[發明專利]一種水電機組的振動故障診斷方法

在審

• 申請號: 201510401885.0
• 申請日: 2015-07-09
• 公開（公告）號: CN105004498A
• 公開（公告）日: 2015-10-28
• 發明（設計）人: 賈嶸;何洋洋;黨建;董開松;李臻;沈渭程;馬喜平
• 申請（專利權）人: 西安理工大學
• 主分類號: G01M7/02
• 分類號: G01M7/02;G06N3/00;G06F19/12
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 李娜

技術領域

本發明屬于故障診斷技術領域，更具體的說，涉及一種水電機組的振動故障診斷方法。

背景技術

近年來，關于水電機組振動故障診斷的研究如火如荼。故障診斷的大體步驟可以分為三步：振動信號處理、特征向量提取、故障類型診斷。

振動信號的處理主要是指對原始信號進行過濾，即去噪處理。在這方面，國內外的研究方法主要有短時傅里葉變換、小波分析法、高階統計量、混沌振子法等等。短時傅里葉變換雖然在一定程度上很好地描述了非平穩信號的時變特性，但無法避免時頻窗固定的缺陷；小波分析法具有對信號按不同的尺度進行分層分析的功能，但其小波基函數的選擇還沒有一個基本的標準或通用的方法，另外，信號采樣頻率和長度對小波變換分辨率的影響問題，人們至今還未能有效解決；高階統計量能夠完全抑制任何高斯噪聲，但缺點在于計算量大，抑制的對象只是白噪聲和高斯色噪聲?；煦缯褡臃ㄐ枰来龣z測信號的確切頻率以構造周期策動力，在一定程度上限制了這種方法的適用范圍。

特征向量提取主要是指提取能夠反映故障信息的特征向量。目前應用最為廣泛的方法主要有Hilbert-huang變換和小波包分解，但這兩種方法比較繁瑣且耗時較多。

故障類型的診斷是指對所提取的特征向量進行分類診斷。因果分析診斷法是一種離線的后發性診斷工作，無法實現實時在線診斷；故障樹診斷法受主觀因素影響較大，同時不能診斷不可預知的故障；模糊診斷法利用的信息單一，其診斷精度無法保證；專家診斷系統主要存在推理能力弱、診斷系統建立周期長和知識庫維護性差等問題；神經網絡需要大量的樣本才能保證其診斷的可靠性；粗糙集在構造信息決策表時受主觀影響較大。

由上述分析可知，現有的振動故障診斷方法都有其各自的局限性，由于水電機組事故的頻頻發生，因此亟需一種行之有效的水電機組振動故障診斷方法。

發明內容

本發明的目的在于克服現有技術的不足，提供一種行之有效的水電機組振動故障診斷方法，以有效地對水電機組故障進行精確診斷。

為實現上述目的，本發明采用的技術方案如下：

一種水電機組的振動故障診斷方法，包括以下步驟：

步驟一，利用隨機共振技術對采集到的原始振動信號進行去噪處理；

步驟二，利用多維度排列熵技術對去噪后的振動信號進行特征向量的提??；

步驟三，建立基于改進粒子群算法優化支持向量機的故障診斷模型；

步驟四，將提取的特征向量輸入到基于改進粒子群算法優化支持向量機的模型中進行故障診斷。

本發明的特點還在于，在步驟一中，使用朗之萬方程描述隨機共振系統模型，如式(1)所示：

x·=f(x)+Sn(t)=ax-bx3+Asin(2πf0t)+n(t)---(1)]]>

其中，f(x)＝ax-bx³是一維非線性系統的動力學系統方程，a、b是該系統的參數，S_n(t)是該隨機共振系統的輸入，A為待測信號s(t)＝Asin(2πf₀t)的幅值，n(t)為白噪聲，且n(t)滿足統計平均E[n(t)]＝0和E[n(t)n(t-τ)]＝2Dδ(t)，D是噪聲強度，τ為延遲時間；