[发明专利]基于重尾分布的KDSNE水电机组噪声源检测方法

说明书

技术领域

本发明是一种水电机组噪声源检测方法，具体地说，是涉及一种基于重尾分布的KDSNE水电机组噪声源检测方法。

背景技术

水能资源是我国当前具备大规模开发条件的第二大能源和第一大可再生资源，是未来15年我国能源发展的重点战略方向。小水电作为清洁的可再生能源，具有很大的公益性，也是我国新农村建设的重要内容，是国家政策扶持的“六小工程”之一。小水电站根据容量大小的不同，在不同时期的小水电概念也有所不同。我国现在采用欧洲小水电协会(ESHA)、欧盟委员会以及国际发电业与配电业联盟(UNIPEDE)的定义：小水电是指任何规模的装机容量在10MW以下的水电站。

小水电容量虽小，但分散布点、易于开发，对小规模水利发电发挥着重要的作用，为中国特色农村电气化的建设、新农村建设和发展以及解决“三农”问题做出了极大的贡献。但是目前大多数的水电站对水电机组的异常噪声主要采用人工操表、分析判断的处理方法。这种方式不但速度慢，而且还会影响噪声源判断的准确性。因此对于小水电站水电机组状态的异常噪声源检测方法进行从人力到机器学习方面的改进，减少资金人力成本，提高响应速度和精度是很有必要的。

小水电站水电机组状态的故障检测的实质是了解并掌握设备在运行过程中的性能状态，评估、预测设备的稳定性和可靠性，发现故障噪声并对其噪声位置源以及破坏程度等信息进行判别和分析，估计故障的可能发展趋势，并针对具体情况做出相应决策。它主要包含了三个方面的内容：一是对设备运行的状态进行及时监控；二是在发现异常噪声信号后对设备的故障源进行诊断；三是对确定的故障从噪声位置源以及破坏程度进行研究并及时采取相应措施。

在故障检测的过程中特征提取是最关键的一步，即发现异常噪声信号后对设备的故障源进行诊断这一环节，好的特征提取方法能够给出设备实时运作状态的精确描述，使得后续的诊断环节能够获得更好的精度和速度。因此对于故障检测方法的研究主要是对故障信号特征提取方法的研究。

目前流形学习方法在故障检测上的技术主要可分为3类：(1)基于核函数主元分析的故障检测技术；(2)基于核函数的判别分析方法的故障检测技术；(3)基于局部线性流形学习方法的故障检测技术。本发明属于第(2)类基于核函数的判别分析方法的故障检测技术，称为一种基于重尾分布的KDSNE水电机组噪声源检测方法。

发明内容

本发明要克服现有技术资金人力成本高，响应速度慢、精度差的缺点，提供一种高效的异常噪声源诊断方法，通过对设备状态信息的学习发现潜在的模式和规律，进而形成并掌握相应的判别知识，对未知的设备异常状态和噪声故障源做出准确的识别。其具有非线性处理能力且能够快速有效地处理高维数据，减少海量高维数据的存储空间。

本发明解决其技术问题所采用的技术方案是：

一种基于重尾分布的KDSNE水电机组噪声源检测方法，包括以下步骤：

a)初始信号采集：利用水电机组上的振动传感器采集振动信号。初始信号采集需要采集一组能够比较全面反映不同噪声源振动异常的样本对象；

b)信号预处理：对传感器采集的时域信号进行小波去噪，时频域转换以及提取适当频率上的幅值构成输入样本对象；

c)数据特征提取：运用基于重尾分布的KDSNE算法计算最佳线性投影矩阵B，根据线性投影矩阵对样本对象进行特征降维；

d)噪声源分类判别：采用最近邻分类器对异常振动数据所属的噪声源部位类型进行判别分类；

e)结果输出：输出分类信息以确定噪声源状态。

最后对噪声源状态进行报警及应急处理。

具体来讲，在本发明的水电机组噪声源检测方法中，所述数据特征提取过程具体包括下述步骤：

a1确定样本矩阵X=[x₁,x₂,...,x_N]及其类别标签，确定核函数，设定方差参数λ以及最大迭代次数Mt；

a2根据步骤a1中样本矩阵X计算输入样本间两两欧氏距离，原空间的样本相似度和类别标签计算联合概率P_ij：