1.一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法,其特征在于包括如下步骤:(1)采集不同工况下水电机组水导轴承不同方向上的振动信号;
(2)使用CEEMDAN‑VMD二分法对振动信号进行详细分解;
(3)利用时移多尺度余弦相似熵从振动信号中提取特征向量,并组成特征集;
(4)将特征集分为训练集和测试集,将特征集训练模型得到CNN‑LSTM模型,将测试集输入CNN‑LSTM模型进行状态识别,完成对水电机组振动信号的状态识别;
其中,步骤(2)将振动信号进行CEEMDAN分解,得到若干分量,将每一组信号的IMF1分量收集在一起,采用VMD进行二次分解,得到的若干分量与CEEMDAN分解后除IMF1之外的分量进行组合,形成分量集;
步骤(3)利用时移多尺度余弦相似熵从振动信号中提取特征向量为通过对信号分量进行平移来捕捉时间上的局部特征,求取TSMCSE,具体方法如下:
3‑1.将其中一个长度为N的信号分量{x(i),i=1,2,…,N}分割成k个子序列,构造新的时移子序列yk,β公式为:式中:k和β是正整数,分别表示时间序列的起点和间隔时间,1≤k≤τ,β=τ,Δ(k,β)为四舍五入的整数,表示上边界个数, yk,β为第k个子序列;
3‑2.对于最大尺度因子τmax,信号分量的时序信号{x(i),i=1,2,…,N},通过下式构造粗粒化序列:式中j代表粗粒化时间序列的长度;τ代表尺度因子,N为信号分量长度;
3‑3.当尺度因子为τ时,按3‑2计算时移粗粒化序列 并计算其余弦相似熵值,对得到的τ个不同时移余弦相似熵进行平均化计算,如下式所示:式中:m表示嵌入维度;λ表示延迟时间;X表示原始时间序列;
3‑4.依上述方法分别计算每一个分量的TSMCSE,形成特征集。
2.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法,其特征在于:步骤(1)中采集的振动信号为运行中水电机组记录的实测数据,分别是
20MW、100MW、280MW、340MW负荷工况下水导轴承摆度+X、+Y方向上的振动信号。
3.根据权利要求1所述的一种基于时移多尺度余弦相似熵的水电机组信号状态识别方法,其特征在于:步骤(4)具体如下:特征集按照1:9分为测试集和训练集,构建CNN‑LSTM模型,输入训练集进行模型训练,再将测试集输入到训练完成的CNN‑LSTM模型中,完成对于水电机组振动信号的状态识别;
其中参数设置如下:网络层包括卷积层、池化层、LSTM1、LSTM2和Softmax层,其中,网络层参数设置为核大小16,核函数32,步长2,激活函数ReLU,填充方式same,输入尺寸为(32,1),输出尺寸为(16,32);池化层参数设置为池化核大小2,步长2,填充方式same,输入尺寸为(16,
32),输出尺寸为(8,32);LSTM1参数设置为神经元数128,激活函数tanh,输入尺寸为(8,
32),输出尺寸为(8,128);LSTM2参数设置为神经元数128,激活函数tanh,输入尺寸为(8,
128),输出尺寸为(128,1);Softmax层参数设置为激活函数softmax,输入尺寸为(128,1),输出尺寸为(4,1)。