关键词： 振动故障   特征向量   量子粒子群   支持向量机   模式识别  

摘要： 提出一套完整的水电机组振动故障模式识别方法。首先,基于广义S变换提出一种能反映频谱特性的频带能量谱特征向量提取方法,并对其进行归一化处理后作为诊断模型的输入变量;然后,在分析量子粒子群算法(QPSO)和支持向量机算法(SVM)的基础上,利用QPSO算法对SVM算法中的核函数参数g和惩罚系数C进行寻优以提高SVM算法模型的诊断精度,提出一种基于QPSO-SVM算法的故障分类方法;最后,通过对比仿真和实例应用表明,该方法具有学习能力强、诊断精度高、鲁棒性好等优点,是一种有效的方法。

关键词： 水电机组   小波包分解   改进小波降噪   故障诊断   长短期记忆神经网络  

摘要： 作为清洁能源之一,水电在我国能源发展中拥有重要地位。为有效保证水电机组的稳定运行,需对设备工况进行实时监测分析。据统计80%的水电机组故障特征都可以在机组振动信号中反映出来,因此对水电机组进行振动监测与振动信号分析极其重要。在利用水电机组振动信号对设备进行状态分析和故障诊断等时,首先需获取异常振动信号的特征,即对振动信号的特征进行提取。目前振动信号特征提取一般包括时域、频域、时频域分析等方法。本文从时频域分析的角度选取小波包分解方法提取设备振动信号能量特征,为下一步设备故障诊断奠定基础。但在实际生产过程中,噪声可能会影响故障诊断识别率,导致设备故障误诊断,针对此问题本文采用了小波降噪方法对含噪信号进行降噪。但是因为小波去噪过程中阈值函数的选取直接影响降噪的效果,导致传统小波阈值降噪存在着一定程度的缺陷,所以本文对小波阈值函数进行了改进,并利用仿真信号对其进行了测试,从信噪比与均方根误差指标可以看出重构后的信号降噪效果良好。对振动信号降噪、能量特征向量提取后,需通过故障诊断模型对设备故障类型进行识别诊断,因此需建立准确、稳定的故障诊断模型。由于长短期记忆神经网络在处理非线性映射、数据存在序列性的问题上有着极大的优势,非常适用于水轮机组振动故障诊断(其具有水电设备零部件之间耦合关系严重、振动信号与故障类型之间为非线性关系、经过能量特征提取的振动信号存在一定序列性等特征),所以本文采用长短期记忆神经网络建立故障诊断模型。收集数据并进行仿真测试,从训练集和测试集准确度和网络收敛速率来分析,该模型达到了良好的效果。但是在基于长短期记忆神经网络的水轮机组振动故障诊断模型的建立过程中,超参数的随机选取对神经网络的识别准确率有着较大的影响,因此利用粒子群算法对长短期记忆神经网络层节点数与神经网络抑制率(其作用是增强网络的稳定性)两个参数进行寻优,使训练后的模型达到更好的一种状态。经过仿真测试及对比分析,参数优化后的故障诊断模型在保证识别准确率的同时精炼了神经网络模型,收敛速率得到了提升,模型达到了预期效果。

关键词： 水电机组   振动信号   时频图   卷积神经网络   故障诊断  

摘要： 水电机组是水电站的核心设备,其健康状态关系到水电站乃至整个电网的安全稳定运行。振动信号含有最为完备的机组状态信息,但其影响因素众多且相互耦合,使得信号特征的提取和故障种类的识别非常困难。应用时频分析与卷积神经网络深度学习算法等信号处理和人工智能领域的先进成果进行特征提取和故障识别,对于提高故障诊断的准确率和提高水电机组的安全性具有重要意义。本文主要研究内容如下:首先,研究了水电机组的振动机理和振动信号的时频图。对水电机组振动故障进行分类,分析各类故障的产生原因、表现形式和影响因素,归纳总结了常见振动故障的特点及特征频率。研究了短时傅里叶变换、小波变换和Hilbert-Huang变换等时频分析方法,考虑不同窗口长度、不同小波基函数等因素,分别构造典型仿真信号的时频图,对比分析各类方法的特征表达性能,结果表明复Morlet小波变换所构成的时频图具有最好的时间-频率分辨率。其次,研究了卷积神经网络模型。介绍了卷积神经网络的基本原理和结构,分析了训练过程,对比了常用的优化算法,讨论了卷积神经网络过拟合出现的原因与解决方法,并介绍了卷积神经网络的分类流程。作为深度学习的重要算法之一,卷积神经网络包含了特征提取器,且可直接输入二维原始数据,对图像识别具有优秀的分类能力,因此可将水电机组振动信号的时频图像作为网络的输入。最后,建立基于时频图和卷积神经网络的诊断模型,对实际水电机组故障进行诊断。先选取某水电站两台相同机组的振动数据进行诊断。诊断过程中,综合考虑分类正确率和诊断时间等因素,选择合适的卷积核个数、批量尺寸和迭代次数。诊断结果表明,卷积神经网络对于时频图具有良好的分类识别率,通过对比三种时频图发现,以小波变换为基础的时频图识别率更高。另外,选取不同水电机组的振动数据进行诊断,也取得了较高的分类正确率,验证了本文所提方法对水电机组故障诊断的有效性与准确性,泛化性能良好。

关键词： 水电机组   多源广域数据   局部和总体主成分分析法   信息冗余   故障诊断  

摘要： 由于水电站具备独特的调峰填谷的运行特性,可以发挥调节负荷、维护电力系统安全稳定运行等重要作用,已经逐步成为了我们国家电力系统不可或缺的调节工具。由于水电机组经常进行复杂工况的切换,运行时周遭影响机组运行状态的不稳定因素较多,故机组的安全问题日益凸显。而传统水电机组故障诊断主要基于专家系统,主观依赖性高,不能有效客观地分析机组状态和故障类别。为了克服传统故障诊断模型存在的局限性,本文以水电机组为对象,围绕状态监测系统采集到的多源数据类型与其对应故障表征,数据处理分析方法以及故障诊断模型三个方面展开研究,重点解决多源广域数据带来的故障信息冗余和传统故障诊断模型的高耗时等问题,提出了 一种融合多源广域数据的水电机组故障诊断模型,为实现水电机组故障诊断开阔了思路,具有一定的工程价值。本文首先了解了水电机组的几种典型故障类型,介绍了状态监测系统可采集到的不同的数据源,比如振动信号、摆度信号、压力脉动信号、工况数据、气隙参数和轴心轨迹图等,并介绍分析了不同类型数据的故障表征。其次,针对融合多源广域数据后样本空间维数过高带来的故障信息冗余等问题,提出了一种基于改进局部和总体主成分分析法(LGPCA)的特征约简方法。该方法结合了主成分分析法(PCA)与局部保持投影法(LPP)的优点,降维过程中既保留全局的特征信息,又涵盖了局部样本之间的流行性特征;并通过引入余弦相似度改善了 LGPCA方法构建近邻域时参数选择依赖人工经验的问题;最后通过实例对三种降维方法进行了比对,证实了本文所提方法的有效性。再次,研究了振动信号的特征提取方法,对比验证了经验模态分解法(EMD)与集合经验模态分解(EEMD)信号分解的优劣,并对本文所需广域数据如时域、频域、时频域特征进行了介绍。随后选择了随机森林理论作为诊断模型的分类器,提出了一种融合多源广域数据的水电机组故障诊断模型。最后,以某水电站贯流式机组实际运行数据为基础进行了实例分析,通过对比融合不同数据类型以及不同特征约简方法下的故障诊断结果,证明了本文所提融合多源广域数据的诊断方法不仅可以提高故障诊断的准度,也可以降低诊断所需时长,改善机组诊断效率,从而验证了该诊断模型的有效性。

关键词： 水电机组   故障诊断   奇异值分解   深度置信网络  

摘要： 水电资源作为清洁能源的代表,其可靠地供应能够有效地解决环境污染问题,维持经济和社会的可持续发展,因此,在实际生产中保证水电机组安全稳定运行尤为重要。据统计,水电机组中超过80%的故障都在振动信号中有所体现,因此,有效地分析和提取水电机组振动信号特征,准确地诊断故障,对水电机组的安全稳定运行具有重要意义。本文以水电机组的振动故障为研究对象,提出了一种基于奇异值分解和深度置信网络多分类器的水电机组故障诊断方法。主要的研究内容和成果有:首先,针对水电机组早期故障信号信噪比低的问题,采用了基于奇异值分解的水电机组振动信号降噪方法,并进行仿真验证。对包含噪声的振动信号构造Hankel矩阵,并对其进行奇异值分解,在相空间重构过程中对构造的Hankel矩阵的有效奇异值的四种阈值选择方法进行研究,经过对比,得出奇异值差分谱法的降噪效果优于其他三种奇异值阈值选择方法的降噪效果。同时将奇异值差分谱法的降噪效果与小波变换的降噪效果进行对比,得出奇异值差分谱法降噪效果明显优于小波变换的降噪效果。然后,针对水电机组振动信号特征向量构造复杂的问题,采用了基于奇异值分解的水电机组振动信号特征提取方法,并进行仿真验证。利用降噪后的振动信号构造吸引子轨道矩阵,并对其进行奇异值分解,以分解出的奇异值序列作为降噪后振动信号的特征向量。通过仿真分析得出该方法能够可靠、有效地获得各种状态的真实特征。其次,针对传统的浅层神经网络分类器在分类时容易发生过拟合和陷入局部最优的问题,采用了基于深度置信网络多分类器的水电机组故障诊断方法。研究了深度置信网络的结构和训练过程,对深度置信网络在水电机组故障诊断模型建立过程中的节点数、权值、偏置等相关参数的设置和诊断过程进行了探讨。最后,通过工程实例验证本文所提出的水电机组故障诊断方法。将该方法与深度置信网络子分类器、BP神经网络、多分类支持向量机等分类器和奇异值中值法、小波变换等降噪方法进行对比,并用未知故障类型样本进行验证,结果表明,本文所提出的水电机组故障论断方法识别准确率更高、运算速度更快,能够更加稳定、可靠、高效地识别出水电机组的故障类型,具有一定的应用价值。

关键词： 水电机组   状态监测,故障诊断   技术应用  

摘要： 随着人们对于水电资源需求量的增加,我国水电厂规模的不断扩大,技术水平也在不断提高,现代化水电机组的功能要求越来越复杂,单机容量也越来越大,这在给人们带来便利的同时也在一定程度上增加了机组设备发生运行故障的几率。为了能够给人们提供稳定可靠的水电资源,对水电厂的机组设备运行状态进行实时监测,发现故障及时进行诊断维修是十分有必要的。本文就水电机组状态监测与故障诊断技术的实际应用情况进行了详细分析。

关键词： 推力轴承   冷却系统   应急处理  

摘要： 推力轴承冷却系统是水轮发电机组的重要辅助设备,其正常运行是机组连续运行的重要保障。现结合某电站推力轴承冷却系统运行情况,对冷却系统常见故障进行了系统分析,提出应急处置措施,并列举了两个冷却系统故障应急处理实例供参考。

关键词： 水电机组   调速系统   故障   智能诊断  

摘要： 调速系统是水轮发电机组进行频率和负荷调整的执行系统,对机组及电力系统稳定运行具有重要作用。经过多年的技术发展和积累,调速系统故障诊断功能已非常完善,但其智能运行还需对故障诊断系统进行丰富和细化。某电站调速系统出现偶发性缺陷后,调速系统不能自动进行故障点的确认,需要进行大量的试验和分析。本文通过故障回路分析和处理,提出了一种调速系统故障智能诊断新方法,将关键过程信号值引入故障判断机制,对调速器调节过程全程监视,实现调速系统全智能诊断分析与定位。

关键词： 水电机组   振动   故障诊断   贝叶斯网络   SOM神经网络   EM算法  

摘要： 水电站的状态监测系统积累了大量的监测数据,但由于现场专家缺乏,目前这些数据没有得到很好的利用,如何挖掘这些数据并结合专家经验对水电机组进行故障诊断是本文研究的重点。本文提出了一种基于贝叶斯网络的水电机组振动故障诊断模型。根据专家经验获得贝叶斯网络结构和部分节点参数,通过SOM神经网络对数据信号进行离散化处理,利用EM算法参数学习获得其他节点的概率分布,搭建基于贝叶斯网络的子系统模型,并将子系统模型整合成完整的系统模型。文章最后通过设计试验,验证了所建模型诊断结果的正确性和合理性。

关键词： 水电机组   故障诊断   概率神经网络  

摘要： 针对水电机组的物理结构较为复杂,工作状况相对恶劣,故障发生率较高等问题,提出了一种基于概率神经网络的水电机组故障诊断方法,利用概率神经网络建立分类模型,并结合水电机组的振动信号分析,实现对水电机组的故障判断和故障类型识别。准确有效的水电机组故障识别与判断,对于水电企业生产与设备检修都具有重要意义及参考价值。