[發(fā)明專利]基于概率神經(jīng)網(wǎng)絡(luò)的水輪機(jī)運(yùn)行故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910041205.7
• 申請(qǐng)日: 2019-01-16
• 公開(kāi)（公告）號(hào): CN109751173A
• 公開(kāi)（公告）日: 2019-05-14
• 發(fā)明（設(shè)計(jì)）人: 蘭朝鳳;李水靜;劉巖;趙宏運(yùn);劉春東
• 申請(qǐng)（專利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類號(hào): F03B11/00
• 分類號(hào): F03B11/00
• 代理公司: 哈爾濱市文洋專利代理事務(wù)所(普通合伙) 23210
• 代理人: 何強(qiáng)

1.基于概率神經(jīng)網(wǎng)絡(luò)的水輪機(jī)運(yùn)行故障診斷方法，其特征在于，所述方法包括：

S1、將水輪機(jī)的主要相關(guān)工況參數(shù)與壓力脈動(dòng)信號(hào)進(jìn)行特征融合形成融合特征向量，作為概率神經(jīng)網(wǎng)絡(luò)的輸入，將水輪機(jī)的運(yùn)行狀態(tài)作為所述概率神經(jīng)網(wǎng)絡(luò)的輸出，構(gòu)建概率神經(jīng)網(wǎng)絡(luò)的故障診斷模型；

S2、利用構(gòu)建的故障診斷模型實(shí)時(shí)監(jiān)測(cè)水輪機(jī)的運(yùn)行狀態(tài)，進(jìn)行故障診斷。

2.根據(jù)權(quán)利要求1所述的基于概率神經(jīng)網(wǎng)絡(luò)的水輪機(jī)運(yùn)行故障診斷方法，其特征在于，所述S1中，水輪機(jī)的主要相關(guān)工況參數(shù)的獲取方法，包括：

將水輪機(jī)運(yùn)行工況和壓力脈動(dòng)信號(hào)一同作為特征進(jìn)行識(shí)別，通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行互信息計(jì)算，并根據(jù)計(jì)算的互信息，求得水輪機(jī)各種工況參數(shù)對(duì)壓力脈動(dòng)信號(hào)影響的重要程度，進(jìn)而求得水輪機(jī)的主要相關(guān)工況參數(shù)。

3.根據(jù)權(quán)利要求2所述的基于概率神經(jīng)網(wǎng)絡(luò)的水輪機(jī)運(yùn)行故障診斷方法，其特征在于，

將每個(gè)壓力脈動(dòng)信號(hào)與所有工況參數(shù)之間的平均影響程度進(jìn)行降序排序，計(jì)算水輪機(jī)振動(dòng)變量的前n個(gè)工況參數(shù)的相關(guān)程度之和，當(dāng)其大于設(shè)定值時(shí)，則認(rèn)為前n個(gè)工況參數(shù)為對(duì)應(yīng)振動(dòng)變量的主要相關(guān)工況參數(shù)，即為待測(cè)水輪機(jī)的主要相關(guān)工況參數(shù)。

4.根據(jù)權(quán)利要求2所述的基于概率神經(jīng)網(wǎng)絡(luò)的水輪機(jī)運(yùn)行故障診斷方法，其特征在于，所述水輪機(jī)各種工況參數(shù)對(duì)壓力脈動(dòng)信號(hào)影響的重要程度，表示為：

式中，δ_i,j為水輪機(jī)第j個(gè)工況參數(shù)對(duì)第i個(gè)壓力脈動(dòng)信號(hào)的影響程度，J表示工況參數(shù)的數(shù)量，I_i,j為水輪機(jī)第i個(gè)壓力脈動(dòng)信號(hào)與第j個(gè)工況參數(shù)之間的互信息；

X表示第i個(gè)壓力脈動(dòng)信號(hào)，Y表示j個(gè)工況參數(shù)，p(x,y)為隨機(jī)變量x與隨機(jī)變量y的聯(lián)合概率密度函數(shù)，p(x)與p(y)分別為隨機(jī)變量x與隨機(jī)變量y的邊緣概率密度函數(shù)。

5.根據(jù)權(quán)利要求2所述的基于概率神經(jīng)網(wǎng)絡(luò)的水輪機(jī)運(yùn)行故障診斷方法，其特征在于，采用正常狀態(tài)、警戒狀態(tài)、報(bào)警狀態(tài)和故障狀態(tài)四種類別表示概率神經(jīng)網(wǎng)絡(luò)輸出的運(yùn)行狀態(tài)。