一种基于PCA-VMD的水轮发电机组特征提取与故障预警方法与流程

本发明涉及水轮发电机组故障预警，具体为一种基于pca-vmd的水轮发电机组特征提取与故障预警方法。

背景技术：

1、水轮发电机组作为水电站的核心设备，其运行的稳定性直接影响到水电站的安全稳定。水轮发电机组一般采用定期检修的方式，存在检修针对性不强，检修的时间与频次不匹配的问题，造成大量的人力物力浪费，检修效果不明显。

2、水轮发电机组的运行稳定主要由机组振动的信号体现，水轮发电机组80％的故障都和机组的振动有关。水轮发电机组在运行过程中受机械、水力和电磁等因素的多重干扰，其振动信号呈现强非平稳性、强非线性的特征，常规的故障特征提取方法很难识别出其微弱的故障征兆，因此对水轮发电机组的振动特征信号的提取算法和故障预警方法进行研究具有广泛的应用前景和重要的推广价值。

技术实现思路

1、鉴于上述存在的问题，提出了本发明，本发明解决的技术问题是：如何快速准确提取水轮发电机组故障特征并实现对水轮发电机组的早期故障预警。

2、为解决上述技术问题，本发明提供如下技术方案：一种基于pca-vmd的水轮发电机组特征提取与故障预警方法，包括以下步骤：

3、s1采集与水轮发电机组运行状态相关的参数数据，对所采集的样本数据进行数据划分，按6:2:2的原则划分为训练集、测试集和验证集3个样本集；

4、s2采用kmo与bartlett检验来验证所采集的样本数据集是否适用pca数据降维算法；

5、s3采用pca数据降维算法对采集的样本数据集进行属性参数的约简，得到与水轮发电机组运行状态相关的新主元，并利用累积方差贡献率、陡坡图两个指标衡量pca数据降维算法；

6、s4采用vmd分解算法对水轮发电机组的故障特征进行提取，最后采用denclue密度聚类算法构建水轮发电机组故障预警模型，完成水轮发电机组的故障预警。

7、作为本发明所述的一种基于pca-vmd的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：所述的样本数据划分为训练集、测试集和验证集，包括对水电站sis系统采集的数据进行数据清洗，并将前60％的数据作为训练集，中间20％的数据作为测试集，最后20％的数据作为验证集。

8、作为本发明所述的一种基于pca-vmd的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：所述的kmo(kaiser meyer olkin)与bartlett(巴特利特球度)检验通过kmo检验统计量和bartlett的球形检验两个指标进行校验该样本数据集是否适用pca数据降维算法进行分析。

9、作为本发明所述的一种基于pca-vmd的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：所述的pca数据降维算法包括：

10、第一步，对样本集合矩阵进行z-score标准化处理；

11、第二步，计算标准化样本集合矩阵z的相关系数矩阵r；

12、第三步，求相关系数矩阵r的特征值λ和特征向量v；

13、第四步，计算水轮发电机组的各监测参数变量的贡献率cl；

14、第五步，计算水轮发电机组的各监测参数变量的累积贡献率ck，以此来确定水轮发电机组主要的监测参数。

15、作为本发明所述的一种基于pca-vmd的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：pca数据降维算法具体计算过程如下：

16、第一步，对样本集合矩阵进行z-score标准化处理；

17、

18、式中，zab表示标准化样本集合矩阵的第a行第b列的数值，表示矩阵xm×n第b列的平均值，σb表示矩阵xm×n第b列的标准差，∑()为求和函数，xab为矩阵xm×n的第a行b列的数值，m表示样本点个数，n表示参数变量个数；

19、得到的标准化样本集合矩阵z如下：

20、

21、第二步，计算标准化样本集合矩阵z的相关系数矩阵r；

22、

23、式中，k,l分别为矩阵z中的第k列和第l列，且rkl＝rlk，k,l＝1,2...n，rkl为相关系数矩阵r的第k列和第l列的相关系数，为矩阵z的第k列的平均值，为矩阵z的第l列的平均值，zkl为矩阵z的第i行第k列的数值，m表示样本点个数，n表示参数变量个数；

24、得到的相关系数矩阵r如下：

25、

26、第三步，求相关系数矩阵r的特征值λ和特征向量v；

27、令矩阵r的特征方程|λi-r|＝0，采用雅克比方法对矩阵r进行一系列的正交相似变换，当矩阵r的全部非对角元素的值都等于零或者接近于零，此时对角元素为矩阵r的特征值(λ1,λ2,···,λn)，一系列正交相似变换矩阵的乘积即为矩阵r的特征向量(v1,v2,···,vn)，i为单位矩阵；

28、第四步，计算水轮发电机组各监测参数变量的贡献率cl；

29、

30、式中，λl为相关系数矩阵r的特征值。并对λl的大小进行排序，使得λ1≥λ2≥...λn，∑()为求和函数；

31、第五步，计算水轮发电机组各监测参数变量的累积贡献率ck。

32、

33、式中，k(k<n)为前k个主元，工程上，当ck≥85％时，便可认为前k个主元保留了原始数据的大部分信息，∑()为求和函数。

34、作为本发明所述的一种基于pca-vmd的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：所述的vmd分解算法包括：

35、①通过hilbert变换，获得模函数的单片频谱：

36、

37、②通过加入指数项调整各模态函数的中心频率，同时将各函数的频谱调制到相应的基频带：

38、

39、③估计各模态函数的带宽，对应的变分约束模型如下：

40、

41、其中，δ(t)为冲击函数，uk(t)为k个imf分量，wk代表本征模函数的中心频率，f为输入信号，f1为单片频谱，f2为基频带，j为虚数单位，π为圆周率，t为时间，e()为指数函数，min()为求最小值函数，∑()为求和函数，为偏导数，st为约束限制条件，||||2为平方范数运算符。

42、作为本发明所述的一种基于pca-vmd的水轮发电机组特征提取与故障预警方法的一种优选方案，其中：所述的denclue密度聚类算法包括：

43、第一步，采用影响函数描述数据点对聚类的影响程度，以高斯函数为例；

44、

45、第二步，求解密度函数；

46、

47、第三步，通过密度吸引点完成聚类；

48、式中，fgauss()为高斯函数，fbd()为密度函数，x和y为两个变量，exp()为指数函数，d()为范数，σ为宽度参数，d＝{x1,x2,...xp}为数据集，p为数据个数，xg为x变量的第g个数值。

49、作为本发明所述的一种基于pca-vmd的水轮发电机组特征提取与故障预警方法的一种优选方案，所述的kmo检验统计量和bartlett的球形检验包括：

50、kmo检验统计量通过比较参数之间的偏相关系数和简单相关系数，kmo的值越接近1，则说明变量之间的相关性越强；bartlett的球形检验通过判断显著性的大小来进行判断，若显著性小于显著水平0.05，则说明变量之间具有显著相关性。

51、本发明的有益效果：

52、1.在水轮发电机组特征参数提取方面，采用pca-vmd相融合的故障特征提取算法，不仅完成了数据去噪和数据降维的目的，同时选出了涵盖原始样本数据集绝大部分信息的7个综合建模变量，为水轮发电机组故障预警模型的建立提供了优质的数据支撑。

53、2.在水轮发电机组故障预警方面，采用denclue密度聚类算法构建水轮发电机组故障预警模型，该密度聚类算法通过对单位区域内数据点或者对象的数目进行聚类，超过设定的密度阈值后继续进行聚类操作直至达到密度边缘，其优点是可以对任意形状的类簇进行识别，实现了对水轮发电机组的早期故障预警。