CN110288022A - 一种提取参数非线性关系的水电机组振动故障诊断算法 - Google Patents
一种提取参数非线性关系的水电机组振动故障诊断算法 Download PDFInfo
- Publication number
- CN110288022A CN110288022A CN201910561555.6A CN201910561555A CN110288022A CN 110288022 A CN110288022 A CN 110288022A CN 201910561555 A CN201910561555 A CN 201910561555A CN 110288022 A CN110288022 A CN 110288022A
- Authority
- CN
- China
- Prior art keywords
- matrix
- principal component
- follows
- row
- column
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000540 analysis of variance Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 239000002075 main ingredient Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010358 mechanical oscillation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种提取参数非线性关系的水电机组振动故障诊断算法,首先,归一化初始数据将其趋同化化处理,消除数据长度差异太大的问题,利用对数中心化得到到协方差矩阵,尽可能保留原始参数的非线性特征,使得到的主成分含有原始特征参数的有用信息增加;其次,根据协方差矩阵的特征值和特征向量求出原始故障特征参数的主成分,按照一定标准拾取合适数量的主成分作为新的故障描述参数;最后,根据主成分的标准数据序列和比较数据序列,利用主成分的灰关联度系数和主成分的方差贡献率得到灰关联度,即可诊断出机组振动故障的原因,本发明不需要太多的特征参数数值就可以得到正确的结论,也不用编写复杂程序,计算简单方便。
Description
技术领域
本发明属于水电机组振动检测技术领域,尤其涉及一种提取参数非线性关系的水电机组振动故障诊断算法。
背景技术
水电站机组的安全稳定运行,直接影响到电站和电网的安全稳定运行。导致水电机组运行故障的振动故障,破坏力大且复杂。引起机组振动故障,除了机组本身旋转部分或固定部分的机械振动原因外,还有动水压力对电站引水***、水轮机过流部件等影响的水力原因及发电机电磁力对机组振动影响的电磁原因。不仅组成***整体的各部分之间相互影响,而且引起机组振动的各种故障类型间又相互影响和制约,使得单一故障可能由多种原因引发,或一种原因同时引发多种故障,这样,描述振动故障的特征参数繁多且有非线性关系,因此难以通过单一的线性分析理论方法在故障原因和故障特征参数之间建立对应关系,或者对各振动特征参数做简单的线性处理,都可能使诊断结论错误,这给水电机组故障诊断的研究带来了一定的困难。
水电机组振动故障诊断,就是通过现场振动试验测试或者理论研究,或者二者结合的分析方法,从尽可能全面***反映振动特征的故障特征参数及参数间关系,找到引起机组振动的故障类型或故障原因,为进一步的故障检修提供依据。为了简便准确地进行振动故障诊断,故障特征参数需要通过非线性分析,使繁杂的数据减少且携带足够多的原始数据信息,进而找到故障原因,主成分分析法在这方面就有很好的优势。
主成分分析法是通过提取原始参数间相关信息,用较少个数的主成分代替原始参数,能够大大减少综合评判的工作量,对复杂大***综合评判非常适用。传统的主成分分析法标准化初始数据后,利用相关系数矩阵得到变量参数的主成分,其结果对原始变量参数间的相关程度有很强的依赖性,当变量参数间的相关程度较高时,其结果就较好,反之,所提取的主成分原始变量参数的有用的信息较少;主成分分析方法是一种线性降维技术,它只能提取数据间的线性特征,隐藏在数据间的非线性特征却提取不到;另外,主成分分析的综合评判函数就是主成分和其权重分配的线性综合,其结果对原始参数的通用性、规律性和容量都有很高的要求。
主成分分析对分析复杂大***优势明显,但是要在水轮发电机组振动分析中应用,需要做一定的改进。本发明借鉴目前已有的主成分分析技术,考虑从传统的主成分分析法出发,对标准化矩阵、相关系数矩阵、主成分、综合评判等方面进行新的计算,建立新的主成分分析方法,并将其应用在水轮发电机组振动故障的诊断中。
发明内容
本发明的目的:提供一种适用于水电机组振动故障诊断的计算方法,针对提取故障参数非线性关系情况下的水电机组振动故障诊断。
本发明的技术方案:
一种提取参数非线性关系的水电机组振动故障诊断算法,具体包括以下几个步骤:
步骤一,在水电机组振动故障诊断中,假定由来自机组运行规程中的l个振动故障类型构成的标准序列,和来自现场振动故障待诊断的n-l个故障样本构成的比较序列,这n个数据序列下的p个具有不同物理量的振动特征参数数值,构成初始数据矩阵X,初始数据矩阵X为n行p列,可表示为,X=(xij)n×p,即i=1,2,…,n;j=1,2,…,p;通过归一化消除不同物理量,使初始数据矩阵中的数值同一为[0,1]间没有物理量的相对值,用矩阵Y=(yij)n×p表示,计算公式为:
矩阵Y=(yij)n×p为n行p列,即i=1,2,…,n;j=1,2,…,p;
步骤二,归一化后的指标数据矩阵Y=(yij)n×p,采用对数中心化进行处理将其非线性化,公式为:
其中,lg(yij)为对矩阵Y=(yij)n×p中所有的数值取常用对数;为矩阵Y=(yij)n×p的对数中心值,i=1,2,…,n;j=1,2,…,p;
协方差矩阵计算公式为:
其中,i=1,2,…,p;j=1,2,…,p,即矩阵为p行p列;
步骤三,从协方差矩阵R=(rij)p×p出发,求取这p个振动特征参数的主成分向量,令
|R-λIp|=0
其中,λ是矩阵R的特征值,Ip为p行p列对角线数值为1其他数值为0的矩阵,假定矩阵R有q (q≤p)个大于0的特征值λ1≥λ2≥…≥λq>0,令
Ra=λla
其中,l=1,2,…,q,a为矩阵R的正特征值对应的特征向量,向量构成的矩阵形式表示为A=ap×q,则这n个数据序列下p个振动特征参数构成的n行p列初始数据矩阵X,用n行q列的主成分向量矩阵形式F=fn×q表示,即主成分的个数为q个,向量维数为n,计算公式为:
F=fn×q=(yij)n×pap×q
其中,i=1,2,…,n;j=1,2,…,p;
选取其中大于零的特征根对应的主成分,即为全部的主成分;
每个主成分向量的方差贡献率为:
其中,ωj为各主成分权值分配,j=1,2,…,q;
前m(m≤q)个主成分的累积方差贡献率用γ表示,计算公式为:
其中,i=1,2,…,m,j=1,2,…,q;
步骤四,主成分的灰关联度,具体计算步骤
1)n行q列的主成分向量矩阵中,其中的l行q列数据为标准数据序列,表示为:
Fij(0)=fij(0)
其中,i=1,2,…,l(l≤n);j=1,2,…,q;
2)n行q列的主成分向量矩阵中,其中的n-l行q列数据为比较数据序列,表示为:
Fij(k)=fij(k)
其中,i=1,2,…,n-l;j=1,2,…,q;
3)n-l个比较序列与l个标准序列之间的绝对差值构成的矩阵为:
Δij=|Fij(0)-Fij(k)|
4)求极大值和极小值
和
其中,Δmax为矩阵Δij中所有数值的最大值,Δmin为矩阵Δij中所有数值的最小值;
5)灰关联度系数的计算公式为:
其中,ξij为主成分标准序列Fij(0)与主成分比较序列Fij(k)间的关联度系数,ρ是分辨系数,取值区间为[0,1],这里取ρ=0.5;
步骤五,主成分比较数据数列与标准数据数列间的加权关联度为:
其中,ωj为第j个主成分的方差贡献率,即权重,i=1,2,…,l;j=1,2,…,q,Mi最大值对应的故障类型即为诊断结果。
本发明的有益效果:
本发明利用振动测试试验的频谱分析和变工况分析数据作为初始数据矩阵,没有数值为零的情况,归一化后也不会存在零值的情况,使得对数能够顺利进行;对数中心标准化初始数据,是一种非线性变换,显示出了原始特征参数间的非线性信息,得到的主成分是原始特征参数间的非线性关系;利用主成分的灰关联度进行故障诊断,其结果对故障类型和故障特征参数的通用性、规律性和容量没有严格的要求,不需要太多的特征参数数值就可以得到正确的结论,也不用编写复杂程序,计算简单方便。
附图说明
图1为本发明提取故障参数非线性特征的水轮发电机组振动故障诊断计算过程流程图;
图2为本发明实施例所述水轮发电机组振动故障参数提取与故障诊断流程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明包括以下几个步骤:
步骤一,在水轮发电机组振动故障诊断中,假定由来自机组运行规程中的l个振动故障类型构成的标准序列,和来自现场振动故障待诊断的n-l个故障样本构成的比较序列,这n个数据序列下的p 个具有不同物理量的振动特征参数数值,构成初始数据矩阵X,初始数据矩阵X为n行p列,可表示为,X=(xij)n×p,即i=1,2,…,n;j=1,2,…,p;通过归一化消除不同物理量,使初始数据矩阵中的数值同一为[0,1]间没有物理量的相对值,用矩阵Y=(yij)n×p表示,计算公式为
矩阵Y=(yij)n×p为n行p列,即i=1,2,…,n;j=1,2,…,p;
步骤二,归一化后的指标数据矩阵Y=(yij)n×p,采用对数中心化进行处理将其非线性化,公式为:
其中,lg(yij)为对矩阵Y=(yij)n×p中所有的数值取常用对数;为矩阵Y=(yij)n×p的对数中心值,i=1,2,…,n;j=1,2,…,p;
协方差矩阵计算公式为:
其中,i=1,2,…,p;j=1,2,…,p,即矩阵R=(rij)p×p为p行p列;
步骤三,从协方差矩阵R=(rij)p×p出发,求取这p个振动特征参数的主成分向量,令
|R-λIp|=0
其中,λ是矩阵R的特征值,Ip为p行p列对角线数值为1其他数值为0的矩阵,假定矩阵R有q (q≤p)个大于0的特征值λ1≥λ2≥…≥λq>0,令
Ra=λla
其中,l=1,2,…,q,a为矩阵R的正特征值对应的特征向量,向量构成的矩阵形式表示为A=ap×q,则这n个数据序列下p个振动特征参数构成的n行p列初始数据矩阵X,用n行q列的主成分向量矩阵形式F=fn×q表示,即主成分的个数为q个,向量维数为n,计算公式为:
F=fn×q=(yij)n×pap×q
其中,i=1,2,…,n;j=1,2,…,p;
选取其中大于零的特征根对应的主成分,即为全部的主成分;
每个主成分向量的方差贡献率为:
其中,ωj为各主成分权值分配,j=1,2,…,q;
前m(m≤q)个主成分的累积方差贡献率用γ表示,计算公式为:
其中,i=1,2,…,m,j=1,2,…,q;
步骤四,主成分的灰关联度,具体计算步骤
1)n行q列的主成分向量矩阵中,其中的l行q列数据为标准数据序列,表示为:
Fij(0)=fij(0)
其中,i=1,2,…,l(l≤n);j=1,2,…,q;
2)n行q列的主成分向量矩阵中,其中的n-l行q列数据为比较数据序列,表示为:
Fij(k)=fij(k)
其中,i=1,2,…,n-l;j=1,2,…,q;
3)n-l个比较序列与l个标准序列之间的绝对差值构成的矩阵为:
Δij=|Fij(0)-Fij(k)|
4)求极大值和极小值
和
其中,Δmax为矩阵Δij中所有数值的最大值,Δmin为矩阵Δij中所有数值的最小值;
5)灰关联度系数的计算公式为:
其中,ξij为主成分标准序列Fij(0)与主成分比较序列Fij(k)间的关联度系数,ρ是分辨系数,取值区间为[0,1],这里取ρ=0.5;
步骤五,主成分比较数据数列与标准数据数列间的加权关联度为:
其中,ωj为第j个主成分的方差贡献率,即权重,i=1,2,…,l;j=1,2,…,q,Mi最大值对应的故障类型即为诊断结果。
本发明首先,根据振动试验测试的数据进行频谱分析和变工况分析得到初始数据,将其趋同化化处理,消除数据长度差异太大的问题,再经过对数中心化,将原始特征参数间关系经过非线性变换,得到协方差矩阵;其次,根据协方差矩阵的特征值和特征向量求出原始故障特征参数的主成分,拾取全部的主成分作为新的故障描述参数;最后,根据主成分的标准数据序列和比较数据序列,利用主成分的灰关联度系数和主成分的方差贡献率得到灰关联度,即可诊断出机组振动故障的原因。
为了更加清楚对本发明的发明步骤进行说明,以下结合具体诊断实际例子进行再次说明:
参见图1,一种提取故障参数非线性特征的水轮发电机组振动故障诊断计算方法,具体包括以下几个步骤:
步骤一,这里给出一水轮发电机组振动故障特征参数提取与故障诊断流程可参见图2
来自电厂运行规程中,常用振动故障诊断试验的频谱分析和变工况分析的故障诊断类型和故障特征参数,故障类型个数n=5,特征参数个数p=9。选取水电机组振动频谱分析和变工况试验中的9 个特征参数:B1表示0.18~0.2倍基频、B2表示1/6~1/2倍基频、B3表示1倍基频、B4表示2倍基频、B5表示3倍基频、B6表示50Hz或100Hz频率、B7表示振动与转速的关系、B8表示振动与负荷的关系,以及B9表示振动与励磁电流的关系为例,见表1,
表1水轮发电机组振动故障特征指标
对应的5种故障类型:C1表示转子不对中、C2表示转子不平衡、C3表示动静碰摩、C4表示尾水管偏心涡带和C5表示磁极不均匀,C1~C5构成标准样本,C0表示比较样本,见表2。
表2水轮发电机组振动故障类型
某一故障类型的故障参数特征值,选用试验过程中较大的数值即可,不需要选用多个数值。所有故障类型的特征参数数值构成初始样本数据矩阵X=(xij)n×p,归一化公式为:
归一化后的矩阵为Y=(yij)6×9,其中i=1,2,…,6;j=1,2,…,9,经归一化后的故障特征值见表3;
表3水轮发电机组故障特征值
步骤二,归一化后的指标数据矩阵Y=(yij)6×9,采用对数中心化处理为:
其中,为矩阵Y=(yij)6×9的对数中心值,i=1,2,…,6;j=1,2,…,9;
协方差矩阵计算公式为:
其中,i=1,2,…,6;j=1,2,…,9;
步骤三,求取p个振动特征参数的主成分,令
|R-λIp|=0
得R有q(q≤9)个大于0的特征值λ1≥λ2≥…≥λ5>0,令
Ra=λla
其中,l=1,2,…,5
得到正特征值对应的特征向量:A=(a1,a2,…,a5),则5个主成分为:
其中,i=1,2,…,6;j=1,2,…,5;
选取其中大于零的特征根对应的主成分,即为全部的主成分;
主成分的方差贡献率为:
其中,ωj为各主成分权值分配,j=1,2,…,5;
假定满足选取要求的主成分个数为m个,则前m个主成分的累积方差贡献率为:
其中,j=1,2,…,5;
步骤四,主成分的灰关联度,具体计算步骤
1)主成分的标准数据序列
Fij(0)=fij(0)
其中,i=1,2,…,5;j=1,2,…,5;
2)主成分的比较数据序列
Fij(k)=fij(k)
其中,i=1;j=1,2,…,5;
3)1个比较序列与5个标准序列第i个比较数列第j个指标的绝对差值为:
4)求极大值和极小值
其中,Δmax为矩阵Δij数值的最大值,Δmin为矩阵Δij数值的最小值,其中,i=1,2,…,5;
j=1,2,…,5;
5)灰关联度系数的计算公式为:
其中,其中,i=1,2,…,5;j=1,2,…,5;ξij为主成分标准序列Fij(0)与主成分比较序列Fij(k)间的关联度系数,ρ是分辨系数,取值区间为[0,1],这里取ρ=0.5;
步骤五,主成分比较数据数列与标准数据数列间的加权关联度为:
其中,ωj为第j个主成分的方差贡献率,即权重,i=1,2,…,5;j=1,2,…,5,不同主成分计算结果如表4所示,和传统算法诊断结果一致,故障原因是由“转子质量不平衡”引起,但参数间的非线性关系信息占重要作用,更加清楚直观。
表4不同算法的诊断结果
故障类型 | 非线性主成分诊断结果 | 传统主成分算法诊断结果 |
发电机转子不对中 | 0.9214 | 0.6772 |
转子质量不平衡 | 0.9674 | 0.9436 |
动静碰摩 | 0.9471 | 0.7719 |
尾水管偏心涡带 | 0.8335 | 0.4621 |
磁极不均匀 | 0.9065 | 0.9298 |
本发明在尽量减少机组振动故障特征参数信息损失的情况下,提取参数间非线性关系信息,使繁杂的数据减少且携带足够多的故障参数数据信息;利用主成分的灰关联度对机组的振动故障进行诊断,对故障类型和故障特征参数的通用性、规律性和容量没有严格的要求,不需要太多的特征参数数值就可以得到正确的结论,也不用编写复杂程序,计算简单方便,简便准确又能快速找到引起故障的真正原因。
Claims (1)
1.一种提取参数非线性关系的水电机组振动故障诊断算法,具体包括以下几个步骤:
步骤一,在水电机组振动故障诊断中,假定由来自机组运行规程中的l个振动故障类型构成的标准序列,和来自现场振动故障待诊断的n-l个故障样本构成的比较序列,这n个数据序列下的p个具有不同物理量的振动特征参数数值,构成初始数据矩阵X,初始数据矩阵X为n行p列,可表示为,X=(xij)n×p,即i=1,2,…,n;j=1,2,…,p;通过归一化消除不同物理量,使初始数据矩阵中的数值统一为[0,1]间没有物理量的相对值,用矩阵Y=(yij)n×p表示,计算公式为
矩阵Y=(yij)n×p为n行p列,即i=1,2,…,n;j=1,2,…,p;
步骤二,归一化后的指标数据矩阵Y=(yij)n×p,采用对数中心化进行处理将其非线性化,公式为:
其中,lg(yij)为对矩阵Y=(yij)n×p中所有的数值取常用对数;为矩阵Y=(yij)n×p的对数中心值,i=1,2,…,n;j=1,2,…,p;
协方差矩阵计算公式为:
其中,即矩阵R=(rij)p×p为p行p列;
步骤三,从协方差矩阵R=(rij)p×p出发,求取这p个振动特征参数的主成分向量,令
|R-λIp|=0
其中,λ是矩阵R的特征值,Ip为p行p列对角线数值为1其他数值为0的矩阵,假定矩阵R有q个大于0的特征值λ1≥λ2≥…≥λq>0,其中q≤p;令
Ra=λla
其中,l=1,2,…,q,a为矩阵R的正特征值对应的特征向量,向量构成的矩阵形式表示为A=ap×q,则这n个数据序列下p个振动特征参数构成的n行p列初始数据矩阵X,用n行q列的主成分向量矩阵形式F=fn×q表示,即主成分的个数为q个,向量维数为n,计算公式为:
F=fn×q=(yij)n×pap×q
其中,i=1,2,…,n;j=1,2,…,p;
选取其中大于零的特征根对应的主成分,即为全部的主成分;
每个主成分向量的方差贡献率为:
其中,ωj为各主成分权值分配,j=1,2,…,q;
前m个主成分的累积方差贡献率用γ表示,其中m≤q;计算公式为:
其中,i=1,2,…,m,j=1,2,…,q;
步骤四,主成分的灰关联度,具体计算步骤
1)n行q列的主成分向量矩阵中,其中的l行q列数据为标准数据序列,表示为:
Fij(0)=fij(0)
其中,i=1,2,…,l,l≤n;j=1,2,…,q;
2)n行q列的主成分向量矩阵中,其中的n-l行q列数据为比较数据序列,表示为:
Fij(k)=fij(k)
其中,i=1,2,…,n-l;j=1,2,…,q;
3)n-l个比较序列与l个标准序列之间的绝对差值构成的矩阵为:
Δij=|Fij(0)-Fij(k)|
4)求极大值和极小值
和
其中,Δmax为矩阵Δij中所有数值的最大值,Δmin为矩阵Δij中所有数值的最小值;
5)灰关联度系数的计算公式为:
其中,ξij为主成分标准序列Fij(0)与主成分比较序列Fij(k)间的关联度系数,ρ是分辨系数,取值区间为[0,1],这里取ρ=0.5;
步骤五,主成分比较数据数列与标准数据数列间的加权关联度为:
其中,ωj为第j个主成分的方差贡献率,即权重,i=1,2,…,l;j=1,2,…,q,Mi最大值对应的故障类型即为诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561555.6A CN110288022A (zh) | 2019-06-26 | 2019-06-26 | 一种提取参数非线性关系的水电机组振动故障诊断算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910561555.6A CN110288022A (zh) | 2019-06-26 | 2019-06-26 | 一种提取参数非线性关系的水电机组振动故障诊断算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288022A true CN110288022A (zh) | 2019-09-27 |
Family
ID=68006154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910561555.6A Pending CN110288022A (zh) | 2019-06-26 | 2019-06-26 | 一种提取参数非线性关系的水电机组振动故障诊断算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288022A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241632A (zh) * | 2020-01-20 | 2020-06-05 | 中国人民解放军国防科技大学 | 基于随机矩阵理论和欧式距离的悬浮***故障预诊方法 |
CN111522308A (zh) * | 2020-04-17 | 2020-08-11 | 深圳市英维克信息技术有限公司 | 故障诊断方法、装置、存储介质及计算机设备 |
CN112541160A (zh) * | 2020-11-05 | 2021-03-23 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力***稳定评估及控制方法 |
CN106569069A (zh) * | 2016-11-04 | 2017-04-19 | 广州供电局有限公司 | 电力变压器故障诊断方法 |
US20180038909A1 (en) * | 2015-08-07 | 2018-02-08 | Hefei University Of Technology | Analog circuit fault diagnosis method using single testable node |
-
2019
- 2019-06-26 CN CN201910561555.6A patent/CN110288022A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力***稳定评估及控制方法 |
US20180038909A1 (en) * | 2015-08-07 | 2018-02-08 | Hefei University Of Technology | Analog circuit fault diagnosis method using single testable node |
CN106569069A (zh) * | 2016-11-04 | 2017-04-19 | 广州供电局有限公司 | 电力变压器故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
TING ZHAO 等: "Performance Evaluation of Smart Meters Based on Grey Relational Analysis", 《2018 10TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS (IHMSC)》 * |
张崇甫 等: "《统计分析方法及其应用》", 30 September 1995 * |
王瑞莲 等: "基于改进主成分分析法的水轮发电机组振动故障诊断研究", 《水力发电学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241632A (zh) * | 2020-01-20 | 2020-06-05 | 中国人民解放军国防科技大学 | 基于随机矩阵理论和欧式距离的悬浮***故障预诊方法 |
CN111522308A (zh) * | 2020-04-17 | 2020-08-11 | 深圳市英维克信息技术有限公司 | 故障诊断方法、装置、存储介质及计算机设备 |
CN112541160A (zh) * | 2020-11-05 | 2021-03-23 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
CN112541160B (zh) * | 2020-11-05 | 2024-04-26 | 东南大学 | 一种旋转机械振动故障诊断相关特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288022A (zh) | 一种提取参数非线性关系的水电机组振动故障诊断算法 | |
US11435384B2 (en) | Method and device for estimating spatial distribution of inertia of power system based on multi-innovation identification | |
CN102510263B (zh) | 基于抛载试验和数值差分的同步发电机实用参数辨识方法 | |
CN107701468B (zh) | 一种混流泵在线综合监测方法及装置 | |
CN107255772B (zh) | 一种半监督电压暂降事故源识别方法 | |
CN104036073B (zh) | 适于有功功率特性分析的双馈风电场动态等值建模方法 | |
CN109672221B (zh) | 一种用于次同步振荡分析的直驱风电场动态等值方法 | |
CN107342628B (zh) | 一种综合多源信息的新能源接入宽频带稳定性多级预警方法 | |
CN106786567B (zh) | 一种基于pmu类噪声数据的在线负荷建模方法 | |
CN111120388B (zh) | 一种风机状态联合监测方法及*** | |
CN104156889A (zh) | 一种基于wams数据的风电场性能评估***及其评估方法 | |
CN107436162A (zh) | 一种电网线路舞动发生预测方法和*** | |
CN112018784B (zh) | 一种基于同步相量测量数据的次同步谐振溯源方法 | |
CN110363108A (zh) | 一种参数方差含零值的水电机组振动故障诊断算法 | |
CN108418242B (zh) | 一种基于相似度同调的双馈风电机动态等值方法 | |
CN115600933B (zh) | 一种基于物联网的电表电能质量检测方法及*** | |
CN105006819A (zh) | 一种黑启动方案评价方法 | |
CN109861245A (zh) | 一种超导磁储能抑制风电经串补送出***次同步振荡方法与控制*** | |
CN104820741A (zh) | 兼顾风场分散性与机组差异性的风电场动态等值方法 | |
CN109389253A (zh) | 一种基于可信性集成学习的电力***扰动后频率预测方法 | |
CN109870615B (zh) | 适用于工矿企业的谐波责任评定方法 | |
CN113743452B (zh) | 电能质量评估方法及装置 | |
CN108258725B (zh) | 一种基于等效功角同调的双馈风电机动态等值方法 | |
CN102185314A (zh) | 电能质量综合评判方法 | |
CN105914752A (zh) | 基于快速搜索与密度峰值聚类的主导节点选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |
|
RJ01 | Rejection of invention patent application after publication |