【技术实现步骤摘要】
本专利技术涉及水电机组故障分析方法，特别是一种基于iceemdan和cnn的水电机组故障诊断方法。
技术介绍
1、在水力机械领域，水电机组的振动监测信号中包含了丰富的机组状态信息,各发电集团工业大数据平台积累了海量机组运行数据，通过对数据的分解和重构等，实现了故障分析诊断。目前基于水电机组的振动监测信号分析水电机组故障中，对于故障特征的提取主要包括如下三种方案。第一种：基于局部切空间排列算法(local tangent spacealignment,ltsa)与谱聚类方法提取多个特征参数的方法识别水电机组故障。第二种：仿生故障诊断方法,具体的，模仿人脑思维,提出关联特征向量概念,并用特征选择树描述其逻辑结构,以特征提取树求取，实现了对水电机组故障差异的综合挖掘，进而识别水电机组故障。第三种：基于分形理论，着眼于高噪声环境下进行水电机组故障精准识别问题，利用时移多尺度注意熵识别水电机组故障。包括上述三种方法，应用的是基于智能算法的水电机组故障诊断方法，具体的，在故障诊断模型构建方面，主要以贝叶斯网络、bp神经网络、支持向量机(svm)、极限学习机(elm)等为代表。
2、虽然，上述三种方式一定程度上实现了水电机组故障分析诊断，但是基于技术限制，还存在如下技术缺点。其一：各发电集团工业大数据平台积累的海量机组运行数据，这些数据缺乏科学有效的分析和利用，未能充分发挥其重要价值，仅能进行简单的特征值显示及幅值越限告警，定位故障原因及部位常依赖工作人员监测数据分析水平和实际经验，不可避免地存在主观性和局限性。其二：基于神经网络
技术实现思路
1、为了克服现有水电机组故障诊断中，由于技术限制存在如背景所述弊端，本专利技术提供了基于卷积神经网络，针对水电机组振动信号数据，在相关步骤共同作用下，应用iceemdan方法，具有强大信号分解能力，可以更有效地解决模态混叠和重构误差较大等问题，分别构造出重构特征信号、多维度imf分量、重构信号所折叠的方型矩阵三类数据输入，通过计算机的强大算力和自主挖掘水电机组故障样本中潜在的故障征兆，提高了水电机组故障智能诊断能力的一种基于iceemdan和cnn的水电机组故障诊断方法。
2、本专利技术解决起技术问题所采用的技术方案是：
3、一种基于iceemdan和cnn的水电机组故障诊断方法，其特征在于，首先采用改进的完全集合经验模态分解模型和相关性分析方法对大量水电机组振动信号数据进行分解和重构处理，随后，针对卷积神经网络输入的多样性，基于对比分析的三种不同的输入信号构造方式对cnn模型的故障诊断准确率的影响，最终，选择将一维重构信号表示为方形矩阵形式作为cnn的输入方式，得出水电机组故障；具体包括iceemdan信号分解、输入数据构造、卷积神经网络建立与训练、结果分析四个步骤；所述iceemdan信号分解步骤中，取水电厂振动实测数据，对其分别进行iceemdan分解，令该数据样本序列为x(t)，设wi为具有零均值和单位方差的高斯白噪声，具体包括如下分步骤，s1：计算第一个残差；s2：计算得到s3:重复迭代，针对于第k个残差与进行计算；所述输入数据构造目的是为比较不同输入条件下cnn的故障识别准确率，分别构造出重构特征信号、多维度imf分量、重构信号所折叠的方型矩阵三类数据输入对卷积神经网络识别准确率的影响，具体包括如下分步骤，sa1：重构向量y(t)作为1维数据输入cnn网络；sa2:取icceemdan分解出的相关系数最大的最为相关的前6组imf分量，构造成6*1000的矩阵，作为模型输入；sa3:取重构向量的前1024个点，将其折叠为32*32的矩阵，作为模型输入；所述卷积神经网络建立与训练中，采取的卷积神经网络由多个层级结构组成，其中包括卷积层、池化层、全连接层；所述结果分析步骤中，为避免实验的偶然误差，重复多次实验，并统计3类输入在卷积神经网络下的平均识别率、最大识别率、最小识别率。
4、优选地，所述iceemdan信号分解步骤中，残差计算公式为：计算公式为：
5、优选地，所述iceemdan信号分解步骤中，针对于第k个残差与的计算公式为：
6、
7、优选地，所述iceemdan信号分解步骤中，计算各imf分量与原始振动信号间相关系数，相关系数反映了imf分量与原始振动信号的相似性，因此选取相关性较高的imf分量以重构信号、可以保留水电机组主要特征，需分析降低卷积神经网络模型输入维度，提高训练效率。
8、优选地，所述卷积神经网络建立与训练中，卷积层作用是通过与卷积核进行卷积操作，提取输入样本的局部特征，池化层的作用是在卷积层之后，对网络输入进行降采样，以减少相应神经元数目，简化网络结构，并能够集中样本信息并突出样本故障特征，全连接层则将卷积层和池化层提取的特征映射到预测目标上，从而实现对输入样本的分类或回归等任务。
9、优选地，所述卷积神经网络建立与训练中，采取的一维cnn是输入数据高度为1时的特殊情境，其公式为
10、优选地，所述结果分析中，卷积神经网络会将学习到的故障特征汇集到全连接层，为将学习到的故障特征进行展示并判断网络学习效果，并将cnn自学习所得的10维特征进行pca主成分分析法降维。
11、本专利技术有益效果是：(1)本专利技术利用各发电集团工业大数据平台海量机组运行数据，深度挖掘数据暗藏意义，实现智能化故障诊断，能去除信号中的噪声和提取信号的特征，可以更有效地解决模态混叠和重构误差较大等问题，可保障水电机组故障特征提取的精度及增加其诊断的准确度；(2)可减少定位故障原因及部位常对工作人员监测数据分析水平和实际经验的依赖，作为辅助决策手段，减少诊断过程的主观性和局限性，可通过计算机的强大算力和自主挖掘水电机组故障样本中潜在的故障征兆，提高水电机组故障的智能诊断能力；(3)可提升电站管理科技水平，使电站对外形成标杆作用，有助于提升电站在发电行业中创新能力，同时带动电厂人力资源素质的提升，实现更为智能的电站运维管理，有效提升全过程机组稳定性表现，延长了机组寿命，并保障电厂经济效益。
本文档来自技高网...【技术保护点】
1.一种基于ICEEMDAN和CNN的水电机组故障诊断方法，其特征在于，首先采用改进的完全集合经验模态分解模型和相关性分析方法对大量水电机组振动信号数据进行分解和重构处理，随后，针对卷积神经网络输入的多样性，基于对比分析的三种不同的输入信号构造方式对CNN模型的故障诊断准确率的影响，最终，选择将一维重构信号表示为方形矩阵形式作为CNN的输入方式，得出水电机组故障；具体包括ICEEMDAN信号分解、输入数据构造、卷积神经网络建立与训练、结果分析四个步骤；所述ICEEMDAN信号分解步骤中，取水电厂振动实测数据，对其分别进行ICEEMDAN分解，令该数据样本序列为x(t)，设wi为具有零均值和单位方差的高斯白噪声，具体包括如下分步骤，S1：计算第一个残差；S2：计算得到S3:重复迭代，针对于第k个残差与进行计算；所述输入数据构造目的是为比较不同输入条件下CNN的故障识别准确率，分别构造出重构特征信号、多维度IMF分量、重构信号所折叠的方型矩阵三类数据输入对卷积神经网络识别准确率的影响，具体包括如下分步骤，SA1：重构向量y(t)作为1维数据输入CNN网络；SA2:取ICCEEMDAN
2.根据权利要求1所述一种基于ICEEMDAN和CNN的水电机组故障诊断方法，其特征在于，ICEEMDAN信号分解步骤中，残差计算公式为：计算公式为：
3.根据权利要求1所述一种基于ICEEMDAN和CNN的水电机组故障诊断方法，其特征在于，ICEEMDAN信号分解步骤中，针对于第k个残差与的计算公式为：
4.根据权利要求1所述一种基于ICEEMDAN和CNN的水电机组故障诊断方法，其特征在于，ICEEMDAN信号分解步骤中，计算各IMF分量与原始振动信号间相关系数，相关系数反映了IMF分量与原始振动信号的相似性，因此选取相关性较高的IMF分量以重构信号、可以保留水电机组主要特征，需分析降低卷积神经网络模型输入维度，提高训练效率。
5.根据权利要求1所述一种基于ICEEMDAN和CNN的水电机组故障诊断方法，其特征在于，卷积神经网络建立与训练中，卷积层作用是通过与卷积核进行卷积操作，提取输入样本的局部特征，池化层的作用是在卷积层之后，对网络输入进行降采样，以减少相应神经元数目，简化网络结构，并能够集中样本信息并突出样本故障特征，全连接层则将卷积层和池化层提取的特征映射到预测目标上，从而实现对输入样本的分类或回归等任务。
6.根据权利要求1所述一种基于ICEEMDAN和CNN的水电机组故障诊断方法，其特征在于，卷积神经网络建立与训练中，采取的一维CNN是输入数据高度为1时的特殊情境，其公式为
7.根据权利要求1所述一种基于ICEEMDAN和CNN的水电机组故障诊断方法，其特征在于，结果分析中，卷积神经网络会将学习到的故障特征汇集到全连接层，为将学习到的故障特征进行展示并判断网络学习效果，并将CNN自学习所得的10维特征进行PCA主成分分析法降维。
...【技术特征摘要】
1.一种基于iceemdan和cnn的水电机组故障诊断方法，其特征在于，首先采用改进的完全集合经验模态分解模型和相关性分析方法对大量水电机组振动信号数据进行分解和重构处理，随后，针对卷积神经网络输入的多样性，基于对比分析的三种不同的输入信号构造方式对cnn模型的故障诊断准确率的影响，最终，选择将一维重构信号表示为方形矩阵形式作为cnn的输入方式，得出水电机组故障；具体包括iceemdan信号分解、输入数据构造、卷积神经网络建立与训练、结果分析四个步骤；所述iceemdan信号分解步骤中，取水电厂振动实测数据，对其分别进行iceemdan分解，令该数据样本序列为x(t)，设wi为具有零均值和单位方差的高斯白噪声，具体包括如下分步骤，s1：计算第一个残差；s2：计算得到s3:重复迭代，针对于第k个残差与进行计算；所述输入数据构造目的是为比较不同输入条件下cnn的故障识别准确率，分别构造出重构特征信号、多维度imf分量、重构信号所折叠的方型矩阵三类数据输入对卷积神经网络识别准确率的影响，具体包括如下分步骤，sa1：重构向量y(t)作为1维数据输入cnn网络；sa2:取icceemdan分解出的相关系数最大的最为相关的前6组imf分量，构造成6*1000的矩阵，作为模型输入；sa3:取重构向量的前1024个点，将其折叠为32*32的矩阵，作为模型输入；所述卷积神经网络建立与训练中，采取的卷积神经网络由多个层级结构组成，其中包括卷积层、池化层、全连接层；所述结果分析步骤中，为避免实验的偶然误差，重复多次实验，并统计3类输入在卷积神经网络下的平均识别率、最大识别率、最小识别率。
2.根据权利要求1所述一种基于iceemdan和cnn的水电机组...
【专利技术属性】
技术研发人员：邢建模，高金林，王卫玉，伍盛金，欧适，赖兴全，罗立军，魏加达，刘强，莫凡，王思嘉，马腾飞，康志远，刘禹，
申请(专利权)人：国家电投集团重庆江口水电有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。