一种立式水泵机组智能故障诊断方法

技术领域

本发明涉及故障信号分析处理技术领域，具体涉及一种立式水泵机组智能故障诊断方法。

背景技术

随着抽水蓄能泵站装机容量的攀升和设备复杂度的提高，机组运行的稳定性开始受到广泛关注。立式水泵机组作为蓄能电站发电的核心部件，其运行状态直接关系到厂房的安全稳定。但由于机组结构及其运行方式的原因，其稳定性受到水力、机械和电磁等多种因素的影响，导致故障机理复杂性和种类的多样性。

立式水泵机组由于工作环境以及本身结构的问题，通过传感器所采集到的信号包含了大量的环境噪声，导致从中提取故障特征信息十分困难。现有的水泵机组故障诊断技术主要通过特征提取和特征状态分类完成机组的故障诊断，无法准确定位故障的部位以及诊断精度不足。

因此，提出一种立式水泵机组智能故障诊断方法，能够准确的提取出故障特征信息，并进行故障分类，确保故障诊断的准确率。

发明内容

针对上述问题，本发明提出了一种立式水泵机组智能故障诊断方法，利用时移多尺度样本熵TSMSE提取不同频率层次振动信号特征信息结合改进的双向长短时记忆IBiLSTM，克服了当前特征提取算法抗噪性差、不稳定以及特征分类模型容易陷入局部最优的问题。

为实现上述内容，本发明采用以下技术：一种立式水泵机组智能故障诊断方法，其特征在于包括如下步骤：

S1.采集立式水泵机组不同运行工况下的振动信号；

S2.将振动信号使用CEEMDAN进行分解，计算分量样本熵值，根据样本熵值将信号按高中低频率层次进行重构，得到重构后的信号；

S3.利用时移多尺度样本熵提取重构信号的特征信息，根据运行工况分别建立相应的特征集；

S4.将特征集随机分为训练集和测试集，训练集按运行工况输入基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法改进的双向长短时记忆网络，训练网络模型，得到训练好的故障特征分类器；

S5.将测试集输入到训练好的故障特征分类器，进行信号特征分类，得到故障诊断结果。

更进一步的技术方案是所述运行工况包括正常运行状态，转子不平衡、转子不对中、轴承磨损3种故障状态，每种状态各选取100组数据，每组数据为2048个振动信号。

更进一步的技术方案是所述步骤S2的具体步骤如下：

S2-1.将振动信号进行CEEMDAN分解，具体的：

向采集信号y(t)中添加正负成对的高斯白噪声ε

其中，ε

对

Y

对Y

Y

以此类推，当余量信号无法满足分解条件时迭代结束，残余信号为：

Y

最终，信号y(t)分解结果为：

式中：n为CEEMDAN分解个数，C

S2-2.计算每一个分量的样本熵，具体的：

将分量构造成m维矢量

Y(i)＝{Y(i),Y(i+1),…,Y(i+m-1)}

式中，i＝1,2,3...，n-m+1

给定阈值r，定义样本间的最大距离d，

d[Y(i),Y(j)]＝max|y(i+k)-y(j+k)|

式中，j＝1,2,3...，n-m+1，k在0到m-1之间；

统计d[Y(i),Y(j)]

对所有

再将维数m加1，重复计算步骤，则样本熵为：

求所有分量样本熵平均值为S＝mean(SampEN)；

S2-3.取S1＝1.5S、S2＝0.5S为阈值，将样本熵大于S1的分量重构为高频信号，处于S1与S2之间的信号重构为中频信号，小于S2的信号重构为低频信号。

更进一步的技术方案是所述步骤S3中时移多尺度样本熵具体步骤如下：

S3-1.对于一个长度为N的时间序列X＝{x(1),x(2),...,x(N)}，定义尺度因子s和样本维度d；

在给定的时间序列X中，以s将时间序列X缩放至长度为N/s的新时间序列

X(s)＝{x(1),x(1+s),...,x(1+(N/s-1)s)}；

以样本维度d构造样本序列:

S(i)＝{x(i),x(i+1),...,x(i+d-1)},其中i＝1,2,...,N/s-d+1；

S3-2.在给定的尺度因子s和样本维度d下，计算时间序列X(s)的样本熵:

SE(d,s)＝-∑p(s)ln(p(s))；

其中p(s)表示样本序列S(i)中出现的概率；

S3-3.将时间序列X(s)向右移动一个单位，得到时间序列

X(s+1)＝{x(2),x(2+s),...,x(2+(N/s-1)s)}；

S3-4.分别计算时间序列X(s)和X(s+1)的样本熵：

TSMSE(x，d，r，s)＝1/s|∑[SE(d,s)-SE(d,s+1)]|。

更进一步的技术方案是所述步骤S4中基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法改进的双向长短时记忆网络，即利用基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法对BiLSTM进行优化，双向长短期记忆(BiLSTM)是LSTM的变形结构，包含前向和后向LSTM层，同时考虑数据的过去和未来信息；但BiLSTM容易陷入局部最优，因此利用基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法对BiLSTM进行优化，具体如下：

S4-1.以BiLSTM的隐藏层节点和学习率作为优化目标，融合随机差分变异的麻雀优化算法SSA与鱼鹰优化算法OOA，具体流程如下：

麻雀优化算法中个体区分为发现者、跟随者和警戒者，每个个体位置对应一个解，发现者为整个种群提供觅食方向和区域，跟随者则是跟随发现者进行觅食，警戒者负责对于觅食区域的监视；在觅食过程中，不断更新三者位置，完成资源的获取；发现者位置更新如下

其中，t为当前迭代次数，

跟随者位置更新如下

式中，

S4-2.引入随机差分变异策略，新的跟随着位置更新如下：

式中，r为[0,1]的随机数；

警戒者位置更新如下

其中，

当R

当

当f

S4-3.鱼鹰优化算法如下：

初始化种群

x

其中，x

探索阶段

其中，

开发阶段

其中，

S4-4.基于Cubic映射的鱼鹰算法结合随机差分变异的麻雀优化算法流程如下：

利用Cubic映射初始化种群，增加算法的多样性，避免过早陷入局部最优其定义形式如下

x

其中，ρ为控制参数，x

结合鱼鹰捕食行为策略和麻雀算法的发现者-追随者机制，设定OOA和SSA的算法参数；在SSA框架下，将种群分为发现者、追随者，对于每次迭代使用OOA策略进行全局搜索，模拟鱼鹰捕鱼行为来探索搜索空间，其位置更新如下

依据当前迭代和种群状态，发现者进行局部搜索以精细调整解，跟随者根据发现者的信息和自身的搜索进行位置更新，发现者位置更新如下

其中，ω为动态权重因子，

追随者位置更新如下：

共享OOA和SSA种群中的最佳解，则混合更新策略为：

计算每个位置适应度，按适应度值将整个种群排序，更新混合种群的适应度值，保持最佳适应度值的个体，使用交叉操作来选择两种算法中的个体：

其中，α为平衡系数、

S4-5.根据迭代的进度，动态调整权重因子，平衡全局搜索与局部搜索的能力，将权重设定为随着迭代次数的增加而逐渐减小，以促使算法从全局搜索转向局部搜索，输出最优参数。

与现有技术相比，本发明的有益效果是：

1.本发明利用时移多尺度样本熵(TSMSE)提取不同频率层次振动信号特征信息结合基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法改进的双向长短时记忆(BiLSTM)进行特征分类。首先，对振动信号进行预处理，利用CEEMDAN算法将信号分解并重构为高中低三个频率层次的信号。其次，针对传统多尺度样本熵鲁棒性差、粗粒化不足的问题，提出了时移多尺度样本熵(TSMSE)，通过仿真实验，证明了所提方法具有良好的时序长度鲁棒性、抗噪性以及特征提取能力。然后，将TSMSE提取的特征输入改进的双向长短时记忆网络模型中，完成特征分类工作。仿真结果表明，所提模型具有良好的分类效果，是一种有效且准确率高的立式水泵机组故障诊断方法。

2.采用本发明的提出的分频率层次重构信号再进行信号频域特征信息的提取更适用于故障信息的采集；针对传统多尺度熵鲁棒性、稳定性差、对噪声敏感的问题，提出了时移多尺度样本熵，能更有效的减小噪声的影响并提取出故障信息；对双向长短时记忆进行结构上的改进，引入基于Cubic映射改进的鱼鹰优化算法融合随机差分变异的麻雀优化算法，增加神经网络对局部特征的提取能力。

3.本发明所提出的故障诊断模型相比于其他水泵机组故障诊断模型具有更高的准确率。

附图说明

为清楚的描述出本发明的技术方案，下面将对本发明的现有技术中所使用的附图进行简单描述

图1为本发明的流程图。

图2为时移多尺度样本熵计算示意图。

图3为实施例中熵值标准差图。

图4为实施例中熵值均值图。

图5为实施例中抗噪性分析图。

图6为实施例中故障原始信号及其重构信号图。

图7为实施例中熵值特征分类二维映射图。

图8为不同优化算法的收敛曲线图。

图9为不同模型故障诊断准确率图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提出一种立式水泵机组智能故障诊断方法，包含了数据采集、数据处理、特征提取、故障分类，如图1所示，具体步骤如下所示：

1.利用组态软件与高频振动传感器，采集立式水泵机组正常运行状态，转子不平衡、转子不对中、轴承磨损3种故障状态下的振动信号，每种状态各选取100组数据，每组数据为2048个振动信号。

2.对采集到的振动信号进行CEEMDAN分解，具体的：

向采集信号y(t)中添加正负成对的高斯白噪声ε

其中，ε

对

Y

对Y

Y

以此类推，当余量信号无法满足分解条件时迭代结束，残余信号为：

Y

最终，信号y(t)分解结果为：

式中：n为CEEMDAN分解个数，C

各个振动信号经分解后均得到8个IMF分量和1个余项。

3.计算每个分量的样本熵值，具体的：

将分量构造成m维矢量

Y(i)＝{Y(i),Y(i+1),…,Y(i+m-1)}

式中，i＝1,2,3...，n-m+1

给定阈值r，定义样本间的最大距离d，

d[Y(i),Y(j)]＝max|y(i+k)-y(j+k)|

式中，j＝1,2,3...，n-m+1，k在0到m-1之间；

统计d[Y(i),Y(j)]

对所有

再将维数m加1，重复计算步骤，则样本熵为：

4.求所有分量样本熵平均值为S＝mean(SE)，取S1＝1.5S、S2＝0.5S为阈值，将样本熵大于S1的分量重构为高频信号，处于S1与S2之间的信号重构为中频信号，小于S2的信号重构为低频信号。

5.计算重构信号的时移多尺度样本熵

对于一个长度为N的时间序列X＝{x(1),x(2),...,x(N)}，定义尺度因子s和样本维度d；

在给定的时间序列X中，以s将时间序列X缩放至长度为N/s的新时间序列

X(s)＝{x(1),x(1+s),...,x(1+(N/s-1)s)}；

以样本维度d构造样本序列:

S(i)＝{x(i),x(i+1),...,x(i+d-1)},其中i＝1,2,...,N/s-d+1；

在给定的尺度因子s和样本维度d下，计算时间序列X(s)的样本熵：

SE(d,s)＝-∑p(s)ln(p(s))；

其中p(s)表示样本序列S(i)中出现的概率；

S3-3.将时间序列X(s)向右移动一个单位，得到时间序列

X(s+1)＝{x(2),x(2+s),...,x(2+(N/s-1)s)}；

分别计算时间序列X(s)和X(s+1)的样本熵：

TSMSE(x，d，r，s)＝1/s|∑SE(d,s)-SE(d,s+1)|。

6.构建基于基于混沌映射改进的鱼鹰优化算法融合柯西变异的麻雀优化算法改进的双向长短时记忆网络，将TSMSE算法提取到的故障特征作为训练完成的神经网络初始输入，通过神经网络的计算、分类，最终输出立式水泵机组故障类型的识别结果。具体的：

6-1.以BiLSTM的隐藏层节点和学习率作为优化目标，融合随机差分变异的麻雀优化算法SSA与鱼鹰优化算法OOA，具体流程如下：

麻雀优化算法中个体区分为发现者、跟随者和警戒者，每个个体位置对应一个解，发现者为整个种群提供觅食方向和区域，跟随者则是跟随发现者进行觅食，警戒者负责对于觅食区域的监视；在觅食过程中，不断更新三者位置，完成资源的获取；发现者位置更新如下

其中，t为当前迭代次数，

跟随者位置更新如下

式中，

6-2.引入随机差分变异策略，新的跟随着位置更新如下：

式中，r为[0,1]的随机数；

警戒者位置更新如下

其中，

当R

当

当f

6-3.鱼鹰优化算法如下：

初始化种群

x

其中，x

探索阶段

其中，

开发阶段

其中，

6-4.基于Cubic映射的鱼鹰算法结合随机差分变异的麻雀优化算法流程如下：

利用Cubic映射初始化种群，增加算法的多样性，避免过早陷入局部最优其定义形式如下

x

其中，ρ为控制参数，x

结合鱼鹰捕食行为策略和麻雀算法的发现者-追随者机制，设定OOA和SSA的算法参数；在SSA框架下，将种群分为发现者、追随者，对于每次迭代使用OOA策略进行全局搜索，模拟鱼鹰捕鱼行为来探索搜索空间，其位置更新如下

依据当前迭代和种群状态，发现者进行局部搜索以精细调整解，跟随者根据发现者的信息和自身的搜索进行位置更新，发现者位置更新如下

其中，ω为动态权重因子，

追随者位置更新如下：

共享OOA和SSA种群中的最佳解，则混合更新策略为：

计算每个位置适应度，按适应度值将整个种群排序，更新混合种群的适应度值，保持最佳适应度值的个体，使用交叉操作来选择两种算法中的个体：

其中，α为平衡两种策略的系数、

6-5.根据迭代的进度，动态调整权重因子，平衡全局搜索与局部搜索的能力，将权重设定为随着迭代次数的增加而逐渐减小，以促使算法从全局搜索转向局部搜索，输出最优参数。

7.特征提取效果验证：

对TSMSE特征提取算法的时序长度鲁棒性、尺度因子稳定性以及抗噪性进行分析，并且与搭配神经网络模型的识别精度进行验证。

(1)分析TSMSE的时序长度鲁棒性与尺度因子稳定性

随机选取一条样本信号，分别取其信号长度为N＝256、N＝512、N＝1024、N＝2048时，对TSMSE和MSE两种多尺度熵的均值分布情况进行分析，如图3、4所示。随着尺度因子的增加，MSE的均值曲线出现波动，而TSMSE的曲线光滑且慢慢趋于平缓。TSMSE算法具有更好的时序长度鲁棒性。

对比MSE和TSMSE两种熵的标准差，在不同尺度因子下，MSE的标准差波动较大，而TSMSE的标准差波动较小，表明TSMSE算法更加稳定。

(2)分析TSMSE的抗噪性

利用模拟振动信号添加高斯白噪声的方法，对特征提取工具的抗噪性进行分析

x

x

x

x＝x

式中：x为模拟的含噪信号，Z(t)为高斯白噪声，本文取20dB、30dB以及40dB。对比TSMSE、MPE和MSE在不同噪声下的熵值分布情况，揭示它们在不同尺度以及不同噪声下的不同表现，结果如图5所示。从图中可知，TSMSE算法提取的特征受噪声的影响最小。

(3)利用转子实验台模拟机组正常运行状态以及转子不平衡、转子不对中、轴承磨损3种故障状态，进行故障振动模拟分析。对上述四种状态各选取100组数据，每组数据包含2048个振动信号，采样频率为2048Hz；故障信号及其重构信号如图6所示。

引入MPE与MSE两种常见多尺度熵与本发明提出的TSMSE进行对比，其中参数设置如下：

特征结果如图7所示，MPE与MSE提取方法都发生了不同程度的特征混叠。而本发明采用的TSMSE提取方法能有效区分四种状态特征，验证了此方法良好的特征提取效果。

(4)神经网络模型

以Rosenbrock函数为实验优化函数，种群数量为100，最大迭代次数为1000，对几种不同的优化算法进行验证，如图8所示，本发明提出的双重优化算法收敛效果最好。

将几种特征提取方法的所提取到的结果输入IBiLSTM神经网络模型中，为了评估模型的泛化性能并避免随机试验对结果的影响，采用不同的数据划分比例(20％、30％、40％)进行模型验证；并引入其他四组常见诊断模型进行对比，结果如下表。

模型1使用MSE-BiLSTM进行故障诊断；

模型2使用TSMSE-BiLSTM进行故障诊断；

模型3使用TSMSE-OOA-BiLSTM进行故障诊断；

模型4使用TSMSE-SSA-BiLSTM进行故障诊断；

模型5使用TSMSE-OOA-SSA-BiLSTM进行故障诊断。

从上表模型诊断结果可以看出，采用时移多尺度样本熵特征提取方法TSMSE的诊断精度高于未采用此方法的模型，这说明采用新的时序分割方法可以更加充分利用故障信息。并且，两种算法共同优化的情况下比单一优化算法准确率更高，说明这是一种有效的优化结合。如图8所示，本发明识别精度高达100％，说明本发明是一种有效的立式水泵机组故障诊断方法。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的范围之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对组成部件或布局进行多种变形和改进。除了对组成部件或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。