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。

关键词： 故障诊断   水电机组   数据层融合   主成分分析   支持向量机  

摘要： 相对于特征层和决策层融合,数据层融合可以充分保留数据中的原始诊断信息,从而为后续故障诊断奠定基础。为此,提出一种基于双通道数据主振动特征提取的水电机组轴系故障诊断方法。该方法首先利用主成分分析(Principal Component Analysis,PCA)对轴系双通道时域振动信号进行数据层融合,得到最大振动强度方向上的合成振动(简称主振动);随后,对主振动进行特征提取,再利用支持向量机(Support Vector Machine,SVM)进行分类,从而实现故障诊断。利用转子台数据对所提方法进行验证。结果表明,与直接利用单通道进行诊断或通过双通道进行特征层融合诊断相比,所提方法可以消除主振动方向变化带来的影响,提升类内聚类和类间分离的效果,最终提高故障诊断的准确率。

关键词： 水电机组   三维建模   故障处理  

摘要： 在当今社会资源日益短缺、污染日渐严重的情况下,水电因其清洁无污染、能耗较低的特点受到大众的青睐,水电机组的发展规模也迅速壮大,如何做好其故障诊断工作是目前水力发电行业面临的重要问题之一,文章在简要介绍了水电机组三维建模原则的基础上,采用PRO-E(Pro/Engineer)对水电机组三维模型进行了构造,并基于三维可视化模型对水电机组故障检修系统进行了设计,提高了水电机组故障处理效率和设备运行品质,对未来基于三维建模的水电机组故障检修系统设计研究具有一定的借鉴意义。

关键词： 水电机组   故障诊断   神经网络   长短期记忆网络   粒子群优化算法  

摘要： 针对水电机组振动故障诊断准确率低的问题,提出一种基于粒子群优化(PSO)算法优化长短期记忆(LSTM)网络的水电机组振动故障诊断方法。首先采用PSO算法对LSTM网络层节点数与dropout值进行优化,然后采用优化的LSTM网络对水电机组振动故障诊断。结果表明,该方法可准确诊断不同类型的水电机组故障,平均诊断准确率达99.55%,相较于标准的LSTM网络和PSO-SVM的故障诊断方法,该方法具有更快的收敛速度和更高的识别准确率,可用于实际水电机组振动的故障诊断。

关键词： 水电站   水电机组   振动信号   故障诊断   迁移学习   数据驱动  

摘要： 【目的】针对水电机组实际运行中故障数据少、不同机组间故障信号不符合同分布假设而导致模型训练困难、现有诊断模型泛化能力差的问题，提出了一种结合迁移学习策略与CNN-BIGRU-attention网络(TCBA)的故障诊断方法。【方法】以转子试验台数据为源域，真实水电机组振动数据为目标域数据。首先，组合卷积神经网络（CNN）、双向门控单元（BIGRU）与注意力单元，构建CNN-BIGRU-attention诊断模型，然后利用源域数据对模型进行训练，训练完成后将模型的参数迁移至目标领域的故障诊断模型中，迁移过程中将低层网络冻结，并通过部分目标域数据对高层网络进行微调，最终得到适应目标设备的故障诊断模型。为验证所述方法的有效性，通过转子试验台数据集与真实水电机组故障数据的迁移实验对比所述模型与传统深度学习方法的识别准确率、训练速度以及所需样本量等指标。【结果】结果表明：与传统训练方法相比，所提方法能够显著提高模型的收敛速度并有效降低训练所需样本量。在小样本下对实际水电站故障样本数据的故障状态的识别率可达99.02%，相比传统方法提升约3.00%。【结论】研究结果充分证明了该方法具有较好的故障状态识别能力，为解决数据有限情况下的水电机组故障识别问题提供了一种有效的解决途径。

关键词： 水电机组   ICEEMDAN   卷积神经网络   故障诊断  

摘要： 为实现水电机组故障的准确识别,首先结合改进的自适应白噪声完全集合经验模态分解模型(ICEEMDAN)和相关性分析方法对振动信号进行分解及重构处理;接着,为解决因卷积神经网络(CNN)输入具有多样性问题,比较分析了3种不同输入信号构造方式对CNN模型故障诊断识别准确率的影响;最终选定了一维重构信号的方形矩阵形式作为CNN的输入方式,通过某电厂转轮室碰摩故障实测数据验证该方法能有效提高水电机组故障诊断精度。