[发明专利]基于HLSNE的水轮机组状态监测实现方法

摘要

一种基于HLSNE的水轮机组状态监测实现方法，包括以下步骤：(1)信号测取：利用水电机组上的振动传感器采集一组能够较全面反映不同噪声源振动异常的振动信号；(2)特征提取：利用HLSNE计算最佳线性投影矩阵A，根据线性投影矩阵A对振动信号进行特征提取；(3)状态识别：对特征提取后的振动信号进行状态正常或异常的识别；(4)状态分析：采用最近邻分类器对异常振动信号所属的故障源进行判别分类分析；(5)结果输出：依据状态分析结果提出诊断决策。本发明的有益效果主要表现在：将重尾线性随机近邻嵌入分析方法(HLSNE)应用到水电机组状态监测中，使得在实际应用过程中利用快速下降法进行梯度最优化过程中多参数设定及调整可行，无需手动调整参数，有效提高了水轮机组状态监测过程的效率和鲁棒性。

主权项

一种基于HLSNE的水轮机组状态监测实现方法，包括以下步骤：步骤一，信号测取：利用水电机组上的振动传感器采集一组能够较全面反映不同噪声源振动异常的振动信号；1.1初始信号采集：水电机组运行工况复杂，受环境干扰大，在现有实验条件下全面、有效的噪声源异常振动样本难以获取。因此，本发明根据水电机组运行特性和经采样分析得到的各个噪声源的频谱特性，构建一组水电机组异常振动仿真信号；1.2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；步骤二，特征提取：利用HLSNE计算最佳线性投影矩阵A，根据线性投影矩阵A对振动信号进行特征提取，其中A为一个矩阵，是原空间高维数据对应于子空间低维数据的一个线性关系，令原空间高维数据为n个d维向量X＝{x₁,x₂,…,x_n}，x_n代表第n个高维数据样本，子空间低维数据为n个r(r<<d)维向量Y＝{y₁,y₂,…,y_n}，y_n代表第n个低维数据映射，则A为一个r×d的线性投影矩阵，满足y_i＝Ax_i的线性关系，其中i取1～n；2.1确定样本矩阵X＝[x₁,x₂,…,x_n]，设定方差参数λ；2.2根据X计算输入样本间两两欧氏距离；依据式(1)计算联合概率P_ij，P_ij代表原空间中x_i选择x_j作为近邻的概率：$P_{\mathrm{ij}}=\frac{\exp (-{\left|\right|x_i-x_j\left|\right|}^2/{2\mathrm{\&lambda;}}^2)}{{\mathrm{\&Sigma;}}_{a\&NotEqual;b}\exp (-{\left|\right|x_a-x_b\left|\right|}^2/{2\mathrm{\&lambda;}}^2)}---\left(1\right)$其中λ是相应高斯函数的方差参数，此外，i、j、a、b均为下标参数，取1～n；2.3通过式(2)计算联合概率Q_ij，Q_ij代表子空间中y_i和y_j之间的相似度：$Q_{\mathrm{ij}}=\frac{{(1+{\left|\right|{\mathrm{Ax}}_i-{\mathrm{Ax}}_j\left|\right|}^2)}^{-1}}{{\mathrm{\&Sigma;}}_{a\&NotEqual;b}{(1+|\left|{{\mathrm{Ax}}_a-{\mathrm{Ax}}_b\left|\right|}^2\right)}^{-1}}---\left(2\right)$其中i、j、a、b均为下标参数，取1～n；2.4计算重尾函数S(||Ax_i‑Ax_j||²)＝(1+||Ax_i‑Ax_j||²)^‑1；2.5依式(3)计算梯度dC(A)/d(A)：$\begin{array}{c}\frac{\mathrm{dC}\left(A\right)}{d\left(A\right)}=2\underset{\mathrm{ij}}{\mathrm{\&Sigma;}}(\frac{1}{{\mathrm{\&Sigma;}}_{a\&NotEqual;b}{q}_{\mathrm{ab}}}-\frac{P_{\mathrm{ij}}}{q_{\mathrm{ij}}})\&CenterDot;q_{\mathrm{ij}}\&CenterDot;(-\frac{h\left({\left|\right|{\mathrm{Ax}}_i-{\mathrm{Ax}}_j\left|\right|}^2\right)}{q_{\mathrm{ij}}})\left(A(x_i-x_j){(x_i-x_j)}^T\right)\\ =2\underset{\mathrm{ij}}{\mathrm{\&Sigma;}}(P_{\mathrm{ij}}-Q_{\mathrm{ij}})S\left({\left|\right|{\mathrm{Ax}}_i-{\mathrm{Ax}}_j\left|\right|}^2\right)\left(A(x_i-x_j){(x_i-x_j)}^T\right)\end{array}---\left(3\right)$其中h(||Ax_i‑Ax_j||²)＝‑(1+||Ax_i‑Ax_j||²)^‑2，此外，i、j为下标参数，取1～n；2.6通过不动点迭代方法将式(3)中的A^m更新为A^m+1：令dC(A)/d(A)＝0，通过简单迭代法调整式(2)可进一步转化为：$\begin{array}{c}2\underset{\mathrm{ij}}{\mathrm{\&Sigma;}}(P_{\mathrm{ij}}-Q_{\mathrm{ij}})S{\left(\right||{\mathrm{Ax}}_i-{\mathrm{Ax}}_j|\left|\right)}^2\left(A(x_i-x_j){(x_i-x_j)}^T\right)=0\\ A=A\underset{\mathrm{ij}}{\mathrm{\&Sigma;}}{Q}_{\mathrm{ij}}S{\left(\right||{\mathrm{Ax}}_i-{\mathrm{Ax}}_j|\left|\right)}^2(x_i-x_j){(x_i-x_j)}^T\\ A=A\left(\underset{\mathrm{ij}}{\mathrm{\&Sigma;}}{Q}_{\mathrm{ij}}S{\left(\right||{\mathrm{Ax}}_i-{\mathrm{Ax}}_j|\left|\right)}^2(x_i-x_j){(x_i-x_j)}^T\right)\\ {\left(\underset{\mathrm{ij}}{\mathrm{\&Sigma;}}{P}_{\mathrm{ij}}S{\left(\right||{\mathrm{Ax}}_i-{\mathrm{Ax}}_j|\left|\right)}^2(x_i-x_j){(x_i-x_j)}^T\right)}^{-1}\end{array}---\left(4\right)$为使表达方便，定义以下两个辅助变量：$C=\underset{\mathrm{ij}}{\mathrm{\&Sigma;}}{P}_{\mathrm{ij}}S{\left(\right||{\mathrm{Ax}}_i-{\mathrm{Ax}}_j|\left|\right)}^2(x_i-x_j){(x_i-x_j)}^T---\left(5\right)$$D=\underset{\mathrm{ij}}{\mathrm{\&Sigma;}}{Q}_{\mathrm{ij}}S{\left(\right||{\mathrm{Ax}}_i-{\mathrm{Ax}}_j|\left|\right)}^2(x_i-x_j){(x_i-x_j)}^T---\left(6\right)$通过简单的运算后式(6)可进一步转化为：A＝ADC^‑1   (7)随后采用线搜索方法最优化式(7)：选取搜索方向为p_m＝ADC^‑1‑A，p_m满足B_mp_m＝‑g_m，其中g_m是第m次迭代时的梯度方程；B_m是一个正定矩阵，是为了确保p_m是使得函数值下降的搜索方向，即满足p_m^Tg_m<0。选取满足Wolfe条件的步长α_m>0，以得到下次迭代后投影矩阵A的值A^m+1＝A^m+α_mp_m；步骤三，状态识别：对特征提取后的振动信号进行状态正常或异常的识别；步骤四，状态分析：采用最近邻分类器对异常振动信号所属的故障源进行判别分类分析；步骤五，结果输出：依据状态分析结果提出诊断决策。