申请/专利权人：国家电网有限公司;国网新源水电有限公司;国网新源水电有限公司丰满培训中心

申请日：2020-09-22

公开（公告）日：2024-04-12

公开（公告）号：CN112287752B

主分类号：G06F18/213

分类号：G06F18/213;G06N3/126;G06F18/15;G06F30/27;G06F17/15;G06F17/14;G01M13/00;G06Q50/06;G06F111/04

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.02.23#实质审查的生效;2021.01.29#公开

摘要：本发明一种水力发电机转轴早期故障特征的提取方法，其特点是：包括以下步骤1采集水力发电机转轴早期故障的振动信号；2实现基于信号奇异性与最大相关峭度相结合的故障信号特征增强，同步形成由相关峭度和李氏指数构成的特征样本空间向量；3构造混合核函数，进行水力发电机转轴早期故障的振动信号特征辨识；4基于免疫遗传优化混合核函数参数，并以最优参数实现水力发电机转轴早期故障智能特征辨识与提取；5根据特征提取结果为水力发电机转轴早期故障提供诊断依据。在保障水利发电机转轴早期故障信号有效增强的同时显著提高了最大相关峭度解卷积的参数选择效率与辨识准确率。

主权项：1.一种水力发电机转轴早期故障特征的提取方法，其特征是，包括以下步骤：1采集水力发电机转轴早期故障的振动信号；2依据步骤1采集水力发电机转轴早期故障的振动信号特征增强，实现基于信号奇异性与最大相关峭度相结合的故障信号特征增强，同步形成由相关峭度和李氏指数构成的特征样本空间向量；水力发电机转轴早期故障的振动信号特征增强步骤如下：①水力发电机转轴早期故障的振动信号当通过传感器采集水力发电机转轴故障信号时，由于受传统系统中多种因素的干扰，早期的微弱故障信息被掩盖，实际检测到的振动信号可表示为：xn＝hn*dn1式中：xn为实际检测到的振动信号；hn为电气传动系统的单位脉冲响应，从时域描述对转轴故障冲激信号的调制；dn为转轴故障冲激信号；②变步长最大相关峭度解卷积滤波寻找最大相关峭度滤波的最佳滤波器长度L，使解卷积滤波结果尽可能接近转轴故障冲激信号dn，即 其中，yn为最大相关峭度解卷积滤波输出，f为最大相关峭度滤波器的系数；以相关峭度最大为评价指标判定解卷积滤波结果的逼近程度，计算最大相关峭度的表达式为：式中：M代表移位数；T代表解卷积的周期；n＝1,2,...,L；③基于小波域模极大值与相关峭度的信号奇异性检测A根据小波变换模极大值计算李氏指数一个信号fx∈R某一位置的奇异性常用奇异指数Lipschitzα来描述，简称李氏指数，根据李氏指数定义，设0≤α≤1，常数k，对x0的邻域x有：|fx-fx0|≤k|x-x0|成立，则称fx在x0点具有李氏指数α；其表征了信号fx在x0点可导性的准确信息；其中，α＝1，fx在x0点平滑无奇异性；0α1，fx在x0点光滑性下降；α＝0，fx在x0点间断；α越小说明fx在x0点冲激性越强，且有用信号奇异性表现为正，即α0，噪声则为负，α0；以Wfs,x表示函数fx的小波变换，在尺度s0下，称点s0,x0是局部极值点，在x0上有一过零点，则点s0,x0为小波变换的模极大值点；当x在区间[A,B]中，s＝2j时，若Wfs,x满足：|Wf2j,x|≤k2jα4其中：k是一个常数，则fx在区间[A,B]、尺度j上的李氏指数均匀为α；由上式可见，当α0时，小波变换模极大值与尺度j成正比；反之，成反比；α＝0，小波变换模极大值不变；对于2个尺度Sj，Sj+1，由式1两端取对数并相减，得到： B依据信号与噪声李氏指数评价MCKD的参数L和T的寻优信号的奇异性具有局部性而噪声的奇异性具有全局性，同时信号的奇异性为正，即α0，噪声则α0；因此，MCKD的参数L和T的寻优过程能够在结合信号小波变换的模极大值，直接以一定尺度j上各点的α0作为判定标准，确定MCKD的参数L和T，有效实现信号的噪声滤除与故障信号增强；依据信号与噪声李氏指数评价MCKD的参数L和T的寻优，是采用变步长网格搜索法对参数L和T进行寻优，具体步骤如下：a初步确定L值的搜索范围，设置的搜索范围为[2，256]；b以Sj小波域分解的模极大值点首次搜索，并得到全局最大α及其对应的最优Lj值；c根据步骤a的搜索步长及L值，确定新的搜索范围为[Lj-Sj，Lj+Sj]；d以小尺度Sj+1进行局部搜索，并得到尺度Sj上各点的α0及其对应的最优Lj+1值，而Lj+1即是最优滤波器长度参数，选j＝4或5；3以Sigmoid核函数与高斯径向基核函数构造混合核函数，进行水力发电机转轴早期故障的振动信号特征辨识；步骤如下：核函数选择直接影响支持向量机的泛化能力以及辨识精度，兼顾全局、局部核函数的优点，构造由Sigmoid核函数与高斯径向基核函数线性组合的混合核函数，以故障信号增强过程中计算的李氏指数和信号相关峭度为样本空间：Kmixxi,xj＝βKGxi,xj+1-βKlxi,xj6其中，Kmixxi,xj为构造的混合核函数，KGxi,xj为Sigmoid核函数，Klxi,xj为高斯径向基核函数，β0β1为线性加权因子；Sigmoid核函数：KGxi,xj＝tanhvxi,xj-c7其中，v为尺度，c为衰减参数；具有避免局部极小点缺陷的优点；高斯径向基核函数： 其中，||xi-xj||代表样本空间两个向量间的距离，σ为常数，控制学习能力大小，σ越小学习能力越强；4基于免疫遗传优化混合核函数参数，并以最优参数实现水力发电机转轴早期故障智能特征辨识与提取；具体如下：①混合核函数线性加权因子、惩罚因子及核函数参数优化免疫遗传算法用于优化线性加权因子0β1、惩罚因子λ以及核函数参数c、v和σ，按照支持向量机参数优化流程，由以上参数构造抗体初始向量X：X＝[β,c,v,σ]9以支持向量机的实际输出与期望输出误差的平方和最小为优化目标，样本特征辨识准确率Exi的适应度函数fxi：fxi＝Exi10式中：fxi为第i个抗原的适应度，Exi为第i个抗原对应的支持向量机的特征辨识准确率；②非线性支持向量机故障特征智能辨识将优化得到的参数代入由Sigmoid核函数和高斯径向基核函数构造的混合核函数支持向量机重建的故障诊断模型中，对样本空间特征辨识；以{xi,yi,i＝1,...,n},xi∈Rn,yi∈[-1,1],代表两类线性可分的特征样本空间，其中xi代表输入特征向量，yi为辨识标记；判别函数形式为fx＝ω·x+b,对应分类面方程：ω·x+b＝011对于近似线性可分，引入非负松弛因子ξ，将约束条件改为：yi[ω·xi+b]≥1-ξi,i＝1,...,n12最小化目标中加入惩罚项目标函数为： 式中，c为惩罚因子；优化的具体问题转化为： s.t.0≤ai≤c,i＝1,...,n 支持向量机特征智能辨识中结合核函数，将输入特征的样本空间映射到高维特征空间H，在H空间建立最优超平面实现特征辨识，优化函数为： 与之对应的最优决策函数为： 按照非线性支持向量机故障特征智能辨识流程，将优化参数带入公式15、16，对输入的特征样本实现智能特征辨识；5根据特征提取结果为水力发电机转轴早期故障提供诊断依据。

全文数据：

权利要求：

百度查询： 国家电网有限公司;国网新源水电有限公司;国网新源水电有限公司丰满培训中心 一种水力发电机转轴早期故障特征的提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD