关键词： 水电机组   在线监测   故障诊断  

摘要： 在水电厂实际运营中,水电机组是其中的核心设备,其运行状态的好坏会对水电厂的安全运行产生决定性影响。随着发电机组单机容量的不断扩大,机组检修、维护、运行及管理等也要不断提高要求,对水电机组运行状态做出实时监测,做好预测预报、分析故障原因,可大大提高故障排除的效率,保证水电机组运行的安全性、稳定性。

关键词： 模拟退火算法   小波神经网络   水电机组   故障诊断  

摘要： 针对水电机组振动故障征兆和故障类型的非线性特性及传统小波网络在故障诊断中的缺陷,设计了一种基于模拟退火算法的小波神经网络(SA-WNN)故障诊断模型;将SA-WNN诊断模型应用到水电机组4种典型故障,验证其可行性;实例结果表明,与传统小波网络相比,基于模拟退火算法优化的小波神经网络训练次数少,收敛精度高,为水电机组故障诊断提供了新途径。

关键词： 水电站   调速器   故障切换   导叶传感器   反馈信号   录波   可编程计算机控制器  

摘要： 黄河万家寨水利枢纽有限公司龙口水电站机组调速器系统在2015年3—5月频繁出现控制通道双机自动切换的异常现象,根据调速器双机切换逻辑程序进行故障原因排查,通过对控制通道元件的反馈信号波形进行录波分析,确定了故障原因是调速器驱动板调零调幅运算放大器芯片性能下降造成导叶反馈信号断线,进而造成调速器双机频繁自动切换。采取修改调节器程序、增加滤波功能、更换驱动板芯片、减少反馈信号干扰电平等措施后,从根本上解决了调速器双机故障切换的问题。

关键词： 粗糙集   PSO-RBF   水电机组   神经网络   故障诊断   决策表   机组故障   空间维数   条件属性   决策属性  

摘要： 将聚类PSO优化粗糙集-神经网络算法引入水电机组故障诊断中,利用聚类算法和PSO算法的优点改进粗糙集属性约简方法并对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用BP神经网络对粗糙集处理后的故障信息进行诊断。该方法降低了神经网络的输入信息空间维数,简化神经网络结构,有效提高故障诊断的准确性。通过对水电机组振动故障数据进行诊断分析,证明了该诊断方法的有效性和优越性。

关键词： 邻域粗糙集   近似条件熵   属性约简   概率神经网络   故障诊断  

摘要： 提出了一种基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断方法.该方法将邻域粗糙集中的近似精度与信息论观点中的条件熵结合,提出近似条件熵的属性约简算法,减少故障冗余信息,得到最优决策表,并将得到的最优决策表作为概率神经网络(PNN)的训练样本,提高了PNN的训练速度和诊断效率,通过实验证明了所述方法的可行性和有效性.

关键词： 水电机组   EEMD   优化SVM   故障诊断  

摘要： 针对水电机组故障具有渐变性等特征,提出了一种基于总体平均经验模态分解(EEMD)和优化支持向量机(SVM)相结合的水电机组故障智能诊断方法。利用EEMD能对机组振动信号进行自适应分解成若干本征模式分量(IMF),并能有效抑制经典经验模式分解(EMD)的端点效应以及模式混叠现象。从IMF分量中提取出来的能量特征作为输入建立优化SVM,以此来判断机组的故障状态。通过实例分析表明:建立的混合智能诊断方法的分类正确率高,能有效诊断机组存在的故障。

关键词： 水电机组   振动监测   频谱校正   FFT   窗函数   故障诊断  

摘要： 随着我国水电事业快速发展,水电机组装机容量不断扩大,水电站自动化运行不断提高,传统的检修方式逐渐不能满足发展需求。水电机组状态检修技术的应用,能够提高设备的利用效率,降低检修成本,对于实现水电机组安全稳定运行,提高水电站经济效益,具有重要的意义。状态检修主要包括状态监测、趋势预测及故障诊断等。本文主要针对水电机组振动状态展开工作。首先,详细论述了振动信号的分析与处理,包括整周期采样、信号预处理、FFT算法、窗函数及频谱校正等,并通过仿真验证了系统频谱分析的准确性。其次,利用模糊数学方法,根据水电机组振动部位及振动信号的频谱特征,建立模糊关系矩阵,实现对机组运行故障的模糊诊断。最后,采用面向对象程序设计思想与多线程机制,以C++为开发平台,综合数字信号处理技术及模糊诊断技术,设计并实现了水电机组振动监测与故障分析系统,并详细阐述了系统软件各模块的功能。该系统采用以太网通信,能够实现多路数据的快速传输。系统具有棒图、波形图、频谱图、轴心轨迹图、三维全息图等多种图形显示功能,能够对水电机组运行状态进行实时监测与故障分析,分析结果准确。系统人机界面友好,操作简单,易于维护,具有良好的应用前景。

关键词： 水电机组   自适应信号处理   归一化自相关函数能量集中度   时序模型参数盲辨识   非平稳故障特征提取   模糊自适应阈值决策   聚合集成经验模态分解   频率与能量相似性聚合策略  

摘要： 随着我国能源战略的不断调整,现代能源体系正迈入安全、清洁、高效的低碳时代。一方面,常规水电和抽水蓄能迎来新的发展机遇,装机规模快速增长；另一方面,为消纳风电、太阳能、海洋能等新能源并网时给电网带来的冲击,水电能源将承担更多的调峰、调频任务,同时,为切实解决新能源背景下的弃风、弃水、弃光等问题,对水电的运行与管理提出了更高的要求。而水电机组作为水电能源转换的关键设备,正朝复杂化、巨型化方向不断发展,各部件间的耦合作用更加强烈,由此带来机组振动信号的非线性与非平稳性不断增强,尤其是故障与征兆间的映射关系更为复杂。对此,传统的状态监测与故障诊断方法已难以很好地满足新形势下的水电机组运行分析需求,迫切需要研究新的理论与方法,譬如在监测系统采集到的机组实际运行数据基础上,探索新的信号分析与故障诊断方法,以提高状态监测与故障诊断的分析精度,进而提升机组的运行稳定性。为此,本文针对工程实际中水电机组振动信号分析与故障诊断的若干关键科学问题,以非平稳振动信号处理为切入点,引入先进的信号处理方法,以提取湮没在背景噪声中的故障特征频率成分,并为提升不同故障征兆的可辨识性,研究基于时序模型参数盲辨识的故障特征提取方法,同时为解决不均匀、不平衡样本分布下传统诊断方法易出现过学习的问题,借鉴支持向量数据描述的分类能力与K近邻方法的邻域刻画优势,提出基于模糊自适应阈值决策规则的故障诊断新方法,进一步为在故障发展早期及时捕捉到相关前兆,建立基于聚合集成经验模态分解(EEMD)与支持向量回归的预测模型,以实现对水电机组状态趋势的准确预测。论文主要研究工作与创新成果如下：(1)强背景噪声与复杂电磁干扰影响下,表征故障信息的水电机组振动特征频带易被全频带的背景噪声湮没,导致振动监测信号难以准确反映机组真实运行状态。为此,研究工作结合奇异值分解的高频噪声抑制与变分模态分解的自适应信号处理能力,提出了一种基于二次分解和相关分析的水电机组振动信号降噪方法。该方法包含前置滤波和相关去噪两阶段,首先对振动信号进行奇异值分解,并基于均值滤波策略选择有效奇异值,从而重构信号以滤除一定的背景噪声。前置滤波后对重构信号进行变分模态分解,再结合定义的归一化自相关函数能量集中度指标选择有效模态分量,并由此重构信号以完成相关去噪。将所提方法用于带噪声振动仿真信号的降噪试验,并基于相关系数与信噪比对降噪效果进行量化分析,结果表明该方法能有效滤除信号中的噪声成分。最后通过实测水电机组振动信号的降噪分析,验证了所提方法的工程应用效果。(2)水电机组变工况频繁且受多重激励耦合作用,使其故障类别与征兆间的复杂映射关系难以精确描述,制约了故障诊断精度的进一步提升。为实现机组故障的准确表征,本研究融合变分模态分解的非平稳信号处理能力与时间序列模型在处理复杂动力系统参数盲辨识时的优势,提出了一种基于模态分量多元自回归模型参数盲辨识的非平稳故障特征提取方法。为弥补回归模型在处理非线性、非平稳信号时的不足,该方法先对原始信号进行变分模态分解,继而由分解得到的所有模态分量建立多元自回归模型,并将辨识得到的模型参数构成故障特征向量。该向量有效反映了动态系统所蕴含的数学模型在结构和参数上的变化规律,可充分表征机组故障信息。在试验研究中,用所提方法提取振动故障信号特征,并结合支持向量机进行故障模式识别,试验结果验证了该方法的有效性,最后以白山2#机空蚀信号的特征提取实例验证了其工程实用价值。(3)针对水电机组故障诊断面临的样本分布不均匀与数量倾斜问题,本文将支持向量数据描述与K近邻理论相结合,提出了基于加权支持向量数据描述与模糊自适应阈值决策的故障模式识别方法。为减小样本分布情况在训练阶段对支持向量数据描述的影响,所提模型在训练时引入样本权重以体现不同样本的重要程度,先采用K近邻方法计算局部密度权重,并与样本规模权重一起组成复合权重。同时,针对不均匀样本下或多类超球模糊识别区分类精度低的情况,构建基于相对距离模糊阈值和KNN的决策规则,进一步提升支持向量数据描述的分类能力。数值仿真和机组故障诊断实例表明,所提模型具有较好的分类诊断效果。(4)水电机组运行状态变化过程中,伴随着由量变到质变的故障演化,而在故障发展早期及时捕捉相关征兆则是故障诊断的前提。为此,本文在水电机组状态趋势预测可行性分析的基础上,提出了一种基于聚合EEMD与支持向量回归的预测方法。该方法先采用EEMD分解状态变量序列,并对分解得到的各模态分量进行频率与能量分析,然后构建基于频率与能量相似性的聚合策略以实现分量聚合,再对聚合后的各分量分别进行相空间重构并建立最优支持向量回归预测模型,最后由所有聚合分量的预测结果累加得到最终趋势值。预测时通过所提策略对EEMD分解结果先进行聚合,可有效节约预测时间,并减小虚假模态分量对整体预测精度的影响。最后将所

关键词： 水电机组   故障诊断技术   应用  

摘要： 水电机组在正常运行的过程当中,需要对其运行的状态做出全面的检测,从而可以实现在第一时间对故障进行发现,经过分析之后对其进行处理和维修,最终对水电机组的使用寿命进行延长,避免由于水电机组的故障问题而造成的经济损失.本文首先对水电机组的故障进行了概述;其次,对水电机组的故障诊断技术现状进行分析;最后针对现状提出了相对应的具体措施.

关键词： 支持向量机   水电机组   故障诊断与预测   果蝇优化算法  

摘要： 现代设备逐渐向大型化、复杂化、集成化和自动化的方向发展,这提高了工作效率的同时也对设备的安全高效运行提出了更高的要求。一旦发生故障,损失将非常大,甚至会造成某些无法挽回的损失。所以,对设备的故障进行诊断和状态预测,是保证设备安全可靠运行的重要措施。本文主要基于支持向量机(Support Vector Machine,简称SVM)智能混合方法对水电机组进行故障诊断,以水电机组的历史数据为前提对水电机组未来运行状态进行预测。本文主要工作如下：1.针对经验模式分解(EMD)方法在旋转机械中广泛应用存在的问题(模式混叠),我们先对EMD进行微分再积分处理,即DEMD方法。该方法能够改变信号中不同频率成分的比重,将其中的频率相近或微弱的高频成分提取出来。再采用支持向量回归(SVR)和窗函数对DEMD在分解时的端点效应问题进行优化处理,通过仿真信号发现这对模式混叠和端点效应问题有较好的改善作用。将得到的优化方法应用于水电机组的故障诊断,验证了该方法的有效性。2.样本信号对故障的诊断不完全都是有贡献的,另外其贡献度也不完全相同。针对这个问题,我们使用模糊SVM应用在水电机组的故障诊断上,并提出一种基于类均值距离的优化方法来确定隶属度函数。然后将模糊SVM进行多类推广并进行数值仿真和在水电机组上应用,取得了较好的诊断结果。3.水电机组的很多故障信号在振动信号中都有一定的体现,基于振动信号可看成时间上的一个序列,可以用回归神经网络对水电机组的运行状态根据历史数据进行预测。由于回归神经网络的分布参数对预测准确度有很大的影响,采用果蝇优化算法对其进行优化处理。最后将该优化方法应用在水电机组的状态预测上并与BP神经网络进行分析对比,通过分析比较优化方法具有更好的预测率。