关键词： 水电机组   故障诊断   加权贝叶斯   模糊积分  

摘要： 为提高水电机组故障诊断的准确性,提出了基于Choquet模糊积分融合的多分类器组合故障诊断方法,对朴素贝叶斯分类器进行了基于属性相似度的加权改进,得到基于属性相似度的加权朴素贝叶斯分类器(Attribute Similarity Weighted Naive Bayes Classifier,简称SWNBC),并应用基于Mahalanobis距离的分类器(Mahalanobis Distance Classifier,简称MDC)与BP神经网络(BP neural network)组合成为SWNBC+MDC+BP的多分类器组合模型,以小波包提取的相关频带能量作为输入特征向量,应用组合模型对水电机组故障进行诊断,采用模糊积分法来决定最终的故障类型。实验结果表明该模型相对于单一的分类器,能有效提高识别故障的精度。

关键词： 水电机组   故障诊断   朴素贝叶斯   加权贝叶斯   支持向量机  

摘要： 为提高水电机组故障诊断的准确性,提出了多分类器组合的故障诊断方法。对朴素贝叶斯分类器(NBC)进行了基于属性相似度的加权改进得到基于属性相似度的加权朴素贝叶斯分类器(SWNBC),并应用基于Fisher加权的朴素贝叶斯分类器(FWNBC),与支持向量机分类器(SVM)组合成为SWNBC+FWNBC+SVM多分类器组合模型,以小波包提取的相关频带能量作为输入特征向量,应用组合模型对水电机组故障进行诊断,采用多数投票法来决定最终的故障类型。实验结果表明该模型相对于单一的分类器,能有效提高识别故障的精度。

关键词： 水电机组   调速   油系统   关联监测   远程集控  

摘要： 在总结水电机组调速油系统工作原理的基础上,提出了调速油系统压油槽正常用油量的检测方法,并以此为基础,研究了机组调速油系统故障检测策略,探讨了漏油、漏气、油泵效率低的检测方法,实现了对调速油系统的运行状态监测、性能评价及故障检测,并利用梯级水电厂远程集控系统提供的海量数据源,研制了调速油系统在线监测与分析子系统,目前,系统已投入工业试运行,取得良好的效果。

关键词： 水电机组   故障诊断   小波变换   数据挖掘   工作原理  

摘要： 水电机组是一种大型的能量转化装置，机组的稳定运行对于水电厂安全、稳定、经济的供电有着很大的影响。由于机组长期运行在恶劣的环境下，因此振动问题往往是安全运行的一大隐患。为了提高机组运行的稳定性，相关故障诊断技术的提高与开发已经变得必不可少。\n 本文对水电机组故障诊断的相关问题做了探讨。首先以实际水电厂出发，对于故障诊断的研究目的和意义、研究内容以及国内外现状做了详细的阐述。分析并总结了振动故障特征、振动机理，并对振因做了详细的比较说明。\n 其次研究了水电机组故障特征的提取。结合Parseval能量积分和小波包分解，利用该方法提取了水电机组振动频谱的能量特征。建立了从信号输入到能量变化再到故障类别的一种映射关系。这种基于“信号—能量—故障”的诊断方法，解决了传统频谱分析方法对信号局部分析不足的问题。\n 最后研究了水电机组故障诊断方法。为了更精确的进行故障诊断，将数据挖掘技术与故障诊断技术相结合，提出了基于多维关联规则数据挖掘系统的故障诊断方法。以实际的水电厂为例，通过关联规则挖掘分析后，很好的完成了故障的精确诊断。

关键词： 水电机组   振动信号   故障诊断   灰色系统理论   特征提取  

摘要： 振动是水电机组常见的故障之一，强烈的振动会对机组产生疲劳损坏，甚至对电力系统的安全运行产生影响。因此，对机组振动故障诊断进行研究，防范事故，保证电力系统安全稳定运行具有重要意义。本文借鉴应用数学科学的研究成果，将灰色理论应用于水电机组振动故障诊断中，完成的工作有:\n 首先，进行了水电机组振动信号的特征提取研究，用提取的特征信号建立标准故障特征矩阵和待检特征矩阵，并通过计算它们之间关联度来确定待检故障类型。针对关联度分析存在漏判和误判的缺陷提出一种改进方法，引入阈值进一步判断其故障类型，实例证明，该方法能取得良好效果。\n 其次，本文首次将灰色理论引入水电机组故障预测评估中，针对GM(1，1)模型在实际预测中对原始数据要求高，不能满足实际需要，提出了基于GM(1，1)模型的改进算法。改进算法基于模型数据进行处理，分别采用滑动平均法和局部残差处理法，通过对比经过两种方法处理后模型精度的高低，最终选取了对数据进行GM(1，1)残差处理方法。采用GM(1，1)模型对水电机组故障特征量进行了预测，从而可以明确该种故障的发展趋势，对机组是否需要停机检修提供了一定的依据。\n 最后，将故障诊断和状态预测进行了界面可视化设计，界面设计都是通过MATLABGUI实现的，从而增强了人机交互性，使故障识别、状态预测更具有直观性。

关键词： 水电机组   故障诊断   多重分形   模糊聚类  

摘要： 水电机组的振动信号具有明显的分形特征，本文将多重分形应用到水电机组故障诊断中，利用其分形维数来描述不同故障信号的细节特征。完成的主要工作有:\n 论文首先针对多重分形计算中存在的盒子相对位置影响计算结果稳定性的问题，提出了一种改进的多重分形计算方法。在考虑盒子尺度变化的同时，加入了盒子相对位置这一影响因素，将盒子不同初始位置得到的维数平均值作为维数值。运用改进算法得到的Weierstrass函数维数值与理论维数值对比，改进的多重分形计算结果准确性更高。\n 在上述工作的基础上，进一步将改进的多重分形算法应用于水电机组故障诊断研究中。由于不同的分形维数具有不同的几何特性意义，本文选用7种维数组合来描述信号的特征信息。对水电机组不同负荷条件下的水导轴心轨迹和不同转子故障轴心轨迹特征信息的提取发现，多重分形特征对转子不同故障和机组不同负荷运行状态区分十分明显。\n 考虑到多重分形维数的相关特性对于特征信息相似度很高的信号存在着区分度不十分明显的限制的问题，本文进一步结合模糊聚类算法对信号模式进行识别。模糊聚类通过特征维数的优选，判定维数之间的相似性，最后按照概率大小对信号的模式进行识别。将其应用到水电机组故障诊断实例中，结果表明，此方法可以实现相似特征信号的分类和识别，具有快速准确的优点。

关键词： 发电设备   故障   缺陷   应对措施   水电机组  

摘要： 对2011年湖南省内部分水电厂发生的引起水电机组异常的发电设备典型缺陷及故障进行了分析和分类,总结了水电厂发电设备缺陷及故障中安全生产的薄弱环节,并提出了应对措施。

关键词： 水轮发电机组   小波包分析   分形方法   网格维数   支持向量机   振动故障诊断   特征提取  

摘要： 近年来，随着水电站高水头、大容量的发展趋势，要保证水电站机组及厂房结构安全、稳定的运行，对大型水力发电站的机组及厂房结构开展原型振动试验，并对实测的振动信号进行分析处理，利用智能诊断方法进行故障诊断，是一项有重大意义的工作。在水电机组进行智能故障识别中，支持向量机是基于少样本情况下，就机器学习问题所建立的一种新的智能故障识别理论体系。同时，故障特征提取方法也是故障诊断中的重要环节。分形方法通过计算振动信号的分形维数，可以有效地提取出特征向量，有助于对水电机组的状态进行识别。本文在对分形和支持向量机深入了解的基础上，进行了以下方面的研究:\n 首先论述了国内外状态监测与故障诊断的发展现状及存在的问题，在研究了传统信号分析方法以及故障诊断方法的基础上，本文提出了将分形与支持向量机用于水电机组的故障诊断，解决了提取特征向量的困难和样本数较少的问题。\n 接下来研究了利用小波包对振动信号进行降噪的方法，将分形相关理论引入到水轮发电机组故障模式识别中，介绍了几种分形维数及其测量方法，选择了一种与盒维数类似的网格分形维数进行特征提取，利用维数相关性判别法进行故障诊断，并在实例中验证了此方法的有效性。\n 然后介绍了支持向量机的原理及最优超平面的构造，并对如何选取核函数进行了论述。对水电机组振动信号进行分形维数特征提取，将特征向量输入经过遗传算法和粒子群优化后的SVM网络中进行故障诊断。结果表明，两种优化方法都能够对机组的运行状态进行故障诊断，值得进一步地研究。\n 最后将小波包分形与SVM相结合对新疆塔尕克水电站的振动信号进行故障识别，结果表明，该方法能够对不同的故障进行很好地分类，为水电机组的故障诊断开辟了新的思路。

关键词： 水电机组   故障诊断   核函数   模糊聚类   引力搜索  

摘要： 核聚类是一类有效的水力发电机组振动故障诊断方法,为了解决核聚类有效性评价和核参数选择的问题,提出了一种引力搜索核聚类算法。首先建立以核Xie-Beni指标为目标的聚类模型;然后引入引力搜索框架,以聚类中心和核函数参数为优化变量,通过引力搜索求解核聚类模型;最后定义了基于核空间样本相似度的故障诊断模型。利用国际标准样本集对该方法进行分类测试,并将该方法应用于水电机组振动故障诊断。试验结果表明:与传统聚类方法相比,文中方法具有更高分类精度,且能对故障样本准确聚类并提取诊断模型参数,实现故障的准确诊断。

关键词： 水电机组   健康评估   劣化趋势预测   健康样本   时间序列分解   最小二次支持向量机(LS-SVM)  

摘要： 水电机组运行状态的实时诊断直接关系到水电站的安全稳定运行、电力质量和电力生产成本等重要的经济效益指标,其社会效益巨大。随着电站规模和监测辅助系统的不断扩大,机组的控制和监测数据信息量越来越大,运行操作人员对机组运行状态的实时有效监控、对设备故障做出迅速而准确地判断变得越来越困难,因此,研究水电机组运行状态健康评估和性能劣化趋势预测是非常必要的。 考虑到水电机组状态监测技术已得到广泛应用,但现阶段水电机组故障样本较少,现有的诊断技术无法满足工程应用等实际情况,提出基于健康评估和劣化趋势预测的水电机组故障诊断新思路。从研究机组运行正常特征入手,通过建立健全的监测特征量健康样本来实现水电机组的健康诊断,诊断方法侧重于设备运行状态的实时健康诊断,重点在于监测异常和预测异常,其诊断方法与传统的基于故障征兆的诊断方法有较大差异。鉴于水电机组实际运行中,出现的故障概率较小,基于该诊断理念开发的诊断系统工程实用性很强,且系统具备实时健康诊断和量化的性能退化趋势预测功能,既能实时监测异常,又能预测异常,可满足现阶段的工程应用需求。本文从运行状态特征提取、健康标准及健康样本的建立、基于特征样本的健康评估、基于时序分解模型的状态趋势预测、基于LS-SVM的参数性能退化评估以及集成化故障诊断系统的研究与应用六个方面,系统开展了基于健康评估和劣化趋势预测的水电机组故障诊断技术与应用研究。 以水电机组的水轮机和发电机为研究对象,在归纳总结水电机组运行异常时可能出现的各种特征表现的基础上,提出了表征水电机组运行状态的特征参数,以及特征参数三种可以量化的特征指标：幅值、频率、波形形状,并给出了相应的计算方法。 提出了可用于水电机组运行状态健康评估的三种评价标准：绝对评价标准、相对评价标准、类比评价标准,并给出了标准限值相应的取值计算方法。根据概率论与数理统计学的极限理论,以及休哈特控制图理论,提出了采用样本均值作为特征量的标准值,以3σ准则确定的X。=X±3σ为报警界限值的特征量健康标准。 以机组前期正常运行条件下的振动监测样本为例,分析了机组运行条件(功率、水头)对监测参数特征量指标的影响,提出以控制样本方差的方法来对运行条件进行分区,建立分区健康样本的具体方法和步骤,这样既保证了样本的判异准确性,同时也减低了样本空间维数(样本个数)。 建立了基于时间序列变化分解的水电机组特征量趋势预测模型,提出了基于时间序列分解模型的趋势预测和性能退化预测的算法。采用电站实际监测数据对分解模型和算法进行了验证,结果表明,预测趋势与实际监测趋势具有很好的吻合性,可满足水电机组监测特征量的趋势预测和性能退化预测,对早期预警机组潜在异常,具有很好的实用性。 以水电机组振动为例,提出了基于LS-SVM的水电机组振动参数性能退化评估三维标准模型(功率-水头-振动量)。将机组实时运行的有功功率和工作水头代入训练好的模型,即可获取当前工况下机组振动量是否偏离正常状态,实现机组运行状态的健康评估。基于振动参数性能退化时间序列,提出了基于LS-SVM的水电机组振动参数性能退化预测模型,采用上导摆度和上机架振动参数现场状态监测数据对所提模型进行验证。结果表明,该模型能较好的对水电机组振动参数性能退化进行评估和预测。 最后以三峡集团公司远程状态监测与故障诊断系统为例介绍了集成化故障诊断系统的研究与应用,提出了现地监测层—厂站集成层—中心诊断层分布式故障诊断系统的总体结构,以标准化的数据格式来实现不同监测设备之间的数据通信,通过标准化数据平台的集成,实现了状态信息的共享和多信息的融合诊断。通过建立机组运行状态健康样本库,实现了机组运行状态的实时健康评估和性能退化预测,达到了设备健康状态定量评估的目的,可为指导机组状态检修提供技术依据。