【技术实现步骤摘要】
本专利技术涉及水力发电设备，更具体的说是涉及一种水电机组状态智能诊断方法和系统。
技术介绍
1、合理评估水电机组所处健康状态是保证机组安全稳定运行的重要环节，国内电站大多都已安装了实时有效的状态监测系统，通过对判断监测指标是否超限，确定机组实时运行状态。但目前状态监测未能很好的将单个监测指标劣化程度与对机组整体系统的影响联系起来。水电机组测点众多，且正常样本多，故障样本少，如何利用现有监测数据对机组进行全面有效的评估是水电领域需要深入研究的问题。在线监测装置记录存储机组运行状态参数，随着数据不断累积存储，形成海量数据。对这些海量数据进行分析处理，迫切需要一种大数据分析处理技术。
技术实现思路
1、有鉴于此，本专利技术提供了一种水电机组状态智能诊断方法和系统，通过该方法巡检人员可以获得关于水电机组状态的实时技术参考，帮助巡检人员及时采取措施，确保机组的正常运行。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、第一方面，本专利技术提供一种水电机组状态智能诊断方法，包括以下步骤：
4、s1、采集水电机组振动信号，并对水电机组振动信号进行降噪处理、ceemdan分解、最大信息系数降维处理，计算各分解信号imf的熵值；
5、s2、将各分解信号的计算熵值作为特征量，水电机组运行状态视为标签，构建诊断数据集，采用adasyn过采样技术平衡诊断数据集中的各类故障数据；
6、s3、基于adaboost框架，以预先建立的弱分类器为基
7、可选的，s1中，降噪处理方法包括：
8、小波阈值采用daubechies小波基，分解层数满足n＝log2(n/2f)，n为周期采样点数，f为最大谐波阶次，采用软阈值函数对原始含噪分量进行去噪。
9、可选的，s1中，
10、采用ceemdan信号分解时，利用ehba对ceemdan的信噪比和添加噪音次数取值进行寻优，以最小包络熵为适应度函数；计算ceemdan分解出的本征模态分量imf与去噪后信号的最大信息系数，阈值设置值为3％，筛选出最大信息系数高于预设定阈值的分量，计算被保留分量的熵值。
11、可选的，s2具体包括：
12、统计s1中保留的imf数目k，将k个imf的近似熵值apen构成的矩阵[apen1,apen2,…,apenk]表征原始信号的数据特点，对应的样本标签为label，label包括正常、碰磨、不平衡和不对中四种典型的水电机组转子状态；根据每类样本标签数量，利用adasyn过采样技术对少数类样本进行扩充，使各类样本数量相等。
13、可选的，所述方法还包括：
14、将弱分类器模型在基础蜜獾算法的基础上，采用黄金正弦策略对整个种群进行更新，更新公式为：
15、x(t+1)＝x(t)·|sin(r1)|+r2·sin(r1)·|x1·xp(t)-x2·xmean(t)|
16、式中，x(t)和x(t+1)表示第t次更前、后的种群位置，xmean(t)为种群的平均位置，r1和r2是[0,2π]和[0,π]区间内的随机数，xp是当前最优位置，x1、x2是通过黄金分割数得到的系数。
17、可选的，所述弱分类器模型将种群数目由最初的pop扩展至2*pop，计算2*pop个个体的适应度值，选取最优的前pop个个体参与算法迭代。
18、可选的，s3中还包括：
19、对水电机组诊断数据集按4:1的比例划分训练集和测试集，利用改进后的蜜獾算法对hkelm的正则化参数c、多项式核函数的指数项系数p和常数项系数q、高斯核参数g以及核权重w进行参数寻优，以训练集在hkelm中的k-折交叉验证平均准确率作为适应度函数。
20、可选的，所述方法还包括：
21、所述弱分类器模型以ehba-hkelm算法作为弱分类器，构建强分类器ehba-hkelm-adaboost模型，adaboost中弱分类器的数目设置为5，采用分类准确率、f1-measure、特异度、敏感度和混淆矩阵误差指标评估模型性能。
22、第二方面，本专利技术提供一种水电机组状态智能诊断系统，应用任一项上述的一种水电机组状态智能诊断方法，包括依次连接的特征提取模块、数据集构建模块、智能诊断模块；
23、特征提取模块，用于采集水电机组振动信号，并对水电机组振动信号进行降噪处理ceemdan分解、最大信息系数降维处理，计算各分解信号imf的熵值；
24、数据集构建模块，用于将各分解信号的计算熵值作为特征量，水电机组运行状态视为标签，构建诊断数据集，采用adasyn过采样技术平衡诊断数据集中的各类故障数据；
25、智能诊断模块，用于基于adaboost框架，以预先建立的弱分类器模型为基模型，建立智能诊断模型，将经过数据平衡后的诊断数据集作为智能诊断模型输入数据，对水电机组状态进行智能诊断。
26、可选的，特征提取模块中对水电机组振动信号进行降噪处理，包括：
27、采用小波阈值降噪对水电机组振动信号进行降噪处理，小波阈值采用daubechies小波基，分解层数满足n＝log2(n/2f)，n为周期采样点数，f为最大谐波阶次，采用软阈值函数对原始含噪分量进行去噪。
28、可选的，数据集构建模块中包括：统计s1中保留的imf数目k，将k个imf的近似熵值apen构成的矩阵[apen1,apen2,…,apenk]表征原始信号的数据特点，对应的样本标签为label，label包括正常、碰磨、不平衡和不对中四种典型的水电机组转子状态；根据每类样本标签数量，利用adasyn过采样技术对少数类样本进行扩充，使各类样本数量相等。
29、可选的，智能诊断模块中还包括：弱分类器模型以ehba-hkelm算法作为弱分类器，构建强分类器ehba-hkelm-adaboost模型，设置adaboost中弱分类器的数目，采用分类准确率、f1-measure、特异度、敏感度和混淆矩阵误差指标评估模型性能。
30、第三方面，本专利技术提供一种电子设备，包括：
31、一个或多个处理器；
32、存储器；
33、一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行任一项上述的一种水电机组状态智能诊断方法。
34、第四方面，本专利技术提供一种计算机可读存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现任一项上述的一种水电机组状态智能诊断方法。
35、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种水电机组状态智能诊断方法，具有以下有益效果：
36、(1)本专利技术提供一种水电机组状态智能诊断模型的设本文档来自技高网...
【技术保护点】
1.一种水电机组状态智能诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，S1中，所述对水电机组振动信号进行降噪处理，包括：
3.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，S1中，
4.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，S2具体包括：
5.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的一种水电机组状态智能诊断方法，其特征在于，所述弱分类器模型将种群数目由最初的pop扩展至2*pop，计算2*pop个个体的适应度值，选取最优的前pop个个体参与算法迭代。
7.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，S3中还包括：诊断数据集输入智能诊断模型之前，对诊断数据集进行的预处理：
8.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，所述方法还包括：所述弱分类器模型以EHBA-HKELM算法作为弱分类器，构建强分类器E
9.一种水电机组状态智能诊断系统，其特征在于，包括特征提取模块、数据集构建模块、智能诊断模块；
...【技术特征摘要】
1.一种水电机组状态智能诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，s1中，所述对水电机组振动信号进行降噪处理，包括：
3.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，s1中，
4.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，s2具体包括：
5.根据权利要求1所述的一种水电机组状态智能诊断方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的一种水电机组状态智能诊断方法，其特征在于，所述弱分类器模型将种群数目由最初的pop扩展至2*pop，计算2*pop个个体的适应度...
【专利技术属性】
技术研发人员：郝峰，荆岫岩，王璞，卞秀杰，魏李，梁庆春，祁炜雯，许永鹏，严英杰，刘亚东，江秀臣，
申请(专利权)人：上海交通大学，
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。