[發明專利]一種基于信息融合技術的水電機組故障診斷方法

在審

• 申請號: 201910020679.3
• 申請日: 2019-01-09
• 公開（公告）號: CN109657647A
• 公開（公告）日: 2019-04-19
• 發明（設計）人: 程加堂;熊燕;艾莉;趙熙靖
• 申請（專利權）人: 紅河學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 韓玙

1.一種基于信息融合技術的水電機組故障診斷方法，其特征在于，具體按照以下步驟實施：

步驟1、采用至少一組加速度傳感器來收集水電機組振動故障的信息，并提取出特征參數；

步驟2、將所述特征參數劃分為訓練數據和測試數據，所述訓練數據用于構建神經網絡模型，所述測試數據用于驗證神經網絡模型的診斷性能；

步驟3、建立至少兩個基于改進布谷鳥搜索算法優化BP神經網絡的初級診斷模型，獲取基本概率賦值；

步驟4、采用證據理論的合成規則對所述基本概率賦值進行信息融合，得出所述水電機組振動故障的診斷結論。

2.根據權利要求1所述的一種基于信息融合技術的水電機組故障診斷方法，其特征在于，步驟1中，所述振動故障的類型分為：轉子不平衡、轉子不對中和尾水管偏心渦帶，上述三種類型構成了振動故障的識別框架；所述特征參數為振動信號頻譜分量的幅值：<0.5f0、f0、2f0、3f0、>3f0，其中f0為基頻。

3.根據權利要求1所述的一種基于信息融合技術的水電機組故障診斷方法，其特征在于，步驟3中，所述建立基于改進布谷鳥搜索算法優化BP神經網絡的初級診斷模型，具體按照以下步驟實施：

步驟3.1、構建BP神經網絡模型，對以下參數進行初始化：訓練步數、學習率、學習目標以及隱含層神經元個數，并確定轉移函數與訓練函數；

步驟3.2、初始化改進布谷鳥搜索算法，初始化參數包括：種群規模N、最大迭代次數t_max、發現概率p_a以及刻度因子α₀；

步驟3.3、生成初始解x_i(i＝1,2,…,N)，計算其適應度f(x_i)；

步驟3.4、記錄最優解x_best及其適應度f_best；

步驟3.5、若當前迭代次數t＜t_max，搜索最優解，且每次循環后，迭代次數加1；否則跳轉至步驟3.12；

步驟3.6、計算步長因子；

步驟3.7、采用Levy飛行策略生成新解；

步驟3.8、計算新解的適應度，若新解優于當前解，則用新解替換當前解；否則保留當前解；

步驟3.9、采用偏好隨機行走再次生成新解；

步驟3.10、計算新解的適應度，若新解優于當前解，則用新解替換當前解；

步驟3.11、記錄最佳適應度及最優解；

步驟3.12、將最優解作為BP神經網絡的權閾值參數；

步驟3.13、采用改進布谷鳥搜索算法優化的BP神經網絡對所述水電機組振動故障進行診斷，并將診斷結果進行歸一化處理后作為證據理論的基本概率賦值。

4.根據權利要求3所述的一種基于信息融合技術的水電機組故障診斷方法，其特征在于，步驟3.1中，所述BP神經網絡選擇三層拓撲的網絡；所述轉移函數選擇tansig和logsig；所述訓練函數選擇trainlm函數。

5.根據權利要求3所述的一種基于信息融合技術的水電機組故障診斷方法，其特征在于，步驟3.6中，所述步長因子的計算規則表示為：

式(1)中，f_avg為種群的平均適應度，a₀為刻度因子。

6.根據權利要求3所述的一種基于信息融合技術的水電機組故障診斷方法，其特征在于，步驟3.7中，所述Levy飛行策略表示為：

式(2)和(3)中，u_i與x_i分別為新解和當前解；表示點乘積；z和v為兩個服從正態分布的隨機數；β為分布參數。

7.根據權利要求3所述的一種基于信息融合技術的水電機組故障診斷方法，其特征在于，步驟3.9中，所述偏好隨機行走表示為：

式(4)中，r和rand為兩個服從均勻分布的隨機數；p_a為發現概率；x_m和x_n為兩個隨機解。

8.根據權利要求1所述的一種基于信息融合技術的水電機組故障診斷方法，其特征在于，步驟4中，所述證據理論的合成規則描述為：

式(5)和(6)中，m₁(A_i)與m₂(B_j)分別為命題A_i和B_j的基本概率賦值；k的大小表示證據間的沖突強度。