关键词： 水电机组   故障诊断   布谷鸟搜索算法   BP模糊Petri网  

摘要： 针对水电机组故障诊断的复杂性和传统算法存在的缺点,提出采用布谷鸟搜索算法优化BP模糊Petri网进行故障诊断。首先利用布谷鸟搜索算法的全局搜索功能对网络参数寻优,将得出的全局最优解作为BP模糊Petri网的最优初始参数,再用选取的故障样本数据对模糊Petri网进行学习训练,建立故障特征集到故障类型集的映射关系以实现故障分类。仿真试验表明,该故障诊断方法收敛速度快、准确率高,可应用于实际水电机组故障诊断。

关键词： 水电机组   状态监测与故障诊断   故障预警  

摘要： 用水电机组状态监测与故障诊断系统,实现对水电机组运行状态的在线监测、分析和诊断,并且将数据进行上传,使得在计算机网络可以到达的范围内对水电机组的运行状态进行监测和分析,读取相应的状态报告,及时发现各种潜在故障并进行报警,避免发生严重的安全事故,提高水电机组运行的可靠性和安全性。利用一系列在线性能评测分析工具全面了解水电机组的性能规律,通过效率跟踪和寿命估计等方法,为水电厂合理安排检修时间提供技术依据。

关键词： 神经网络   支持向量机   水电机组   故障诊断  

摘要： 针对水电机组故障信息缺乏、故障识别困难等问题,提出基于支持向量机的水电机组故障诊断模型。并针对实测水电机组故障数据,分析支持向量机水电机组故障诊断模型和常用的神经网络故障诊断模型等理论在水电机组故障诊断中的优劣。研究表明,支持向量机理论在小样本情况下比神经网络具有更强的诊断能力。

关键词： 灰色关联分析   振动故障   故障诊断  

摘要： 针对辽宁省桓仁水电站计算机监控系统的机组振动故障诊断功能缺陷,提出了基于灰色关联分析的水电机组振动故障诊断方案。事实证明该诊断方案具有良好的实际应用效果,可以有效提高桓仁水电站机组检修效率。

关键词： 水电机组   转子   不对中故障   转子动力特性  

摘要： 在水电机组中由转子运动所引发的水电机组的故障是十分常见的一种故障类型,会在一定程度上影响水电机组的安全稳定运行,从转子的不对中、不平衡以及转速变化角度对由转子引发的发电机组的运动故障问题进行了研究,对于水电机组转子的运动规律的认识及消除由转子运动所引发的故障具有十分重要的理论意义和研究价值。

关键词： 水电机组   故障诊断   多小波   神经网络   特征向量提取  

摘要： 【目的】研究水电机组振动故障诊断的方法,为水电机组状态监测提供一种新的信号处理方法。【方法】对水电机组的振动信号进行多小波变换,提取振动信号的特征向量,将此特征向量作为学习样本输入到经过粒子群优化的径向基神经网络,通过训练后建立频谱特征向量和故障类型的映射关系,然后以测试样本和多故障测试样本为例进行应用检验。【结果】优化后的神经网络在第30次迭代时就达到了目标值,而优化前则需要56次迭代才能达到目标值。测试样本的诊断结果和测试样本的多故障诊断结果显示,期望输出与实际输出基本一致,故障识别的正确率达到100%。【结论】多小波-能量和经过粒子群优化的RBF神经网络结合的方法适用于水电机组的振动故障诊断,其诊断精度高,具有工程应用价值。

关键词： 水电机组   小波包分析   振动   故障诊断  

摘要： 机组振动是水电站运行中的主要故障,水电机组振动故障诊断对于水电站安全运行具有十分重大的意义。本文提出了一种小波包技术,用于水电机组振动信号去噪和提取机组的振动故障特征,并构建了小波神经网络的水电机组振动故障诊断方法。以实际水电机组振动故障为例,进行了应用检验。结果表明,该方法简单有效、并具良好的鲁棒性,适合水电机组振动故障的诊断。

关键词： 水电机组   振动现象   故障诊断   不均衡分类方法   支持向量机  

摘要： 近年来，随着中国电力行业的迅速发展，水电站的建设和维护也日趋完善，保障水电机组安全、稳定运行成为人们目前普遍关注的问题。为了及时准确掌握设备的运行状态，水电机组安装了振动、摆动、发电等状态监测系统，对机组设备运行期间状态参数进行实时监测。其中振动是影响水电机组正常运行和危害机组寿命的主要因素，对振动信号及时诊断，有利于提高水电机组的安全、稳定运行。因此，通过收集大型水电机组振动数据，对其进行分析处理，利用机器学习的方法对水电机组振动故障进行诊断分析，提前预警设备故障和异常，更好的指导设备运行管理和检修维护，这将是一项重大且有意义的工作。\n 本文调研了国内外在水电机组故障预测研究方面的发展现状，分析了相关研究方法的优点和不足，并在此基础上，本文提出了一种关于水电机组振动故障预测的新方法。\n 首先，本文针对水电机组振动数据特点，进行数据处理，包括数据的异常和缺失值处理，数据稳定特征区间提取。然后进行统计分析，查找水电机组振动故障主要原因，从而构造机组故障的关键特征。\n 其次，由于构造的特征较多，单个筛选比较繁琐，因此针对此问题本文提出一种新的特征筛选（也称变量筛选）方法，此方法的一大优势是利用两个指标评价标准评估一个特征的重要性，并用二分法进行特征筛选，通过实验证明该方法具有较高的准确率和良好的泛化能力。\n 最后针对本文研究的问题是小样本上的类别不均衡问题，通过查阅资料和文献调研，本文提出一种新的基于二次平面支持向量机的不均衡分类方法，该方法的最大优点是不需要选取核函数，通过实验证明该方法比一些现有的不均衡分类方法、软二次平面支持向量机方法以及带有核函数的支持向量机方法具有较高的稀有类识别率。

关键词： 水电机组   特征提取   故障诊断   趋势预测   经验小波变换   极限学习机  

摘要： 水电能源作为一种清洁可再生能源在我国整个能源结构中占有重要的地位。水电机组作为水电站能源转换的关键核心设备,积极开展水电机组的故障诊断与振动趋势预测研究,有助于降低机组故障事故风险,保障机组安全稳定运行。由于水电机组的结构复杂,各部件相互耦合相互作用以及多种激励的共同影响,在一定程度上增加了水电机组故障诊断与振动趋势预测的难度。本文围绕着水电机组非平稳信号分析处理、故障特征提取、故障特征筛选、故障诊断模型优化和振动趋势预测分析等研究内容,以经验小波变换、最大相关峭度反卷积、混合引力搜索算法、极限学习机等为理论基础,融合非平稳信号处理方法和滤波方法有效地提取出水电机组的故障特征;采用混合的引力搜索算法从特征筛选和极限学习机参数优化两个方面提高故障诊断的准确度;构建了Gram-Schmidt正交法和极限学习机相结合的水电机组振动趋势预测模型。本文的主要研究内容如下所示:(1)水电机组在运行过程中会受到机械,水力和电磁等激励的共同作用,导致机组的振动信号具有非平稳性和强背景噪声性。为了从水电机组的振动信号中提取出故障特征,对原始信号进行滤波降噪,采用经验小波变换将原始振动信号分解成一系列的单一成分模态,依照相关系数和峭度指标筛选具有故障特性的模态进行重构,最大相关峭度反卷积被用于重构信号的二次滤波。通过对滤波信号的频谱分析和包络谱分析可以有效提取水电机组的故障频率特征。(2)为提高水电机组故障诊断模型的诊断精度,采用混合引力搜索算法同时进行故障特征筛选和极限学习机参数优化。经验小波变换将故障信号分解成一系列的单一成分模态,提取模态矩阵的奇异值特征和能量特征,融合从原始信号提取的时域、频域统计特征组合成混合特征子集。为降低混合特征子集中冗余特征对故障诊断的干扰,使用二进制引力搜索算法进行特征的筛选。同时,采用实数的引力算法对极限学习机的输入层权值和阈值进行优化。最后通过测试数据验证了所提故障诊断方法具有很高的诊断准确度。(3)水电机组振动信号分析和水电机组故障诊断均为事后决策分析,在机组出现故障后对机组的检修提供支持。为弥补事后分析的不足,提出一种能够预测机组运行状态趋势的方法,根据机组运行趋势的预测结果及时地对机组进行维护,避免机组进一步恶化演变为机组故障。以水电机组非平稳振动信号分析处理为基础,采用Gram-Schmidt正交法和极限学习机构建水电机组振动信号的趋势预测方法。该方法将水电机组振动信号时间序列采用经验小波变换分解成一系列单一成分的模态,对每个模态构建输入输出,采用Gram-Schmidt正交法对输入特征进行筛选去除冗余的特征,选用引力算法优化的极限学习机作为预测模型。通过实测水电机组振动数据的试验,验证了本文所提预测方法能够准确地预测水电机组的振动趋势。

关键词： 水电机组   振动故障诊断   小波变换   经验模态分解   改进自适应完全集合经验模态分解   SOM神经网络   支持向量机  

摘要： 水电机组的振动稳定性问题是决定机组安全运行的最主要因素,有效地分析和提取振动信号特征,准确地诊断故障,对改善水轮发电机组的安全性和可靠性具有十分重要的意义。本文以水电机组振动故障为研究对象,对振动信号预处理、特征提取和故障诊断方法进行了深入研究。主要工作和研究成果有:首先,本文针对水电机组振动信号奇异点的问题,提出了基于小波变换的奇异数据剔除还原法,发挥小波在奇异点分析上的良好性能,重构清晰的轴心轨迹图形,有效提高机组故障诊断的准确性。第二,根据水电机组早期故障信号信噪比低的情况,引入多小波自适应阈值降噪方法,有效去除了振动信号噪声,对比显示多小波降噪相对于db2小波具有更好的性能,提高振动信号特征提取的准确性。第三,针对经验模态分解(Emprical Mode Decomposition,EMD)方法中的虚假分量问题,提出能量波动法,根据能量分布规律和波动比阈值来剔除虚假分量,提高了水电机组振动信号分析处理和故障特征的提取的准确性。第四,针对EMD方法中的模式混叠问题,提出改进自适应完全集合经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,I-CEEMDAN)算法,有效消除了模态混叠问题,确保了信号特征提取的可靠性。第五,建立 I-CEEMDAN 奇异谱熵和 SOM(Self-Organizing Feature Maps,SOM)神经网络相结合的诊断方法,可以有效地提取水电机组非平稳信号特征,识别正确率高,运算速度快。最后,建立了 I-CEEMDAN复杂度和最小二乘支持向量机相结合的诊断方法,对水电机组振动故障进行识别,该方法可以有效判断故障类型,适用于小故障样本的情况,提高了水电机组故障诊断的适用范围。