基于CEEMDAN-IPSO-LSTM的水電機(jī)組振動(dòng)預(yù)測(cè)研究

關(guān)鍵詞：水電機(jī)組；ＣＥＥＭＤＡＮ；ＬＳＴＭ；故障預(yù)警；振動(dòng)預(yù)測(cè)

中圖分類號(hào)：ＴＶ７３４．１ 文獻(xiàn)標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２３．０５．０３２

引用格式：孫育暉，王利英，雷慶文，等．基于ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 的水電機(jī)組振動(dòng)預(yù)測(cè)研究［Ｊ］．人民黃河，２０２３，４５（５）：１５６－１６２．

水電機(jī)組安全運(yùn)行是水電站穩(wěn)定運(yùn)行和持續(xù)產(chǎn)生電力供應(yīng)的重要保障，而水電機(jī)組的振動(dòng)問題是其安全運(yùn)行應(yīng)關(guān)注的重點(diǎn)，也是該領(lǐng)域的研究熱點(diǎn)［１－４］ 。水電機(jī)組振動(dòng)信號(hào)能夠直接反映機(jī)組是否安全穩(wěn)定運(yùn)行［５］ ，屬于非線性、非平穩(wěn)的信號(hào)，因此能否準(zhǔn)確、有效地分析處理振動(dòng)信號(hào)特別是故障特征振動(dòng)信號(hào)，是當(dāng)前必須解決的難題，也是機(jī)組狀態(tài)監(jiān)測(cè)及故障診斷的關(guān)鍵所在［６－７］ 。同時(shí)噪聲信號(hào)會(huì)對(duì)機(jī)組振動(dòng)信號(hào)產(chǎn)生影響，從而導(dǎo)致不能準(zhǔn)確獲取機(jī)組最真實(shí)的故障信息。

近年來，機(jī)器學(xué)習(xí)算法如決策樹（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）、ＢＰ 神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）、ＣＮＮ 以及支持向量機(jī)（ＳＶＭ）等已被用于預(yù)測(cè)機(jī)組振動(dòng)故障，并取得了不錯(cuò)的效果［８－１０］ ，雖然這些模型可以處理非線性相關(guān)的數(shù)據(jù)，但其很難識(shí)別振動(dòng)幅度較大信號(hào)和捕捉信號(hào)彼此之間的關(guān)系，且預(yù)測(cè)精度有待提高。長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（ＬＳＴＭ）控制信息的傳遞通過單元門狀態(tài)和門結(jié)構(gòu)可以捕捉到連續(xù)時(shí)間序列中潛在的依賴關(guān)系，ＬＳＴＭ 對(duì)一維時(shí)間序列處理能力優(yōu)于其他網(wǎng)絡(luò)模型，被用于訓(xùn)練水電機(jī)組故障診斷及預(yù)測(cè)建模。李輝等［１１］ 使用ＳＶＤ 方法和深度置信網(wǎng)絡(luò)模型對(duì)水電機(jī)組振動(dòng)信號(hào)進(jìn)行了故障診斷和工程實(shí)際檢驗(yàn)；傅質(zhì)馨等［１２］ 把集合經(jīng)驗(yàn)?zāi)B(tài)（ＥＥＭＤ）分解與ＬＳＴＭ 結(jié)合，對(duì)水電機(jī)組的劣化程度進(jìn)行了預(yù)測(cè)，研究結(jié)果顯示采用ＬＳＴＭ 模型對(duì)水力發(fā)電機(jī)組在不同工作條件下的預(yù)測(cè)準(zhǔn)確率均優(yōu)于傳統(tǒng)模型，相比于通過支持向量機(jī)建模和ＢＰ 神經(jīng)網(wǎng)絡(luò)而言，有著普遍優(yōu)點(diǎn)。然而，水電機(jī)組振動(dòng)信號(hào)是非平穩(wěn)非周期性的，ＬＳＴＭ 模型單獨(dú)用于機(jī)組故障預(yù)測(cè)時(shí)不易進(jìn)行識(shí)別預(yù)測(cè)。

針對(duì)信號(hào)的不確定性和非平穩(wěn)性，將數(shù)據(jù)驅(qū)動(dòng)模型和數(shù)據(jù)去噪模型相結(jié)合能夠大大提高預(yù)測(cè)準(zhǔn)確率。目前通常把時(shí)頻分析法用于信號(hào)處理研究，具體包含小波分解［１３］ 、小波包變換［１４］ 、經(jīng)驗(yàn)?zāi)B(tài)分解（ＥＭＤ）等。小波變換法必須提前設(shè)定基函數(shù)、分解層數(shù)和閾值，因此沒有自適應(yīng)的時(shí)頻分析能力；ＥＭＤ 算法因無須建立小波基函數(shù)、分解層數(shù)，故被廣泛應(yīng)用，但結(jié)果呈現(xiàn)端點(diǎn)效應(yīng)不足、模態(tài)混疊現(xiàn)象；集合經(jīng)驗(yàn)?zāi)B(tài)分解（ＥＥＭＤ）方法主要是向待測(cè)信號(hào)中加入白噪聲，利用高斯白噪聲的振動(dòng)頻率分布均勻這一特點(diǎn)可有效解決端點(diǎn)效應(yīng)不足的問題及抑制模態(tài)混疊現(xiàn)象。胡曉等［１５］ 提出一種ＥＥＭＤ 和曲線趨勢(shì)編碼與隱馬爾科夫模型相結(jié)合的信號(hào)特征提取方法并用于機(jī)組故障特征識(shí)別，將提取的振動(dòng)信號(hào)特征向量輸入隱馬爾科夫模型（ＨＭＭ），實(shí)現(xiàn)模式識(shí)別，驗(yàn)證了該方法可以有效識(shí)別機(jī)組故障。蔣文君等［１６］ 通過ＥＥＭＤ 分解近似熵特征值，將特征值輸入概率神經(jīng)網(wǎng)絡(luò)（ＰＮＮ）進(jìn)行識(shí)別，結(jié)果表明該方法可以有效識(shí)別運(yùn)行狀態(tài)，但其存在固有模態(tài)函數(shù)（ＩＭＦ）分量有白噪聲殘留等問題，基于完全自適應(yīng)噪聲集合經(jīng)驗(yàn)?zāi)B(tài)分解（ＣＥＥＭＤＡＮ）方法消除了添加噪聲對(duì)信號(hào)的影響，提高了計(jì)算的準(zhǔn)確性。游仕豪等［１７］ 使用ＣＥＥＭＤＡＮ 方法結(jié)合ＥＬＭ－Ａｄａｂｏｏｓｔ 對(duì)機(jī)組振動(dòng)故障進(jìn)行了高精度分類診斷。筆者提出一種基于ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 的組合模型，與ＩＰＳＯ－ＬＳＴＭ、ＩＰＳＯ－ＳＶＲ 和ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型進(jìn)行比較，驗(yàn)證了其有效性。

１水電機(jī)組振動(dòng)預(yù)測(cè)模型的建立

１．１ ＣＥＥＭＤＡＮ 算法

ＣＥＥＭＤＡＮ 算法通過在模態(tài)分解的各階段添加特定的白噪聲，再平均運(yùn)算，可有效解決ＥＭＤ 分解產(chǎn)生模態(tài)混疊和虛假ＩＭＦ 問題，同時(shí)克服ＥＥＭＤ 噪聲殘留問題，使得在較少平均次數(shù)下，重構(gòu)誤差基本為０，且計(jì)算效率更高。

１．２改進(jìn)粒子群優(yōu)化算法（ＩＰＳＯ）

粒子群算法（Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）源自鳥類活動(dòng)研究，因算法簡(jiǎn)便而被廣泛使用。雷慶文等［１８］ 對(duì)慣性權(quán)重進(jìn)行非線性自適應(yīng)調(diào)整，提出了一種周期性更新動(dòng)態(tài)慣性權(quán)重的改進(jìn)粒子群優(yōu)化算法（ＩＰ?ＳＯ），相較于粒子群算法，ＩＰＳＯ 在尋優(yōu)過程中能有效降低粒子過早陷入局部最優(yōu)解的風(fēng)險(xiǎn)，提高平衡全局搜尋和局部搜尋的能力和粒子的收斂精度。

１．３ ＬＳＴＭ 神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（ＬＳＴＭ）屬于特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，通過“門”結(jié)構(gòu)設(shè)計(jì)，能夠有效防止傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)出現(xiàn)梯度爆炸以及消失的情況，并且ＬＳＴＭ能有效學(xué)習(xí)到長(zhǎng)期依賴關(guān)系，在按特定時(shí)間步長(zhǎng)運(yùn)行過程中可以更好地保留有效信息、摒棄不需要的信息，這也使具有記憶功能的ＬＳＴＭ 在用于大量序列樣本預(yù)測(cè)時(shí)展現(xiàn)出較強(qiáng)的優(yōu)勢(shì)。

１．４ ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型

本文提出的基于ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 的水電機(jī)組振動(dòng)信號(hào)預(yù)測(cè)模型，首先對(duì)原始信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，使用小波閾值降噪方法進(jìn)行降噪處理；再利用ＣＥＥＭＤＡＮ 算法得到不同頻率的ＩＭＦ 分量，根據(jù)相關(guān)系數(shù)法篩選有效模態(tài)，計(jì)算有效的ＩＭＦ 特征分量，對(duì)ＩＭＦ 特征分量進(jìn)行重構(gòu)并進(jìn)行歸一化處理；最后將重構(gòu)數(shù)據(jù)的９０％ 劃作訓(xùn)練集、１０％ 劃作測(cè)試集，輸入ＬＳＴＭ 進(jìn)行模型訓(xùn)練和測(cè)試。使用交叉驗(yàn)證使模型更可靠穩(wěn)定，隱藏層數(shù)設(shè)為１ 層，采用Ｄｒｏｐｏｕｔ 算法防止過擬合，采用指數(shù)衰減法對(duì)學(xué)習(xí)率進(jìn)行動(dòng)態(tài)調(diào)整。對(duì)于樣本數(shù)、步長(zhǎng)數(shù)和網(wǎng)絡(luò)記憶單元數(shù)均通過ＩＰＳＯ 算法進(jìn)行尋優(yōu)，當(dāng)樣本數(shù)為１、步長(zhǎng)數(shù)為１４、網(wǎng)絡(luò)記憶單元數(shù)為６４ 時(shí)，模型的預(yù)測(cè)效果較好，最終得到準(zhǔn)確的預(yù)測(cè)值。模型預(yù)測(cè)流程見圖１。

２實(shí)例驗(yàn)證與結(jié)果分析

振動(dòng)數(shù)據(jù)均來源于新鄉(xiāng)中新化工有限公司制造的工業(yè)流體余壓利用型水輪機(jī)組，選取故障狀態(tài)、故障維修后狀態(tài)、正常狀態(tài)３ 種工況下的機(jī)組作為試驗(yàn)對(duì)象，各取其運(yùn)行時(shí)段的１ ０２４ 個(gè)振動(dòng)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，原始數(shù)據(jù)如圖２ 所示。

２．１樣本數(shù)據(jù)預(yù)處理

對(duì)原始樣本數(shù)據(jù)使用多項(xiàng)式最小二乘法、歸一化和小波閾值降噪方法進(jìn)行預(yù)處理，選取的小波函數(shù)為‘ｄｂ１’，分解層數(shù)為２。經(jīng)預(yù)處理降噪后的樣本數(shù)據(jù)見圖３。

２．２ ＣＥＥＭＤＡＮ 算法分解

經(jīng)ＣＥＥＭＤＡＮ 算法分解，不同頻率的ＩＭＦ 分量如圖４ 所示（故障狀態(tài)、正常狀態(tài)有９ 個(gè)ＩＭＦ 分量，編號(hào)為ＩＭＦ１～ＩＭＦ９，故障維修后狀態(tài)有１０ 個(gè)ＩＭＦ 分量，編號(hào)為ＩＭＦ１～ＩＭＦ１０）。

２．３計(jì)算ＩＭＦ 分量的相關(guān)系數(shù)

分析計(jì)算３ 種工況ＩＭＦ 分量（均選取ＩＭＦ１～ＩＭＦ９進(jìn)行分析）和降噪后數(shù)據(jù)的相關(guān)系數(shù)（見表１），并將相關(guān)系數(shù)大于閾值（設(shè)定為３％）的ＩＭＦ 分量挑選出來。對(duì)于故障狀態(tài)，ＩＭＦ１～ ＩＭＦ９ 符合要求；對(duì)于故障維修后狀態(tài)，ＩＭＦ１～ＩＭＦ６符合要求；對(duì)于正常狀態(tài)，ＩＭＦ２～ＩＭＦ６ 符合要求。但為使特征向量維度統(tǒng)一，３ 種狀態(tài)均把ＩＭＦ２～ＩＭＦ６ 作為挑選出的分量，進(jìn)行信號(hào)重構(gòu)。

２．４模型預(yù)測(cè)結(jié)果對(duì)比分析

將本文模型預(yù)測(cè)結(jié)果與ＩＰＳＯ－ＬＳＴＭ、ＩＰＳＯ－ＳＶＲ、ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比（這里僅展示前４０ 個(gè)測(cè)試樣本），采用均方根誤差（ＲＭＳＥ）、均方誤差（ＭＳＥ）、平均絕對(duì)誤差（ＭＡＥ）、決定系數(shù)（Ｒ２ ）４個(gè)評(píng)價(jià)指標(biāo)來衡量預(yù)測(cè)效果，通過模型預(yù)測(cè)圖和線性擬合圖進(jìn)行評(píng)估。

２．４．１ ３種工況下不同模型的預(yù)測(cè)圖分析

從圖５ 和表２ 可以看出，在故障狀態(tài)下，相較于單一預(yù)測(cè)模型和ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 預(yù)測(cè)模型，本文提出的ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型預(yù)測(cè)值與實(shí)測(cè)值最接近，３ 個(gè)誤差性能指標(biāo)ＭＡＥ、ＭＳＥ、ＲＭＳＥ均最小，決定系數(shù)Ｒ２ 最接近于１，預(yù)測(cè)精度明顯好于其他模型。

從圖６ 和表３ 可以看出，在故障維修后狀態(tài)下，單一預(yù)測(cè)模型和ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型對(duì)３０～４０ 號(hào)樣本的預(yù)測(cè)結(jié)果有明顯的誤差，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型預(yù)測(cè)值與實(shí)測(cè)值最接近，評(píng)價(jià)指標(biāo)均優(yōu)于其他預(yù)測(cè)模型。

由圖７ 和表４ 可以看出， 在正常狀態(tài)下，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型的預(yù)測(cè)效果優(yōu)于另外３種模型，其預(yù)測(cè)曲線能很好地逼近實(shí)測(cè)值，評(píng)價(jià)指標(biāo)均優(yōu)于其他預(yù)測(cè)模型。

２.４.２ ３種工況下不同模型的線性擬合圖分析

由圖８ 可以看出，在故障狀態(tài)下，單一預(yù)測(cè)模型的線性擬合偏差較大，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型對(duì)絕對(duì)值大的數(shù)據(jù)點(diǎn)預(yù)測(cè)偏差大，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ模型的數(shù)據(jù)點(diǎn)線性擬合效果最好，預(yù)測(cè)效果優(yōu)于其他模型。

由圖９ 可以看出，在故障維修后狀態(tài)下，數(shù)據(jù)大多分布較為集中，單一預(yù)測(cè)模型的線性擬合偏差較大，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型對(duì)實(shí)測(cè)值較大的點(diǎn)預(yù)測(cè)結(jié)果偏小，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型的數(shù)據(jù)點(diǎn)線性擬合效果最好，預(yù)測(cè)效果優(yōu)于其他模型。

由圖１０ 可以看出，在正常狀態(tài)下，單一預(yù)測(cè)模型在實(shí)測(cè)值為０ 附近的數(shù)據(jù)點(diǎn)線性擬合偏差較大，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型對(duì)實(shí)測(cè)值較小的數(shù)據(jù)點(diǎn)預(yù)測(cè)效果較差，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型的數(shù)據(jù)點(diǎn)線性擬合效果最好，預(yù)測(cè)效果最優(yōu)。

３結(jié)論

基于工程實(shí)測(cè)振動(dòng)信號(hào)對(duì)ＣＥＥＭＤＡＮ －ＩＰＳＯ －ＬＳＴＭ 模型進(jìn)行測(cè)試和驗(yàn)證，得到如下結(jié)論：

（１）ＣＥＥＭＤＡＮ 算法可對(duì)水電機(jī)組振動(dòng)信號(hào)進(jìn)行特征分解，相較于未分解的結(jié)果，ＣＥＥＭＤＡＮ 模型預(yù)測(cè)精度更高，穩(wěn)定性更強(qiáng)，信號(hào)間依賴關(guān)系更易被捕捉。

（２）基于ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 的水電機(jī)組振動(dòng)預(yù)測(cè)模型對(duì)不同狀態(tài)下實(shí)測(cè)振動(dòng)信號(hào)均可有效識(shí)別，為水電機(jī)組故障診斷技術(shù)提出了新的研究方向。

【責(zé)任編輯 張華巖】