本發(fā)明涉及一種基于多小波的水電機組狀態(tài)監(jiān)測數(shù)據(jù)降噪方法。
背景技術：
水電能源是重點開發(fā)的新能源。在水電開發(fā)規(guī)模大幅增長的同時，作為水電廠的核心關鍵設備，水電機組也在向大型化、復雜化、集成化、精密化、自動化等方向發(fā)展。在這種形勢下，水電機組的安全性問題也日趨突出。水電機組啟、停速度快，負荷調整方便，在電網(wǎng)中常常擔負調峰、調頻、負荷備用等任務，其運行情況不僅關系到水電機組自身的安全，而且對整個電網(wǎng)的安全也具有重要影響。因此，為確保水電機組和電網(wǎng)安全、穩(wěn)定運行，提高設備利用率，避免重大經(jīng)濟損失和人員傷亡，必須對水電機組進行合理的維護和檢修。
水電機組故障診斷的主要步驟包括：1）采集水電機組相關信號；2）對采集的信號進行降噪預處理，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組的故障特征空間映射到機組的故障模式空間中，實現(xiàn)機組故障類型的識別。在這些步驟當中，水電機組的故障特征提取和故障診斷方法的研究是水電機組故障診斷技術研究的兩個難點與熱點。
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的，以及對故障診斷結果準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，增強故障診斷結果的準確性。換句話說，機械設備故障特征提取是為故障診斷服務的，所提取的故障特征結果關系到故障診斷過程的復雜性和故障診斷結果的準確性。水電機組故障特征提取的實現(xiàn)需要借助先進的信號處理方法，探索有效的故障特征提取途徑，為水電機組故障的準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域分析、頻域分析和時頻分析方法三種。
（1）時域分析方法具有簡單、直觀等優(yōu)點，但是，在設備某些故障狀態(tài)下采集的振動信號往往表現(xiàn)出一定的頻率特征，而時域分析方法卻無法體現(xiàn)信號的頻率特性，這使得其應用具有一定的局限性。
（2）頻域分析方法實質上是信號的整體變換，其應用是建立在信號平穩(wěn)性假設的前提之下的，對于非平穩(wěn)信號，F(xiàn)T無法體現(xiàn)信號在時間域上的局部細節(jié)特征，這使得其應用受到了一定的限制。
（3）時頻分析方法：Wigner-Ville 分布（Wigner-Ville Distribution，WVD）屬于二次型變換，存在交叉干擾項，尤其是對多分量信號和在信號頻率成分較為接近時，該現(xiàn)象更為嚴重。短時傅里葉變換（Short Time Fourier Transform，STFT）窗口大小和形狀是預先確定的，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，難以滿足實際需要。Hilbert-Huang變換（Hilbert-Huang Transform，HHT）缺乏完整的數(shù)學理論基礎，存在端點效應，對噪聲干擾的魯棒性差等，仍需要在應用過程中進行不斷的完善。
技術實現(xiàn)要素：
本發(fā)明的目的是提供一種基于多小波的水電機組狀態(tài)監(jiān)測數(shù)據(jù)降噪方法。
為實現(xiàn)上述目的，本發(fā)明采用以下技術方案：假設實際觀察到的信號s[n]由真實有用信號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]進行預處理；步驟S2：利用多小波的Mallat算法對預處理后的信號進行L層多小波分解，得到L個二維多小波系數(shù)序列和一個二維多尺度系數(shù)序列；步驟S3：根據(jù)魯棒協(xié)方差矩陣估計方法計算Vj，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a1、a2、b1、b2為實數(shù)，Vj為2×2實數(shù)矩陣，row1與row2分別為多小波系數(shù)wj,k的第一行和第二行數(shù)據(jù)序列；
計算a1、a2、b1、b2：
計算Vj：
步驟S4：利用，計算，其中k代表多小波系數(shù)標號；步驟S5：利用將與其相鄰的系數(shù)結合，得到包含相鄰系數(shù)信息的值，其中，為非負整數(shù)； 步驟S6：根據(jù)，利用閾值函數(shù)對多小波系數(shù)進行處理，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)進行重構；
步驟S8：對多小波重構的結果進行多小波后處理，得到去噪后的信號。
較佳的，步驟S5中，m=2。
與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：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)降噪方法在水電機組信號降噪過程中的應用，獲取真實有效的信號成分，為水電機組故障的準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。
具體實施方式
下面具體實施例對本發(fā)明做進一步解釋說明。
水電機組所采集的信號經(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性，因此，利用多小波相鄰系數(shù)降噪方法對水電機組采集的信號進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行預處理和多小波分解，得到多個頻段的尺度系數(shù)和小波系數(shù)，利用閾值函數(shù)對多小波系數(shù)進行處理，并將處理后的系數(shù)進行多小波重構和后處理，達到減少信號中的噪聲成分，提高振動信號信噪比的目的。最后將檢驗可行的研究成果應用到水口發(fā)電集團集控中心狀態(tài)監(jiān)測數(shù)據(jù)上，對電廠實際信號進行消噪處理。
假設實際觀察到的信號s[n]由真實有用信號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)有多小波預處理方法，從中選擇適用于水電機組信號降噪的一種，對含噪信號s[n]進行預處理。
（2）利用多小波的Mallat算法對預處理后的信號進行L層多小波分解，得到L個二維多小波系數(shù)序列和一個二維多尺度系數(shù)序列。
（3）根據(jù)魯棒協(xié)方差矩陣估計方法計算Vj，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a1、a2、b1、b2為實數(shù)，Vj為2×2實數(shù)矩陣，row1與row2分別為多小波系數(shù)wj,k的第一行和第二行數(shù)據(jù)序列；
2）計算a1、a2、b1、b2：
計算Vj：
（4）利用，計算，其中k代表多小波系數(shù)標號。
（5）利用將與其相鄰的系數(shù)結合，得到包含相鄰系數(shù)信息的值，其中，為非負整數(shù)，研究表明，取2時降噪效果較好，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)進行重構。
參見圖1，將本發(fā)明應用在具體實施例中，構建發(fā)電集團水電機組故障診斷診斷模型。為發(fā)電集團水電機組運行檢修提供依據(jù)，指導機組安全穩(wěn)定運行：
1、探求水電機組故障機理，建立水電機組故障特征集
通過大量閱讀文獻，研究現(xiàn)有研究成果和建立水電機組動力學模型等方式，探求水電機組故障機理，初步確定哪些特征參數(shù)對故障敏感性較強，用于指導建立原始水電機組故障特征集。結合發(fā)電集團各機組實際情況，將已得到的故障特征進行完善，進而建立適合水口發(fā)電集團的機組故障特征集。
、收集水電機組故障樣本，用于故障特征自適應提取研究
通過發(fā)電集團水電機組狀態(tài)監(jiān)測系統(tǒng)采集水電機組故障樣本，同時結合實驗室轉子實驗臺模擬多種機組故障，獲取不同故障情況下的信號樣本，為水電機組故障特征自適應提取研究提供數(shù)據(jù)支撐。
、基于多小波的水電機組信號降噪研究。具體方法如上所述
4、基于多小波的水電機組故障特征自適應提取方法研究
為了從大量特征參數(shù)中獲取對故障敏感性較強的特征參數(shù)，提高后續(xù)故障診斷結果的準確性，利用自適應多小波，并結合遺傳算法與敏感性評估指標對水電機組故障特征參數(shù)進行尋優(yōu)，獲取低維強敏感故障特征。
、基于貝葉斯網(wǎng)絡的水電機組故障診斷方法研究
本發(fā)明擬采用專家經(jīng)驗指定貝葉斯網(wǎng)絡各參數(shù)間的因果關系即網(wǎng)絡結構，通過參數(shù)學習獲得貝葉斯網(wǎng)絡的條件概率表CPT，進而搭建起水電機組故障診斷貝葉斯網(wǎng)絡，對機組故障模式進行識別。首先，將特征提取的結果利用SOM神經(jīng)網(wǎng)絡進行數(shù)據(jù)屬性離散化。然后，經(jīng)過貝葉斯網(wǎng)絡參數(shù)學習確定先驗概率，搭建貝葉斯網(wǎng)絡。最后，通過簇樹推理算法計算已知故障征兆下不同故障模式的后驗概率。
、構建水電機組故障診斷模型
綜合基于多小波的水電機組信號降噪方法研究、水電機組故障特征自適應提取方法研究，基于貝葉斯網(wǎng)絡的水電機組故障診斷方法研究的研究成果，構建水電機組故障診斷模型，并根據(jù)水電機組故障診斷實際問題對方法進行測試和改進。
以上是本發(fā)明的較佳實施例，凡依本發(fā)明技術方案所作的改變，所產(chǎn)生的功能作用未超出本發(fā)明技術方案的范圍時，均屬于本發(fā)明的保護范圍。