基于IMSGP-WEDI的水電機(jī)組故障預(yù)警方法

曹超凡, 李明亮, 蔣雙云, 張廣濤, 李中梁, 盧 娜

(1. 鄭州大學(xué) 水利與交通學(xué)院,鄭州 450001; 2. 華電電力科學(xué)研究院有限公司,杭州 310030;3. 潤電能源科學(xué)技術(shù)有限公司,鄭州 450052)

水電機(jī)組實際運行過程中各種工況轉(zhuǎn)換頻繁,加之受到水力、電氣、機(jī)械等多方面綜合因素影響,可能產(chǎn)生多種故障,因此需開展機(jī)組狀態(tài)趨勢預(yù)測,以掌握機(jī)組實時運行狀態(tài),及時發(fā)現(xiàn)機(jī)組運行異常和早期故障,并據(jù)此制定合理的檢修計劃,避免發(fā)生重大事故[1-2]。

水電機(jī)組狀態(tài)趨勢預(yù)測是利用機(jī)組歷史監(jiān)測數(shù)據(jù)進(jìn)行學(xué)習(xí)構(gòu)建趨勢預(yù)測模型,并基于當(dāng)前機(jī)組運行數(shù)據(jù)實現(xiàn)未來機(jī)組運行狀態(tài)的預(yù)測[3-4]。在實際運行中,水電機(jī)組故障通常在振動信號上有所體現(xiàn),提取水電機(jī)組振動信號的重要特征進(jìn)行機(jī)組狀態(tài)趨勢預(yù)測,可以有效反應(yīng)機(jī)組真實運行狀態(tài),并實現(xiàn)故障預(yù)警[5-6]。

目前專家學(xué)者針對旋轉(zhuǎn)機(jī)械開展故障預(yù)警研究已經(jīng)取得一定進(jìn)展。鹿衛(wèi)國等[7]假定水電機(jī)組正常狀態(tài)下歷史振動數(shù)據(jù)服從某一概率分布,將偏離概率分布的數(shù)據(jù)歸類為故障狀態(tài)實現(xiàn)故障預(yù)警。安學(xué)利等[8]利用最小二乘支持向量機(jī)構(gòu)建三維曲面預(yù)警模型,通過對機(jī)組實時運行振動數(shù)據(jù)進(jìn)行狀態(tài)評估實現(xiàn)故障預(yù)警。劉濤等[9]利用多元狀態(tài)評估技術(shù)對電廠風(fēng)機(jī)觀測向量進(jìn)行最優(yōu)估計,從而得到估計向量,通過計算觀測向量與估計向量之間的偏離度,判斷是否超過預(yù)警閾值,從而實現(xiàn)風(fēng)機(jī)的實時故障預(yù)警。然而,現(xiàn)有的預(yù)警方法多存在預(yù)警指標(biāo)特征信息單一,所構(gòu)建預(yù)警指標(biāo)難以完全表征機(jī)組狀態(tài),早期預(yù)警困難的問題。而利用振動信號中的多元特征構(gòu)建綜合預(yù)警指標(biāo),可以更加有效地判斷機(jī)組健康狀態(tài)。為此,劉東等[10]通過計算水電機(jī)組振動信號時域特征與健康值之間的相對差值作為時域劣化指標(biāo),計算實測信號頻域特征向量與健康聚類中心之間的歐氏距離作為頻域劣化指標(biāo),實現(xiàn)了水電機(jī)組劣化在線評估。Mao等[11]提出一種具有交替最小化方案的算法進(jìn)行張量表示和無監(jiān)督特征提取,并利用提取的特征構(gòu)建健康指標(biāo)來進(jìn)行地鐵車輪劣化狀態(tài)評估。Liu等[12]利用深度卷積神經(jīng)網(wǎng)絡(luò)提取軸承退化數(shù)據(jù)與正常數(shù)據(jù)之間的特征距離構(gòu)建演化狀態(tài)指標(biāo),然后利用無監(jiān)督聚類方法劃分狀態(tài)階段,實現(xiàn)軸承早期故障演化監(jiān)測。盡管如此,利用綜合指標(biāo)實現(xiàn)機(jī)組早期故障預(yù)警的研究仍然較少,且當(dāng)前研究中大多使用單傳感器振動數(shù)據(jù)作為模型輸入,其所提取的特征信息遠(yuǎn)不如多源數(shù)據(jù)的全面,并且容易遺漏重要特征。

針對上述問題,并考慮到遺傳規(guī)劃(genetic program,GP)可以更有效地構(gòu)造表征機(jī)組狀態(tài)的高級特征,進(jìn)而獲得更為可靠的預(yù)警結(jié)果,且目前其在故障預(yù)警領(lǐng)域應(yīng)用較少,本文提出了基于集成多傳感器遺傳規(guī)劃(integrated multi-sensor genetic programming, IMSGP)與權(quán)重歐式距離指標(biāo)(weighted euclidean distance index, WEDI)的水電機(jī)組故障預(yù)警方法。本文主要工作為:

(1) 融合多傳感器信息,引入GP算法,構(gòu)建了IMSGP故障預(yù)警模型,可更加全面地反映機(jī)組運行狀態(tài)。

(2) 綜合考慮時頻特征信息構(gòu)建多元原始預(yù)警特征集,利用復(fù)合檢測指數(shù)(composite detection index,CDI)進(jìn)行特征選擇,剔除無關(guān)特征向量,提高了特征敏感性,降低了后續(xù)算法的復(fù)雜性。

(3) 結(jié)合主成分分析(principal component analysis,PCA)[13]與歐式距離[14]構(gòu)建WEDI綜合預(yù)警指標(biāo),以偏離健康狀態(tài)權(quán)重歐式距離系數(shù)3倍偏差為預(yù)警閾值,實現(xiàn)水電機(jī)組早期故障預(yù)警。

(4) 利用所提出的方法對水電機(jī)組實測信號進(jìn)行處理,結(jié)果表明,所構(gòu)建的狀態(tài)趨勢預(yù)測模型能夠及時發(fā)現(xiàn)水電機(jī)組狀態(tài)變化,預(yù)警時間比明顯出現(xiàn)癥狀的時間提前6天左右。

1 基本理論

1.1 遺傳規(guī)劃

遺傳規(guī)劃是遺傳算法與計算機(jī)編程相結(jié)合的一種進(jìn)化方法[15],具有利用候選解表示的動態(tài)結(jié)構(gòu)和全局搜索的特點,但與其他進(jìn)化算法不同的是,GP采用更靈活的層次模型(樹)來表示解空間,其結(jié)構(gòu)和大小可自適應(yīng)調(diào)整,更適合于表示復(fù)雜問題[16]。GP中的個體通常由函數(shù)集和終端集組成。GP的函數(shù)集可分為一般函數(shù)(如+,-,×,÷等)、邏輯函數(shù)(如if,and,or等)和其他數(shù)學(xué)函數(shù)(如exp,sin,cos等)。終止符集通常為變量和特征等。如圖1所示,該樹模型是GP的一個個體,數(shù)學(xué)上可以表示為[8×(x+5)]-(3÷y),其中+、-、×和÷包含在函數(shù)集中,終端集包含x、y、8、3和5。在水電機(jī)組故障特征構(gòu)造中,該方程可作為所構(gòu)造的高級特征,其中,x和y為水電機(jī)組信號的兩個原始特征。由此可以看出,GP算法具有很好的可視化和模型解釋能力。此外,GP算法樹深度可以根據(jù)實際問題進(jìn)行調(diào)整,模型復(fù)雜程度與問題復(fù)雜程度相關(guān)。

圖1 某個體樹形GP結(jié)構(gòu)表達(dá)Fig.1 Tree structure representation of some individual in GP

GP算法的流程圖如圖2所示,主要包含:創(chuàng)建初始個體、個體適應(yīng)度評價、選擇、交叉、變異、判斷是否滿足終止條件,結(jié)束。其中選擇指GP算法中個體的選擇與復(fù)制操作,其遵循生物界的“優(yōu)勝劣汰”原則,目的是保留種群中優(yōu)秀的個體,淘汰劣質(zhì)個體,根據(jù)適應(yīng)度函數(shù)值,選擇復(fù)制上一代優(yōu)秀個體,保證下一代個體更優(yōu)秀;交叉指選擇父代中的兩個個體,相互替代他們的部分結(jié)構(gòu),從而產(chǎn)生兩個新的個體,該操作是為了使不同個體的信息相互交換,豐富種群的多樣性,根據(jù)適應(yīng)度值與被選定概率成正比的關(guān)系,隨機(jī)選擇父代個體,也可以通過隨機(jī)選擇父代樹節(jié)點作為交叉節(jié)點,以交叉點為根的整個子樹為交叉段,兩個子樹相互交換,產(chǎn)生新的樹結(jié)構(gòu);變異指GP個體的變異,包含對終止符集和函數(shù)符集進(jìn)行變異操作,變異位置是隨機(jī)選擇父代樹的任一節(jié)點,對于原位置任意替換,當(dāng)變異點為函數(shù)符集,則替換前后運算數(shù)目元素相同。

圖2 遺傳規(guī)劃算法流程圖Fig.2 Genetic programming algorithm

1.2 時頻域特征

對于預(yù)處理后的多元水電機(jī)組信號,需提取其基礎(chǔ)特征信息作為后續(xù)IMSGP模型的輸入。本文選取了15個時域特征和13個頻域特征進(jìn)行基礎(chǔ)特征信息提取。

時域特征分別為算術(shù)平均值、平均幅值、方差、標(biāo)準(zhǔn)差、方根幅值、均方根值、最大值、最小值、峰值、峰值因子值、峰度值、波形因子值、脈沖因子值、邊際因子值和偏度值。時域特征計算式如表1所示,其中,v(i)為信號樣本點,N為樣本點數(shù)。

表1 時域特征參數(shù)Tab.1 Time domain feature parameters

頻域特征考慮了信號的頻率特性,通過對信號進(jìn)行快速傅里葉變換(fast Fourier transform, FFT)[17]得到的頻譜幅值進(jìn)行計算,提取出信號的頻率特性,13個頻域特征為:平均頻率F1、標(biāo)準(zhǔn)頻率的偏差F2、頻率中心F3、均方根頻率F4、主波段的位置變化特征F5和F6、頻譜的集中或分散程度特征F7～F13。計算公式如表2所示,其中,s(i)為原始信號的頻譜,M為譜線數(shù),f(j)為第j條譜線的頻率值,Aj為第j條譜線的幅值。

表2 頻域特征參數(shù)Tab.2 Frequency domain feature parameters

2 基于IMSGP-WEDI的水電機(jī)組故障預(yù)警方法

2.1 復(fù)合檢測指數(shù)

從多傳感器信號中能夠獲得大量的特征信息,但其中不乏冗余的無用特征,為了提高計算信號特征的性能,降低后續(xù)GP的計算復(fù)雜度,本文利用復(fù)合檢測指數(shù)CDI作為特征選擇的敏感特征評價指標(biāo),將進(jìn)行多元原始信號特征集特征篩選。CDI的計算步驟為:

步驟1計算檢測指數(shù)DI值

假設(shè)Ni,Nj分別是由旋轉(zhuǎn)機(jī)械狀態(tài)i和狀態(tài)j的信號計算得到的時頻域特征值,且服從正態(tài)分布。則狀態(tài)i和狀態(tài)j下某一特征值的DI[18]值為

(1)

式中:σi,σj為Ni,Nj的標(biāo)準(zhǔn)差值;μi,μj為Ni,Nj的平均值。

步驟2計算CDI值

由式(1)可知,故障樣本的類間間距越大,類內(nèi)間距越小時,對于故障分類越有利。因此,DI值越大,越容易識別出對應(yīng)的兩種不同狀態(tài)樣本的差別,據(jù)此,本文構(gòu)造CDI為

(2)

式中:n為故障類型的種類數(shù); DIi,j為狀態(tài)i和狀態(tài)j對應(yīng)特征的DI值。

可見,CDI綜合考慮到不同故障類型,同一特征值計算得到的DI平均值與最小值。CDI越大,表明該特征對所有故障類型的敏感性越高。

2.2 集成多傳感器遺傳規(guī)劃

考慮到將多傳感器數(shù)據(jù)輸入GP后,在各設(shè)定優(yōu)化參數(shù)不變的前提下重復(fù)運行GP模型,其輸出的結(jié)果會有差別,利用其進(jìn)行后續(xù)的預(yù)警指標(biāo)構(gòu)建得到的預(yù)警結(jié)果有優(yōu)有劣,即多傳感器遺傳規(guī)劃(multi-sensor genetic programming, MSGP)運行結(jié)果不穩(wěn)定,魯棒性不強(qiáng),因此本文引入集成化思想,構(gòu)建了集成多傳感器遺傳規(guī)劃IMSGP模型,這里的集成是指通過重復(fù)運行MSGP得到高維高級特征集合,即假設(shè)集成k次,就會得到k個互相獨立的一維高級特征,也就是k維高級特征。這樣,所得的k維高級特征就可以輸入到PCA算法進(jìn)行降維處理,獲得低維敏感特征,提高模型的泛化性能及水電機(jī)組故障預(yù)警的效率。

2.3 IMSGP目標(biāo)函數(shù)

GP中目標(biāo)函數(shù)值反映了種群個體的特性,在優(yōu)化程序運行時,常常通過目標(biāo)函數(shù)評價來尋找最佳個體。而當(dāng)訓(xùn)練樣本數(shù)量較少時,GP構(gòu)造的特征在訓(xùn)練集上容易獲得較好的分類性能,但在測試集上可能會產(chǎn)生過擬合的現(xiàn)象。為了解決這一問題,本文構(gòu)建了一種融合分類精度和樣本距離的遺傳規(guī)劃適應(yīng)度函數(shù),其計算公式如式(3)所示,利用最小-最大歸一化方法將Fitness變換到 [0,1]范圍內(nèi)。

(3)

式中:Acc為構(gòu)造特征的分類準(zhǔn)確率,通過k-fold交叉驗證計算得出,在本文計算中取5折[19]; Dist為距離度量,其原理是使樣本的類內(nèi)距離最小,類間距離最大,以此來降低同類樣本的差異性同時提高構(gòu)造特征的鑒別能力。Dist計算公式如式(4)～式(5)所示,其計算基礎(chǔ)是兩個樣本特征的JS(jensen-shannon)散度值[20],同類樣本之間的距離計算公式如式(4)所示,類間樣本之間的距離計算公式如式(5)所示,最后受sigmod函數(shù)的啟發(fā),利用式(6)對距離進(jìn)行歸一化處理,保證式(3)處于[0,1]范圍內(nèi)。

(4)

(5)

(6)

式中:Din為類內(nèi)距離;Dout為類間距離;Ni,Nj為水電機(jī)組運行狀態(tài)i,j下的特征個數(shù);X為IMSGP構(gòu)造的高級特征。

2.4 故障預(yù)警指標(biāo)

為及時發(fā)現(xiàn)水電機(jī)組早期故障,本文結(jié)合PCA算法與歐式距離構(gòu)建一種權(quán)重歐式距離故障預(yù)警指標(biāo),其流程如圖3所示,具體步驟為:

圖3 權(quán)重歐式距離計算流程Fig.3 Weighted Euclidean distance calculation procedure

步驟1設(shè)定PCA算法貢獻(xiàn)率閾值,將貢獻(xiàn)率達(dá)到閾值的前z個指標(biāo)提取出來,從而將高維故障特征集合降到z維度,并記錄降維特征的貢獻(xiàn)率。

步驟2計算健康狀態(tài)下歷史信號降維特征的聚類中心,并將其作為健康基準(zhǔn)值。

(7)

式中:z為降維故障特征集合的維度;n為健康狀態(tài)下歷史信號樣本;X為降維后特征值;H為健康基準(zhǔn)值。

步驟3計算水電機(jī)組待測信號特征與健康基準(zhǔn)值之間的歐式距離。

步驟4將步驟3得到的歐氏距離與步驟1中相應(yīng)的貢獻(xiàn)率相乘并累加,得到最終的故障預(yù)警指標(biāo)。

(8)

式中:N為待測信號樣本數(shù);w為z維故障特征對應(yīng)的貢獻(xiàn)率,WED即為所求權(quán)重歐式距離。

2.5 故障預(yù)警方法流程

本文所提出的水電機(jī)組故障預(yù)警方法流程如圖4所示。具體步驟為:

圖4 基于IMSGP-WEDI的水電機(jī)組故障預(yù)警方法流程Fig.4 Fault early warning process of hydropower unit based on IMSGP-WEDI

步驟1獲取水電機(jī)組歷史正常狀態(tài)信號和待測信號多傳感器數(shù)據(jù),利用小波閾值降噪[21]方法對振動信號進(jìn)行預(yù)處理。

步驟2提取預(yù)處理后信號的時頻域特征,并進(jìn)行CDI特征選擇。

步驟3已經(jīng)CDI選擇后的特征參數(shù)為輸入變量,以式(3)為目標(biāo)函數(shù),進(jìn)行集成多傳感器遺傳規(guī)劃,得到由多個高級特征表達(dá)的高維特征向量。

步驟4設(shè)定PCA降維閾值,利用PCA將高維特征向量映射到低維空間,得到代表水電機(jī)組運行狀態(tài)的融合特征向量。

步驟5以正常運行狀態(tài)下信號數(shù)據(jù)融合特征向量的均值作為聚類中心,并計算正常狀態(tài)數(shù)據(jù)融合特征與聚類中心的權(quán)重歐式距離標(biāo)準(zhǔn)差。

步驟6以三倍標(biāo)準(zhǔn)差為預(yù)警閾值,將第一次超過報警閾值所對應(yīng)的數(shù)據(jù)定義為預(yù)警樣本,并在此時觸發(fā)報警。

3 水電機(jī)組實測信號故障預(yù)警分析

3.1 數(shù)據(jù)概況及預(yù)處理

水電機(jī)組的結(jié)構(gòu)如圖5所示,主要包括一個發(fā)電機(jī)、一個水輪機(jī)、上下機(jī)架、三個導(dǎo)軸承和一個推力軸承,發(fā)電機(jī)與水輪機(jī)的軸通過法蘭連接。

圖5 水電機(jī)組結(jié)構(gòu)圖Fig.5 Hydropower unit structure

在運行過程中,工作人員發(fā)現(xiàn)電站3號機(jī)組出現(xiàn)嚴(yán)重振動,經(jīng)專業(yè)人員排查,得知該故障是由水力不平衡因素引起。數(shù)據(jù)來源于安裝在上導(dǎo)軸承、推力軸承和水導(dǎo)軸承上各個方向的9個振擺數(shù)據(jù)和7個工況數(shù)據(jù)(包含水頭、導(dǎo)葉開度等)共16個傳感器數(shù)據(jù)。機(jī)組停機(jī)檢修前,先后經(jīng)歷了正常、故障預(yù)警、故障三種狀態(tài)。

本文選取三種不同狀態(tài)下水電機(jī)組的信號樣本進(jìn)行訓(xùn)練,采樣頻率為458 Hz,采樣點數(shù)為2 048,每類數(shù)據(jù)包含20個樣本,其中訓(xùn)練樣本每類狀態(tài)下取5個,共15個,測試樣本每類狀態(tài)下取15個,共45個,預(yù)處理后的信號樣本經(jīng)過特征選擇后輸入IMSGP模型中運行20次。振動信號樣本時序波形(以水導(dǎo)軸承x向擺度傳感器、上導(dǎo)軸承x向擺度傳感器和上導(dǎo)軸承y向擺度傳感器為例)如圖6所示。

圖6 水電機(jī)組部分傳感器時域波形圖Fig.6 Partial time series waveforms of hydropower generating unit

根據(jù)機(jī)組狀態(tài)將信號數(shù)據(jù)劃分為歷史數(shù)據(jù)和待測數(shù)據(jù)。

(1) 歷史信號數(shù)據(jù)

采集水電機(jī)組健康狀態(tài)下多傳感器信號作為歷史數(shù)據(jù)計算預(yù)警閾值,共有253個數(shù)據(jù)樣本,每個樣本包含4 096個數(shù)據(jù)點。

(2) 待測信號數(shù)據(jù)

采集故障發(fā)生前后機(jī)組多傳感器信號作為待測數(shù)據(jù),采集時間為2015-08-15—2015-08-28,共有375個數(shù)據(jù)樣本,每個樣本包含4 096個數(shù)據(jù)點。

采用小波閾值降噪方法對振動信號數(shù)據(jù)進(jìn)行預(yù)處理。小波閾值降噪方法的參數(shù)設(shè)置為:小波分解層數(shù)設(shè)定為3層,閾值選擇方法為“sqtwolog”方法,閾值處理方法為軟閾值方法,閾值縮放方法為“mln”方法,小波基函數(shù)為“DB4”小波。

3.2 IMSGP構(gòu)建高維特征向量

IMSGP參數(shù)設(shè)置如表3所示,計算16個傳感器數(shù)據(jù)的時頻域特征,得到448維特征集合,各個特征對應(yīng)的CDI值如表4所示,選擇每個傳感器中的CDI值較大的前6個特征,得到96維特征,其對應(yīng)的CDI值如表5所示。

表3 IMSGP參數(shù)設(shè)置Tab.3 IMSGP parameter setting

表4 高維特征集的復(fù)合檢測指數(shù)值Tab.4 The CDI of high-dimensional feature set

表5 特征選擇后對應(yīng)特征的CDI值

將所得96維時頻特征作為遺傳規(guī)劃的函數(shù)集,訓(xùn)練IMSGP模型,其所得高維特征集合如表6所示。

表6 IMSGP所得歷史數(shù)據(jù)的高級特征向量集

將待測信號樣本輸入到訓(xùn)練完成的IMSGP模型中,得到待測數(shù)據(jù)樣本的高維特征集合,如表7所示。

表7 IMSGP 所得待測數(shù)據(jù)的高級特征向量集

3.3 權(quán)重歐式距離計算

設(shè)定PCA降維特征貢獻(xiàn)率為0.95,利用PCA算法對待測信號樣本的高級特征進(jìn)行降維處理,降維特征貢獻(xiàn)率如圖7所示。由圖7可知,前兩個特征的貢獻(xiàn)率依次為0.747 0和0.235 8,累計貢獻(xiàn)率為0.982 8,超過所設(shè)定閾值0.95,因此,將原來的20維度特征向量降低到2維,其特征值如表8所示,記錄這兩個特征的貢獻(xiàn)率值作為后續(xù)權(quán)重歐式距離的計算權(quán)重。根據(jù)權(quán)重歐氏距離計算方法,選擇表8中前50組正常狀態(tài)下融合特征的平均值作為健康狀態(tài)基準(zhǔn)值,計算待測樣本與健康基準(zhǔn)值的權(quán)重歐氏距離并作為故障預(yù)警指標(biāo)值。

表8 經(jīng)PCA降維后的高級特征值Tab.8 High-level feature values after PCA

圖7 高級特征對PCA算法的累計貢獻(xiàn)率Fig.7 Cumulative contribution rate of high-level features to PCA

3.4 預(yù)警閾值計算

經(jīng)過IMSGP特征提取與PCA降維后,將得到的權(quán)重歐氏距離數(shù)據(jù)減去其均值進(jìn)行歸一化處理,使預(yù)警指標(biāo)從0開始,計算健康狀態(tài)下253組數(shù)據(jù)的融合特征與健康基準(zhǔn)值之間權(quán)重歐氏距離的標(biāo)準(zhǔn)差,通過計算,得到正常狀態(tài)下253組數(shù)據(jù)的融合特征與健康基準(zhǔn)值之間的標(biāo)準(zhǔn)差為0.315 8,三倍標(biāo)準(zhǔn)差為0.947 3,即為故障預(yù)警指標(biāo)的閾值[22]。

3.5 待測樣本預(yù)警分析

將待測樣本對應(yīng)的故障預(yù)警指標(biāo)值與預(yù)警閾值繪于同一張圖上,如圖8所示,由圖8可知,在08-15—08-20,機(jī)組預(yù)警指標(biāo)一直穩(wěn)定在較低水平,而且波動微乎其微;在08-22左右機(jī)組振動預(yù)警指標(biāo)首次突破閾值,可認(rèn)為在該時段內(nèi)機(jī)組開始產(chǎn)生故障,將發(fā)出預(yù)警。通過與運行管理人員溝通交流得知,在08-15—08-20,機(jī)組振動及各項參數(shù)值均處于正常水平,無明顯波動;根據(jù)電站的事后分析報告,發(fā)現(xiàn)機(jī)組在08-28開機(jī)過程中,上機(jī)架和水輪機(jī)蝸殼及尾水管等處異常聲音明顯,通過檢修發(fā)現(xiàn)是由水力不平衡故障引起的。可以看出,利用所提出的預(yù)警方法得到的結(jié)果表明機(jī)組早在08-22前后就出現(xiàn)了故障趨勢,因此本文提出的故障預(yù)警指標(biāo)能夠有效反映水電機(jī)組的運行狀態(tài)并實現(xiàn)機(jī)組故障預(yù)警,對保證機(jī)組和電站安全具有實際應(yīng)用意義。

圖8 水電機(jī)組故障預(yù)警指標(biāo)計算結(jié)果Fig.8 Calculation results of fault early warning indicators

3.6 對比試驗

為進(jìn)一步證明本文方法的有效性,本文針對圖4所示方法流程中的多傳感器數(shù)據(jù)輸入以及IMSGP步驟設(shè)置兩組對比試驗,即:

(1) 單傳感器試驗

單傳感器試驗與本文方法不同的是:在2.5節(jié)流程的步驟1中利用單傳感器數(shù)據(jù)輸入代替多傳感器輸入,相應(yīng)的步驟3中以集成單傳感器GP代替IMSGP,即通過重復(fù)運行單傳感器GP模型得到高維高級特征集合。其余步驟與本文方法相同。

(2) 無集成試驗

無集成試驗與本文方法不同的是:在2.5節(jié)流程的步驟3中以MSGP代替IMSGP,另外由于只運行MSGP模型一次,得到的一維高級特征可直接進(jìn)行故障預(yù)警指標(biāo)計算,無需進(jìn)行PCA降維,所以不進(jìn)行步驟4的操作。其余步驟與本文方法相同。

如圖9所示,圖9(a)、圖9(b)、圖9(c)分別為三個單傳感器數(shù)據(jù)所得試驗結(jié)果,可以看出圖9(a)、圖9(b)兩圖結(jié)果基本無法反映機(jī)組狀態(tài)從正常到故障的劣化過程,預(yù)警閾值無法起到作用,圖9(c)所示結(jié)果基本與本文方法的結(jié)果接近,在08-23左右首次突破閾值,但其早期故障征兆不如本文故障預(yù)警指標(biāo)明顯,說明多傳感器輸入可以考慮到更多有效特征;圖9(d)、圖9(e)、圖9(f)為無集成情況下試驗結(jié)果,因為GP算法本身穩(wěn)定性不強(qiáng),可以看出,圖9(d)、圖9(e)所對應(yīng)的兩組試驗無法得到有效的結(jié)果,只有圖9(f)所示結(jié)果與本文結(jié)果相近,說明不集成時結(jié)果優(yōu)劣難以預(yù)測,而通過集成可以得到更加穩(wěn)定和準(zhǔn)確的結(jié)果。

圖9 單傳感器和無集成對比試驗Fig.9 Signal sensor and no integrated comparison experiment

4 結(jié) 論

本文將集成多傳感器遺傳規(guī)劃方法應(yīng)用到水電機(jī)組狀態(tài)趨勢預(yù)測中,結(jié)合PCA算法與歐氏距離構(gòu)建了水電機(jī)組故障預(yù)警指標(biāo)。通過對水電機(jī)組多傳感器數(shù)據(jù)進(jìn)行試驗,分別利用歷史數(shù)據(jù)與待測數(shù)據(jù)進(jìn)行模型的訓(xùn)練與測試,試驗結(jié)果表明本文提出的基于IMSGP與WEDI的水電機(jī)組故障預(yù)警方法能夠有效發(fā)現(xiàn)早期故障,并進(jìn)行及時預(yù)警。