本發(fā)明涉及一種基于多小波的水電機(jī)組狀態(tài)監(jiān)測數(shù)據(jù)降噪方法。

背景技術(shù)：

水電能源是重點(diǎn)開發(fā)的新能源。在水電開發(fā)規(guī)模大幅增長的同時(shí)，作為水電廠的核心關(guān)鍵設(shè)備，水電機(jī)組也在向大型化、復(fù)雜化、集成化、精密化、自動化等方向發(fā)展。在這種形勢下，水電機(jī)組的安全性問題也日趨突出。水電機(jī)組啟、停速度快，負(fù)荷調(diào)整方便，在電網(wǎng)中常常擔(dān)負(fù)調(diào)峰、調(diào)頻、負(fù)荷備用等任務(wù)，其運(yùn)行情況不僅關(guān)系到水電機(jī)組自身的安全，而且對整個(gè)電網(wǎng)的安全也具有重要影響。因此，為確保水電機(jī)組和電網(wǎng)安全、穩(wěn)定運(yùn)行，提高設(shè)備利用率，避免重大經(jīng)濟(jì)損失和人員傷亡，必須對水電機(jī)組進(jìn)行合理的維護(hù)和檢修。

水電機(jī)組故障診斷的主要步驟包括：1）采集水電機(jī)組相關(guān)信號；2）對采集的信號進(jìn)行降噪預(yù)處理，提高信號信噪比；3）利用信號處理方法對降噪后的信號進(jìn)行處理，提取有效的故障特征；4）將所提取的故障特征從水電機(jī)組的故障特征空間映射到機(jī)組的故障模式空間中，實(shí)現(xiàn)機(jī)組故障類型的識別。在這些步驟當(dāng)中，水電機(jī)組的故障特征提取和故障診斷方法的研究是水電機(jī)組故障診斷技術(shù)研究的兩個(gè)難點(diǎn)與熱點(diǎn)。

故障特征提取是指從原始數(shù)據(jù)中削弱或去除與故障診斷無關(guān)的，以及對故障診斷結(jié)果準(zhǔn)確性造成不良影響的信息，提取能夠突顯不同故障類別之間差別的故障特征的完整過程，其目的是簡化故障診斷過程，增強(qiáng)故障診斷結(jié)果的準(zhǔn)確性。換句話說，機(jī)械設(shè)備故障特征提取是為故障診斷服務(wù)的，所提取的故障特征結(jié)果關(guān)系到故障診斷過程的復(fù)雜性和故障診斷結(jié)果的準(zhǔn)確性。水電機(jī)組故障特征提取的實(shí)現(xiàn)需要借助先進(jìn)的信號處理方法，探索有效的故障特征提取途徑，為水電機(jī)組故障的準(zhǔn)確識別提供有效的數(shù)據(jù)支撐。目前，用于故障特征提取的信號處理方法大致可以分為時(shí)域分析、頻域分析和時(shí)頻分析方法三種。

（1）時(shí)域分析方法具有簡單、直觀等優(yōu)點(diǎn)，但是，在設(shè)備某些故障狀態(tài)下采集的振動信號往往表現(xiàn)出一定的頻率特征，而時(shí)域分析方法卻無法體現(xiàn)信號的頻率特性，這使得其應(yīng)用具有一定的局限性。

（2）頻域分析方法實(shí)質(zhì)上是信號的整體變換，其應(yīng)用是建立在信號平穩(wěn)性假設(shè)的前提之下的，對于非平穩(wěn)信號，F(xiàn)T無法體現(xiàn)信號在時(shí)間域上的局部細(xì)節(jié)特征，這使得其應(yīng)用受到了一定的限制。

（3）時(shí)頻分析方法：Wigner-Ville 分布（Wigner-Ville Distribution，WVD）屬于二次型變換，存在交叉干擾項(xiàng)，尤其是對多分量信號和在信號頻率成分較為接近時(shí)，該現(xiàn)象更為嚴(yán)重。短時(shí)傅里葉變換（Short Time Fourier Transform，STFT）窗口大小和形狀是預(yù)先確定的，在信號處理過程中無法改變，使得其分辨率較為單一，在某些情況下，難以滿足實(shí)際需要。Hilbert-Huang變換（Hilbert-Huang Transform，HHT）缺乏完整的數(shù)學(xué)理論基礎(chǔ)，存在端點(diǎn)效應(yīng)，對噪聲干擾的魯棒性差等，仍需要在應(yīng)用過程中進(jìn)行不斷的完善。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于多小波的水電機(jī)組狀態(tài)監(jiān)測數(shù)據(jù)降噪方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：假設(shè)實(shí)際觀察到的信號s[n]由真實(shí)有用信號f[n]和一定的噪聲成分z[n]組成，即：，N為自然數(shù)；其中，z[n]為方差為σ²，獨(dú)立同分布，均值為零的高斯白噪聲信號，則多小波相鄰系數(shù)降噪步驟為： 步驟S1：對含噪信號s[n]進(jìn)行預(yù)處理；步驟S2：利用多小波的Mallat算法對預(yù)處理后的信號進(jìn)行L層多小波分解，得到L個(gè)二維多小波系數(shù)序列和一個(gè)二維多尺度系數(shù)序列；步驟S3：根據(jù)魯棒協(xié)方差矩陣估計(jì)方法計(jì)算V_j，具體方法如下：定義：，其中，abs(?)為絕對值函數(shù)，median(?)為中值函數(shù)；設(shè)a₁、a₂、b₁、b₂為實(shí)數(shù)，V_j為2×2實(shí)數(shù)矩陣，row₁與row₂分別為多小波系數(shù)w_j,k的第一行和第二行數(shù)據(jù)序列；

計(jì)算a₁、a₂、b₁、b₂：

計(jì)算V_j：

步驟S4：利用，計(jì)算，其中k代表多小波系數(shù)標(biāo)號；步驟S5：利用將與其相鄰的系數(shù)結(jié)合，得到包含相鄰系數(shù)信息的值，其中，為非負(fù)整數(shù)； 步驟S6：根據(jù)，利用閾值函數(shù)對多小波系數(shù)進(jìn)行處理，得到去噪后的多小波系數(shù)，閾值函數(shù)主要包括硬閾值函數(shù)和軟閾值函數(shù)；

步驟S7：利用多小波的Mallat算法對去噪后的多小波系數(shù)和多尺度系數(shù)進(jìn)行重構(gòu)；

步驟S8：對多小波重構(gòu)的結(jié)果進(jìn)行多小波后處理，得到去噪后的信號。

較佳的，步驟S5中，m=2。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：多小波相鄰系數(shù)降噪方法考慮了多小波相鄰系數(shù)之間的相關(guān)特性，能夠有效降低所采集信號中的噪聲成分，本發(fā)明研究多小波相鄰系數(shù)降噪方法在水電機(jī)組信號降噪過程中的應(yīng)用，獲取真實(shí)有效的信號成分，為水電機(jī)組故障的準(zhǔn)確診斷提供可靠的數(shù)據(jù)。

附圖說明

圖1為本發(fā)明的主要流程圖。

具體實(shí)施方式

下面具體實(shí)施例對本發(fā)明做進(jìn)一步解釋說明。

水電機(jī)組所采集的信號經(jīng)過多小波高通濾波器和低通濾波器等處理后，得到的多小波系數(shù)與其相鄰系數(shù)之間存在一定的相關(guān)性，因此，利用多小波相鄰系數(shù)降噪方法對水電機(jī)組采集的信號進(jìn)行降噪能夠取得良好的降噪效果。

本發(fā)明擬對采集到的振動信號進(jìn)行預(yù)處理和多小波分解，得到多個(gè)頻段的尺度系數(shù)和小波系數(shù)，利用閾值函數(shù)對多小波系數(shù)進(jìn)行處理，并將處理后的系數(shù)進(jìn)行多小波重構(gòu)和后處理，達(dá)到減少信號中的噪聲成分，提高振動信號信噪比的目的。最后將檢驗(yàn)可行的研究成果應(yīng)用到水口發(fā)電集團(tuán)集控中心狀態(tài)監(jiān)測數(shù)據(jù)上，對電廠實(shí)際信號進(jìn)行消噪處理。

假設(shè)實(shí)際觀察到的信號s[n]由真實(shí)有用信號f[n]和一定的噪聲成分z[n]組成，即：

，N為自然數(shù)；

其中，z[n]為方差為σ²，獨(dú)立同分布，均值為零的高斯白噪聲信號，則多小波相鄰系數(shù)降噪步驟為：

（1）研究現(xiàn)有多小波預(yù)處理方法，從中選擇適用于水電機(jī)組信號降噪的一種，對含噪信號s[n]進(jìn)行預(yù)處理。

（2）利用多小波的Mallat算法對預(yù)處理后的信號進(jìn)行L層多小波分解，得到L個(gè)二維多小波系數(shù)序列和一個(gè)二維多尺度系數(shù)序列。

（3）根據(jù)魯棒協(xié)方差矩陣估計(jì)方法計(jì)算V_j，具體方法如下：

1）定義：，其中，abs(?)為絕對值函數(shù)，median(?)為中值函數(shù)；設(shè)a₁、a₂、b₁、b₂為實(shí)數(shù)，V_j為2×2實(shí)數(shù)矩陣，row₁與row₂分別為多小波系數(shù)w_j,k的第一行和第二行數(shù)據(jù)序列；

2）計(jì)算a₁、a₂、b₁、b₂：

計(jì)算V_j：

（4）利用，計(jì)算，其中k代表多小波系數(shù)標(biāo)號。

（5）利用將與其相鄰的系數(shù)結(jié)合，得到包含相鄰系數(shù)信息的值，其中，為非負(fù)整數(shù)，研究表明，取2時(shí)降噪效果較好，因此，本文采用。

（6）根據(jù)，利用閾值函數(shù)對多小波系數(shù)進(jìn)行處理，得到去噪后的多小波系數(shù)，閾值函數(shù)主要包括硬閾值函數(shù)和軟閾值函數(shù)。

（7）利用多小波的Mallat算法對去噪后的多小波系數(shù)和多尺度系數(shù)進(jìn)行重構(gòu)。

參見圖1，將本發(fā)明應(yīng)用在具體實(shí)施例中，構(gòu)建發(fā)電集團(tuán)水電機(jī)組故障診斷診斷模型。為發(fā)電集團(tuán)水電機(jī)組運(yùn)行檢修提供依據(jù)，指導(dǎo)機(jī)組安全穩(wěn)定運(yùn)行：

1、探求水電機(jī)組故障機(jī)理，建立水電機(jī)組故障特征集

通過大量閱讀文獻(xiàn)，研究現(xiàn)有研究成果和建立水電機(jī)組動力學(xué)模型等方式，探求水電機(jī)組故障機(jī)理，初步確定哪些特征參數(shù)對故障敏感性較強(qiáng)，用于指導(dǎo)建立原始水電機(jī)組故障特征集。結(jié)合發(fā)電集團(tuán)各機(jī)組實(shí)際情況，將已得到的故障特征進(jìn)行完善，進(jìn)而建立適合水口發(fā)電集團(tuán)的機(jī)組故障特征集。

、收集水電機(jī)組故障樣本，用于故障特征自適應(yīng)提取研究

通過發(fā)電集團(tuán)水電機(jī)組狀態(tài)監(jiān)測系統(tǒng)采集水電機(jī)組故障樣本，同時(shí)結(jié)合實(shí)驗(yàn)室轉(zhuǎn)子實(shí)驗(yàn)臺模擬多種機(jī)組故障，獲取不同故障情況下的信號樣本，為水電機(jī)組故障特征自適應(yīng)提取研究提供數(shù)據(jù)支撐。

、基于多小波的水電機(jī)組信號降噪研究。具體方法如上所述

4、基于多小波的水電機(jī)組故障特征自適應(yīng)提取方法研究

為了從大量特征參數(shù)中獲取對故障敏感性較強(qiáng)的特征參數(shù)，提高后續(xù)故障診斷結(jié)果的準(zhǔn)確性，利用自適應(yīng)多小波，并結(jié)合遺傳算法與敏感性評估指標(biāo)對水電機(jī)組故障特征參數(shù)進(jìn)行尋優(yōu)，獲取低維強(qiáng)敏感故障特征。

、基于貝葉斯網(wǎng)絡(luò)的水電機(jī)組故障診斷方法研究

本發(fā)明擬采用專家經(jīng)驗(yàn)指定貝葉斯網(wǎng)絡(luò)各參數(shù)間的因果關(guān)系即網(wǎng)絡(luò)結(jié)構(gòu)，通過參數(shù)學(xué)習(xí)獲得貝葉斯網(wǎng)絡(luò)的條件概率表CPT，進(jìn)而搭建起水電機(jī)組故障診斷貝葉斯網(wǎng)絡(luò)，對機(jī)組故障模式進(jìn)行識別。首先，將特征提取的結(jié)果利用SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)屬性離散化。然后，經(jīng)過貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)確定先驗(yàn)概率，搭建貝葉斯網(wǎng)絡(luò)。最后，通過簇樹推理算法計(jì)算已知故障征兆下不同故障模式的后驗(yàn)概率。

、構(gòu)建水電機(jī)組故障診斷模型

綜合基于多小波的水電機(jī)組信號降噪方法研究、水電機(jī)組故障特征自適應(yīng)提取方法研究，基于貝葉斯網(wǎng)絡(luò)的水電機(jī)組故障診斷方法研究的研究成果，構(gòu)建水電機(jī)組故障診斷模型，并根據(jù)水電機(jī)組故障診斷實(shí)際問題對方法進(jìn)行測試和改進(jìn)。

以上是本發(fā)明的較佳實(shí)施例，凡依本發(fā)明技術(shù)方案所作的改變，所產(chǎn)生的功能作用未超出本發(fā)明技術(shù)方案的范圍時(shí)，均屬于本發(fā)明的保護(hù)范圍。