本发明涉及船舶电力系统故障诊断领域,具体涉及一种基于小波分析的船舶电力驱动系统故障诊断方法。
背景技术:
电力驱动由于其可扩展性和操作条件的广泛性在运载工具如电动船舶、汽车和水下船舶等领域中广泛应用。然而,与大多数电气系统一样,电力驱动系统易出现部件故障,这可能会降低其性能,降低效率,并且需要昂贵的维护。因此需要对严重故障如转子断条以及电气相故障等进行自动早期诊断,国内外对于故障诊断方法已经做了一些研究,有学者提出电机电流特征分析的故障诊断技术,还有些学者提出时域方法如基于观测器的残差计算方法以及基于神经网络故障检测方法,频域方法如快速傅立叶变换方法;然而,由于基于快速傅立叶的方法在一般的操作条件下是不够的,最近有学者提出小波变换的方法,然而在小波域局部区域隐藏了与故障分类问题相关的信息,某些区域可能包含有用的信息,有助于更好地分离类;而其他区域可能对类分离没有用,使用对于分离故障没有用的信息实际上会降低任何已知分类器的性能。因此,在理解小波变换的整个二维域是否对电机诊断有必要时,存在着一个空白。
技术实现要素:
本发明针对船舶电力驱动系统故障诊断方法,提出了一种基于小波分析的船舶电力驱动系统故障诊断方法。利用传感器数据的尺度转换以及小波变换来过滤最佳的信息丰富的区域,使故障类别分离最大化,然后利用这些区域的数据进行特征提取,并用于分类器训练进行故障诊断,该方法包括以下步骤:
步骤一、对当前数据进行小波分析
对于在任何l2(r)空间中的时域信号f(t),信号可以通过使用一族正交小波函数展开,如:
其中ψ(t)是母小波,s=1,2......和τ=1,2...........分别是缩放和平移参数,[wψf](s,τ)是信号f(t)的小波变换;
步骤二、小波域的划分
根据当前数据计算小波变换,二维小波域被分割成一系列区域,设a∈n+和b∈n+分别是小波域尺度和平移轴的分割数,这样mmoda=0和nmodb=0,然后块的总数等于ab,每个块的大小为
wi,j=[wψf](si,tj)(2)
其中
是包含单元格(i,j)中的点索引的子集,它们分别沿着刻度和平移轴;
此外,为了方便起见,让单元格的索引代表单个参数θ=(i-1)b+j;
步骤三、最佳单元过滤
首先,c0={c1,........,cn}表示所有类的集合,然后选择任何cα∈c0,α∈{1,.....n}的类,定义一个集合
在排序过程中,任取单元θ∈{1,....,ab},根据方程(4),当分别生成cα∈c0类和
然后,单元θ∈{1,....,ab}分离类对cα和cβ的作用通过概率分布
其中,θk∈{1,....,ab},这也定义了单元的等级,rank(θ1)≥rank(θ2)≥......≥rank(θab),因此单元产生的距离越高,其排名越高,然后得到可以最大程度地分离cα类和cβ类的最高等级的单元集合
同样,上述过程包括方程(5)-(7)对每个其他类
最优单元的数量用
步骤四、数据缩减分类
用主成分分析法进行数据压缩和特征提取,将来自每个cα类的η个最优单元的数据放入矩阵
(1)计算矩阵xcα的协方差矩阵∑,并且在i=1,2......η处获得左特征值{λi}和相应的特征向量{ei},
(2)对特征值进行排序并选择q<η最大的主特征值,
(3)使用对应于最大特征值的q个特征向量,获得变换矩阵γ,其使用下面的公式(9)将数据组
特征向量
步骤五、使用诊断树进行故障分类
在树的等级l处分离最佳类别φl∈cl-1,其中l=1,....,n-1,首先,计算每个类别cα∈cl-1的总可分性度量
那么,在等级l分离的最佳类别是
级别l的输出集组成级别l+1的输入类集
cl={cl-1\φl}(12)
在树的每一层,使用方程(11),并使用步骤四中描述的方法从该类的最优单元中提取特征,随后,在每个级别构建一个分类器来分离最佳类别与其他类别。
本发明具有如下效果和优点:
利用传感器数据的尺度转换以及小波变换来过滤最佳的信息丰富的区域,使故障类别分离最大化,然后利用这些区域的数据进行特征提取,并用于分类器训练进行故障诊断,这样可以提高诊断的准确性,降低分类器的计算复杂度。与现有技术相比,具有较高的正确分类率,误报率低,漏检率低。
具体实施方式
步骤一、对当前数据进行小波分析
对于在任何l2(r)空间中的时域信号f(t),信号可以通过使用一族正交小波函数展开,如:
其中ψ(t)是母小波,s=1,2......和τ=1,2...........分别是缩放和平移参数,[wψf](s,τ)是信号f(t)的小波变换;
步骤二、小波域的划分
根据当前数据计算小波变换,二维小波域被分割成一系列区域,设a∈n+和b∈n+分别是小波域尺度和平移轴的分割数,这样mmoda=0和nmodb=0,然后块的总数等于ab,每个块的大小为
wi,j=[wψf](si,tj)(2)
其中
是包含单元格(i,j)中的点索引的子集,它们分别沿着刻度和平移轴;
此外,为了方便起见,让单元格的索引代表单个参数
步骤三、最佳单元过滤
首先,c0={c1,........,cn}表示所有类的集合,然后选择任何cα∈c0,α∈{1,.....n}的类,定义一个集合
在排序过程中,任取单元θ∈{1,....,ab},根据方程(4),当分别生成cα∈c0类和
然后,单元θ∈{1,....,ab}分离类对cα和cβ的作用通过概率分布
以这种方式,为所有单元θ∈{1,....,ab}计算距离,
其中,θk∈{1,....,ab},这也定义了单元的等级,rank(θ1)≥rank(θ2)≥......≥rank(θab),因此单元产生的距离越高,其排名越高,然后得到可以最大程度地分离cα类和cβ类的最高等级的单元集合
同样,上述过程包括方程(5)-(7)对每个其他类
最优单元的数量用
步骤四、数据缩减分类
用主成分分析法进行数据压缩和特征提取,将来自每个cα类的η个最优单元的数据放入矩阵
(1)计算矩阵
(2)对特征值进行排序并选择q<η最大的主特征值,
(3)使用对应于最大特征值的q个特征向量,获得变换矩阵γ,其使用下面的公式(9)将数据组
特征向量
步骤五、使用诊断树进行故障分类
在树的等级l处分离最佳类别φl∈cl-1,其中l=1,....,n-1,首先,计算每个类别cα∈cl-1的总可分性度量
那么,在等级l分离的最佳类别是
级别l的输出集组成级别l+1的输入类集
cl={cl-1\φl}(12)
在树的每一层,使用方程(11),并使用步骤四中描述的方法从该类的最优单元中提取特征,随后,在每个级别构建一个分类器来分离最佳类别与其他类别。