在本發(fā)明屬于電力工程，涉及故障診斷方法、系統(tǒng)及介質(zhì)。

背景技術(shù)：

1、風(fēng)電和光伏發(fā)電的利用與發(fā)展，可以有效地降低碳排放，但是風(fēng)電和光伏發(fā)電這些可再生能源具有間歇性和隨機(jī)波動性，大量可再生能源接入電網(wǎng)，對維持電網(wǎng)安全、穩(wěn)定及高效運(yùn)行提出了更高要求。

2、抽水蓄能電站是目前技術(shù)最成熟、最具大規(guī)模開發(fā)的儲能電源和調(diào)節(jié)電源，具備調(diào)峰、調(diào)頻、保障電網(wǎng)安全穩(wěn)定的重要功能，抽水蓄能機(jī)組作為承擔(dān)調(diào)峰任務(wù)的核心設(shè)備，其正常穩(wěn)定運(yùn)行是電站發(fā)揮作用的基礎(chǔ)。由于抽水蓄能機(jī)組工況復(fù)雜多變，同時受水-機(jī)電耦合因素影響，抽水蓄能機(jī)組不可避免地存在一定振動，當(dāng)振動超過額定范圍，將對抽水蓄能機(jī)組的正常運(yùn)行產(chǎn)生影響，甚至引發(fā)嚴(yán)重故障。因此，研究分析振動監(jiān)測數(shù)據(jù)，對抽水蓄能機(jī)組進(jìn)行及時有效的故障診斷具有重要意義。由于機(jī)械設(shè)備運(yùn)行環(huán)境的復(fù)雜性和工況的持續(xù)多變性，隨著抽水蓄能機(jī)組的持續(xù)運(yùn)行，未知故障將不可避免發(fā)生。然而，目前基于振動信號的抽水蓄能機(jī)組故障診斷方法往往依賴于已知故障案例，需要有監(jiān)督地學(xué)習(xí)樣本與故障間映射關(guān)系，無法通過純數(shù)據(jù)驅(qū)動的方式完成對未知故障的診斷，導(dǎo)致診斷的及時性和有效性差。

技術(shù)實現(xiàn)思路

1、為解決背景技術(shù)中所述的抽水蓄能機(jī)組的故障診斷方法及時性和有效性差的問題，本發(fā)明提供基于振動信號的抽水蓄能機(jī)組故障診斷方法、系統(tǒng)及介質(zhì)。

2、本發(fā)明的方法，包括：

3、收集抽水蓄能機(jī)組的正常振動信號和抽水蓄能機(jī)組已知故障振動信號；

4、基于幅值域分析方法、傅里葉變換理論和一維卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建振動信號多維融合特征向量提取模型；

5、通過振動信號多維融合特征向量提取模型，對抽水蓄能機(jī)組正常振動信號和抽水蓄能機(jī)組已知故障振動信號進(jìn)行處理，提取得到抽水蓄能機(jī)組正常振動信號的融合特征向量樣本和抽水蓄能機(jī)組已知故障振動信號的融合特征向量樣本；

6、依據(jù)抽水蓄能機(jī)組正常振動信號的融合特征向量樣本，基于變分自編碼器，構(gòu)建用于識別抽水蓄能機(jī)組正常狀態(tài)和異常狀態(tài)的狀態(tài)單分類器；

7、依據(jù)抽水蓄能機(jī)組已知故障振動信號的融合特征向量樣本，基于變分自編碼器，構(gòu)建用于識別抽水蓄能機(jī)組已知故障和未知故障的故障分類單元；

8、依據(jù)抽水蓄能機(jī)組已知故障振動信號的融合特征向量樣本，基于鯨魚優(yōu)化算法優(yōu)化支持向量機(jī)，構(gòu)建對抽水蓄能機(jī)組已知故障類型進(jìn)行診斷的已知故障類型診斷模型；

9、在抽水蓄能機(jī)組運(yùn)行時，實時采集抽水蓄能機(jī)組的振動信號，通過振動信號多維融合特征向量提取模型，提取得到抽水蓄能機(jī)組振動信號的融合特征向量樣本；將抽水蓄能機(jī)組振動信號的融合特征向量樣本輸入至狀態(tài)單分類器中，對抽水蓄能機(jī)組的正常狀態(tài)和異常狀態(tài)進(jìn)行識別；當(dāng)識別出抽水蓄能機(jī)組為異常狀態(tài)時，將抽水蓄能機(jī)組振動信號的融合特征向量樣本輸入至故障分類單元中，對抽水蓄能機(jī)組是處于已知故障還是未知故障進(jìn)行識別；當(dāng)識別出抽水蓄能機(jī)組處于已知故障時，將抽水蓄能機(jī)組振動信號的融合特征向量樣本輸入至已知故障類型診斷模型中，對抽水蓄能機(jī)組的已知故障類型進(jìn)行診斷，當(dāng)識別出抽水蓄能機(jī)組處于未知故障時，輸出未知故障標(biāo)簽，結(jié)合包括專家經(jīng)驗和頻譜分析在內(nèi)的方法對未知故障類型進(jìn)行診斷。

10、進(jìn)一步地，所述振動信號多維融合特征向量提取模型的構(gòu)建方法包括：

11、基于幅值域分析方法提取抽蓄機(jī)組振動信號的典型時域特征，所述典型時域特征特征參數(shù)包括：簡單統(tǒng)計特征參量和高階統(tǒng)計特征參量；所述簡單統(tǒng)計特征參量包括均值、均方根值、峰峰值；所述高階統(tǒng)計特征參量包括斜度、峭度、峰態(tài)；

12、基于傅里葉變換理論提取抽蓄機(jī)組振動信號的典型頻域特征，所述典型頻域特征包括：頻率幅值均值、頻率重心值、頻率標(biāo)準(zhǔn)差、頻率變化系數(shù)、頻率斜度和頻率幅值均方根；

13、通過一維卷積神經(jīng)網(wǎng)絡(luò)對抽蓄機(jī)組振動信號的隱含特征進(jìn)行挖掘，所述一維卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層和輸出層，以局部連接和共享權(quán)值的方式，通過交替使用卷積層和池化層提取數(shù)據(jù)內(nèi)部空間特征，從而得到抽蓄機(jī)組振動信號的潛在深度特征，具體操作包括：

14、所述卷積層通過卷積核在輸入數(shù)據(jù)上的滑動卷積操作提取特征信息，對于給定的輸入圖像 i和卷積核 k，卷積操作可以表示為：

15、（1），

16、式中，為輸出特征圖在位置的像素值，表示卷積核的行列索引，實際計算中，振動信號特征向量為一維數(shù)據(jù)，采用一維卷積神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)矩陣的一維上進(jìn)行卷積操作；

17、對卷積操作的結(jié)果應(yīng)用激活函數(shù)，設(shè)置relu函數(shù)作為一維卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，其表達(dá)式如下：

18、（2）；

19、所述池化層通過池化操作對卷積層輸出的特征進(jìn)行降采樣，所述池化操作包括最大池化和平均池化；

20、所述最大池化中，池化操作選擇輸入?yún)^(qū)域內(nèi)的最大值作為輸出，表達(dá)式如下：

21、（3），

22、式中，表示池化處理后的輸出值；表示輸入池化層的特征圖于位置的值；

23、所述平均池化中，選擇輸入?yún)^(qū)域內(nèi)的平均值作為輸出，設(shè)池化窗口的大小為，則表達(dá)式如下：

24、（4），

25、所述全連接層用于整合卷積層或池化層中具有類別區(qū)分性的局部信息，基于softmax函數(shù)，全連接層輸出將轉(zhuǎn)化為故障類別的概率分布，輸出層會取最大概率值對應(yīng)的標(biāo)簽輸出，作為樣本類型的識別結(jié)果；

26、所述一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取時，先對模型進(jìn)行預(yù)訓(xùn)練，獲取最優(yōu)預(yù)訓(xùn)練模型，此時輸入樣本數(shù)據(jù)，取出全連接層輸出向量作為抽蓄機(jī)組的振動信號多維融合特征向量。

27、更進(jìn)一步地，所述狀態(tài)單分類器的構(gòu)建方法包括：依據(jù)抽水蓄能機(jī)組正常振動信號的融合特征向量樣本，構(gòu)建用于識別抽水蓄能機(jī)組正常狀態(tài)和異常狀態(tài)的變分自編碼器模型，作為狀態(tài)單分類器；

28、變分自編碼器模型中，假設(shè)一個給定的d維樣本時間序列數(shù)據(jù)集，對于每一個樣本 x，變分自編碼器的編碼過程將復(fù)雜數(shù)據(jù)映射到隱變量空間，表達(dá)式如下：

29、（7），

30、式中，為編碼器的分布函數(shù)，為潛在特征，為輸入數(shù)據(jù)；

31、解碼過程是對隱變量空間數(shù)據(jù)恢復(fù)至原始數(shù)據(jù)空間，通過學(xué)習(xí)數(shù)據(jù)的潛在特征和并生成新數(shù)據(jù)樣本，解碼表達(dá)式如下：

32、（8），

33、式中，為解碼器的分布函數(shù)；為重構(gòu)數(shù)據(jù)；

34、變分自編碼器引入一個概率分布來代替真實的后驗分布，然后從中采樣來近似從后驗分布采樣，為了使和盡可能相等，使用kl散度來評價不同分布之間的相似性，當(dāng)且僅當(dāng)kl散度為0時，表示和完全相等，并通過優(yōu)化參數(shù)與使kl散度最小化，表達(dá)式如下：

35、（9），

36、令，則：

37、（10），

38、式中，被稱為變分下界,最小化通過最大化實現(xiàn)；

39、假設(shè)從取 s個樣本，變分下界進(jìn)一步表示為:

40、（11）,

41、式中，是第 l個采樣樣本；為標(biāo)準(zhǔn)正態(tài)分布；

42、采用重參數(shù)化來簡化運(yùn)算，從標(biāo)準(zhǔn)正態(tài) n(0，1)中取得一個輔助變量，然后利用、計算得到，表達(dá)式如下：

43、（12），

44、當(dāng)batchsize足夠大的時候，取 s=1，即每次只采樣一個樣本數(shù)據(jù)，式（11）表示為：

45、（13），

46、式中，第一項是近似后驗分布與先驗分布的kl散度；第二項為變分自編碼器的重構(gòu)損失項；變分自編碼器訓(xùn)練過程旨在最大化，相當(dāng)于同時最小化kl散度和重構(gòu)損失，所以也可看作為逼近標(biāo)準(zhǔn)正態(tài)的正則化項；

47、通過上述操作，變分自編碼將輸入的抽水蓄能機(jī)組正常振動信號融合特征數(shù)據(jù)通過編碼器映射為一個理想的高斯分布，再將高斯分布采樣的樣本輸入進(jìn)解碼器，由解碼器生成重構(gòu)數(shù)據(jù)，通過比較輸入數(shù)據(jù)與重構(gòu)數(shù)據(jù)的差異構(gòu)建故障征兆指標(biāo)，當(dāng)故障征兆指標(biāo)超出閾值，則判斷抽水蓄能機(jī)組處于異常狀態(tài)，否則處于正常狀態(tài)。

48、更進(jìn)一步地，所述故障分類單元的構(gòu)建方法包括：依據(jù)抽水蓄能機(jī)組正常振動信號的融合特征向量樣本，構(gòu)建用于識別抽水蓄能機(jī)組正常狀態(tài)和異常狀態(tài)的變分自編碼器模型，作為故障分類單元；

49、變分自編碼器模型中，假設(shè)一個給定的d維樣本時間序列數(shù)據(jù)集，對于每一個樣本 x，變分自編碼器的編碼過程將復(fù)雜數(shù)據(jù)映射到隱變量空間，表達(dá)式如下：

50、（7），

51、式中，為編碼器的分布函數(shù)，為潛在特征，為輸入數(shù)據(jù)；

52、解碼過程是對隱變量空間數(shù)據(jù)恢復(fù)至原始數(shù)據(jù)空間，通過學(xué)習(xí)數(shù)據(jù)的潛在特征和并生成新數(shù)據(jù)樣本，解碼表達(dá)式如下：

53、（8），

54、式中，為解碼器的分布函數(shù)；為重構(gòu)數(shù)據(jù)；

55、變分自編碼器引入一個概率分布來代替真實的后驗分布，然后從中采樣來近似從后驗分布采樣，為了使和盡可能相等，使用kl散度來評價不同分布之間的相似性，當(dāng)且僅當(dāng)kl散度為0時，表示和完全相等，并通過優(yōu)化參數(shù)與使kl散度最小化，表達(dá)式如下：

56、（9），

57、令，則：

58、（10），

59、式中，被稱為變分下界,最小化通過最大化實現(xiàn)；

60、假設(shè)從取 s個樣本，變分下界進(jìn)一步表示為:

61、（11）,

62、式中，是第 l個采樣樣本；為標(biāo)準(zhǔn)正態(tài)分布；

63、采用重參數(shù)化來簡化運(yùn)算，從標(biāo)準(zhǔn)正態(tài) n(0，1)中取得一個輔助變量，然后利用、計算得到，表達(dá)式如下：

64、（12），

65、當(dāng)batchsize足夠大的時候，取 s=1，即每次只采樣一個樣本數(shù)據(jù)，式（11）表示為：

66、（13），

67、式中，第一項是近似后驗分布與先驗分布的kl散度；第二項為變分自編碼器的重構(gòu)損失項；變分自編碼器訓(xùn)練過程旨在最大化，相當(dāng)于同時最小化kl散度和重構(gòu)損失，所以也可看作為逼近標(biāo)準(zhǔn)正態(tài)的正則化項；

68、通過上述操作，變分自編碼將輸入的已知故障振動信號融合特征數(shù)據(jù)通過編碼器映射為一個理想的高斯分布，再將高斯分布采樣的樣本輸入進(jìn)解碼器，由解碼器生成重構(gòu)數(shù)據(jù)，通過比較輸入數(shù)據(jù)與重構(gòu)數(shù)據(jù)的差異構(gòu)建故障分類指標(biāo)，當(dāng)故障分類指標(biāo)超出閾值，則判斷抽水蓄能機(jī)組是處于未知故障，否則處于該類已知故障；

69、針對抽水蓄能機(jī)組各已知故障類型，以其多維振動信號融合特征作為輸入獨(dú)立訓(xùn)練變分自編碼器模型，進(jìn)而構(gòu)建由多個變分自編碼器組成的抽水蓄能機(jī)組已知故障和未知故障的故障分類單元，每個變分自編碼器專注于判斷機(jī)組是否發(fā)生對應(yīng)已知類型故障，通過各變分自編碼器模型的協(xié)同工作，實現(xiàn)故障分類單元對抽水蓄能機(jī)組已知故障和未知故障的實時診斷。

70、更進(jìn)一步地，所述已知故障類型診斷模型的構(gòu)建方法包括：

71、依據(jù)抽水蓄能機(jī)組已知故障振動信號的融合特征向量樣本，采用鯨魚優(yōu)化算法對支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，結(jié)合鯨魚優(yōu)化算法的全局尋優(yōu)能力和支持向量機(jī)的分類能力，構(gòu)建對抽水蓄能機(jī)組已知故障的類型進(jìn)行診斷的已知故障類型診斷模型；

72、所述支持向量機(jī)通過非線性核函數(shù)將故障數(shù)據(jù)映射至高維空間，構(gòu)造拉格朗日函數(shù)求取最優(yōu)分類超平面；假設(shè)一組訓(xùn)練樣本，其中屬于輸入向量，是對應(yīng)的輸出向量，針對非線性問題，支持向量機(jī)引入松弛變量與懲罰系數(shù) c，定義拉格朗日函數(shù)如下：

73、（14）,

74、式中，為拉格朗日乘子，表示權(quán)重，為偏置向量；

75、引入徑向基核函數(shù)，優(yōu)化目標(biāo)函數(shù)和約束條件，表達(dá)式如下：

76、（15），

77、該問題為存在唯一解的二次函數(shù)尋優(yōu)問題，定義最優(yōu)解，即有：

78、（16），

79、對應(yīng)的樣本數(shù)據(jù)就是支持向量，最終支持向量機(jī)的最優(yōu)分類超平面為：

80、（17），

81、其中，為分類閾值，通過求解得到；

82、采用鯨魚優(yōu)化算法對懲罰系數(shù)c與核函數(shù)參數(shù)進(jìn)行參數(shù)尋優(yōu)，具體操作如下：

83、鯨魚優(yōu)化算法模擬座頭鯨的圍捕行為，所述圍捕行為包括包圍獵物、泡網(wǎng)攻擊與搜索獵物；

84、所述包圍獵物階段的公式如下：

85、（18），

86、式中,表示迭代次數(shù)；表示最大迭代次數(shù)；、為系數(shù)向量；為[0，1]范圍之間的隨機(jī)數(shù)；表示搜索粒子，代表目標(biāo)獵物，即為當(dāng)前最優(yōu)解的位置向量，在迭代中不斷更新以獲取更優(yōu)解；為迭代過程中由2線性遞減至0的收斂因子；

87、鯨魚優(yōu)化算法通過收縮包圍機(jī)制和螺旋更新機(jī)制對泡網(wǎng)攻擊行為進(jìn)行數(shù)學(xué)建模，根據(jù)概率 p交替使用， p為從[0，1]隨機(jī)生成的一個概率；當(dāng) p＜0.5，采用收縮包圍機(jī)制；而當(dāng) p≥0.5時，則采用螺旋機(jī)制來更新搜索粒子的位置，表達(dá)式如下：

88、（19），

89、式中， b是對數(shù)螺旋線的形狀參數(shù)， l為[-1，1]之間的隨機(jī)數(shù)，代表搜索粒子與當(dāng)前最優(yōu)解距離；

90、呈線性狀態(tài)減少，導(dǎo)致的取值會在之間變化，?，則搜索粒子逐漸包圍當(dāng)前最優(yōu)解，在鯨魚優(yōu)化算法中屬于局部尋優(yōu)階段；當(dāng)，的距離數(shù)據(jù)將被隨機(jī)更新，使鯨魚偏離原來最優(yōu)個體根據(jù)隨機(jī)位置更新種群，以執(zhí)行全局搜索，在搜尋獵物的過程中，其數(shù)學(xué)模型被定義如下：

91、（20），

92、式中，代表從種群中隨機(jī)選擇的搜索粒子。

93、基于抽水蓄能機(jī)組已知故障振動信號特征集，結(jié)合鯨魚優(yōu)化算法較強(qiáng)的全局尋優(yōu)能力和支持向量機(jī)的分類優(yōu)勢，實現(xiàn)對已知故障類型的識別。

94、本發(fā)明還提出了基于振動信號的抽水蓄能機(jī)組故障診斷系統(tǒng)，包括振動信號收集模塊、多維融合特征向量提取模型構(gòu)建模塊、振動信號融合特征向量樣本提取模塊、狀態(tài)單分類器構(gòu)建模塊、故障分類單元構(gòu)建模塊、已知故障類型診斷模型構(gòu)建模塊、抽水蓄能機(jī)組的故障診斷模塊。

95、所述振動信號收集模塊，用于收集抽水蓄能機(jī)組的正常振動信號和抽水蓄能機(jī)組已知故障振動信號。

96、所述多維融合特征向量提取模型構(gòu)建模塊，基于幅值域分析方法、傅里葉變換理論和一維卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建振動信號多維融合特征向量提取模型。

97、所述振動信號融合特征向量樣本提取模塊，通過振動信號多維融合特征向量提取模型，對抽水蓄能機(jī)組正常振動信號和抽水蓄能機(jī)組已知故障振動信號進(jìn)行處理，提取得到抽水蓄能機(jī)組正常振動信號的融合特征向量樣本和抽水蓄能機(jī)組已知故障振動信號的融合特征向量樣本。

98、所述狀態(tài)單分類器構(gòu)建模塊，依據(jù)抽水蓄能機(jī)組正常振動信號的融合特征向量樣本，基于變分自編碼器，構(gòu)建用于識別抽水蓄能機(jī)組正常狀態(tài)和異常狀態(tài)的狀態(tài)單分類器。

99、所述故障分類器單元構(gòu)建模塊，依據(jù)抽水蓄能機(jī)組已知故障振動信號的融合特征向量樣本，基于變分自編碼器，構(gòu)建用于識別抽水蓄能機(jī)組已知故障和未知故障的故障分類單元。

100、所述已知故障類型診斷模型構(gòu)建模塊，依據(jù)抽水蓄能機(jī)組已知故障振動信號的融合特征向量樣本，基于鯨魚優(yōu)化算法優(yōu)化支持向量機(jī)，構(gòu)建對抽水蓄能機(jī)組已知故障的類型進(jìn)行診斷的已知故障類型診斷模型。

101、所述抽水蓄能機(jī)組的故障診斷模塊，用于在抽水蓄能機(jī)組運(yùn)行時，實時采集抽水蓄能機(jī)組的振動信號，通過振動信號多維融合特征向量提取模型，提取得到抽水蓄能機(jī)組振動信號的融合特征向量樣本；將抽水蓄能機(jī)組振動信號的融合特征向量樣本輸入至狀態(tài)單分類器中，對抽水蓄能機(jī)組的正常狀態(tài)和異常狀態(tài)進(jìn)行識別；當(dāng)識別出抽水蓄能機(jī)組為異常狀態(tài)時，將抽水蓄能機(jī)組振動信號的融合特征向量樣本輸入至故障分類單元中，對抽水蓄能機(jī)組是處于已知故障還是未知故障進(jìn)行識別；當(dāng)識別出抽水蓄能機(jī)組處于已知故障時，將抽水蓄能機(jī)組振動信號的融合特征向量樣本輸入至已知故障類型診斷模型中，對抽水蓄能機(jī)組的已知故障類型進(jìn)行診斷，當(dāng)識別出抽水蓄能機(jī)組處于未知故障時，輸出未知故障標(biāo)簽，結(jié)合包括專家經(jīng)驗和頻譜分析等方法對未知故障類型進(jìn)行診斷。

102、本發(fā)明還提出了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如上述所述的基于振動信號的抽水蓄能機(jī)組故障診斷方法。

103、本發(fā)明通過收集抽水蓄能機(jī)組的正常振動信號和已知故障振動信號，并進(jìn)行處理得到正常振動信號的融合特征向量樣本和已知故障振動信號的融合特征向量樣本；基于變分自編碼器，依據(jù)正常振動信號的融合特征向量樣本，構(gòu)建識別抽水蓄能機(jī)組正常狀態(tài)和異常狀態(tài)的狀態(tài)單分類器；基于變分自編碼器，依據(jù)已知故障振動信號的融合特征向量樣本，構(gòu)建識別抽水蓄能機(jī)組已知故障和未知故障的故障分類單元；基于鯨魚優(yōu)化算法優(yōu)化支持向量機(jī)，依據(jù)已知故障振動信號的融合特征向量樣本，構(gòu)建對抽水蓄能機(jī)組已知故障的類型進(jìn)行診斷的已知故障類型診斷模型；最后針對實時采集的抽水蓄能機(jī)組的振動信號，通過狀態(tài)單分類器對抽水蓄能機(jī)組的正常狀態(tài)和異常狀態(tài)進(jìn)行識別，通過故障分類單元對抽水蓄能機(jī)組是處于已知故障還是未知故障進(jìn)行識別，通過已知故障類型診斷模型對抽水蓄能機(jī)組的已知故障類型進(jìn)行診斷，當(dāng)識別出抽水蓄能機(jī)組處于未知故障時，輸出未知故障標(biāo)簽，結(jié)合包括專家經(jīng)驗和頻譜分析在內(nèi)的方法對未知故障類型進(jìn)行診斷。

104、本發(fā)明與現(xiàn)有技術(shù)相比，有益效果如下：一、針對抽水蓄能機(jī)組振動信號普遍存在非線性非平穩(wěn)特性，單一特征難以準(zhǔn)確反映機(jī)組的狀態(tài)的問題，基于幅值域分析方法、傅里葉變換理論和一維卷積神經(jīng)網(wǎng)絡(luò)，構(gòu)建振動信號的多維融合特征向量提取模型，實現(xiàn)了對抽水蓄能機(jī)組運(yùn)行狀態(tài)更為全面且準(zhǔn)確的表征，為提升故障診斷的魯棒性與精確性奠定基礎(chǔ)；二、針對傳統(tǒng)故障診斷方法難以識別未知故障的問題，結(jié)合抽水蓄能機(jī)組已知狀態(tài)振動信號融合特征向量樣本和變分自編碼器，構(gòu)建狀態(tài)單分類器和故障分類單元，實現(xiàn)對機(jī)組異常狀態(tài)的監(jiān)測和故障類型的診斷，減少了未知故障的誤識別；三、基于鯨魚優(yōu)化算法優(yōu)化支持向量機(jī)，依據(jù)已知故障振動信號的融合特征向量樣本，構(gòu)建對抽水蓄能機(jī)組已知故障的類型進(jìn)行診斷的已知故障類型診斷模型，實現(xiàn)已知故障類型的精準(zhǔn)分類。

105、總的來說，本發(fā)明通過振動信號這種純數(shù)據(jù)驅(qū)動的方式，在抽水蓄能機(jī)組運(yùn)行過程中，同時實現(xiàn)抽水蓄能機(jī)組已知故障和未知故障的識別，并且對已知故障類型的進(jìn)行精準(zhǔn)診斷，對未知故障進(jìn)行標(biāo)記，實現(xiàn)抽水蓄能機(jī)組的異常狀態(tài)診斷，突破了傳統(tǒng)智能故障診斷模型的應(yīng)用限制，大大提升了診斷的及時性和有效性，對于保障抽水蓄能機(jī)組設(shè)備安全平穩(wěn)運(yùn)行、降低生產(chǎn)安全風(fēng)險、提高生產(chǎn)效率具有重要意義。