一种参数方差含零值的水电机组振动故障诊断算法的制作方法

本发明属于水电机组振动
技术领域：
，尤其涉及一种参数方差含零值的水电机组振动故障诊断算法，
背景技术：
：水电站机组的安全稳定运行，直接影响到电站和电网的安全稳定运行。导致水轮发电机组运行故障的振动故障，破坏力大且复杂。引起机组振动故障，除了机组本身旋转部分或固定部分的机械振动原因外，还有动水压力对电站引水系统、水轮机过流部件等影响的水力原因及发电机电磁力对机组振动影响的电磁原因。不仅组成系统整体的各部分之间相互影响，而且引起机组振动的各种故障类型间又相互影响和制约，使得单一故障可能由多种原因引发，或一种原因同时引发多种故障，这样，描述振动故障的特征指标繁多，差异性大且相互关联，因此难以在故障原因和故障特征参数之间建立单一对应关系，或者对各振动特征参数做简单的线性处理，都可能使诊断结论错误，这给水电机组故障诊断的研究带来了一定的困难。水电机组振动故障诊断，就是通过现场振动测试技术或者理论研究，或者二者结合的分析方法，从尽可能全面系统反映振动特征的故障特征参数及参数间关系，找到引起机组振动的故障类型或故障原因，为进一步的故障检修提供依据。目前的故障诊断算法有多重分类器、支持向量机、神经网络等算法为主，都需要足够多且有代表性的振动故障特征参数和故障类型构成诊断样本，尽可能全面表达振动特征才可能使诊断结果正确，需要编写复杂程序才能进行计算。为了简便准确地进行故障诊断，选取一定数量的振动类型和特征参数，通过理论分析，使繁杂的数据减少且携带足够多的原始数据信息，进而找到故障原因，主成分分析法在这方面就有很好的优势。主成分分析法是通过提取原始变量间相关信息，用较少个数的主成分代替原始参数，能够大大减少综合评判的工作量，对复杂大系统综合评判非常适用。传统的主成分分析法标准化初始数据后，协方差矩阵变成了相关系数矩阵，其主成分对原始变量间的相关程度有很强的依赖性，当变量间的相关程度较高时，其结果就较好，反之，所提取的主成分原始变量的有用的信息较少；主成分分析方法的标准化算法，使标准化矩阵的均值为0方差为1，将指标变异程度的差异性降低，使得到的主成分含有原始数据的信息损失较多；如果初始数据中存在方差为零的特征参数时，标准化处理将无法进行，使得整个计算无法完成；另外，主成分分析的综合评判函数就是主成分与其权重分配的线性综合，其结果对原始指标的通用性、规律性和容量都有很高的要求。技术实现要素：本发明的目的：提供一种参数方差含零值的水电机组振动故障诊断算法，针对故障特征参数含有方差为零值情况下的水电机组振动故障进行高效快速的诊断。本发明的技术方案：一种参数方差含零值的水电机组振动故障诊断算法，其特征在于，具体包括以下几个步骤：步骤一，在水电机组振动故障诊断中，假定由来自专家库中的l个振动故障类型构成的标准序列，和来自现场振动故障待诊断的n-l个故障样本构成的比较序列，这n个数据序列下的p个具有不同物理量的振动特征参数数值，构成初始数据矩阵x，初始数据矩阵x为n行p列，可表示为，x＝(xij)n×p，即i＝1,2，…，n；j＝1,2，…，p；通过归一化消除不同物理量，使初始数据矩阵中的数值同一为[0,1]间没有物理量的相对值，用n行p列矩阵y＝(yij)n×p表示，计算公式为其中，表示第j个参数在n个数据序列下的最优数值，表示第j个参数在n个数据序列下的最优数值，i＝1,2，…，n；j＝1,2，…，p；步骤二，归一化后的参数数据矩阵y＝(yij)n×p，采用均值化进行标准化处理其中，为矩阵y＝(yij)n×p的平均值，i＝1，2，…，n；j＝1，2，…，p；协方差矩阵计算公式为：其中，步骤三，从协方差矩阵r＝(rij)p×p出发，求取这p个振动特征参数的主成分向量，令|r-λip|＝0其中，λ是矩阵r的特征值，ip为p行p列对角线数值为1其他数值为0的矩阵，假定矩阵r有q(q≤p)个大于0的特征值λ1≥λ2≥…≥λq＞0，令ra＝λla其中，l＝1,2,…,q，a为矩阵r的正特征值对应的特征向量，向量构成的矩阵形式表示为a＝ap×q，则这n个数据序列下p个振动特征参数构成的n行p列初始数据矩阵x，用n行q列的主成分向量矩阵形式f＝fn×q表示，即主成分的个数为q个，向量维数为n，计算公式为：f＝fn×q＝(yij)n×pap×q其中，i＝1，2，…，n；j＝1，2，…，p；选取其中大于零的特征根对应的主成分，即为全部的主成分；每个主成分向量的方差贡献率为：其中，ωj为各主成分权值分配，j＝1，2，…，q；前m(m≤q)个主成分的累积方差贡献率用γ表示，计算公式为：其中，i＝1，2，…，m，j＝1，2，…，q；步骤四，主成分的灰关联度，具体计算步骤1)n行q列的主成分向量矩阵中，其中的l行q列数据为标准数据序列，表示为：fij(0)＝fij(0)其中，i＝1，2，…，l(l≤n)；j＝1，2，…，q；2)n行q列的主成分向量矩阵中，其中的n-l行q列数据为比较数据序列，表示为：fij(k)＝fij(k)其中，i＝1，2，…，n-l；j＝1，2，…，q；3)n-l个比较序列与l个标准序列之间的绝对差值构成的矩阵为：δij＝|fij(0)-fij(k)|4)求极大值和极小值和其中，δmax为矩阵δij中所有数值的最大值，δmin为矩阵δij中所有数值的最小值；5)灰关联度系数的计算公式为：其中，ξij为主成分标准序列fij(0)与主成分比较序列fij(k)间的关联度系数，ρ是分辨系数，取值区间为[0，1]，这里取ρ＝0.5；步骤五，主成分比较数据数列与标准数据数列间的加权关联度为：其中，ωj为第j个主成分的方差贡献率，即权重，i＝1，2，…，l；j＝1，2，…，q，mi最大值对应的故障类型即为诊断结果。本发明的有益效果：利用均值标准化初始数据，标准化矩阵的均值为1，保存了原始特征参数变异程度的差异性，使得到的主成分含有原始特征参数的有用信息增加；均值标准化对初始数据的方差是否为零没有要求；利用主成分的灰关联度进行故障诊断，其结果对故障类型和故障特征参数的通用性、规律性和容量没有严格的要求，不需要太多的特征参数数值就可以得到正确的结论，也不用编写复杂程序，计算简单方便。附图说明图1为本发明特征参数方差含零值的水轮发电机组振动故障诊断计算过程流程图；图2为本发明实施例所述水轮发电机组振动故障特征提取与故障诊断流程。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。如图1、2所示，本发明包括以下几个步骤：步骤一，在水电机组振动故障诊断中，假定由来自专家库中的l个振动故障类型构成的标准序列，和来自现场振动故障待诊断的n-l个故障样本构成的比较序列，这n个数据序列下的p个具有不同物理量的振动特征参数数值，构成初始数据矩阵x，初始数据矩阵x为n行p列，可表示为，x＝(xij)n×p，即i＝1,2，…，n；j＝1,2，…，p；通过归一化消除不同物理量，使初始数据矩阵中的数值同一为[0,1]间没有物理量的相对值，用n行p列矩阵y＝(yij)n×p表示，计算公式为其中，表示第j个参数在n个数据序列下的最优数值，表示第j个参数在n个数据序列下的最优数值，i＝1,2，…，n；j＝1,2，…，p；步骤二，归一化后的参数数据矩阵y＝(yij)n×p，采用均值化进行标准化处理其中，为矩阵y＝(yij)n×p的平均值，i＝1，2，…，n；j＝1，2，…，p；协方差矩阵计算公式为：其中，步骤三，从协方差矩阵r＝(rij)p×p出发，求取这p个振动特征参数的主成分向量，令|r-λip|＝0其中，λ是矩阵r的特征值，ip为p行p列对角线数值为1其他数值为0的矩阵，假定矩阵r有q(q≤p)个大于0的特征值λ1≥λ2≥…≥λq＞0，令ra＝λla其中，l＝1,2,…,q，a为矩阵r的正特征值对应的特征向量，向量构成的矩阵形式表示为a＝ap×q，则这n个数据序列下p个振动特征参数构成的n行p列初始数据矩阵x，用n行q列的主成分向量矩阵形式f＝fn×q表示，即主成分的个数为q个，向量维数为n，计算公式为：f＝fn×q＝(yij)n×pap×q其中，i＝1，2，…，n；j＝1，2，…，p；选取其中大于零的特征根对应的主成分，即为全部的主成分；每个主成分向量的方差贡献率为：其中，ωj为各主成分权值分配，j＝1，2，…，q；前m(m≤q)个主成分的累积方差贡献率用γ表示，计算公式为：其中，i＝1，2，…，m，j＝1，2，…，q；步骤四，主成分的灰关联度，具体计算步骤1)n行q列的主成分向量矩阵中，其中的l行q列数据为标准数据序列，表示为：fij(0)＝fij(0)其中，i＝1，2，…，l(l≤n)；j＝1，2，…，q；2)n行q列的主成分向量矩阵中，其中的n-l行q列数据为比较数据序列，表示为：fij(k)＝fij(k)其中，i＝1，2，…，n-l；j＝1，2，…，q；3)n-l个比较序列与l个标准序列之间的绝对差值构成的矩阵为：δij＝|fij(0)-fij(k)|4)求极大值和极小值和其中，δmax为矩阵δij中所有数值的最大值，δmin为矩阵δij中所有数值的最小值；5)灰关联度系数的计算公式为：其中，ξij为主成分标准序列fij(0)与主成分比较序列fij(k)间的关联度系数，ρ是分辨系数，取值区间为[0，1]，这里取ρ＝0.5；步骤五，主成分比较数据数列与标准数据数列间的加权关联度为：其中，ωj为第j个主成分的方差贡献率，即权重，i＝1，2，…，l；j＝1，2，…，q，mi最大值对应的故障类型即为诊断结果。为了进一步说明本发明，请参考附图。首先，归一化初始数据将其趋同化化处理，消除数据长度差异太大的问题，利用均值标准化得到到协方差矩阵，尽可能保留原始参数变异程度的差异性；其次，根据协方差矩阵的特征值和特征向量求出原始故障特征参数的主成分，按照一定标准拾取合适数量的主成分作为新的故障描述参数；最后，根据主成分的标准数据序列和比较数据序列，利用主成分的灰关联度系数和主成分的方差贡献率得到灰关联度，即可诊断出机组振动故障的原因。以下为进一步的对本发明进行解释和说明，列举具体的实施例进行说明，参见图1，一种参数方差含有零值的水电机组振动故障诊断计算方法,具体包括以下几个步骤：步骤一，这里给出一水轮发电机组振动故障特征参数提取与故障诊断流程可参见图2来自专家库的故障诊断类型集见表1，故障类型种类为n＝15,选取故障类型m1～m9和m15这10个故障类型，不需要所有的故障类型都考虑进来。之所有选取这十个，是根据比较样本m0的实测数据判断，故障与单倍转频、负荷、转速有关，且与转速的关系最大，判定与机械振动类型和电气故障关系较大。m1～m9和m15这10个故障类型，加上待诊断故障样本m0，则n＝11。故障特征参数集见表2，特征参数个数p＝15。10个故障类型，加上待诊断故障样本m0这n＝11下的故障特征参数数据，构成初始数据矩阵表示为x＝(xij)11×15，归一化后的矩阵为y＝(yij)11×15，归一化后的数据见表3。步骤二，归一化后的指标数据矩阵y＝(yij)11×15，采用均值化进行标准化处理：其中，为矩阵y＝(yij)11×15的平均值，i＝1，2，…，11；j＝1，2，…，15；协方差矩阵计算公式为：其中，步骤三，求取15个振动特征参数的主成分，令|r-λip|＝0得r有9个大于0的特征值，λ1＝23.1692，λ2＝13.0126，λ3＝12.2162，λ4＝12.1，λ5＝4.9992，λ6＝3.9117，λ7＝1.4105，λ8＝0.4089，λ9＝0.0319，令ra＝λla其中，l＝1,2,…,9得到正特征值对应的特征向量：a＝a15×9，则9个主成分为：这9个11维的主成分向量构成的矩阵f＝(fij)11×9，代替15个11维的初始数据矩阵x＝(xij)11×15进行接来下的灰关联度计算，进而进行机组的振动故障诊断。另外，主成分的方差贡献率为：如图所示，假定满足选取要求的主成分个数为m个，则前m个主成分的累积方差贡献率其中，j＝1，2，…，9，当m＝9时γ＝100％，选择不同的m值，代表选择不同个数的主成分，协方差矩阵的正的特征值λ，代表了各主成分含有原始参数数据信息的相对值，见图所示，m值越小，代表选择的主成分个数越少，则主成分含有原始参数数据信息值就越少，即信息损失量就越大。步骤四，主成分的灰关联度，具体计算步骤1)主成分的标准数据序列fij(0)＝fij(0)其中，i＝1，2，…，10；j＝1，2，…，9；2)主成分的比较数据序列fij(k)＝fij(k)其中，i＝1；j＝1，2，…，9；3)1个比较序列与10个标准序列第i个比较数列第j个参数的绝对差值为δij＝|fij(0)-fij(k)|i＝1，2，…，10；j＝1，2，…，9；4)求极大值和极小值和其中，i＝1，2，…，10；j＝1，2，…，9，δmax为矩阵δij数值的最大值，δmin为矩阵δij数值的最小值；5)灰关联度系数的计算公式为：其中，i＝1，2，…，10；j＝1，2，…，9，ξij为主成分标准序列fij(0)与主成分比较序列fij(k)间的关联度系数，ρ是分辨系数，取值区间为[0，1]，这里取ρ＝0.5；步骤五，主成分比较数据数列与标准数据数列间的加权关联度为其中，i＝1，2，…，10；j＝1，2，…，9，如果要求累积方差贡献率γ＝100％时，需要选择九个主成分，此时的比较序列与标准序列间的加权关联度为：mi＝[0.79720.71250.70320.70621.00000.90840.76740.69830.69830.7799]t其中，i＝1，2，…，10，如果要求累积方差贡献率γ≥90％时，选择五个主成分即可，此时比较序列与标准序列的加权灰关联度：mi＝[0.73770.62740.56590.75391.00000.94290.66370.60830.60830.7384]t其中，i＝1，2，…，10，不同选取标准的主成分加权灰关联度结果见图，蓝色为9个主成分的诊断结果，红色为5个主成分的诊断结果，诊断结果都是m5最大，即引起机组振动故障的原因是“止漏环间隙不均匀”造成的，表明前5个主成分含有原始参数绝大多数的信息。表1水轮发电机组振动故障诊断类型集序号故障序号故障m1转子质量偏心m9叶片出口卡门涡列m2转子弓形弯曲m10气蚀m3转子不对中m11定子铁芯铁片松动m4尾水管偏心涡动m12定子绕组匝间短路m5止漏环间隙不均匀m13定子膛内磁极不均匀m6转轮叶片型线不好m14定子椭圆度大m7转轮叶片断裂m15三相负荷不平衡m8转轮导叶或叶片开口不均m0待诊断样本表2水轮发电机组振动故障特征参数集序号征兆序号征兆s1(1/2～1/6)转频s9尾水压力脉动s21倍转频s10转速s32倍转频s11负荷s43倍转频s12流量s550hz或100s13励磁电压s6高频s14励磁电流s7(0.18～0.22)w1/ds15和磁极有关的频率s8导叶数×转频表3水轮发电机组振动故障特征值故障s1s2s3s4s5s6s7s8s9s10s11s12s13s14s15m10.001.000.000.000.000.000.000.000.000.000.001.000.000.000.00m20.001.000.800.000.000.000.000.000.000.000.001.000.000.000.00m30.000.801.000.800.000.000.000.000.001.000.001.000.000.000.00m41.000.000.000.000.000.000.000.001.001.000.000.000.000.000.00m50.001.000.000.000.000.000.000.000.001.001.000.000.000.000.00m60.001.000.000.000.000.000.000.000.000.001.000.000.000.000.00m70.000.000.000.000.000.800.000.000.001.000.000.000.000.000.00m80.000.000.000.000.000.000.001.000.000.001.000.000.000.000.00m90.000.000.000.000.000.001.000.000.000.001.000.000.000.000.00m150.001.000.001.000.000.000.000.000.000.000.000.000.000.000.00m00.000.950.000.000.000.000.000.000.001.000.950.000.000.000.00本发明利用均值标准化初始数据，对初始数据的方差是否为零没有要求，还保存了原始特征参数变异程度的差异性，使得到的主成分含有原始特征参数的有用信息增加；利用主成分的灰关联度进行诊断，其结果对故障样本的通用性、规律性和容量没有严格的要求，不需要太多的特征参数数值就可以得到正确的结论，也不用编写复杂程序，计算简单方便。当前第1页12