阅读说明：本技术 一种大型水轮发电机组故障诊断方法 (Fault diagnosis method for large hydroelectric generating set ) 是由 马建峰 潘骏 周叶 陈文华 缪熙熙 曹登峰 刘胜柱 成德明 张炜 邵保安 于 2021-01-20 设计创作，主要内容包括：本发明公开了一种大型水轮发电机组故障诊断方法,先采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号,信号数据分为训练集和测试集,每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；然后利用采样频率信息,使用快速谱峭度将水轮发电机振动时域信号转换为频域信号；用堆叠稀疏自编码器对频域信号进行分类；用粒子群优化算法对堆叠稀疏自编码器进行超参数选择,进而选择适用于水轮发电机组故障诊断的最优超参数；采用已训练合格的堆叠自编码网络对测试样本进行测试,以识别水轮发电机组的振动信号的故障类型。本发明无需大量故障样本数据即可对水轮机故障进行诊断,并且故障诊断精度高。(The invention discloses a fault diagnosis method for a large-scale water turbine generator set, which comprises the steps of firstly collecting fault vibration signals of n types of water turbine generators and vibration signals of normal operation of the water turbine generators, dividing signal data into a training set and a testing set, wherein each (n +1) vibration conditions need to collect 100 data points for training and 50 data points for testing; then, converting the vibration time domain signal of the hydraulic generator into a frequency domain signal by using the sampling frequency information and the rapid spectral kurtosis; classifying the frequency domain signals by using a stacked sparse self-encoder; carrying out super-parameter selection on the stacked sparse self-encoder by using a particle swarm optimization algorithm, and further selecting an optimal super-parameter suitable for fault diagnosis of the hydroelectric generating set; and testing the test sample by adopting the trained and qualified stacked self-coding network so as to identify the fault type of the vibration signal of the water-turbine generator set. The method can diagnose the fault of the water turbine without a large amount of fault sample data, and has high fault diagnosis precision.)

一种大型水轮发电机组故障诊断方法

技术领域

本发明涉及水轮发电机技术领域，具体涉及一种大型水轮发电机组故障诊断方法。

背景技术

随着人们节能环保意识的增强，作为绿色能源的水力发电正在大力发展。我国的大型水电站具有髙水头、高海拔、空化性能差、机械振动强烈、布置复杂、多机组共水力单元、引水管道长、水流惯性巨大、水力电力耦合密切等特点，使得水轮发电机组运行环境日趋恶劣，引起水轮发电机组故障的激励因素越来越多，给水轮发电机组的安全稳定运行带来了一系列亟待解决的国际学术前沿问题和工程技术难题。为确保水轮发电机组在整个生命周期内安全可靠运行，有必要对机组进行精确故障诊断，以提髙机组动态性能与运行效率，防范水电站灾难性事故发生。

在现有技术中，形成了一些围绕水轮发电机组开展故障诊断的理论，其中专家系统技术和神经网络技术是研究与应用的热点。基于专家系统的故障诊断方法利用了专家积累的丰富实践经验，通过模仿专家分析问题和解决问题的思路，能够解释推理过程，成为故障诊断的一种方法。但专家系统获取知识能力、容错能力、以及自我学习能力较差，在水轮机故障诊断中应用并获得成功的例子不太有。而神经网络的出现为水电机组故障诊断提供了一种新的解决方案。该故障诊断系统涉及五个主要步骤：数据/信号采集，数据/信号预处理，特征提取，特征缩减/选择以及故障诊断。近年来，随着技术的不断发展，该故障诊断系统已经发展到出了深度学习模型，深度学习模型将故障诊断过程简化为三个主要步骤：信号采集，信号预处理和故障诊断。因为深度学习模型具有多个隐藏层，所以特征提取和选择任务是自动化的。但深度学习模型需要大型数据集才能使学习过程有效，以产生准确的故障诊断结果。水电机组具有异常样本数据少，故障无标定的特点，因此，深度学习模型容易出现过拟合问题。

发明内容

本发明的目的是为了提供一种大型水轮发电机组故障诊断方法，无需大量故障样本数据，并且故障诊断精度高。

为了实现上述目的，本发明采用以下技术方案：

一种大型水轮发电机组故障诊断方法，包括如下步骤：

a.采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，信号数据分为训练集和测试集，每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；

b.利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号，

K_x(f)＝S₄(f)/(S₂(f))²-2 (公式1)

S_n(f)＝E〈|L(f,t)|ⁿ〉 (公式2)

其中，f≠0，S_n(f)为信号的n阶谱矩，E〈·〉为取均值，|·|为取模，L(f,t)是信号x(t)在f处的复包络；

c.用堆叠稀疏自编码器对频域信号进行分类；

d.稀疏自动编码器对隐藏单元施加约束，从而激活非活动隐藏单元；

e.用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；

f.采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。

作为优选，堆叠稀疏自编码器使用公式3将输入数据映射进隐藏层，隐藏层通过公式4重建，

公式3为：公式4为：

其中为输入层和隐藏层之间的权值矩阵，b为输入层和隐藏层之间的偏置向量。

作为优选，在步骤d中，稀疏自动编码器的重构误差为：

其中，代表Kullberg-Leibler散度，β是稀疏性惩罚项的权重，ρ是稀疏度参数，是隐藏节点的平均激活量。

作为优选，粒子群优化算法包括个体经验、整体经验和粒子目前的运动三个参数，每个粒子的位置和速度可通过公式6和公式7得到：

其中d为粒子第k次迭代的维数(1≤d≤n)，v是在这个范围内第i个粒子的速度，w是惯性的权重，c₁和c₂分别代表个体和整体学习因素。

作为优选，堆叠稀疏自编码器的最后一层为softmax分类器，softmax方程定义为：

其中：θ₁，θ₂，……，θ_k∈Rⁿ⁺¹是模型参数。

作为优选，通过公式9使全球勘探和局部勘探的能力达到平衡，

其中：w_min为最小惯性权值，w_max为最大惯性权值，u为当前迭代。

因此，本发明具有如下有益效果：采用有限的水轮发电机故障样本数据即可精准诊断识别水轮发电机故障；本发明无需大量故障样本数据，并且故障诊断精度高。

具体实施方式

一种大型水轮发电机组故障诊断方法，包括如下步骤：

a.采集n种类型的水轮发电机故障振动信号和水轮发电机正常运行的振动信号，信号数据分为训练集和测试集，每个(n+1)种振动状况需采集用于训练的100个数据点和用于测试的50个数据点；

b.利用采样频率信息，使用快速谱峭度将水轮发电机振动时域信号转换为频域信号，

K_x(f)＝S₄(f)/(S₂(f))²-2 (公式1)

S_n(f)＝E<|L(f,t)|ⁿ> (公式2)

其中，f≠0，S_n(f)为信号的n阶谱矩，E<·>为取均值，|·|为取模，L(f,t)是信号x(t)在f处的复包络；

c.用堆叠稀疏自编码器对频域信号进行分类；

d.稀疏自动编码器对隐藏单元施加约束，从而激活非活动隐藏单元；

e.用粒子群优化算法对堆叠稀疏自编码器进行超参数选择，进而选择适用于水轮发电机组故障诊断的最优超参数；

f.采用已训练合格的堆叠自编码网络对测试样本进行测试，以识别水轮发电机组的振动信号的故障类型。

本发明引入堆叠稀疏自编码器对频域信号进行分类。首先进行堆叠稀疏自编码器预先参数设置，堆叠稀疏自编码器是由多个稀疏自编码器叠加而成的。一个稀疏自动编码器包含编码器，隐藏层，解码器功能。

优选地，堆叠稀疏自编码器使用公式3将输入数据映射进隐藏层，隐藏层通过公式4重建，公式3为：公式4为：其中为输入层和隐藏层之间的权值矩阵，b为输入层和隐藏层之间的偏置向量。

稀疏自动编码器对自动编码器的隐藏单元施加了约束，从而激活非活动隐藏单元。

进一步地，在步骤d中，稀疏自动编码器的重构误差为：

其中，代表Kullberg-Leibler散度，β是稀疏性惩罚项的权重，ρ是稀疏度参数，是隐藏节点的平均激活量。

更进一步地，粒子群优化算法包括个体经验、整体经验和粒子目前的运动三个参数，每个粒子的位置和速度可通过公式6和公式7得到：

其中d为粒子第k次迭代的维数(1≤d≤n)，v是在这个范围内第i个粒子的速度，w是惯性的权重，c₁和c₂分别代表个体和整体学习因素。

本发明基于粒子群优化算法对堆叠稀疏自编码器进行超参数选择。由于有限的数据样本可能导致网络容易过拟合训练数据，堆叠稀疏自编码器的重要超参数是调节器，由于调节器能够减少过度拟合的问题，因此本发明对其进行优化调整。具体地，通过选择稀疏度参数、隐藏节点的平均激活量、稀疏性惩罚项的权重进行同时优化。

优选地，堆叠稀疏自编码器的最后一层为softmax分类器，softmax方程定义为：

其中：θ₁，θ₂，……，θ_k∈Rⁿ⁺¹是模型参数。

进一步地，通过公式9使全球勘探和局部勘探的能力达到平衡，

其中：w_min为最小惯性权值，w_max为最大惯性权值，u为当前迭代。