[發明專利]一種水輪發電機組振動故障的特征提取方法在審

申請號：	201710178597.2	申請日：	2017-03-23
公開（公告）號：	CN106895906A	公開（公告）日：	2017-06-27
發明（設計）人：	賈嶸;趙佳佳;張惠智;武樺;黨建;董開松	申請（專利權）人：	西安理工大學
主分類號：	G01H17/00	分類號：	G01H17/00
代理公司：	西安弘理專利事務所61214	代理人：	楊璐
地址：	710048***	國省代碼：	陜西;61
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種水輪發電機組振動故障特征提取方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

技術領域

本發明屬于提取方法技術領域，涉及一種水輪發電機組振動故障的特征提取方法。

背景技術

水輪發電機組在水電廠中至關重要，其運行狀況直接關系整個系統的安全可靠運行，因此必須加強對其進行狀態監測與故障診斷。振動問題在水電機組中十分常見，故可作為評估機組運行狀態的一個重要指標。但由于在實際運行中，機組可能同時發生多種振動故障，這些故障信號之間會相互影響與干涉，而且由于存在噪聲干擾，早期以及微弱的振動信號會被完全淹沒，其波形也會出現失真，從而導致無法獲得真實的故障信息。如何全面、準確及有效地從混合信號提取到故障特征信號是必須解決的問題。

小波分析(wavelet transform，WT)在時頻域上均具有良好的局部分析能力，但由于其需要預先選擇合適的小波基、分解層數以及閾值，具有較大的不確定性；經驗模態分解(empirical mode decomposition，EMD)可根據信號本身的局部特征，自適應地將其分解為多個本征模態分量(intrinsic mode function，IMF)，因而被廣泛應用于非線性及非平穩性信號的處理。但EMD分解很容易產生模態混疊，由此現有的文獻中提到了集合經驗模態分解(ensemble empirical mode decomposition，EEMD)。EEMD方法利用了高斯白噪聲頻率均勻分布的特性，可有效抑制模態混疊。但是，一方面在強噪聲背景下，單獨使用該方法很難從混合信號中提取到早期或微弱的故障信號；另一方面，經該方法處理得到的IMF中，只有若干個IMF與故障信號緊密相關，而其余則為無關分量或干擾成分，因此需要選擇有效的IMF以凸顯故障特征。

快速獨立分量分析(fast independent component analysis，FastICA)是由芬蘭赫爾辛基大學 inen等人提出來的一種特征提取方法。該方法可從未知的混合信號中有效地分離出若干個相互獨立的分量，且基本不受強噪聲或干擾的影響。基于該方法的優勢，將其應用于水輪發電機組振動信號的特征提取中，首先用FastICA方法對原始信號進行分離，再結合EEMD對各個分量進行分解，然后計算其對應的各個IMF的歸一化能量與歸一化相關系數，選取滿足對應閾值要求的有效IMF進行重構，最終獲得能表征機組振動的特征信號。

發明內容

本發明的目的在于提供一種水輪發電機組振動故障的特征提取方法，將快速獨立分量分析與集合經驗模態分解相結合應用于水輪發電機組振動信號的特征提取中，解決了水輪發電機組中振動故障難以被準確識別的問題。

本發明的所采用的技術方案是，一種水輪發電機組振動故障的特征提取方法，具體按照以下步驟實施：

步驟1、利用FastICA方法對原始信號進行處理；

步驟2、經步驟1后，依次對y_i進行EEMD分解；

步驟3、經步驟2后，計算y_i所對應的所有IMF的歸一化能量與歸一化相關系數，并給定相應的能量閾值T_i與系數閾值ξ_i；

步驟4、經步驟3后，分別選取x_i中滿足能量閾值T_i與系數閾值ξ_i要求的IMF，取二者的并集作為最終的有效IMF，并進行重構；

步驟5、經步驟4后，從重構信號中找出能表征機組振動的特征信號。

本發明的特點還在于：

步驟1具體按照以下步驟實施：

步驟1.1、對原始信號X進行去均值處理，使X→X′，其中X′均值為0；

步驟1.2、經步驟1.1后，利用主分量分析(PCA)進行白化處理，具體算法如下：