[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

本發明公開了一種基于信息融合技術的水電機組故障診斷方法，首先，提取水電機組不同振動故障的特征參數；構建相應的訓練集和測試集；再建立三個獨立的改進布谷鳥搜索算法優化BP神經網絡模型，對水電機組的振動故障進行初級診斷；將初級診斷結果作為證據理論的獨立證據體，進行最終的融合決策。本發明利用布谷鳥搜索算法在迭代過程中的適應度來調整步長因子，強化了面向復雜優化問題的適應性；此外，本發明采用基于信息融合技術的故障診斷方法，增強了診斷模型的魯棒性和容錯性，進而有效提高了水電機組振動故障診斷的準確度。

技術領域

本發明屬于水電機組故障診斷技術領域，涉及一種基于信息融合技術的水電機組故障診斷方法。

背景技術

水電機組(HGU)在運行過程中易受到水力、機械、電磁等因素的耦合影響，隨著運行時間的累積，水電機組及其輔助設備難免會發生故障甚至失效，其故障通常以振動的形式表現出來；因此，準確提取振動信號的特征并正確識別其故障類型，對保證水電機組的安全穩定運行具有重要意義。

近年來，隨著人工智能技術的發展，多種智能診斷方法已應用于水電機組(HGU)的故障診斷中，如支持向量機(SVM)、BP神經網絡(BPNN)以及自組織映射神經網絡(SOM)等；然而，支持向量機對缺失數據敏感；而BPNN具有收斂速度慢、處理復雜問題的能力差等缺陷；不同的初始條件對SOM網絡的學習過程以及學習結果有著非常敏感的影響。基于此，研究者選擇將人工智能與優化算法相結合進而診斷水電機組的振動故障。但由于算法運行的隨機性，需要多次實驗才能獲得較滿意的診斷結果。因此，選擇適宜的優化算法是非常必要的。

布谷鳥搜索(CS)是一種新穎的優化算法，鑒于其模型簡單且易于實現，已被應用于不同的工程領域。研究表明，CS優于遺傳算法(GA)和粒子群優化(PSO)算法。然而，在原始CS算法中，步長因子對優化問題較敏感；對于不同的問題，它可以設置為1、0.1或0.01。顯然，合理設置步長因子是一項挑戰性工作。因此，需要對CS算法進行改進，以提高其優化性能。此外，BP神經網絡的診斷性能受初始權閾值參數設置的影響嚴重，其求解復雜非線性問題時易出現過擬合。

發明內容

本發明的目的是提供一種基于信息融合技術的水電機組故障診斷方法，解決了現有技術中存在的CS算法與BP神經網絡融合的智能診斷方法適應性差、步長因子對優化問題敏感以及BP神經網絡求解復雜非線性問題能力差的問題。

本發明所采用的技術方案是，一種基于信息融合技術的水電機組故障診斷方法，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、將特征參數劃分為訓練數據和測試數據，訓練數據用于構建神經網絡模型，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。

本發明的特點還在于：

步驟1中，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，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；

步驟3中，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；