关键词： 调速器综合控制模块   电容损坏   电磁干扰  

摘要： 介绍了某水电厂先后发生的一起导叶接力器异常抽动导致的事故低油压保护动作机组机械事故停机事件和一起机组自动开机不成功事件,通过试验排查故障原因均为调速器液压控制柜综合控制模块内滤波电容损坏,经过对综合控制模块产品质量检查和现场运行环境检测,最后确定电容产品质量和现场电磁干扰为主要故障原因,对应采取更换故障批次综合控制模块和综合控制模块各控制回路增加抗浪涌保护器的措施。

ISBN: (纸本)9787550912915

关键词： 水电机组   时频分析   特征提取   故障诊断   趋势预测   精细复合多尺度散布熵   极限学习机   随机森林  

摘要： 随着我国能源结构的不断调整,水电能源已成为构建现代多功能互补、供需协调智慧能源系统中的重要一环。大力开发水电能源对于推动我国能源绿色低碳发展,提高能源供应能力和优化能源布局起着重大战略意义。作为水电站能源转换核心设备,水电机组正向巨型化、复杂化、智能化方向发展,且机组结构日趋复杂,集成化程度越来越高,机组的安全问题日益凸显。同时,水电机组作为一类复杂非线性动力学系统,其运行过程受到水机电复杂耦合因素影响,机组振动信号通常呈现强非平稳、非线性特性,传统水电机组状态分析与故障诊断方法在准确表征故障与征兆间复杂映射关系,实现机组状态准确评估和故障精准诊断方面存在一定的理论和工程技术难点。因此,亟需探究新的状态分析与故障诊断方法,以提高故障诊断的可靠性和状态趋势预测的准确性,为事后维修决策和事前预知维护提供合理的指导意见。针对上述问题,本文围绕水电机组在非平稳信号分析与特征提取、故障检测与故障分类、以及状态趋势预测等工程应用中存在的关键问题,引入先进信号处理方法、非线性动力学理论以及智能故障诊断方法,以经验模态分解、多尺度非线性熵、基于互信息的最大相关最小冗余特征约简、极限学习机和随机森林等作为理论分析手段,探究并改进现有方法中存在的理论和应用不足,设计了水电机组非平稳振动信号分析的改进方法,提出了基于特征空间重构与多尺度排列熵的水电机组非线性特征提取方法,发展了故障检测、故障分类的两阶段综合故障诊断方法,构建了基于散布熵判别与极限学习机的水电机组状态趋势分段预测模型,为水电机组智能故障诊断和状态趋势预测领域的方法创新拓展了思路,并具有一定的工程应用价值。论文的主要研究内容及创新性成果如下:(1)针对经验模态分解中存在的端点效应问题,深入分析了端点效应产生的原因及对信号分解结果的影响,提出了基于极限学习机与镜像延拓的经验模态分解端点效应抑制方法。该方法有效融合了极限学习机延拓和镜像延拓两种单一延拓方法在抑制端点效应上的优势,在每一次筛选本征模态函数的过程中,完成信号极值点两阶段延拓。在第一阶段,利用极限学习机在数据预测上的良好性能,在信号极值点序列两端进行初步延拓;在第二阶段,利用镜像延拓方法对初步延拓后的极值点序列两端进行延拓,以避免在分解过程中极值点序列不足而导致包络线拟合失真的缺陷。最后,在仿真信号实验中,通过定性和定量对比分析,验证了所提方法的有效性。并将其应用于水轮机尾水管压力脉动信号分析,验证了其具有一定的工程应用价值。(2)考虑到强背景噪声干扰、多振源激励耦合作用下水电机组故障与征兆之间映射关系难以准确表征的问题,提出了一种基于特征空间重构与多尺度排列熵的水电机组非线性特征提取方法。该方法首先针对机组故障信号呈现的非平稳特性,且易发生模态混叠、能量泄露等现象,设计了基于集合经验模态分解的特征空间重构方法。该方法以能量为衡量标准,将与故障信息高度敏感的本征模态分量重构,实现故障特征的初步提取;同时结合多尺度排列熵在不同尺度检测信号动力学突变行为的优势,进一步对初步提取的重构特征空间进行多尺度排列熵分析,完成对机组故障特征的充分表征,通过国际标准故障诊断案例验证了所提特征提取方法的有效性和先进性。最终将所提方法成功应用于水电机组空化信号特征提取,表明了其工程实用性。(3)针对水电机组实际运行中多类故障的不同衍生和发展规律,深入考虑故障初步检测与不同故障类型、不同故障程度精准识别的实际诊断需求,提出了基于精细复合多尺度散布熵与快速集合经验模态分解的故障检测与分类的两阶段综合故障诊断策略。在故障检测阶段,考虑机组存在“正常”或“故障”状态的判别需要,探究了故障信号与正常信号对精细复合多尺度散布熵尺度因子具有不同敏感性的变化规律,提出了基于精细复合多尺度散布熵判据的故障检测方法,实现了对机组健康状况的快速判断。进一步,如果检测到故障,考虑到单一散布熵对不同故障种类和故障程度表征的不足,综合快速集合经验模态分解对复杂非线性信号高效处理性能以及精细复合多尺度散布熵在多个尺度度量信号不确定性或不规则性的优势,提出了一种基于快速集合经验模态分解与精细复合多尺度散布熵的广义多尺度特征提取方法,实现对故障特征的多维广域提取;考虑到所提取特征存在的高维、冗余特性,建立了基于互信息的最大相关最小冗余的最优特征选择和随机森林分类器的故障分类机制,实现了对不同故障种类、故障程度的准确分类。故障诊断实例表明,所提综合故障诊断策略能有效的实现对故障的检测与分类,为解决工程实际中的故障诊断问题提供了一种有效思路。(4)随着运行时间的不断积累,水电机组不可避免的存在性能下降、设备失效问题,结合机组运行状态特性,提出了一种基于散布熵判别与极限学习机的分段预测模型,实现对机组状态趋势的有效预测,以便及早捕捉异常征兆。该模型考虑极限学习机对不同波动趋势信号预测精度

关键词： 机组故障   系统辨识   模糊聚类  

摘要： 水力发电是我国电网的重要组成部分,但是在水电机组运行过程中容易出现机组振动,进而引发机组故障,影响电网供电的可靠性.本文将对机组故障诊断中常用的系统辨识法进行分析,并针对其中的不足,提出一种模糊聚类故障诊断法,进而提高水电机组故障诊断的准确性.

关键词： 水电机组   关联分析   多源信息   故障诊断   趋势预测  

摘要： 随着我国绿色清洁能源的逐步开发,风能、太阳能、潮汐能等新能源稳定发展,常规水电机组与抽水蓄能机组装机容量也随之快速增长。与此同时,水电能源在电力系统中将承担更多的调峰调频任务从而减少新能源并网时带来的冲击。在此背景下,为了切实保障电网的安全稳定运行,对水电站可靠运行与健康管理提出了更高的要求。水轮发电机组作为水电站水能转换的核心设备,其构成部件相互耦合,呈现出复杂化、高度集成化的发展趋势,传统的机组故障诊断方法已无法满足工程实际需求。因此,为确保水电机组的安全稳定运行,本文针对水轮发电机组故障诊断与趋势预测中的若干科学问题,分析了现有理论与研究方法的局限性,以水电机组多源信息融合为切入点,提出了水电机组运行参数关联分析方法;以参数关联关系为基础,结合机器学习与对抗学习等先进技术手段,构建了完备的水电机组故障诊断体系;进一步引入信号处理与深度学习理论,搭建了水电机组多步非线性趋势预测模型,大幅提高了机组状态趋势预测步长,准确预测了水电机组的状态变化趋势。论文的主要研究工作与创新成果如下:(1)为有效利用水电机组运行监测海量数据,挖掘机组多源信息间的关联关系,结合数据离散方法与数据挖掘算法,提出了水电机组运行参数关联分析方法。首先分析了机组运行参数在故障状态下存在少量异常点的特点,采用K-Mediods聚类方法对机组运行参数进行离散处理,对比分析不同聚类结果的轮廓系数,优化聚类个数,并给出了聚类后每个区间对应的实际物理含义。通过收集整理电站机组故障下的运行参数数据,构建了离散后的机组故障样本事务集,采用FP-Grwoth算法挖掘其中频繁项集,并提取重要关联关系,为电站运维人员提供了实际检修指导建议。(2)机组运行参数关联分析结果指明了不同参数间蕴含了潜在的故障特征,在此基础上,结合循环神经网络,提出了基于GRU-NP-DAE的水电机组多源信息故障诊断方法。传统故障诊断方法在构建故障样本时忽略了机组振动信号本身的时序关系,且无法有效提取不同振源间的关联特征。所提方法通过循环神经网络有效存储机组振动信号时序信息,将多源振动信号共同作为输入构建不同故障状态下的振动模式,对比分析输入数据在不同振动模式下的重构误差,确定当前故障状态,提高了模型诊断的精确度。同时,通过采用降噪自编码器、变步长输入等技术手段,加强了诊断模型的泛化能力。将所提模型应用至滚动轴承故障数据与水电机组实测数据中,结果表明所提体方法不仅能够具备高精度的诊断结果,同时在复杂噪声环境与变工况条件下仍能保持较高准确性。(3)在故障诊断方法实际运用中,数据样本常常缺乏相应的故障标签导致无法进行有监督模式下的模型训练。为了突破有监督故障诊断模式对故障标签的依赖,本文提出了多分类对抗式自编码器模型对水电机组运行样本数据进行无监督故障聚类。首先通过自编码器将高维的机组运行特征数据降维至低维的特征空间,结合对抗训练方法使低维特征空间中的样本点符合先验高斯混合分布。在此基础上,研究了无监督下的多分类器输出损失函数,构建了基于多分类对抗式自编码器的无监督故障聚类架构。通过滚动轴承多故障数据应用表明,该模型能将高维的输入样本有效的降维至服从高斯混合分布的低维空间,同一类别的样本被成功聚至同一簇中,不同的簇中心间距明显,具备优异的聚类效果。最后结合水电机组实际运行故障数据,所提方法达到了100%的聚类准确率与召回率,验证了其工程应用价值。(4)单纯的水电机组故障诊断方法无法满足机组预先维护的策略,需结合机组状态变化过程详尽分析故障演化机理,而现有的趋势预测方法多为单步预测体系,虽然在单步预测下拟合效果均较为理想,但无法长期精确预测机组状态变化趋势,缺少工程实际应用价值。为真正实现机组状态检修,发现机组早期故障征兆,本文针对水电机组运行数据趋势分析,提出了基于变分模态分解和卷积神经网络的多步非线性趋势预测方法。该方法通过先进的信号分解技术将强非平稳、非线性的水电机组振动信号分解为中心频率集中的本质模态分量,将各个本征模态分量视为卷积神经网络输入中的各个通道,结合卷积核操作提取不同模态分量间的关系与各个模态的局部特征,构建了多步输出的卷积网络预测模型。将所提模型运用至水电机组顶盖振动实测数据上,预测结果表明所提模型具有较低的拟合误差与较高的相关系数,实现了精确的机组振动信号多步预测。(5)基于上述理论研究成果,设计开发了一种面向服务的水电机组多源信息挖掘与故障诊断系统。通过融合水电机组多源异构数据,构建了统一的大数据水电机组知识管理平台,可依据电站运行数据和巡检报告等及时更新或补充先验知识,实现了机组关联分析、故障诊断、故障预警、趋势预测与状态评估等功能模块。该系统目前已成功应用至湖北白莲河抽水蓄能电站,为电站运维人员提供检修指导与决策建议。

关键词： 水电机组   贝叶斯网络   故障诊断   检修决策  

摘要： 水电机组作为水电生产过程的主要部件,确保其安全运行对水电生产过程的稳定性有着重要意义。而如何保证其稳定运行,这就要求检修人员能根据水电机组的具体状况,及时采取有效的检修措施。为此,本文以辅助检修人员进行快速有效的检修工作为目的,引入贝叶斯网络（Bayesian network,BN）,提出了一种基于贝叶斯网络的水电机组故障诊断与检修决策方法。具体的内容与创新工作如下:1)为实现水电机组在线监测系统与故障诊断模型之间的有效连接,设计了一种多源信息采集系统。分别使用传感器采集与人工观测的形式对故障信号进行提取,并转化为相应的BN证据,用于BN模型的故障诊断。同时,设计了一种传感器报警管理方法对传感器采集信号进行筛选,可以有效提高BN证据的准确性;2)针对现有故障诊断方法忽略了缺乏状态监测系统的水电机组部件的故障诊断,且无法处理不确定性因素的问题,提出了一种基于BN的多源信息故障诊断方法。该方法使用狄利克雷分布进行系统风险评估,多源信息故障诊断模型进行故障诊断,可以实现水电机组系统到局部的统一。此外,所提出的改进专家经验法,采用FT转化BN结构,Noisy-OR模型简化CPT,FCE获取条件概率的方式构建专家经验BN模型,可以解决专家经验无法构建大规模BN模型的问题;3)为辅助检修人员的检修工作,提出了一种基于期望效用原理的检修决策方法。该方法以检修决策变量为基本组成单元,根据各种不同状态下的检修决策变量制定检修决策方案,并通过期望效用原理选择最优决策方案,对管理人员进行检修工作的安排具有良好辅助作用;最后,为验证所提出方法的实际运用能力以及所建立模型的准确性,提出了一种水电机组故障诊断与检修决策系统的基本框架。通过采集信号模拟、系统风险评估、故障诊断与最有决策方案的选择验证了模型的实际运用价值。同时,使用ROC曲线、校准曲线与准确度验证对模型进行验证。结果表明,模型准确率在80%以上。

关键词： 水电机组   状态维护   非平稳信号分析   信号降噪   特征提取   特征约简   故障诊断   趋势预测  

摘要： 随着我国能源结构改革进程的不断推进,大力开发水电能源对构建清洁低碳的能源体系、促进经济社会可持续发展具有重要战略意义。作为水电站能量转换过程的核心设备,水电机组正在向复杂化、巨型化、集成化和智能化的方向发展,其面临的安全可靠运行问题日益突出。“状态维护”概念的提出与应用,为有效降低机组异常或故障发生风险、提升其稳定运行水平提供了一种可行思路。状态监测、故障诊断和趋势预测是状态维护实施过程的三个关键环节。受水力、机械、电气及其他干扰因素的耦合影响,水电机组监测信号呈现明显的非线性和非平稳性特征,故障与征兆间存在复杂的映射关系,对此,传统方法已难以满足当前背景下准确分析机组运行状态的需求。因此,基于水电机组运行特性,研究新的状态分析理论与方法,对提高机组故障诊断与趋势预测精度、保障机组稳定运行具有重要的工程应用价值。为此,本文围绕工程应用中水电机组复杂非平稳信号降噪分析与特征提取、混合故障诊断以及状态趋势预测等关键技术问题,以快速集成经验模态分解、深度学习、流行学习、灰色马尔科夫模型等作为理论基础与技术手段,探究并改进现有方法中存在的理论或应用缺陷,设计提出了若干适用于水电机组非平稳信号分析及状态特征提取方法,发展了基于健康判别与特征约简的多步递进式故障诊断体系,构建了融合滑动窗与灰色马尔科夫理论的状态趋势预测模型,为相关领域研究范式的方法创新与技术进步提供了必要的理论基础,具有一定的研究推广前景与工程应用价值。论文主要研究内容及创新性成果如下:(1)针对能够有效表征水电机组实际运行状态的振动信号易淹没于强烈背景噪声的问题,提出了一种基于自适应奇异值分解(SVD)与固有模态函数(IMFs)重构的水电机组振动信号多级降噪方法。该方法系统融合了SVD和快速集成经验模态分解(FEEMD)在高频噪声抑制和信号自适应处理方面的优点,完成基于初级滤波和次级去噪的两阶段式信号降噪处理。在初级滤波阶段,首先对原始信号进行SVD分解,在深入分析有效奇异值序列对滤波性能影响的基础上,发展了基于相关分析的奇异值自适应选取方法,实现对高频背景噪声的有效滤除;在次级去噪阶段,依据FEEMD原理分解滤波后所得信号,结合所构建基于排列熵的IMFs选择体系,重构有效模态分量以完成信号降噪,显著提升降噪效果。(2)考虑到多源激励耦合干扰下机组运行状态与征兆间映射关系难以准确度量的问题,在统计分析原理及深度学习技术的基础上,研究提出了一种基于FEEMD能量熵及混合集成自编码器的水电机组状态特征提取方法。针对在线判别机组“正常”或“故障”状态的工程实际需求,深入分析了能量熵对于异常或故障发生时非线性振动信号动力学突变行为的表征作用,综合FEEMD对复杂非线性非平稳信号的高效处理优势,设计了基于FEEMD能量熵的水电机组健康状态特征提取方法,快速获取振动信号能量熵特征。进一步,针对故障模式准确识别的需求和单一能量熵特征不足以反映具体故障类型的问题,创造性地构建了一种用于提取故障特征的混合集成自编码器,有效克服了浅层特征学习模型的局限,提升了模型的特征提取能力及学习泛化性能。(3)为科学建立水电机组“正常”与“故障”状态的特征边界,引入数理统计理论,结合历史样本集与能量熵方法,构建了基于能量熵统计分析的机组健康状态在线判别体系,实时分析机组健康状态。进一步,为抑制机组高维故障特征空间存在的信息冗余、敏感特征易淹没等现象,创新性地设计了基于参数化线性映射模式的改进t-分布式随机领域嵌入(M-t SNE)特征约简方法,该方法在提升故障诊断精度、降低计算时耗方面具有显著优势。基于上述分析,为克服传统单步诊断模式在分析复杂故障工况面临的高复杂性、低精度等缺陷,首次提出了一种基于能量熵判别与深度特征约简的多步递进式混合故障诊断策略,将整个诊断过程简化为健康状态检测和故障类型识别两个阶段,符合对机组进行智能诊断的工程实施思路。(4)围绕水电机组状态趋势预测的工程需求,在系统分析机组状态趋势可预测性的基础上,提出了一种基于滑动窗与灰色马尔科夫(Grey-Markov)模型的状态趋势预测方法。该方法完整集成了Grey-Markov预测模型、灰色背景值优化原理以及基于滑动窗的滚动预测机制,探索从模型构造、预测模式、残差修正等角度降低预测误差的方式,有效提升了预测结果的准确性。此外,针对工程应用中对不同预测时间尺度的需求,考虑模型的不同组合策略,创造性地构建了基于串联式、并联式和嵌入式组合机制的水电机组状态趋势混合预测模型,设计了对应的机组状态趋势组合预测流程,在保证预测精度的同时最大程度提升计算效率,为制定合理的机组维护计划提供相应指导。

关键词： 龙滩水电站   水电机组   故障预警   灰色度预测  

摘要： 水力资源是一种清洁高效的能源,利用水力发电不仅可以有效缓解我国不可再生能源的快速消耗,还能实现地区电网的调峰功能。目前水力发电已经是我国发电的重要组成形式。但是水电机组在运行过程中,经常出现故障,导致系统停机运行,严重影响地区电网的供电可靠性。而根据数据统计可知,在水电机组故障中,发生较为频繁的主要为温度异常故障和机组振动故障,为此需要设计相应的监测预警系统,来实时监测这两种故障情况,在故障发生前及时预警,避免机组出现停机运行现象。为了设计符合龙滩水电站实际需求的监测预警系统,本文首先分析了龙滩水电站常见的故障原因,明确了目前发生故障类型较多的是温度异常故障;其次,深入分析和研究了水电机组故障诊断方法,通过对比分析灰色度预测理论和BP神经网络预测理论的原理,明确两种方法的优缺点,并采用实际仿真来对比分析这两种方法的预测结果,通过分析对比可知,灰色度预测理论在预测过程中的精度更高,为此选择这种算法来实现机组温度故障的预测;接着,设计了故障分析及预警系统,通过对技术架构和应用架构的设计,为整体奠定了基础,并设计了系统的采集板硬件模块以及数据库部分,在数据库设计的过程中,为了避免误差数据的影响,对采集的数据进行预处理操作,进而提高系统的精度;最后,设计实现了预警系统的软件内容,根据龙滩水电站的实际情况,设计实现了灰色度预警算法和相应的逻辑,实现系统预警的基础,并对系统的服务器端、客户端以及系统功能模块进行了设计实现,并利用所设计的系统来实现温度异常故障和振动故障实验,通过实验结果验证本文所设计的系统能够有效完成水电机组运行故障预警功能。