的特征矢量与标准聚类中心的欧几里德贴近度判断故障类型。图2是根据本发明的基于oblbsa的监测方法性能与传统的其他方法的对比图。从中可以看出，不同故障类型之间区分明显，说明本发明的故障诊断方法具有很好的分类识别效果。本发明的方法中，其中在步骤(4)中采用分类成功率v进行评价，如下式所示：式中，ac表示运行10次标准fcm，成功得到聚类中心的次数。如果落在上述得到的2个标准聚类中心，则说明是成功的，反之是失败。根据本发明的优选实施例，其中在步骤(4)中，oblbsa对fcm的初始聚类中心操作之前，按照实验次数提取样本进行训练，其中80％作为训练样本，另外20％作为测试样本。根据本发明的一个具体实施例，对某水电站的水轮机进行故障诊断。对正常和转动轴故障进行监测，抽取滚动轴承的正常、动体故障2种状态下，各40组数据，其中，每组数据截取2048个采样点，前20组数据作为已知故障样本，求取已知故障的标准聚类中心，后20组数据作为待识别样本，通过贴近度计算进行故障识别，由表1中可以看出，基于oblbsa-fcm优化fcm，可以有效地识别出故障类型。表1工况oblbsa-fcm传统的其它fcm水轮机转动轴正常100％70.54％水轮机转动轴故障98.5％70.2％最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。当前第1页1 2 3