关键词：
水电机组振动
时频分析
特征提取
故障预警
故障诊断
摘要：
在国家要求扎实做好碳达峰、碳中和各项工作的背景下,大规模风能、太阳能等新能源电能接入电网,其随机性和间歇性给电网调度及功率平衡带来了巨大压力。在以新能源为主体的新型电力系统中,水电将发挥更加重要的调节作用。如何提升水电站主设备安全水平,是水电行业不断探索的课题。
目前,水电行业处于数字化转型时期,专业系统如工业互联网平台、机组振摆监测系统、集控监控系统等已建设并积累了海量数据,各电站也在积极探索水电机组智能运维新技术。然而,水电机组失效机理具有模糊性,加之机组全工况多参量分析、特征提取存在较大难度,机组健康管理及运维决策面临许多困难。鉴于现阶段水电机组状态数据库中大多为正常状态数据,可用故障样本少,难以建立完备故障样本库,研究利用正常状态数据建立征兆指标计算模型,将水电机组风险评估特征化、数量化,提升机组潜在故障预警能力,减少故障漏报和错报具有实际意义。
针对上述问题,本文将现有研究成果与新方法结合给出解决方案。以振动信号时频特征为主线,结合统计学理论、无监督学习、深度学习和异类检测算法围绕水电机组故障预警和诊断展开了深入研究。首先,充分利用水电机组正常状态振动信号时频特征,搭建了量化机组振动状态异常改变程度的计算模型。在此基础上,提出了融合多测点信息的水电机组故障预警方法。其次,为了提高故障识别方法的泛化性能,研究了采用卷积神经网络自适应挖掘振动信号特征并实现模式分类。最后,从优化诊断策略的角度,对传统故障诊断方法进行了改进,为故障诊断技术从理论研究走向实际应用提供了新思路。本文的研究内容主要包括:
1.系统阐述了聚合经验模态分解的基本原理,以及对聚合经验模态分解的改进方法,为水电机组振动信号时频特征提取奠定理论基础。借助改进的聚合经验模态分解算法处理振动信号,得到包含信号时频信息的本征模态函数。分析了各阶本征模态函数的幅值及频率分布特征,然后计算本征模态函数多种特征参数,根据t-SNE方法聚类结果和Caliniski-Harabaz指数,选出了对设备不同状态区分效果最好的特征参数,即各阶本征模态函数的标准差。进一步,分析了振动信号本征模态函数标准差的特点,并将振动信号本征模态函数标准差序列与K近邻算法结合,用于识别水电机组状态,验证了振动信号本征模态函数标准差序列能够有效区分机组不同状态类别。
2.结合振动信号时频特征与稀疏自编码器理论,提出了水电机组振动信号时频异常指标计算模型,依托于该模型,研究了故障预警有效方法。新计算模型采用历史正常状态振动信号的本征模态函数标准差序列训练稀疏自编码器,将实时振动信号的本征模态函数标准差序列输入训练好的稀疏自编码器后,计算稀疏自编码器输出与输入的重构误差作为时频异常指标,以量化测点振动状态异常变化程度,凸显设备早期故障征兆。之后,将多测点时频异常指标进行加权融合得到总体预警指标,结合水电机组工况区间辨识,进行故障预警。采用水电机组实测数据,并设计多组对比实验,验证了新计算模型的有效性和适用性,以及故障预警方法对机组早期故障征兆良好的辨识能力。
3.结合振动信号时频特征与卷积神经网络理论,提出了基于卷积神经网络与时频特征图的水电机组故障识别方法。采用改进的聚合经验模态分解算法处理水电机组振动信号,得到本征模态函数序列。将本征模态函数序列与振动信号时间序列结合构造时频特征图。然后,总结了卷积神经网络结构设计和参数训练的方法,通过试验对比选择动态参数优化算法“Adam”和批训练技巧提高模型训练效率,优化模型性能。将振动信号时频特征图输入卷积神经网络中,实现信号时频特征自适应挖掘和模式分类。将所提方法与其他故障识别方法进行对比,并分析振动信号不同噪声水平对识别结果的影响,验证了所提方法的有效性和优越性。
4.针对在训练样本类型不全的情况下,故障诊断难以进行的问题,基于振动信号时频异常指标与支持向量数据描述理论,提出了包含故障状态判别、异类样本检测和故障类型确认的递进式诊断策略。建立了基于振动信号时频异常指标的故障状态判别机制,区分机组正常状态和故障状态。详细分析了支持向量数据描述的特点和优势,在此基础上,研究了基于本征模态函数标准差序列与支持向量数据描述的异类样本检测方法,构建了多类别超球体模型,并通过试验对比选择人工蜂群算法优化模型参数。之后,分别采用振动信号本征模态函数标准差序列结合浅层分类器的方法、振动信号时频特征图结合卷积神经网络的方法,对待测样本故障类型进行细分和确认。水电机组故障诊断实例表明,递进式诊断策略能够有效降低故障的漏报率和错报率,比传统单步式诊断策略更符合实际应用需求。
欢迎来到三峡大学图书馆！
