基于CEEMDAN-IPSO-LSTM的水電機組振動預測研究

關鍵詞：水電機組；ＣＥＥＭＤＡＮ；ＬＳＴＭ；故障預警；振動預測

中圖分類號：ＴＶ７３４．１ 文獻標志碼：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 的水電機組振動預測研究［Ｊ］．人民黃河，２０２３，４５（５）：１５６－１６２．

水電機組安全運行是水電站穩定運行和持續產生電力供應的重要保障，而水電機組的振動問題是其安全運行應關注的重點，也是該領域的研究熱點［１－４］ 。水電機組振動信號能夠直接反映機組是否安全穩定運行［５］ ，屬于非線性、非平穩的信號，因此能否準確、有效地分析處理振動信號特別是故障特征振動信號，是當前必須解決的難題，也是機組狀態監測及故障診斷的關鍵所在［６－７］ 。同時噪聲信號會對機組振動信號產生影響，從而導致不能準確獲取機組最真實的故障信息。

近年來，機器學習算法如決策樹（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）、ＢＰ 神經網絡、隨機森林（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）、ＣＮＮ 以及支持向量機（ＳＶＭ）等已被用于預測機組振動故障，并取得了不錯的效果［８－１０］ ，雖然這些模型可以處理非線性相關的數據，但其很難識別振動幅度較大信號和捕捉信號彼此之間的關系，且預測精度有待提高。長短期記憶人工神經網絡（ＬＳＴＭ）控制信息的傳遞通過單元門狀態和門結構可以捕捉到連續時間序列中潛在的依賴關系，ＬＳＴＭ 對一維時間序列處理能力優于其他網絡模型，被用于訓練水電機組故障診斷及預測建模。李輝等［１１］ 使用ＳＶＤ 方法和深度置信網絡模型對水電機組振動信號進行了故障診斷和工程實際檢驗；傅質馨等［１２］ 把集合經驗模態（ＥＥＭＤ）分解與ＬＳＴＭ 結合，對水電機組的劣化程度進行了預測，研究結果顯示采用ＬＳＴＭ 模型對水力發電機組在不同工作條件下的預測準確率均優于傳統模型，相比于通過支持向量機建模和ＢＰ 神經網絡而言，有著普遍優點。然而，水電機組振動信號是非平穩非周期性的，ＬＳＴＭ 模型單獨用于機組故障預測時不易進行識別預測。

針對信號的不確定性和非平穩性，將數據驅動模型和數據去噪模型相結合能夠大大提高預測準確率。目前通常把時頻分析法用于信號處理研究，具體包含小波分解［１３］ 、小波包變換［１４］ 、經驗模態分解（ＥＭＤ）等。小波變換法必須提前設定基函數、分解層數和閾值，因此沒有自適應的時頻分析能力；ＥＭＤ 算法因無須建立小波基函數、分解層數，故被廣泛應用，但結果呈現端點效應不足、模態混疊現象；集合經驗模態分解（ＥＥＭＤ）方法主要是向待測信號中加入白噪聲，利用高斯白噪聲的振動頻率分布均勻這一特點可有效解決端點效應不足的問題及抑制模態混疊現象。胡曉等［１５］ 提出一種ＥＥＭＤ 和曲線趨勢編碼與隱馬爾科夫模型相結合的信號特征提取方法并用于機組故障特征識別，將提取的振動信號特征向量輸入隱馬爾科夫模型（ＨＭＭ），實現模式識別，驗證了該方法可以有效識別機組故障。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網絡（ＰＮＮ）進行識別，結果表明該方法可以有效識別運行狀態，但其存在固有模態函數（ＩＭＦ）分量有白噪聲殘留等問題，基于完全自適應噪聲集合經驗模態分解（ＣＥＥＭＤＡＮ）方法消除了添加噪聲對信號的影響，提高了計算的準確性。游仕豪等［１７］ 使用ＣＥＥＭＤＡＮ 方法結合ＥＬＭ－Ａｄａｂｏｏｓｔ 對機組振動故障進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 模型進行比較，驗證了其有效性。

１水電機組振動預測模型的建立

１．１ ＣＥＥＭＤＡＮ 算法

ＣＥＥＭＤＡＮ 算法通過在模態分解的各階段添加特定的白噪聲，再平均運算，可有效解決ＥＭＤ 分解產生模態混疊和虛假ＩＭＦ 問題，同時克服ＥＥＭＤ 噪聲殘留問題，使得在較少平均次數下，重構誤差基本為０，且計算效率更高。

１．２改進粒子群優化算法（ＩＰＳＯ）

粒子群算法（Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）源自鳥類活動研究，因算法簡便而被廣泛使用。雷慶文等［１８］ 對慣性權重進行非線性自適應調整，提出了一種周期性更新動態慣性權重的改進粒子群優化算法（ＩＰ?ＳＯ），相較于粒子群算法，ＩＰＳＯ 在尋優過程中能有效降低粒子過早陷入局部最優解的風險，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 神經網絡

長短期記憶神經網絡（ＬＳＴＭ）屬于特殊的循環神經網絡，通過“門”結構設計，能夠有效防止傳統循環神經網絡出現梯度爆炸以及消失的情況，并且ＬＳＴＭ能有效學習到長期依賴關系，在按特定時間步長運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測時展現出較強的優勢。

１．４ ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型

本文提出的基于ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 的水電機組振動信號預測模型，首先對原始信號進行數據預處理，使用小波閾值降噪方法進行降噪處理；再利用ＣＥＥＭＤＡＮ 算法得到不同頻率的ＩＭＦ 分量，根據相關系數法篩選有效模態，計算有效的ＩＭＦ 特征分量，對ＩＭＦ 特征分量進行重構并進行歸一化處理；最后將重構數據的９０％ 劃作訓練集、１０％ 劃作測試集，輸入ＬＳＴＭ 進行模型訓練和測試。使用交叉驗證使模型更可靠穩定，隱藏層數設為１ 層，采用Ｄｒｏｐｏｕｔ 算法防止過擬合，采用指數衰減法對學習率進行動態調整。對于樣本數、步長數和網絡記憶單元數均通過ＩＰＳＯ 算法進行尋優，當樣本數為１、步長數為１４、網絡記憶單元數為６４ 時，模型的預測效果較好，最終得到準確的預測值。模型預測流程見圖１。

２實例驗證與結果分析

振動數據均來源于新鄉中新化工有限公司制造的工業流體余壓利用型水輪機組，選取故障狀態、故障維修后狀態、正常狀態３ 種工況下的機組作為試驗對象，各取其運行時段的１ ０２４ 個振動樣本數據進行預測分析，原始數據如圖２ 所示。

２．１樣本數據預處理

對原始樣本數據使用多項式最小二乘法、歸一化和小波閾值降噪方法進行預處理，選取的小波函數為‘ｄｂ１’，分解層數為２。經預處理降噪后的樣本數據見圖３。

２．２ ＣＥＥＭＤＡＮ 算法分解

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

２．３計算ＩＭＦ 分量的相關系數

分析計算３ 種工況ＩＭＦ 分量（均選取ＩＭＦ１～ＩＭＦ９進行分析）和降噪后數據的相關系數（見表１），并將相關系數大于閾值（設定為３％）的ＩＭＦ 分量挑選出來。對于故障狀態，ＩＭＦ１～ ＩＭＦ９ 符合要求；對于故障維修后狀態，ＩＭＦ１～ＩＭＦ６符合要求；對于正常狀態，ＩＭＦ２～ＩＭＦ６ 符合要求。但為使特征向量維度統一，３ 種狀態均把ＩＭＦ２～ＩＭＦ６ 作為挑選出的分量，進行信號重構。

２．４模型預測結果對比分析

將本文模型預測結果與ＩＰＳＯ－ＬＳＴＭ、ＩＰＳＯ－ＳＶＲ、ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型預測結果進行對比（這里僅展示前４０ 個測試樣本），采用均方根誤差（ＲＭＳＥ）、均方誤差（ＭＳＥ）、平均絕對誤差（ＭＡＥ）、決定系數（Ｒ２ ）４個評價指標來衡量預測效果，通過模型預測圖和線性擬合圖進行評估。

２．４．１ ３種工況下不同模型的預測圖分析

從圖５ 和表２ 可以看出，在故障狀態下，相較于單一預測模型和ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 預測模型，本文提出的ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型預測值與實測值最接近，３ 個誤差性能指標ＭＡＥ、ＭＳＥ、ＲＭＳＥ均最小，決定系數Ｒ２ 最接近于１，預測精度明顯好于其他模型。

從圖６ 和表３ 可以看出，在故障維修后狀態下，單一預測模型和ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型對３０～４０ 號樣本的預測結果有明顯的誤差，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型預測值與實測值最接近，評價指標均優于其他預測模型。

由圖７ 和表４ 可以看出， 在正常狀態下，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型的預測效果優于另外３種模型，其預測曲線能很好地逼近實測值，評價指標均優于其他預測模型。

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，在故障狀態下，單一預測模型的線性擬合偏差較大，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型對絕對值大的數據點預測偏差大，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ模型的數據點線性擬合效果最好，預測效果優于其他模型。

由圖９ 可以看出，在故障維修后狀態下，數據大多分布較為集中，單一預測模型的線性擬合偏差較大，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型對實測值較大的點預測結果偏小，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型的數據點線性擬合效果最好，預測效果優于其他模型。

由圖１０ 可以看出，在正常狀態下，單一預測模型在實測值為０ 附近的數據點線性擬合偏差較大，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＳＶＲ 模型對實測值較小的數據點預測效果較差，ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 模型的數據點線性擬合效果最好，預測效果最優。

３結論

基于工程實測振動信號對ＣＥＥＭＤＡＮ －ＩＰＳＯ －ＬＳＴＭ 模型進行測試和驗證，得到如下結論：

（１）ＣＥＥＭＤＡＮ 算法可對水電機組振動信號進行特征分解，相較于未分解的結果，ＣＥＥＭＤＡＮ 模型預測精度更高，穩定性更強，信號間依賴關系更易被捕捉。

（２）基于ＣＥＥＭＤＡＮ－ＩＰＳＯ－ＬＳＴＭ 的水電機組振動預測模型對不同狀態下實測振動信號均可有效識別，為水電機組故障診斷技術提出了新的研究方向。

【責任編輯 張華巖】