[发明专利]一种水轮发电机组振动故障的特征提取方法

说明书

技术领域

本发明属于提取方法技术领域，涉及一种水轮发电机组振动故障的特征提取方法。

背景技术

水轮发电机组在水电厂中至关重要，其运行状况直接关系整个系统的安全可靠运行，因此必须加强对其进行状态监测与故障诊断。振动问题在水电机组中十分常见，故可作为评估机组运行状态的一个重要指标。但由于在实际运行中，机组可能同时发生多种振动故障，这些故障信号之间会相互影响与干涉，而且由于存在噪声干扰，早期以及微弱的振动信号会被完全淹没，其波形也会出现失真，从而导致无法获得真实的故障信息。如何全面、准确及有效地从混合信号提取到故障特征信号是必须解决的问题。

小波分析(wavelet transform，WT)在时频域上均具有良好的局部分析能力，但由于其需要预先选择合适的小波基、分解层数以及阈值，具有较大的不确定性；经验模态分解(empirical mode decomposition，EMD)可根据信号本身的局部特征，自适应地将其分解为多个本征模态分量(intrinsic mode function，IMF)，因而被广泛应用于非线性及非平稳性信号的处理。但EMD分解很容易产生模态混叠，由此现有的文献中提到了集合经验模态分解(ensemble empirical mode decomposition，EEMD)。EEMD方法利用了高斯白噪声频率均匀分布的特性，可有效抑制模态混叠。但是，一方面在强噪声背景下，单独使用该方法很难从混合信号中提取到早期或微弱的故障信号；另一方面，经该方法处理得到的IMF中，只有若干个IMF与故障信号紧密相关，而其余则为无关分量或干扰成分，因此需要选择有效的IMF以凸显故障特征。

快速独立分量分析(fast independent component analysis，FastICA)是由芬兰赫尔辛基大学 inen等人提出来的一种特征提取方法。该方法可从未知的混合信号中有效地分离出若干个相互独立的分量，且基本不受强噪声或干扰的影响。基于该方法的优势，将其应用于水轮发电机组振动信号的特征提取中，首先用FastICA方法对原始信号进行分离，再结合EEMD对各个分量进行分解，然后计算其对应的各个IMF的归一化能量与归一化相关系数，选取满足对应阈值要求的有效IMF进行重构，最终获得能表征机组振动的特征信号。

发明内容

本发明的目的在于提供一种水轮发电机组振动故障的特征提取方法，将快速独立分量分析与集合经验模态分解相结合应用于水轮发电机组振动信号的特征提取中，解决了水轮发电机组中振动故障难以被准确识别的问题。

本发明的所采用的技术方案是，一种水轮发电机组振动故障的特征提取方法，具体按照以下步骤实施：

步骤1、利用FastICA方法对原始信号进行处理；

步骤2、经步骤1后，依次对y_i进行EEMD分解；

步骤3、经步骤2后，计算y_i所对应的所有IMF的归一化能量与归一化相关系数，并给定相应的能量阈值T_i与系数阈值ξ_i；

步骤4、经步骤3后，分别选取x_i中满足能量阈值T_i与系数阈值ξ_i要求的IMF，取二者的并集作为最终的有效IMF，并进行重构；

步骤5、经步骤4后，从重构信号中找出能表征机组振动的特征信号。

本发明的特点还在于：

步骤1具体按照以下步骤实施：

步骤1.1、对原始信号X进行去均值处理，使X→X′，其中X′均值为0；

步骤1.2、经步骤1.1后，利用主分量分析(PCA)进行白化处理，具体算法如下：

z＝W_oX′；

式中：W_o为白化矩阵，Λ和U分别代表协方差矩阵C_x′的特征向量矩阵和特征值矩阵；

步骤1.3、经步骤1.2后，设定待提取独立分量数目为n，设定迭代次数m→1；

步骤1.4、经步骤1.3后，随机选择初始权矢量W_m(0)，且满足如下关系：

||W_m(0)||＝1；

步骤1.5、经步骤1.4后，开始进行迭代计算，具体按照以下算法实施：