关键词： 振动   水电机组   声检测法   数据驱动   知识库  

摘要： 振动现象作为水电机组故障的主要表征形式之一,蕴含了大量的故障数据信息。首先以声检测法作为水电机组振动检测的手段,输出了其监测流程,并以此为核心,构建了水电机组异常振动在线分析系统。该系统架构包括传感器网络、数据采集与传输模块、数据处理模块及数据存储与访问平台四个核心部分。随后为了让水电机组关键设备振动分析更加可靠有效,提出了分别基于数据驱动和基于知识库的两种水电机组振动故障诊断流程。最后以江苏省石梁河水库管理处水电站水轮机组作为案例,验证了两种流程的实际效果,发现基于知识库的流程取得了最好的成绩,故障检测准确率为95%,故障诊断仅需1.5 min。

关键词： 多策略融合   故障诊断   时移多尺度近似熵   鲸鱼优化算法   核极限学习机  

摘要： 如何提取水电机组的运行特征信息，实现多类型故障诊断是水电站智能运维的关键，本文提出一种集信号处理、特征提取和故障诊断于一体的水电机组故障诊断模型。首先，针对多尺度熵粗粒化不足易丢失信号特征的缺陷，提出新的特征提取工具—时移多尺度近似熵，仿真实验证明该方法具有良好、稳定的特征提取性能。其次，针对鲸鱼优化算法易陷入局部最优且对初始解的依赖性较强的问题，融合多策略改进该算法并测试其性能，仿真实验证明改进的算法具有最快的收敛速度和求解精度。然后，针对核极限学习机超参数难以调节的问题，利用改进算法优化其主要参数并对提取的特征进行故障识别和分类。最后，通过不同数据对所提方法进行对比验证，结果表明本文方法在转子振动试验台和真机数据的诊断中精度提高了1.46%和2.86%，对比其他方法具有最佳特征提取能力和最优诊断效果。

关键词： 水电机组   故障诊断   麻雀搜索算法   自适应变分模态分解   深度卷积神经网络  

摘要： 为提高水电机组故障诊断的诊断精度和诊断速度,提出了一种自适应变分模态分解与第一层为宽卷积核的深度卷积神经网络相融合的水电机组故障诊断方法。首先利用麻雀搜索算法对VMD分解参数进行寻优,利用最优分解参数对水电机组振动信号进行VMD分解,实现振动信号的最优自适应分解,再对分解后IMF分量进行归一化处理,最后将处理后的分量输入到WDCNN模型中进行训练和测试,得到故障诊断结果。以实测水电机组振动信号进行对比试验,结果表明所提方法具有最优的诊断精度及良好的训练速度和降噪效果,在实际的水电机组故障诊断中有一定的参考作用。

关键词： 故障诊断   模糊层次分析   综合权重法   优劣解距离法   最大极差组合法  

摘要： 为了提高水电站机组运行的安全性和稳定性,实时监控机组的运行状态,准确有效判定水电机组转轮碰磨故障发生概率,提出了一种基于主客观综合赋权与模糊理论相结合的故障判定模型。首先提取转轮碰磨故障对应的征兆指标,构建“故障-征兆指标”的判定结构体系;其次通过层次分析法(Analytic Hierarchy Process,AHP)和优劣解距离法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)获得各征兆指标主、客观权重,基于极差最大化法计算征兆指标综合权重;采用高斯阈值法确定振摆类征兆指标限值,同时采用行业规范确定温度类征兆指标限值;基于征兆指标限值确定水电机组征兆指标偏离度,构建“偏离度-隶属度”映射函数,计算获得隶属度判定矩阵;将隶属度判定矩阵与综合权重相结合得到故障判定矩阵,根据故障判定矩阵的最大隶属度反映该故障发生概率。以国内SK水电站故障案例实际运行数据为例,对转轮碰磨故障判定模型进行验证,判定结果与实际故障情况相符。

关键词： 深度学习   水电机组   故障诊断   异常检测  

摘要： 随着水电行业的不断发展,水电机组的故障诊断和维护变得愈发重要。传统的故障诊断方法存在诸多局限,如对经验和规则的高度依赖、异常样本稀少等问题。深度学习技术凭借其强大的特征提取和模式识别能力,在处理复杂数据和大规模数据挖掘方面展现出巨大潜力。本文研究探讨了深度学习技术在水电机组故障诊断中的创新应用,通过先进的数据分析方法,并且以MAD-GAN算法为例,展示生成对抗网络在机组异常检测中的应用,为水电机组的健康管理和维护提供新的技术手段和理论支撑。

关键词： 水电机组   故障诊断   振动   摆度   压力脉动  

摘要： 依据国家“十四五”规划,以水电、光电、风电为主的可再生清洁能源将进一步增大在我国能源供应结构中的占比。但由于水力发电机理的复杂性和随机性,水轮机组的各种故障频发并严重影响了电站的高效稳定运行。而振动作为检验水电机组安全性和稳定性的重要指标,依据振动数据针对故障诊断技术进行研究是实现水电机组从计划检修过渡到状态检修的必经之路。从水电机组振动的定义、振动的测量与分析和故障诊断技术三个部分出发,叙述了水电机组故障诊断的研究现状、方法和技术,总结了现有研究相对于过去的进步和尚需填补的缺陷。阐明了基于振动的水电机组故障的基本概念、产生原因、危害和诊断方法。根据已有研究的一些共识提出了对应的几点展望。

关键词： 水电机组   故障诊断   生成对抗网络   可微分数据增强  

摘要： 针对水电机组标定的故障样本偏少的现象,设计了基于DA-WGAN-SVM的水电机组故障诊断模型。首先针对生成对抗网络容易过拟合的问题,采用可微分数据增强实现生成器和判别器的数据增强,提高了生成对抗网络的稳定性,接着利用优化的生成对抗网络实现水电机组故障样本的扩充,最后利用支持向量机对样本进行分类。实例分析验证了该方法的有效性,可为实际工程应用提供参考。

关键词： 径向基神经网络   水电机组运行   运行故障预警   故障预警  

摘要： 水电机组在实际工作中所采集到的数据具有多维、非线性、时变等特点,容易导致预警精度低。为此进行基于径向基神经网络的水电机组运行故障预警方法的研究。首先,对水电机组运行信号进行分解,以便从复杂的信号中提取关键信息。然后,从分解后的信号中识别出能够反映机组运行状态的特征量,用于计算异常状态指数,量化机组的健康状态与异常状态。最后,建立基于径向基神经网络的故障预警模型,利用异常状态指标预测机组未来的运行状态,并在机组出现故障前提供及时的预警。实验结果表明:与基于温度监测的预警方法和基于支持向量机的预警方法相比,基于径向基神经网络的水电机组运行故障预警方法在100次测试中,能够准确地识别出水电机组的异常状态,并给出及时的预警,实际应用价值更高。

关键词： ARMA模型   故障预测   轴心识别   Hu不变矩   水电机组  

摘要： 对水电设备进行智能预测可以将故障诊断提前至故障发生前,由此可预防不稳定运行对机组设备的损害,延长机组寿命。本文基于ARMA模型、匹配矩阵模型(MM)和Hu不变矩原理,针对水电机组需要重点监控的三类数据:自相关性较强参数、自相关性弱参数、轴心轨迹参数,开发了一套水电机组智能预测和故障识别系统。本系统自2019年实际装备以来预测结果和实际数据拟合良好,将各类潜在故障数据输入系统,系统均可预测并准确判断故障类型。综上,本系统可实现对故障的提前预测和诊断,有力保障水电机组的正常稳定发电。

关键词： 灯泡贯流式水电机组   变分模态分解   故障诊断   优化算法  

摘要： 针对灯泡贯流式水电机组缺乏故障诊断方法,采用转子故障平台模拟机组典型故障作为依据。结合混沌映射(Chaotic map)优化的减法平均器(SABO)优化变分模态分解(VMD)对原始数据进行分解。对得到的分量采用多尺度样本熵的计算,结果输入到多策略改进的蝴蝶优化算法(BOA)优化的BP神经网络中进行故障诊断和分类识别。结果表明,诊断结果为98.75%,明显优于未优化模型。该项研究可以对现有灯泡贯流式水电机组故障诊断方法进行有价值的补充。