关键词： 水电机组   故障诊断   信号-图像映射   深度卷积神经网络  

摘要： 故障诊断是保障水电机组安全高效运行的重要手段，近年来，数据驱动的水电机组故障诊断方法受到广泛关注，但传统的数据驱动方法通常依赖人为特征提取与选择，在一定程度上限制了诊断效果。因此，本文提出了一种基于信号-图像映射编码与深度卷积神经网络的水电机组故障诊断方法。通过编码方法将水电机组一维振动信号转化为二维图像数据。将得到的二维图像输入到深度卷积神经网络中，自适应提取机组故障特征并训练诊断模型，避免了传统诊断方法人为特征选择的主观性。在三个数据集上，对比分析了不同映射方法、去噪方法以及网络框架对诊断效果的影响，结果表明提出的模型在特征学习能力、故障识别准确率及噪声适应性等方面优于传统方法，对水电机组的故障诊断研究具有重要的理论意义与实践价值。

关键词： 水电机组   轴系故障诊断   改进三角拓扑聚合优化算法   VMD   CNN-BiLSTM  

摘要： 针对水电机组轴系运行过程中故障特征提取不充分、故障类型难以高效识别的问题，提出一种基于多策略改进三角拓扑聚合优化算法（ITTAO）优化变分模态分解（VMD）参数，结合卷积神经网络和双向长短期记忆网络（CNN-BiLSTM）的水电机组轴系故障诊断方法。首先，采用ITTAO算法对VMD分解的模态分量参数K和惩罚因子α进行寻优，实现振动信号的自适应分解；其次，利用最优VMD参数分解振动信号，提取最佳IMF分量的时频特征构建多维融合特征矩阵；最后，将所提取特征输入CNN-BiLSTM诊断模型，利用其强大的时空特征提取能力，实现故障特征的深层挖掘与精准分类。通过实例验证表明，本文所提方法能充分提取振动信号的故障特征，可有效提高故障诊断的准确率和稳定性。

关键词： 水电机组故障诊断   减法平均优化算法   模态分解   改进蜣螂优化算法   核极限学习机  

摘要： 为了提高水电机组故障诊断的精度，提出一种基于减法优化算法（SABO）优化变分模态分解（VMD）和改进蜣螂优化算法（IDBO）-核极限学习机（KELM）联合构建的水电机组故障诊断模型。首先，采用SABO算法来优化VMD的重要参数（惩罚因子α和分解个数K）；提取经SABO-VMD分解排列熵与互信息熵的复合函数最小本征模态分量（IMF）作为最优分量，计算其相关时域特征参数并构建故障信号特征向量；然后引入Tent混沌映射和自适应t分布扰动多种策略对蜣螂优化算法进行改进，并利用IDBO算法对KELM模型进行参数优化，构建IDBO-KELM水电机组故障诊断模型；最后采用武汉大学转子实验平台模拟机组轴系故障进行验证。结果表明，该方法在水电机组轴系故障诊断方面的准确率达到99.375%，为高精度水电机组故障诊断提供了新方案。

关键词： 卷积神经网络模型   水利水电机组   故障诊断  

摘要： 针对水利水电机组(HGU)的故障诊断问题,提出了一种基于一维卷积神经网络(1-D CNN)和门控循环单元(GRU)的混合模型。首先,通过在线采集系统收集HGU在不同负载下的振动信号,随后对这些信号进行数据分割和标准化处理。其次,采用1-D CNN进行特征提取,GRU用于时间序列分析,并结合softmax函数进行故障分类。实验结果表明,所提方法在二元分类和多类分类中均表现出高准确度和优越的故障识别能力。

关键词： 故障诊断   专家系统   诊断网络   状态检修   数据挖掘  

摘要： 针对水轮发电机组故障现象与水力机电系统特征之间的因果关系错综复杂,在原SD8600水电远程诊断平台基础上,设计开发了一套水电机组故障诊断专家系统软件,包括诊断引擎、3D模型,采用产生式规则实现了诊断网络组态。与某水电站相结合,实现了部分故障的智能诊断,深化了原有诊断平台的故障诊断功能,集实时诊断、历史诊断、数据记录、系统管理于一体,具备了实现水电站机组设备状态检修的最基本的条件。

关键词： 水电机组   远程监控   故障诊断系统  

摘要： 水电机组作为重要的清洁能源设施,其运行状态直接影响能源的安全性和经济性。远程监控与故障诊断系统的研发,旨在通过先进的技术手段实现对水电机组的实时监测与故障预警,提高其运行效率和可靠性。该系统通常由多个组成部分构成,包括传感器、数据传输模块、数据处理平台等,能实时收集、分析和反馈机组的运行状态,及时发现潜在的故障。全面探讨了水电机组远程监控与故障诊断系统的研发与应用,涵盖系统的定义与组成、故障诊断方法、系统架构与设计以及系统测试等关键内容,旨在为相关研究与实践提供一定参考。

关键词： 水电站   水电机组   振动信号   故障诊断   迁移学习   数据驱动  

摘要： 【目的】针对水电机组实际运行中故障数据少、不同机组间故障信号不符合同分布假设而导致模型训练困难、现有诊断模型泛化能力差的问题,提出了一种结合迁移学习策略与CNN-BIGRU-attention网络(TCBA)的故障诊断方法。【方法】以转子试验台数据为源域,真实水电机组振动数据为目标域数据。首先,组合卷积神经网络(CNN)、双向门控单元(BIGRU)与注意力单元,构建CNN-BIGRU-attention诊断模型,然后利用源域数据对模型进行训练,训练完成后将模型的参数迁移至目标领域的故障诊断模型中,迁移过程中将低层网络冻结,并通过部分目标域数据对高层网络进行微调,最终得到适应目标设备的故障诊断模型。为验证所述方法的有效性,通过转子试验台数据集与真实水电机组故障数据的迁移试验对比所述模型与传统深度学习方法的识别准确率、训练速度以及所需样本量等指标。【结果】结果表明:与传统训练方法相比,所提方法能够显著提高模型的收敛速度并有效降低训练所需样本量。在小样本下对实际水电站故障样本数据故障状态的识别率可达99.02%,相比传统方法提升约3.00%。【结论】研究结果充分证明了该方法具有较好的故障状态识别能力,为解决数据有限情况下的水电机组故障识别问题提供了一种有效的解决途径。

关键词： 水电机组   故障诊断   短时傅里叶变换   注意力机制   卷积神经网络   多通道特征融合  

摘要： 针对基于单一传感器的水电机组故障诊断模型易导致有效信息的遗漏不利于机组状态的准确识别问题,提出了一种基于STFT-SE-CNN多通道特征融合的水电机组故障诊断模型。即首先将多个传感器数据通过短时傅里叶变换转换(STFT)为二维时频特征图,再利用卷积神经网络(CNN)提取不同通道的深度故障特征;然后通过SE注意力机制对特征进行加权的方式进行多通道特征融合,并将融合后的特征展平输入分类器获得故障诊断的结果;最后在帕德博恩轴承数据集和工业实际数据集上进行试验验证。结果表明,所提模型相比于其他模型具有更高的诊断精度,在实际的水电机组故障诊断中具有辅助判断的作用。

关键词： 实时检测   水电机组   CEEMDAN算法   轴系不平衡故障  

摘要： 水电机组轴系作为机组的核心部件,其运行状态直接影响到整个机组的性能和寿命。轴系不平衡故障作为水电机组常见的故障类型之一,不仅会导致机组振动加剧、噪声增加,还可能引发更严重的机械故障,如轴承损坏、转子碰撞摩擦等,从而威胁到机组的安全运行。目前,传统的水电机组轴系不平衡故障检测方法虽然取得了一定的研究成果,但在实际运行中仍然存在不足。自适应噪声完备集合经验模态分解(CEEMDAN)作为一种先进的信号处理方法,近年来在机械故障诊断领域得到了广泛应用,具有较高的准确性和稳定性。

关键词： 水电机组   微分运算   经验模态分解   故障诊断  

摘要： 水电机组振动信号包含噪声及多种信号耦合,采用经验模态分解方法进行信号处理会由于极值点丢失而发生模态混叠。为此,提出一种基于改进经验模态分解算法,即首先对振动信号进行微分计算来放大极值点;然而对微分信号进行经验模态分解并计算各阶信号能量特征占比,由此剔除噪声干扰等无效分量后对信号进行重构;最后计算出信号的频率特性进行故障诊断。使用该算法对国内某水电站振动异常的摆度信号进行分析,能够有效屏蔽掉干扰信号,更准确地判断出故障类型。