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： 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： 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。

关键词： 水电机组   故障诊断   多维特征   组合分类器   样本熵  

摘要： 随着我国经济的迅猛发展,我国对能源的需求也越来越大,同时在能源革命和电力转型的大背景下,大力发展可再生能源符合国家的发展需要,已成为我国能源结构调整的重要一环。而水电作为技术最成熟的可再生能源,对其进行有效地开发利用是能源发展的重点之一。水电机组作为开发水电能源的关键设备,保证其安全稳定高效地运行具有非常重大的意义。然而,由于水电机组故障和征兆之间对应关系十分复杂,水电机组的故障诊断一直是一个研究难点和热点,而水电机组故障诊断的关键之处在于故障特征的提取和故障状态的识别。基于此,本文从故障特征的提取和故障状态的识别两方面着手展开研究,建立了基于多维特征和组合分类器的水电机组故障诊断模型,从特征提取和故障识别两方面综合提高水电机组故障诊断的准确率。为了从特征提取方面提高水电机组故障诊断的准确率,本文综合时域特征、频域特征和时频域特征组成多维特征。其中,提取集合经验模态分解-样本熵作为时频域特征弥补传统时域特征和频域特征的不足,并利用遗传算法对多维特征进行特征选择,以去除多维特征中的冗余特征量。最终,以筛选后的多维特征代替传统的单维特征作为故障识别的输入特征量进行故障诊断。为了从故障识别方面提高水电机组故障诊断的准确率,本文首先分别利用支持向量机、反向传播神经网络和朴素贝叶斯三种分类器进行故障诊断得到初步的诊断结果,并使用加权投票法对三种分类器进行组合得到组合分类器,通过组合分类器融合三种分类器各自的诊断结果,作为最终的诊断结论。最后,综合多维特征和组合分类器建立基于多维特征和组合分类器的水电机组故障诊断模型。利用转子试验台模拟转子常见的四种运行状态,并采集转子振动信号数据用于验证本文故障诊断方法的有效性。利用120组实验数据,使用基于多维特征和组合分类器的水电机组故障诊断方法对转子不对中、转子不平衡、转子碰磨和转子正常四种运行状态进行故障诊断,故障诊断准确率可达98.00%。结果表明,基于多维特征和组合分类器的水电机组故障诊断方法相较于单维特征和单分类器的故障诊断能够从特征提取和状态识别两方面提高水电机组的故障诊断准确率。

关键词： 接地故障   定子铁芯压紧螺杆   故障分析   巨型水轮发电机  

摘要： 对穿芯结构的铁芯压紧螺杆短路情况展开了分析,根据分析结果,提出了螺杆短路适宜的处理方案。在分析中,选取最恶劣的接地故障情况对短路电流及其引起的温升进行计算,从而得到了螺杆温升与螺杆长度的对应关系。计算结果表明:短路会导致螺杆的温度升高,且该温升会随着短路点之间距离的增加而增加,当首位两端发生短路故障时,短路电流和损耗会达到最大,螺杆的温度达到374. 5°。在实际运行中,一旦发生该类故障,可通过对空载和负载条件下螺杆的电压进行对比分析,判断出发生接地故障的螺杆,并对其进行清扫,从而消除故障。

关键词： 水电机组   状态监测   故障诊断  

摘要： 水电机组状态监测技术和故障诊断技术现状,包括机组振动稳定性监测技术、发电机气隙和磁场强度监测技术、水电机组故障诊断技术等,分析水电机组状态监测与故障诊断技术中存在的问题及发展趋势。

关键词： 机组状态监测   故障诊断技术   水电机组   故障诊断系统   水电厂运行   状态检测系统   运行状态   运行过程  

摘要： 在电厂中,水电机组是其中十分重要的一个设备,其运行状态与水电厂运行的安全性有着直接的联系。在我国水电工程不断发展与进步的情况下,水电机组就必须向着以下几个方面发展:效率更高;容量更大;转速更快;水头更高等,除此之外,为了能够更好的满足当前时代对机组的更高需求,还应该尽量选择具有高强度的材料以及灵活性更高的构件。为了能够让水电组实现更加稳定、安全且可靠的运行,就需要在线监测水电组的运行状态并进行相应的诊断分析,为了能够提高这些工作的准确性和效率,可以在这个过程中使用水电组状态检测系统以及故障诊断系统,接下来是将系统收集到的有关数据信息上传到计算机网络中,进行相应的监测分析,从而更好的排查机组运行过程中存在的问题,并及时的采取合理的措施加以解决,避免机组运行过程中出现故障问题.

关键词： 水轮机组   不平衡故障   故障特征指标   故障预警   大数据技术  

摘要： 以质量不平衡、电磁拉力不平衡、水力不平衡为代表的不平衡类故障是水电机组最常见的故障,对这类故障进行预测和早期预警迫在眉睫。传统的故障诊断技术往往局限于事后故障分析,而本文则通过对机组不平衡类故障的机理分析,针对各种不平衡故障,提出能反映故障发展水平的特征指标,并采用大数据分析技术,通过对特征指标的大数据挖掘分析,实现机组不平衡故障的早期预警。

关键词： 水电机组   故障诊断   因果关系   条件概率表   模糊认知贝叶斯网络  

摘要： 为构建更为直观显示水电机组各类型故障之间因果关系的水电机组故障诊断模型,提出一种基于可能性原理的模糊认知贝叶斯网络建模方法,通过专家经验与数据学习构建普通贝叶斯网络与条件概率表,利用条件概率表发现变量间的概率因果关系,并根据不确定性原理将概率因果关系转化为模糊因果关系,最后确定因果关系标志符号,并完成模型的构建。通过构建水电机组故障诊断模型对模糊认知贝叶斯网络模型进行了有效验证,结果表明该模型能直观反映水电机组各类型故障之间的因果关系。