【技術實現步驟摘要】
本專利技術屬于水電機組故障診斷方法，涉及基于hoa-elm的水電機組故障診斷方法。
技術介紹
1、目前，水電機組作為重要的發電設備，其運行狀態的穩定性對電力供應具有重要影響。然而，由于水電機組的復雜性和惡劣的運行環境，傳統的故障診斷方法往往難以準確識別故障類型和程度。因此，開發一種高效、準確的故障診斷方法具有重要的實際意義。
2、極限學習機模型(extreme?learning?machine,elm)是一種結構簡單且運算速度快的模型，可用于實現快速而有效地分類識別應用場景，然而，elm模型的權重和偏差是隨機給定的，因此，將極限學習機模型應用于水電機組故障診斷方法診斷準確率較低，因此，如何將極限學習機模型引入水電機組故障診斷且保證診斷準確率是急需解決的問題。
技術實現思路
1、本專利技術的目的是提供基于hoa-elm的水電機組故障診斷方法，解決了現有技術中存在的診斷準確率較低的問題。
2、本專利技術所采用的技術方案是，基于hoa-elm的水電機組故障診斷方法，具體按照如下步驟實施：
3、步驟1，采集水電機組不同工況下的振動信號；
4、步驟2，提取步驟1采集的振動信號的時域特征、頻域特征、能量熵特征、均方根特征與奇異值特征，并放入多維特征集中；
5、步驟3，對步驟2所得的多維特征集中的特征通過主成分分析法將其轉化為相互獨立的低維特征，形成低維特征數據集并將其劃分為訓練集與測試集；
6、步驟4，依據hoa算法訓練e
7、步驟5，將經過步驟3的測試集輸入到hoa-elm診斷模型中對hoa-elm診斷模型進行測試；
8、步驟6，對待診斷的振動信號按照步驟2-3進行處理，然后輸入到經過測試的hoa-elm診斷模型中進行故障診斷。
9、本專利技術的特征還在于：
10、步驟2中采集的時域特征包括振動信號的峭度、脈沖因子、均方根值、均值、標準差、峰值、波形因子、偏度、裕度因子、過零率、峰峰值。
11、步驟2中的頻域特征包括振動信號的頻譜密度、功率譜密度、均方根頻率、頻率方差、頻率標準差、重心頻率、均方頻率、頻域幅值平均值、頻域幅值偏度、頻域幅值峭度、頻率幅值方差、平方根比率。
12、步驟2中的能量熵特征、均方根特征與奇異值特征具體為：采用動態模態分解方法對振動信號進行分解，提取經過分解的各模態分量的能量熵特征、均方根特征和奇異值特征。
13、步驟3具體為：
14、步驟3.1，將多維特征集中的特征數據進行標準化處理，對于標準化后的數據，獲得經過標準化處理后的特征數據，并將其放入矩陣中，形成標準化后的數據矩陣；
15、步驟3.2，根據標準化后的數據矩陣計算協方差矩陣z，具體為：
16、
17、其中，x是標準化后的數據矩陣，n是多維特征數據集的個數；
18、步驟3.2，計算協方差矩陣z的特征值λ和對應特征向量v；將特征值從大到小排序，對應的特征向量代表了特征數據在該方向上的投影，這些方向就是主成分，當前k個特征值的累計方差貢獻率超過90％時，選擇前k個主成分；
19、步驟3.3，將選定的k個特征向量作為列向量構成投影矩陣w＝[v1,v2...,vk]，其中，v1,v2...,vk為選定的第1個到第k個特征向量；
20、步驟3.4，投影矩陣w將標準化后的數據矩陣x轉換到新的主成分空間y＝x?w，y的每一列代表一個主成分，即就是轉換后的低維特征數據集；
21、步驟3.5，將低維特征數據集劃分為訓練集和測試集。
22、步驟4具體為：
23、步驟4.1，設定種群數目、最大迭代次數、種群上界、種群下界，然后，隨機生成初始種群，種群中每個個體代表一組可能的解，即就是elm模型隱含層權重w和偏差b；
24、步驟4.2，將初始種群中每個個體代表的elm模型隱含層權重w和偏差b帶入elm模型中，然后使用訓練集中的數據對elm模型進行訓練，根據訓練結果，獲取種群中每個個體對應的分類錯誤率；
25、步驟4.3，記錄適應度值最小的個體，即分類錯誤率最低的個體，作為當前最優解；
26、步驟4.4，進行種群更新，按照步驟4.2-4.3的方式獲得更新后種群的對應的當前最優解，直到達到種群更新預設的最大迭代次數，輸出最優參數權重w和偏差b；
27、步驟4.5，將最優參數權重w和偏差b應用于elm模型中，得到hoa-elm故障診斷模型。
28、步驟4.4中種群更新具體為：
29、根據式wi,t＝wi,t-1+γi,t(βbest-αi,tβi,t)與式βi,t+1＝βi,t+wi,t分別更新種群中個體速度wi,t與位置βi,t+1，其中，γi,t為[0,1]中的隨機數；wi,t為旅行者i在迭代t時的速度；βbest是領隊的位置；βi,t為旅行者i在迭代t時的位置；αi,t是旅行者i的掃描因子sf，并且sf處于[1,2]中，直到達到預設的最大迭代次數，輸出最優參數權重w和偏差b。
30、步驟3中的訓練集與測試集均包括不同工況采用的振動信號對應形成的低維特征數據集。
31、本專利技術的有益效果是：
32、本專利技術通過hoa算法優化elm的參數，提高了模型的泛化能力，減少了計算資源的消耗，從而提高了水電機組故障診斷的準確性。
本文檔來自技高網...【技術保護點】
1.基于HOA-ELM的水電機組故障診斷方法，其特征在于，具體按照如下步驟實施：
2.根據權利要求1所述的基于HOA-ELM的水電機組故障診斷方法，其特征在于，所述步驟2中采集的時域特征包括振動信號的峭度、脈沖因子、均方根值、均值、標準差、峰值、波形因子、偏度、裕度因子、過零率、峰峰值。
3.根據權利要求2所述的基于HOA-ELM的水電機組故障診斷方法，其特征在于，所述步驟2中的頻域特征包括振動信號的頻譜密度、功率譜密度、均方根頻率、頻率方差、頻率標準差、重心頻率、均方頻率、頻域幅值平均值、頻域幅值偏度、頻域幅值峭度、頻率幅值方差、平方根比率。
4.根據權利要求3所述的基于HOA-ELM的水電機組故障診斷方法，其特征在于，所述步驟2中的能量熵特征、均方根特征與奇異值特征具體為：采用動態模態分解方法對振動信號進行分解，提取經過分解的各模態分量的能量熵特征、均方根特征和奇異值特征。
5.根據權利要求4所述的基于HOA-ELM的水電機組故障診斷方法，其特征在于，所述步驟3具體為：
6.根據權利要求5所述的基于HOA-ELM的水
7.根據權利要求6所述的基于HOA-ELM的水電機組故障診斷方法，其特征在于，所述步驟4.4中種群更新具體為：
8.根據權利要求1所述的基于HOA-ELM的水電機組故障診斷方法，其特征在于，所述步驟3中的訓練集與測試集均包括不同工況采用的振動信號對應形成的低維特征數據集。
...【技術特征摘要】
1.基于hoa-elm的水電機組故障診斷方法，其特征在于，具體按照如下步驟實施：
2.根據權利要求1所述的基于hoa-elm的水電機組故障診斷方法，其特征在于，所述步驟2中采集的時域特征包括振動信號的峭度、脈沖因子、均方根值、均值、標準差、峰值、波形因子、偏度、裕度因子、過零率、峰峰值。
3.根據權利要求2所述的基于hoa-elm的水電機組故障診斷方法，其特征在于，所述步驟2中的頻域特征包括振動信號的頻譜密度、功率譜密度、均方根頻率、頻率方差、頻率標準差、重心頻率、均方頻率、頻域幅值平均值、頻域幅值偏度、頻域幅值峭度、頻率幅值方差、平方根比率。
4.根據權利要求3所述的基于hoa-elm的水電機組故障診斷方法，其特征在于，所述步...
【專利技術屬性】
技術研發人員：藺丹，王艷，劉靚雯，辛華，金龍，
申請(專利權)人：西安電力高等專科學校，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。