[发明专利]一种基于信息融合技术的水电机组故障诊断方法

说明书

本发明公开了一种基于信息融合技术的水电机组故障诊断方法，首先，提取水电机组不同振动故障的特征参数；构建相应的训练集和测试集；再建立三个独立的改进布谷鸟搜索算法优化BP神经网络模型，对水电机组的振动故障进行初级诊断；将初级诊断结果作为证据理论的独立证据体，进行最终的融合决策。本发明利用布谷鸟搜索算法在迭代过程中的适应度来调整步长因子，强化了面向复杂优化问题的适应性；此外，本发明采用基于信息融合技术的故障诊断方法，增强了诊断模型的鲁棒性和容错性，进而有效提高了水电机组振动故障诊断的准确度。

技术领域

本发明属于水电机组故障诊断技术领域，涉及一种基于信息融合技术的水电机组故障诊断方法。

背景技术

水电机组(HGU)在运行过程中易受到水力、机械、电磁等因素的耦合影响，随着运行时间的累积，水电机组及其辅助设备难免会发生故障甚至失效，其故障通常以振动的形式表现出来；因此，准确提取振动信号的特征并正确识别其故障类型，对保证水电机组的安全稳定运行具有重要意义。

近年来，随着人工智能技术的发展，多种智能诊断方法已应用于水电机组(HGU)的故障诊断中，如支持向量机(SVM)、BP神经网络(BPNN)以及自组织映射神经网络(SOM)等；然而，支持向量机对缺失数据敏感；而BPNN具有收敛速度慢、处理复杂问题的能力差等缺陷；不同的初始条件对SOM网络的学习过程以及学习结果有着非常敏感的影响。基于此，研究者选择将人工智能与优化算法相结合进而诊断水电机组的振动故障。但由于算法运行的随机性，需要多次实验才能获得较满意的诊断结果。因此，选择适宜的优化算法是非常必要的。

布谷鸟搜索(CS)是一种新颖的优化算法，鉴于其模型简单且易于实现，已被应用于不同的工程领域。研究表明，CS优于遗传算法(GA)和粒子群优化(PSO)算法。然而，在原始CS算法中，步长因子对优化问题较敏感；对于不同的问题，它可以设置为1、0.1或0.01。显然，合理设置步长因子是一项挑战性工作。因此，需要对CS算法进行改进，以提高其优化性能。此外，BP神经网络的诊断性能受初始权阈值参数设置的影响严重，其求解复杂非线性问题时易出现过拟合。

发明内容

本发明的目的是提供一种基于信息融合技术的水电机组故障诊断方法，解决了现有技术中存在的CS算法与BP神经网络融合的智能诊断方法适应性差、步长因子对优化问题敏感以及BP神经网络求解复杂非线性问题能力差的问题。

本发明所采用的技术方案是，一种基于信息融合技术的水电机组故障诊断方法，具体按照以下步骤实施：

步骤1、采用至少一组加速度传感器来收集水电机组振动故障的信息，并提取出特征参数；

步骤2、将特征参数划分为训练数据和测试数据，训练数据用于构建神经网络模型，测试数据用于验证神经网络模型的诊断性能；

步骤3、建立至少两个基于改进布谷鸟搜索算法优化BP神经网络的初级诊断模型，获取基本概率赋值；

步骤4、采用证据理论的合成规则对基本概率赋值进行信息融合，得出所述水电机组振动故障的诊断结论。

本发明的特点还在于：

步骤1中，振动故障的类型分为：转子不平衡、转子不对中和尾水管偏心涡带，上述三种类型构成了振动故障的识别框架，特征参数为振动信号频谱分量的幅值：<0.5f0、f0、2f0、3f0、>3f0，其中，f0为基频；

步骤3中，建立基于改进布谷鸟搜索算法优化BP神经网络的初级诊断模型，具体按照以下步骤实施：

步骤3.1、构建BP神经网络模型，对以下参数进行初始化：训练步数、学习率、学习目标以及隐含层神经元个数，并确定转移函数与训练函数；