一种水力发电机转轴早期故障特征的提取方法技术

本发明专利技术一种水力发电机转轴早期故障特征的提取方法，其特点是：包括以下步骤1)采集水力发电机转轴早期故障的振动信号；2)实现基于信号奇异性与最大相关峭度相结合的故障信号特征增强，同步形成由相关峭度和李氏指数构成的特征样本空间向量；3)构造混合核函数，进行水力发电机转轴早期故障的振动信号特征辨识；4)基于免疫遗传优化混合核函数参数，并以最优参数实现水力发电机转轴早期故障智能特征辨识与提取；5)根据特征提取结果为水力发电机转轴早期故障提供诊断依据。在保障水利发电机转轴早期故障信号有效增强的同时显著提高了最大相关峭度解卷积的参数选择效率与辨识准确率。率。率。

【技术实现步骤摘要】
一种水力发电机转轴早期故障特征的提取方法
[0001]
：本专利技术涉及水力发电机故障诊断
，特别涉及水力发电机转轴的故障诊断，是一种水力发电机转轴早期故障特征的提取方法。

技术介绍
：
[0002]目前我国的能源结构中，水力发电占比逐年增加,单机组容量大幅提升,电网运行的安全性、稳定性日益得到重视，而水力发电机转轴早期故障的及时发现对于保障电网的安全可靠运行尤为关键，其中微弱冲激特征的提取是水力发电机转轴早期故障诊断的关键。
[0003]但水力发电系统作为一类复杂的非线性系统,由于水力发电机转轴运行过程中的故障诊断受大量不确定性因素影响,系统数学模型建立复杂，实际中往往用基于传感器采集的振动加速度信号表征损伤点产生的周期性冲激信号与系统固有信号调制而成的响应信号作为故障诊断依据，而故障源信号至测点位置为非线性传播，同时由于运行工况不稳定、多部件耦合振动等特点，使得采集到的故障振动信号具有强烈的非平稳、非线性等特点，导致故障振动信号与设备状态映射关系模糊，其非平稳性及易受背景噪声干扰的特性，直接影响了故障特征提取的准确性。
[0004]上述问题的解决主要包含两个方面的问题：一方面是高效的早期微弱故障信号的增强；另一方面是准确的故障特征的智能辨识。
[0005]最大相关峭度解卷积以相关峭度作为优化目标函数，是增强早期微弱故障信号的有效手段，但滤波器长度、周期参数合理选择是保证最大相关峭度解卷积对微弱信号增强性能的关键，然而传统的局部最优滤波器参数迭代优化方式，计算效率低。
[0006]水力发电机早期转轴故障特征具有多样性，传统模式识别方法难以适应其不规则性。而非线性支持向量机构辨识方法基于结构风险最小化原则，能够在水力发电机早期转轴故障特征的不规则样本条件下达到最优辨识模式。而核函数的构造、参数的选择最为关键，直接影响辨识准确率。

技术实现思路

[0007]本专利技术要解决的技术问题是：克服上述现有技术的不足，提供一种水力发电机转轴早期故障特征的提取方法。针对水力发电机转轴早期故障特征提取中存在的故障信号微弱且易受背景噪声干扰、非线性及非平稳性难以提取特征的问题，主要从故障信号增强、非平稳性多尺度故障特征智能辨识角度解决水力发电机转轴早期故障特征提取的准确性问题。
[0008]本专利技术所采用的技术方案是：一种水力发电机转轴早期故障特征的提取方法，其特征是，包括以下步骤：
[0009]1)采集水力发电机转轴早期故障的振动信号；
[0010]2)依据步骤1)采集水力发电机转轴早期故障的振动信号特征增强，实现基于信号奇异性与最大相关峭度相结合的故障信号特征增强，同步形成由相关峭度和李氏指数构成
的特征样本空间向量；
[0011]3)以Sigmoid核函数与高斯径向基核函数构造混合核函数，进行水力发电机转轴早期故障的振动信号特征辨识；
[0012]4)基于免疫遗传优化混合核函数参数，并以最优参数实现水力发电机转轴早期故障智能特征辨识与提取；
[0013]5)根据特征提取结果为水力发电机转轴早期故障提供诊断依据。
[0014]进一步，所述步骤2)水力发电机转轴早期故障的振动信号特征增强步骤如下：
[0015]①
水力发电机转轴早期故障的振动信号
[0016]当通过传感器采集水力发电机转轴故障信号时，由于受传统系统中多种因素的干扰，早期的微弱故障信息被掩盖，实际检测到的振动信号可表示为：
[0017]x(n)＝h(n)*d(n)
ꢀꢀꢀ
(1)
[0018]式中：x(n)为实际检测到的振动信号；h(n)为电气传动系统的单位脉冲响应，从时域描述对转轴故障冲激信号的调制；d(n)为转轴故障冲激信号；
[0019]②
变步长最大相关峭度解卷积滤波
[0020]寻找最大相关峭度滤波的最佳滤波器长度L，使解卷积滤波结果尽可能接近转轴故障冲激信号d(n)，即
[0021][0022]其中，y(n)为最大相关峭度解卷积滤波输出，f为最大相关峭度滤波器的系数；
[0023]以相关峭度最大为评价指标判定解卷积滤波结果的逼近程度，计算最大相关
[0024]峭度的表达式为：
[0025][0026]式中：M代表移位数；T代表解卷积的周期；n＝1,2,...,L；
[0027]③
基于小波域模极大值与相关峭度的信号奇异性检测
[0028]A根据小波变换模极大值计算李氏指数
[0029]一个信号f(x)∈R某一位置的奇异性常用奇异指数Lipschitzα来描述，简称李氏指数，根据李氏指数定义，设0≤α≤1，常数k，对x0的邻域x有：|f(x)-f(x0)|≤k|x-x0|成立，则称f(x)在x0点具有李氏指数α；其表征了信号f(x)在x0点可导性的准确信息；
[0030]其中，α＝1，f(x)在x0点平滑无奇异性；0<α<1，f(x)在x0点光滑性下降；α＝0，f(x)在x0点间断；α越小说明f(x)在x0点冲激性越强，且有用信号奇异性表现为正，即α>0，噪声则为负，α<0；
[0031]以W
f
(s,x)表示函数f(x)的小波变换，在尺度s0下，称点(s0,x0)是局部极值点，在x0上有一过零点，则点(s0,x0)为小波变换的模极大值点；
[0032]当x在区间[A,B]中，s＝2
j
时，若W
f
(s,x)满足：
[0033]|W
f
(2
j
,x)|≤k(2
j
)
α
ꢀꢀꢀ
(4)
[0034]其中：k是一个常数，则f(x)在区间[A,B]、尺度j上的李氏指数均匀为α；由上式可见，当α>0时，小波变换模极大值与尺度j成正比；反之，成反比；α＝0，小波变换模极大值不变；
[0035]对于2个尺度S
j
，S
j+1
，由式(1)两端取对数并相减，得到：
[0036][0037]B依据信号与噪声李氏指数评价MCKD的参数L和T的寻优
[0038]信号的奇异性具有局部性而噪声的奇异性具有全局性，同时信号的奇异性一般为正，即α>0，噪声则α<0；因此，MCKD的参数L和T的寻优过程能够在结合信号小波变换的模极大值，直接以一定尺度j上各点的α>0作为判定标准，确定MCKD的参数L和T，有效实现信号的噪声滤除与故障信号增强。
[0039]进一步，所述步骤2)之
③
的B依据信号与噪声李氏指数评价MCKD的参数L和T的寻优，是采用变步长网格搜索法对参数L和T进行寻优，具体步骤如下：
[0040]a初步确定L值的搜索范围，设置的搜索范围为[2，256]；
[0041]b以S
j
...

【技术保护点】

【技术特征摘要】
1.一种水力发电机转轴早期故障特征的提取方法，其特征是，包括以下步骤：1)采集水力发电机转轴早期故障的振动信号；2)依据步骤1)采集水力发电机转轴早期故障的振动信号特征增强，实现基于信号奇异性与最大相关峭度相结合的故障信号特征增强，同步形成由相关峭度和李氏指数构成的特征样本空间向量；3)以Sigmoid核函数与高斯径向基核函数构造混合核函数，进行水力发电机转轴早期故障的振动信号特征辨识；4)基于免疫遗传优化混合核函数参数，并以最优参数实现水力发电机转轴早期故障智能特征辨识与提取；5)根据特征提取结果为水力发电机转轴早期故障提供诊断依据。2.如权利要求1所述的一种水力发电机转轴早期故障特征的提取方法，其特征是，所述步骤2)水力发电机转轴早期故障的振动信号特征增强步骤如下：
①
水力发电机转轴早期故障的振动信号当通过传感器采集水力发电机转轴故障信号时，由于受传统系统中多种因素的干扰，早期的微弱故障信息被掩盖，实际检测到的振动信号可表示为：x(n)＝h(n)*d(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中：x(n)为实际检测到的振动信号；h(n)为电气传动系统的单位脉冲响应，从时域描述对转轴故障冲激信号的调制；d(n)为转轴故障冲激信号；
②
变步长最大相关峭度解卷积滤波寻找最大相关峭度滤波的最佳滤波器长度L，使解卷积滤波结果尽可能接近转轴故障冲激信号d(n)，即其中，y(n)为最大相关峭度解卷积滤波输出，f为最大相关峭度滤波器的系数；以相关峭度最大为评价指标判定解卷积滤波结果的逼近程度，计算最大相关峭度的表达式为：式中：M代表移位数；T代表解卷积的周期；n＝1,2,...,L；
③
基于小波域模极大值与相关峭度的信号奇异性检测A根据小波变换模极大值计算李氏指数一个信号f(x)∈R某一位置的奇异性常用奇异指数Lipschitz α来描述，简称李氏指数，根据李氏指数定义，设0≤α≤1，常数k，对x0的邻域x有：|f(x)-f(x0)|≤k|x-x0|成立，则称f(x)在x0点具有李氏指数α；其表征了信号f(x)在x0点可导性的准确信息；其中，α＝1，f(x)在x0点平滑无奇异性；0<α<1，f(x)在x0点光滑性下降；α＝0，f(x)在x0点间断；α越小说明f(x)在x0点冲激性越强，且有用信号奇异性表现为正，即α>0，噪声则为负，α<0；
以W
f
(s,x)表示函数f(x)的小波变换，在尺度s0下，称点(s0,x0)是局部极值点，在x0上有一过零点，则点(s0,x0)为小波变换的模极大值点；当x在区间[A,B]中，s＝2
j
时，若W
f
(s,x)满足：|W
f
(2
j
,x)|≤k(2
j
)
α
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中：k是一个常数，则f(x)在区间[A,B]、尺度j上的李氏指数均匀为α；由上式可见，当α>0时，小波变换模极大值与尺度j成正比；反之，成反比；α＝0，小波变换模极大值不变；对于2个尺度S
j
，S
j+1
，由式(1)两端取对数并相减，得到：B依据信号与噪声李氏指数评价MCKD的参数L和T的寻优信号的奇异性具有局部性而噪声的奇异性具有全局性，同时信号的奇异性一般为正，即α>0，噪声则α<0；因此，MCKD的参数L和T的寻优过程能够在结合信号小波变换的模极大值，直接以一定尺度j上各点的α>0作为判定标准，确定MCKD的参数L和T，有效实现信号的噪声滤除与故障信号增强。3.如权利要求2所述的一种水力发电机转轴早期故障特征的提取方法，其特征是，所述步骤
③
之B依据信号与噪声李氏指数评价MCKD的参数L和T的寻优，是采用变步长网格搜索法对参数L和T进行寻优，具体步骤如下：a初步确定L值的搜索范围，设置的搜索范围为[2，256]；b以S
j(
较大尺度)小波域分解的模极大值点首次搜索，并得到全局最大α及其对应的最优L
j
值；c根据步骤a的搜索步长及L值，确定新的搜索范围为[L
j-S
j
，L
j
+S
j
]；d以小尺度S
j+1
进行局部搜索，并得到尺度Sj上各点的α>0及其对应的最优Lj+1值，而L
j+1
即是最优滤波器长度参数，一般选j＝4或5。4.如权利要求1所述的一种水力发电机转轴早期故障特征的提取方法，其特征是，所述步骤3)以Sigmoid核函数与高斯径向基核函数构造混合核函数步骤如下：核函数选择直接影响支持向量机的泛化能力以及辨识精度，兼顾全局、局部核函数的优点，构造由Sigmoid核函数与高斯径向基核函数线性组合的混合核函数，以故障信号增强过程中计算的李氏指数和信号相关峭度为样本空间：K
mix
(x
i
,x
j
)＝βK
G
(x
i
,x
j
)+(1-β)K
l
(x
i
,x
j
)
ꢀꢀꢀꢀꢀꢀ...

【专利技术属性】
技术研发人员：刘多斌，尹胜军，尹广斌，王洪彬，邢砾云，金基良，
申请(专利权)人：国网新源水电有限公司国网新源水电有限公司丰满培训中心，
类型：发明
国别省市：