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。

关键词： 水电机组状态监测   故障诊断   探讨  

摘要： 在水电机组运行期间,需要工作人员对机组的整个运行状态情况进行监测和分析,当发现机械故障之后,需要及时地进行故障排除和处理,只有这样,才能有效保证和延长水电机组使用年限,最大限度地避免水电机组出现故障,降低企业的经济损失。随着经济的高速发展和科学技术的不断进步,水电机组的状态监测技术也得到了快速的发展,通过运用这些先进的科学技术,有效地保障了水电机组的稳定运行和经济效益的提高。文章通过对水电机组状态进行监测及其出现水电故障问题的相关的解决方法进行介绍,希望能为后期水电机组的安全、稳定、高效运行提供帮助。

关键词： 水电机组   调速器故障   电容损坏   电磁干扰  

摘要： 在水电站发电机组运行过程中,机组可能会受到某些因素的影响而出现故障。为了确保发电机组正常运行,需要对发电机组进行日常检修,通过检修可以全面掌握发电机组的损坏状态与规律,并用检修结果指导发电机组维修,用维修实践验证或修正日常检修技术,进而在一定程度上完善机组检修技术,提高机组维修水平。

关键词： 水电机组   制动风闸   复归信号   行程开关   控制流程  

摘要： 某水电站发电机组采用机械风闸制动方式,实际运行中由于制动风闸复归信号动作不可靠,导致机组自动开机时顺控流程判断机组制动风闸全部复归条件不满足,多次开机失败,影响机组自动开机并网成功率。采取增加风闸行程开关和风闸监视信号、优化自动开机流程等改进措施,经多次动作测试,信号准确无误,保证了机组正常开机。

关键词： 振动信号   特征提取   CL3自适应多小波   LTSA   水电机组  

摘要： 水电机组结构复杂,运行环境恶劣,其运行状态受水、机、电多因素耦合影响,使得传统特征提取方法所得特征敏感性差。针对此问题,提出了基于CL3自适应多小波(CL3 adaptive multiwavelets,CL3-AMW)与局部切空间排列(local tangent space alignment,LTSA)的水电机组振动故障特征提取方法。该方法根据水电机组振动信号特点,对信号处理方法进行自适应改变,通过高维振动故障特征集的自适应构建、特征选择和特征融合三个方面提高水电机组振动故障特征敏感性。利用该方法进行特征提取实验,结果表明,与其他方法相比,所提出的方法能够提高故障特征参数敏感性,为准确识别机组振动故障奠定基础。

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。