关键词： 水电机组   轴心轨迹   卷积神经网络   小波变换   奇异值分解   故障诊断  

摘要： 提出了一种结合卷积神经网络,小波变换和奇异值分解理论的水电机组故障诊断方法。利用卷积神经网络提取机组轴心轨迹的图像特征;通过离散小波变换对摆度信号进行分解,获得信号的小波分解系数,对各分支系数进行重构,构造奇异值分解输入矩阵,提取矩阵奇异值作为特征向量。将两种方法提取的特征进行组合,构建包含图像特征和波形特征的混合特征向量,通过概率神经网络进行识别分类。为验证该方法的有效性,将水电机组常见故障在转子试验台上进行模拟,用上述方法进行诊断。结果表明,文中所提出的故障诊断方法能很好地识别水电机组不同运行状态,可为水电机组的故障诊断提供有效依据。

关键词： 水电机组   稳定性监测   信号降噪   变分模态分解   故障诊断   支持向量数据描述   概率神经网络  

摘要： 随着双碳行动的逐步开展,我国能源体系将发生新的变革,稳定可靠调节能力强的水力发电将作为我国能源变革的重要支撑,同时将在电能调峰填谷中发挥重要作用,其安全稳定运行关系到电厂侧和电网侧的安全。水电机组运行过程中受到诸多因素的影响,一旦发生故障将造成巨大的损失,对机组进行故障诊断可为评价机组运行状态提供数据依据,及时消除存在的安全问题。本文围绕机组故障诊断的几个热点问题展开研究,包括机组稳定性监测、信号降噪、异常振动检测预警及故障识别等几个方面,全文的主要内容和创新性研究成果如下所示:(1)基于MFC/Measurement Studio和NI 9172/NI 9205/NI 9203设计开发了机组稳定性监测系统,实现了对机组各类信号的实时采集、分析、显示及存储等功能,同时采集软件可兼容不同的NI模块,根据实际需要更换或配置硬件设备,具有很高的灵活性,为机组稳定性参数监测提供了很好的解决方案。在实际应用中表明此系统可以准确高效地获取机组运行稳定性数据,可进一步分析评价机组运行状态。(2)提出了基于变分模态分解(VMD)的振动信号降噪方法VMD-PE-WP。该方法融合了VMD良好的平稳分量提取能力和排列熵(PE)对噪声分量的表征能力,利用小波包(WP)对PE阈值筛选出的有效分量进行降噪,其余分量视为噪声分量并舍弃,对各个降噪后的分量重构完成对信号的降噪。通过仿真信号和转子振动信号的降噪研究,结果表明该方法可以有效去除振动信号中存在的噪声信息,同时与不同的降噪方法进行对比分析,验证了所提方法具有更优的降噪性能。(3)在支持向量数据描述(SVDD)方法的基础上提出了一种基于同工况下正常数据集建模的异常振动检测方法SVD-GA-NWSVDD。该方法利用奇异值分解(SVD)提取信号的奇异值向量作为信号特征向量,并利用遗传算法(GA)优化的多次加权支持向量数据描述(NWSVDD)算法训练得到的最优超球体用于异常振动检测。通过转子振动数据集和水电机组振动数据集的离线异常振动检测研究,结果表明该方法具有较灵敏的异常振动检测能力,进而实现振动故障的预警。(4)结合概率神经网络(PNN)提出了基于特征融合的水电机组振动故障识别方法MIFS-LPP-GPNN。该方法首先提取多个域内的信号特征构成故障识别的初始特征集,再引入互信息(MI)和局部保留投影方法(LPP)来筛选有效特征并进行特征集降维获得高效特征,最后利用获得的高效特征结合遗传算法(GA)优化的概率神经网络(PNN)进行故障识别。在转子故障数据集和水电机组故障数据集上进行了故障识别研究,结果表明该方法可以减少无效特征的干扰和特征的冗余,实现故障类型的准确判别,同时与不同的故障识别算法进行对比分析,验证了该方法具有更好的故障识别能力。

关键词： 水电机组   信号去噪   特征提取   故障预警   故障分析  

摘要： 在网构复杂多变化、水电机组大型化、运行工况复杂化等发展趋势下,对水电机组的安全稳定性提出了更高的要求。研究表明,水电机组产生振动故障的概率较大,其振动故障具有复杂性、渐变性及不规则性,振动信号呈现非平稳、非线性特征。从复杂的运行环境中将蕴含大量故障信息量的信号分离出来,并进行有效的特征提取,采用一定模式识别方法区分机组所处的状态,并在此基础上构建故障预警指标,建立基于故障预警指标和水电机组故障机理的故障推理模型,为水电机组故障诊断方法提供了新思路,对于实现机组故障诊断具有重大意义。本文的主要研究内容如下:(1)针对集合经验模态分解(EEMD)中存在的端点效应问题,分析了端点效应产生的原因,提出基于网格搜索算法(GS)优化的支持向量机回归(SVR)和窗函数的集合经验模态分解端点效应抑制方法。该方法采用优化算法得到SVR参数,保证延拓波形的有效性。将SVR和窗函数相结合,确保信号经SVR延拓后端点收敛,同时避免直接对信号进行加窗处理产生的波形变化。分别与原始EEMD、基于GS-SVR延拓的EEMD及基于窗函数的EEMD进行端点效应抑制效果对比,引入正交性指标和区域等分指标,对仿真信号和水电机组实测信号进行分解效果对比,分析结果表明,本文所提方法端点效应抑制效果最佳,在实际工程中具有较好的应用效果。(2)针对水电机组振动信号所处的噪声环境对信号本质特征存在干扰的问题,提出基于改进EEMD和奇异值分解(SVD)的水电机组振动信号降噪方法。信号经EEMD分解后,将高频噪声分量剔除,并对剩余分量进行Hankel-SVD去噪,最后累加剩余分量,实现降噪。分别对仿真信号和实测信号进行了分析与验证,结果表明本文所提方法具有较优的降噪效果。(3)针对水轮发电机组振动信号的非平稳、非线性特性以及信号特征难以直观识别的问题,本文提出基于改进EEMD和近似熵的水电机组振动信号特征提取方法,并在此基础上提出水电机组振动故障预警方法。信号特征提取过程中采用峭度-标准相关系数指标筛选有效IMF分量,提高了算法效率。在故障预警研究中,引入基于最大最小距离法的自动工况聚类算法,提高多工况特征识别的可靠性,计算不同工况下特征向量均值,由此得到该工况下健康基准值,待测样本特征值与对应健康基准值之间的距离(JS散度)即为故障预警指标,其达到报警阈值即触发报警。对转子实验台振动信号和水电机组实测振动信号进行分析,验证了所提方法的有效性。(4)本文提供了一种故障分析的新思路,将信号特征提取与故障机理分析进行有效结合,根据故障预警指标量的变化及故障特征表现,建立水电机组典型故障推理流程。从故障部件结构入手,分析故障机理,总结故障特征表现,由此确定故障关联预警指标量,结合预警指标量及其他特征组合判断机组是否发生相应故障。

关键词： 水电机组   状态维护   振动信号降噪   特征约简   故障诊断   健康性能指标   趋势预测  

摘要： 水电机组作为水电能源转换的核心设备,呈现巨型化和智能化的发展趋势。机组的运行环境恶劣且受水力、机械、电磁等耦合因素的影响,使得设备异常振动、耦合故障、疲劳劣化甚至结构破坏等安全风险日益突出,机组状态维护的研究备受学界关注。在此背景下,本文针对水电机组状态维护中振动信号降噪、故障诊断、趋势预测所面临的关键科学问题,以时频信号分析、群智能优化算法和机器学习等为研究手段,研究提出适用于水电机组振动信号分析方法,构建基于群智能理论的特征约简与模型参数协同优化的振动故障识别模型,提出考虑多运行参数的健康性能趋势预测方法,设计基于信息融合的健康性能区间多目标优化策略,对保障机组的安全、稳定运行,具有十分重要的理论意义与工程应用价值。本文的主要研究内容与创新性成果如下:(1)针对在复杂水-机-电因素的影响和背景噪声的干扰下振动信号难以有效表征水电机组运行状态的问题,提出基于模态分量重构与自适应奇异值分解(SVD)的振动信号多级降噪方法。设计了基于相关性分析的VMD模态分量重构策略,有效滤除高频噪声成分;研究提出基于峭度理论的奇异值阶数自适应选取方法,利用SVD实现对重构信号的次级降噪,消除非周期性随机噪声成分,为机组运行状态分析提供必要的数据基础。(2)针对多维特征存在冗余干扰和诊断模型性能受参数影响较大的问题,提出基于混合智能算法的特征约简与模型参数协同优化的故障诊断策略。研究提取了不同故障模式下的多维特征;利用二进制智能算法对多维特征进行约简,突破了传统特征约简的局限;采用十进制智能算法求解了模型参数的最佳组合,实现了故障特征属性和诊断模型参数的有效关联,发展了机组振动故障诊断的研究范式。(3)针对传统的趋势预测方法通常仅考虑一维监测数据的不足,考虑机组多运行状态参数,构建了基于卷积-长短期记忆神经网络(CNN-LSTM)的水电机组健康性能趋势预测模型。研究分析了工作水头、有功功率和导叶开度与机组振动特性之间的关系,搭建了可表征机组特性的健康状态模型,提取了可量化机组的性能水平的健康指标因子,提出了具有良好局部特征提取和非线性学习能力的CNN-LSTM预测方法,有效揭示了机组健康性能的演化规律。(4)考虑不同部件的性能水平对机组整体性能的影响及点预测模型无法传达不确定性信息的缺陷,提出基于信息融合与多目标智能优化的健康性能区间预测模型。引入熵权理论解析了机组不同部件的健康状态信息,构建了可表征整体健康水平的综合性能指标,考虑预测区间的不确定性,制定基于多目标算法的预测模型最佳参数全局优化策略,获取较为准确且可靠的机组健康性能未来波动范围,为运维人员对机组健康状态进行风险分析及运维决策提供支持。

关键词： 水电机组   压缩感知   特征提取   故障诊断   稀疏表示   深度学习  

摘要： 作为一种重要的清洁能源,水电在我国电力调度中承担着不可或缺的调峰、调频作用。水电机组是水电站重要的机械设备,积极开展水电机组的诊断维护工作,有利于及时掌握故障信息,降低机组故障风险,提高电网安全水平。此外,目前大型水电设备发展逐步高速化、规模化、分布化,给电站的故障诊断和数据处理带来了不小的压力。因此,本文立足于压缩感知理论,围绕水电机组振动信号处理、特征提取、压缩重构以及故障诊断等重难点,以参数优化、深度学习、稀疏表示为工具,提出一种与电站资源相结合的理论应用模型;在减少采样点的前提下,精确诊断机组异常状态;采用学习字典代替原有固定字典,有效提高信号稀疏程度和重构精度;基于稀疏表示理论,构建了一种深度压缩重构和故障诊断网络。本文的主要研究内容和创新点如下:(1)为缓解海量振动状态信号的采集传输压力,以结合水电站监测现状和压缩感知理论为导向,说明压缩感知和稀疏表示理论,研究压缩信号的故障诊断依据和重构原理,提出基于电站安全分区的应用模型,为后文奠定基础。(2)为实现基于压缩测量信号的故障诊断,建立基于压缩信号的故障诊断模型。为解决诊断性能和传输效率的矛盾,推导压缩维度区间,定义维度下降速率的概念,提出一种搜索最佳压缩维度的算法,指导电站确定最优压缩维度。分别在振动公开数据集和水电站实际运行的轴承振动信号实现了故障诊断的每个环节,验证了压缩信号故障诊断的可行性,说明了所述维度搜索算法的有效性和快速性。(3)水电机组工况变化复杂,为分析信号重构过程,取得振动信号自适应的稀疏表示,依据稀疏分解和字典学习理论,构建了基于字典学习的压缩重构模型。首先,组建信号常见完备字典、过完备字典和训练字典,分析迭代参数对重构过程的影响,研究各字典的分解稀疏度和分解误差,验证了自适应字典在稀疏表示层面的优越性。其次,采用小波分解降低样本的噪声,提升字典对含噪样本的学习能力。最后,在振动信号的压缩重构中,证明自适应K-SVD字典在减少迭代次数,提高重构精度的优势。进一步地,在电站主要工况信号上,验证了模型重构的能力。(4)为提高机组诊断和压缩感知的结合紧密程度,挖掘振动信号二维稀疏特征,首次提出一种基于稀疏特征图像的重构及状态识别网络。首先,以稀疏因子为指标对比图像稀疏度,选用DCT字典作为稀疏字典,将振动信号的稀疏系数和相应位置转化为稀疏图像的条纹深浅和位置,构成特征图像。其次,引入分块压缩感知的理论,从现地端压缩传感特征图像至分析远端,以深度卷积网络拟合重构过程,还原特征图像,保持特征原有差异。最后,结合CNN强大的特征提取能力,设计深度诊断网络提取各类型信号特征,进行有效地状态识别。

关键词： 水电机组   关联特征向量   综合差异挖掘   仿生诊断   特征选择  

摘要： 对于具有强耦合性和不确定性的水电机组故障,基于统一特征向量的故障表征方法容易淹没有效特征的表征效果,直接限制了故障诊断的准确性和时效性。鉴于此,提出一种仿生故障诊断方法,该方法模仿人脑思维,提出关联特征向量概念,并用特征选择树描述其逻辑结构,以特征提取树求取。以其嵌套结构深层次挖掘故障之间的错综复杂关系,实现对水电机组故障之间量差异和质差异的综合挖掘,深层次揭示不同故障间以及故障与特征之间的固有联系,有效提取不同故障的本质区别,提高故障表征的有效性。进而结合概率神经网络实现智能分类。实验结果表明,该方法能够完成水电机组的故障诊断,同时取得了优秀的诊断有效性和时效性。

关键词： 水电机组   故障诊断   奇异值分解   深度置信网络  

摘要： 针对水电机组早期故障信号信噪比低的问题,本文将奇异值分解(SVD)和深度置信网络(DBN)相结合进行故障诊断。首先,利用包含噪声的振动信号构造Hankel矩阵,对其进行奇异值分解,采用奇异值差分谱法选取有效奇异值进行相空间重构,实现降噪的目的;然后,对降噪后的振动信号进奇异值分解,用所得的整个奇异值序列构造特征向量;最后,建立深度置信网络分类器模型,实现水电机组的故障诊断。同时,将所提方法与BP神经网络,多分类支持向量机进行对比。结果表明,本文所提方法能够更加可靠高效地识别故障类型,具有一定的应用价值。

关键词： 神经网络   支持向量机   水电机组   故障诊断  

摘要： 水电机组故障诊断方法较多,神经网络、支持向量机等方法应用广泛。分别利用神经网络和支持向量机建立小样本下的水电机组故障诊断模型;并通过10个样本训练、30个样本用于识别的方法,对比2种诊断方法的准确性。研究表明,两者在大样本下诊断准确度均较高,但支持向量机故障诊断模型在样本数量较小时,故障诊断准确性要高于神经网络模型。

关键词： 水电机组   振动故障   智能诊断   诊断方法  

摘要： 在人们生活水平不断提高的背景下,水电机组在生产生活当中的作用越来越突出。它是电能的重要生产设备,具有较强的稳定性和较高的运行效率。面对水电机组在振动过程当中出现的故障,需要结合先进的科学技术进行及时诊断,最大限度地降低损失。实现对诊断方法的创新,实现故障诊断的智能化发展对于提高水电机组的稳定性具有重要的意义。基于此,文章从水电机组常见的振动故障出发,探究了对这些故障进行智能诊断的方法。

关键词： 水电机组   振动信号   变分模态分解   卷积神经网络   故障诊断  

摘要： 为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。