[发明专利]一种基于SDAE-IELM的水轮机组故障诊断方法

权利要求书

1.一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：包括如下步骤：

步骤1：采用自适应噪声添加的完备集合经验模态分解算法CEEMDAN对水轮机组振动信号进行分解，获取反映信号局部时间尺度特征的固有模态函数IMF分量；

步骤2：对由IMF分量构成的时频矩阵按时段划分并计算各分段的能量值，从而将时频矩阵转化为能量矩阵；

步骤3：采用SDAE对能量矩阵进行特征提取；

步骤4：采用IELM实现已知故障类型的分类及未知故障类型的检测。

2.如权利要求1所述的一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：所述步骤1，具体包括：

定义操作符E_j(x)代表着EMD分解所获取的第j阶IMF分量，n_i为服从N(0，1)分布的高斯白噪声，ε_i为控制着辅助噪声与原始信号信噪比的系数；

给定待处理信号x(t)，则CEEMDAN算法可描述如下：

1)CEEMDAN的第1个IMF分量与EEMD算法相同：

其中，i＝1,2,…，I，I为辅助噪声添加次数。

2)在第1阶段(k＝1)，计算第一个余量：

3)对信号r₁(t)+ε₁E₁(n_i(t))进行EMD分解，则第2个IMF分量可表示为：

4)同理，对于k＝2，3，…，K的各阶段，计算第k个余量r_k(t)：

其中，K为IMF分量的总阶数；

5)对信号r_k(t)+ε_kE_k(n_i(t))进行EMD分解，则第k+1个IMF分量可表示为：

6)直至余量r(t)满足残差分量终止条件，最终，原始信号可被分解为：

3.如权利要求1所述的一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：所述步骤2，具体包括：

CEEMDAN分解后获得M个IMF分量，即形成M×N大小的时频矩阵，其中，N为时间序列的长度；

沿时域方向，将时频矩阵等间距划分成L个时段，构成M×L个分块时频矩阵，其中每个分块矩阵的长度为N/L；设为第m个频带中第l个时段对应的时间序列，其能量值E_l,m的计算公式如下：

由式(11)，可将时频矩阵转化为分块能量矩阵。

4.如权利要求1所述的一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：所述步骤3，具体包括：

设计一个由多个降噪自动编码器顺序堆叠的神经网络，简称为堆栈降噪自动编码器SDAE；

一旦一个DAE网络完成训练，输入数据在隐含层的压缩表示将作为下一个DAE网络的输入；依次进行多个DAE的堆叠，并将最后一个网络的压缩表示作为原始信号的特征。

5.如权利要求4所述的一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：还包括：在无监督SDAE的基础上添加了一个微调模块，即给定训练样本的标签，构建成一个监督式学习的模型，通过微调已构建好的网络参数，以此来增强SDAE模型的鲁棒性及泛化性。

6.如权利要求1所述的一种基于SDAE-IELM的水轮机组故障诊断方法，其特征在于：所述步骤4，具体包括：

通过对输入层数据进行降噪处理，随机置零部分数据，使得参与训练子分类器的输入样本为腐坏样本；由于腐坏样本为随机生成的，每次构建的分类器相较于ELM均属于弱分类器，故而各分类器之间的相关性也随之降低并且具有独特的属性；

多个降噪极限学习机的集成能够在一定程度上深度挖掘出信号多样性的特征信息，使得分类结果准确度更高；

集成降噪极限学习机的决策过程如下：

其中，sum(i)表示预测样本标签为i的子分类器个数，Label(x)为集成决策的分类结果；

在未知故障检测之前，需首先判断样本是否为故障样本，即对非正常样本的检测；若样本为故障样本，由故障分类模型实现未知故障检测及已知故障类型识别；

不论判断样本正常与否的检测模型，还是判断故障样本所属类别的分类模型，均采用二分类的结构，即给定同类与非同类样本，简称为正、负样本，训练集成降噪极限学习机，每种状态对应于一个集成的二分类模型；以正常、故障两类样本共同构建二分类的集成降噪极限学习机，其中单个降噪极限学习机的输出是一个二值的输出；每种机械故障均与其它所有故障共同作用训练二分类的集成降噪极限学习机，单个故障分类模型的训练方式与故障检测模型相同；

假设给定一测试样本，若故障检测模型按式(21)的决策准则判定样本为负样本，则认定该样本为故障样本；在故障分类模型中，每种故障状态下均对应于一个集成降噪极限学习机的子诊断模型；对于任一故障样本，各子诊断模型均给出一个介于正、负样本的判定；若所有的判定结果均为负样本，则证明该样本属于未知机械故障；

未知故障检测的决策过程如下：对于二分类的集成降噪极限学习机，各机械状态下分类模型的决策准则均参照式(21)，其中以Label(x)为1、0代表正样本、负样本；给定一测试样本，在故障检测模型中，若Label(x)＝0，则判定该样本为故障样本；当样本为故障样本时，在故障分类模型中，对任意l＝1,2,…,N(N为故障类别总数)，若Label_l(x)＝0恒成立，则判定样本为未知故障，其中Label_l(x)表示第l类故障分类模型对应的判定结果；

一旦出现杂散信号，重新采集当前状态下的振动信号，再经诊断模型进行甄别。