本发明属于水电机组状态监测与智能诊断，具体涉及一种基于数据融合的水电机组故障预测诊断方法，本发明还涉及一种基于数据融合的水电机组故障预测诊断系统。
背景技术：
1、在国家电力系统改革和能源结构调整的背景下，水电开发规模进一步扩大，机组不断向巨型化、智能化等方向发展，水电机组作为水电站的核心设备，其运行状态优良与否直接关系到电站运行的安全性、稳定性及经济性，进行机组状态监测的重要性日益突出。伴随多种清洁能源比例的快速提升，水电机组面临着更加艰巨频繁的调峰调频任务，运行工况更加复杂多变，机组故障发生概率大大增加，其安全可靠性亟待提升。因此，通过对水电机组运行状态的在线全方位监测，实现机组状态的健康评估和机组故障的精确诊断，对于提高机组运行性能、保障电站经济效益、维持电网安全稳定具有重大意义。
2、随着现代传感测试技术和机器学习理论的发展，各类专家系统、监测系统、诊断系统已经被广泛引入各个水电站，弥补了依赖人工巡检排查的不足，提高了水电健康管理水平。经过多年累积建设，国内外主要电站大多具备完善的数据监测系统，基本实现了水电机组状态监测和故障诊断功能，其主要思路为：通过传感器获取振动、摆度等各种监测信号，通过特征值计算构建信号的特征集，结合机器学习模型进行故障模式分类，实现监测诊断目标。
3、虽然通用性状态监测与故障诊断技术趋于成熟，但对于水电机组这类特种大型复杂机电装备而言，仍存在如下问题需要解决：其一，水电机组故障样本数量及其有限，很难通过足够的故障样本建立可靠预测或诊断模型，小样本、样本不均衡、样本缺失等都是制约其故障诊断水平提高的因素；其二，当前水电机组的日常运维工作多以“定期维护”、“定期检修”为主，各类监测诊断系统多对当前状态诊断准确，对于机组未来劣化趋势、潜在故障风险的考虑极为有限；其三，水电机组通常包含多通道监测信息，其计算量和数据量也限制了技术的发展，提高其数据计算效率极为重要。因此，如何充分发挥水电机组历史积累数据的价值，提高当前故障诊断可靠性和故障预测水平极为重要。
技术实现思路
1、本发明的目的是提供一种基于数据融合的水电机组故障预测诊断方法，解决了目前机组监测诊断中存在的水电机组事前诊断能力不足的问题。
2、本发明的另一目的是提供一种基于数据融合的水电机组故障预测诊断系统。
3、本发明所采用的第一种技术方案是，基于数据融合的水电机组故障预测诊断方法，获取水电机组多通道振摆信号，并以此为信号源进行信号融合，通过时频域分析，建立融合信号的特征集，根据不同故障状态和正常状态的特征集，实现故障诊断功能；
4、基于长短时记忆网络构建振摆预测模型，实现对水轮机组各个通道振摆信号的预测，根据实时数据对未来数据进行预测，并对预测信号依次进行数据融合、时频域分析以及特征指标提取，并将其结果作为故障诊断模型的输入，以实现故障的预测诊断功能。
5、本发明第一种技术方案的特征还在于，
6、具体包括以下步骤：
7、步骤1，采集水电机组多通道振摆信号，包括水电机组不同故障状态及正常状态下的振摆信号；
8、步骤2，对获取的多通道振动信号进行缺失值填补、降噪和数据标准化预处理；
9、步骤3，以预处理后的多通道振摆信号为信息源，构建数据融合模型，实现多通道振摆信号的数据融合；
10、步骤4，对数据融合后的融合信号开展时频域分析，对融合信号的频谱进行计算构建频域特征，对融合信号进行变分模态分解并构建时域特征，形成融合信号的特征集；
11、步骤5，基于融合信号的特征集，引入softmax分类器，根据机组不同故障状态和正常状态，构建故障诊断模型；
12、步骤6，基于长短时记忆网络构建振摆预测模型，通过水电机组的历史积累数据训练振摆预测模型，依据各个通道的实时监测数据得到振摆预测信号；
13、步骤7，对各个通道振摆预测信号依次进行数据融合、时频域分析以及特征指标提取，将所得结果输入到故障诊断模型进行故障分类，实现机组故障预测诊断。
14、步骤1中振摆信号包括上机架x向振动，上机架y向振动，上机架z向振动；定子机架x向振动，定子机架y向振动，定子机架z向振动；下机架x向振动，下机架y向振动，下机架z向振动；顶盖x向振动，顶盖y向振动，顶盖z向振动；上导x向摆度，上导y向摆度；下导x向摆度，下导y向摆度；水导x向摆度，水导y向摆度。
15、步骤2中缺失值填补采用线性插值法；降噪采用多组数字滤波器；数据标准化预处理采用z分数方法。
16、步骤3中数据融合模型由深度自编码器构成，深度自编码器包括编码器和解码器，编码器将输入信号从高维映射到低维特征空间中，完成样本数据特征提取过程，解码器将低维特征空间中的数据映射回原始输入数据，完成数据重构过程，形成数据融合。
17、步骤4中融合信号的频谱采用傅里叶变换方法；
18、融合信号进行变分模态分解并构建时域特征，形成融合信号的特征集具体为，采用变分模态分解方法，获取相应本征模态分量，根据水电机组运行状态从融合信号中挖掘各类故障样本，提取原始融合信号的频域特征和部分本征模态分量的时域特征，构造正常样本与故障样本特征集；
19、各类故障样本包括水力不平衡、动静碰磨、尾水管偏心涡带、转子不对中、转子不平衡和轴承间隙过大。
20、频域特征包括幅值平均值、重心频率、均方频率、频率方差、均方根频率、幅值方差、幅值峭度指标、频域频率歪度、频域频率峭度；
21、时域特征包括最大值、最小值、峰值、有效值、歪度、峭度、峰值指标、脉冲指标、裕度指标、峭度指标。
22、对故障诊断模型进行预训练和微调，预训练包括将正常样本与故障样本特征集作为输入，以均方误差作为损失函数，采用逐层贪婪预训练初始化网络权重与偏置；
23、微调包括将预训练后的特征集作为softmax分类器输入，将有标签的数据集作为softmax分类器输出，以交叉熵作为损失函数，对预训练好的故障诊断模型采用自适应矩估计算法有监督地进行全局参数反向微调训练，通过最小化损失函数完成微调过程，判断故障诊断模型是否达到期望指标，直至故障诊断模型达到期望指标，保存训练好的故障诊断模型。
24、振摆预测模型包括输入层、lstm层、dropout层、全连接层和输出层；
25、训练振摆预测模型包括离线和在线两个阶段；
26、离线阶段为将电站的历史积累数据周期化划分为多个训练样本，作为振摆预测模型的输入，对输出进行反标准化处理，以最小化损失函数为目标，采用自适应矩估计算法不断更新网络权重和偏置，判断振摆预测模型是否达到期望指标，直至振摆预测模型达到期望指标，保存训练好的振摆预测模型；
27、在线阶段为将水电机组的实时监测数据作为振摆预测模型的输入，对输出进行反标准化处理，采用递归式多步预测的方法预测未来一段时刻的振摆数据，获得水电机组振摆状态趋势。
28、本发明所采用的第二种技术方案是，基于数据融合的水电机组故障预测诊断系统，包括通过线路依次连接的信号采集模块、信号预测模块、信号融合模块、特征计算模块和信号监测模块，其中：
29、信号采集模块，用于获取水电机组多通道振摆信号及实时数据；
30、信号预测模块，用于实现对水轮机组各个通道振摆信号的预测，根据实时数据对未来数据进行预测；
31、信号融合模块，用于以水电机组多通道振摆信号为信号源进行信号融合；
32、特征计算模块，用于通过时频域分析，建立融合信号的特征集；
33、信号监测模块，用于对预测信号依次进行数据融合、时频域分析以及特征指标提取，并将其结果作为故障诊断模型的输入，以实现故障的预测诊断功能。
34、本发明的有益效果是，
35、(1)本发明基于数据融合的水电机组故障预测诊断方法采取自编码器进行多通道振动信号的信息融合，可减少数据维度，有助于去除噪声和冗余信息，提高数据表示效率和计算效率；同时根据信息融合结果建立故障诊断模型，充分考虑时域、频域特征，相比单通道信号诊断提高了诊断模型的可靠性，还构建了水电机组多测点振动信号的智能预测模型，实现了机组短期状态的预测与表征功能。
36、(2)本发明基于数据融合的水电机组故障预测诊断方法通过对已有样本数据的预测，可以获取更为丰富样本数量，从而解决样本不足和样本不均等问题，将预测模型、故障诊断模型进行集成，构建水电机组故障预测及诊断模型，实现对机组未来状态的智能诊断，提高电站“事前维护”和“预知维修”水平，具有很强的可扩展性，依靠实时数据采集可实现数据源的同步更新，持续提升故障预测和诊断准确率。
1.基于数据融合的水电机组故障预测诊断方法，其特征在于，获取水电机组多通道振摆信号，并以此为信号源进行信号融合，通过时频域分析，建立融合信号的特征集，根据不同故障状态和正常状态的特征集，实现故障诊断功能；
2.根据权利要求1所述的基于数据融合的水电机组故障预测诊断方法，其特征在于，具体包括以下步骤：
3.根据权利要求2所述的基于数据融合的水电机组故障预测诊断方法，其特征在于，步骤1中所述振摆信号包括上机架x向振动，上机架y向振动，上机架z向振动；定子机架x向振动，定子机架y向振动，定子机架z向振动；下机架x向振动，下机架y向振动，下机架z向振动；顶盖x向振动，顶盖y向振动，顶盖z向振动；上导x向摆度，上导y向摆度；下导x向摆度，下导y向摆度；水导x向摆度，水导y向摆度。
4.根据权利要求2所述的基于数据融合的水电机组故障预测诊断方法，其特征在于，步骤2中所述缺失值填补采用线性插值法；所述降噪采用多组数字滤波器；所述数据标准化预处理采用z分数方法。
5.根据权利要求2所述的基于数据融合的水电机组故障预测诊断方法，其特征在于，步骤3中所述数据融合模型由深度自编码器构成，所述深度自编码器包括编码器和解码器，所述编码器将输入信号从高维映射到低维特征空间中，完成样本数据特征提取过程，所述解码器将低维特征空间中的数据映射回原始输入数据，完成数据重构过程，形成数据融合。
6.根据权利要求2所述的基于数据融合的水电机组故障预测诊断方法，其特征在于，步骤4中所述融合信号的频谱采用傅里叶变换方法；
7.根据权利要求6所述的基于数据融合的水电机组故障预测诊断方法，其特征在于，所述频域特征包括幅值平均值、重心频率、均方频率、频率方差、均方根频率、幅值方差、幅值峭度指标、频域频率歪度、频域频率峭度；
8.根据权利要求6所述的基于数据融合的水电机组故障预测诊断方法，其特征在于，对所述故障诊断模型进行预训练和微调，所述预训练包括将正常样本与故障样本特征集作为输入，以均方误差作为损失函数，采用逐层贪婪预训练初始化网络权重与偏置；
9.根据权利要求2所述的基于数据融合的水电机组故障预测诊断方法，其特征在于，所述振摆预测模型包括输入层、lstm层、dropout层、全连接层和输出层；
10.基于数据融合的水电机组故障预测诊断系统，其特征在于，包括通过线路依次连接的信号采集模块(1)、信号预测模块(2)、信号融合模块(3)、特征计算模块(4)和信号监测模块(5)，其中：
