关键词： 水电机组   故障诊断   深度残差收缩网络   光谱优化算法   经验模态分解  

摘要： 水电机组的振动信号中蕴藏着丰富的机组状态信息,如果能充分地提取并有效地利用其所含的故障特征,将对识别机组状态、诊断机组故障带来极大的便利。为充分地提取振动信号所蕴含的故障特征,将深度残差收缩网络(DRSN)与经验模态分解(EMD)相结合,前者挖掘数据隐藏信息,后者提取时频特征,进而形成融合特征。随后,为有效利用这些故障特征,采用改进光谱优化算法(ILSO)对支持向量机(SVM)的核函数参数G和惩罚系数C进行寻优,以提高SVM的分类精确度。经分析表明该方法能在一定程度上加深对水电机组故障特征的挖掘,提高故障诊断的效率及准确率。

关键词： 水电机组   特征提取   时移多尺度样本熵   IOOA-BiLSTM   故障诊断  

摘要： 为提高水电机组轴系振动故障诊断的准确率,本文提出了一种新的诊断方法。首先,基于完全自适应噪声集合经验模态分解(CEEMDAN)进行振动信号预处理;其次,基于时移多尺度思想,引入时移多尺度样本熵(TSMSE)模型,以克服传统多尺度样本熵鲁棒性差以及粗粒化不足的问题;最终,将TSMSE提取的故障特征集输入经过改进鱼鹰算法(IOOA)优化的双向长短时记忆网络(BiLSTM),进行故障特征分类。通过对原始信号添加SNR=5 dB噪声并引入两种特征熵与TSMSE对比,分析TSMSE的抗噪性能。仿真实验表明,在给定数据集下TSMSE特征提取能力明显优于另外两种方法。同时,所提故障诊断模型应用在原始信号和含噪信号两种情况下,分别取得了100%以及97.22%的准确率,验证了所提模型的良好性能,为水电机组故障诊断提供新的科学方法。

关键词： 时移多尺度波动散布熵   核极限学习机   算术优化算法   水电机组   故障诊断  

摘要： 水电在能源供给结构改革中承担重要角色,随着风、光、潮汐等新型能源的不断接入,水电机组的负荷运行范围不断加宽,导致水电机组发生事故的概率增加,因此,开展水电机组智能故障诊断研究具有十分重要的现实意义。本文针对水电机组振动信号中蕴含大量噪声信号,干扰故障诊断的问题,提出一种时移多尺度波动散布熵和改进核极限学习机相结合的水电机组故障诊断方法。首先,结合信息熵理论与时移思想,在多尺度波动散布熵的基础上,采用时移理论替代多尺度波动散布熵(MFDE)中传统的粗粒化过程,提出时移多尺度波动散布熵(TSMFDE),通过仿真实验,证明所提方法具有良好的时序长度鲁棒性、抗噪性及特征提取能力,解决了传统多尺度熵粗粒化不足的问题。然后,利用具有可移植性强、寻优能力强和收敛速度快等特征的算术优化算法(AOA)对核极限学习机(KELM)的正则化参数和核函数参数进行寻优,建立AOA-KELM分类器,解决了KELM超参数难以调节的问题。最终,通过转子试验台模拟实验,将TSMFDE提取的特征输入分类器中,完成模式识别工作。仿真结果表明,所提模型取得最高的诊断精度,达到了100.0%,相对于其他流行模型,本文所提模型展现了明显的优势,验证了所提模型的良好诊断精度。

关键词： 水电机组   故障诊断   变分模态分解   小波分解   深度卷积神经网络   注意力机制  

摘要： 水电机组故障诊断依赖于振动监测信号,但信号中存在的噪声会干扰诊断模型对有效特征的提取,降低模型精度。对此,提出一种联合变分模态分解和小波阈值降噪的水电机组故障诊断方法。首先对水电机组振动监测信号进行变分模态分解,得到若干低、中、高频分量。其次,对高频分量进行小波变换并舍弃小波系数低于设置阈值的部分,中低频分量保留。最后,构建基于注意力机制的多通道深度卷积神经网络模型,将分量作为各通道的输入信号,实现水电机组的状态识别。以水电机组实测振动信号作为样本,设计多组对比试验,结果表明该方法可有效滤除水电机组振动监测信号中的噪声,提高诊断模型的识别准确率。

关键词： 水电站   调速器油压装置   人工智能   工业互联网   故障预警  

摘要： 水电厂“无人值班、远程集控”模式下,集控值班员运行监盘面临着人工观察数据量大、主要依赖人的经验、设备缺陷早期识别难度大等问题。为提高值班员的运行监盘效率,满足水电厂“无人值班、远程集控”管理提升的需要,课题以水电站调速器油压装置为研究对象,应用人工智能、工业互联网等新一代信息技术,建设一个应用于水电机组调速器油压装置的设备故障预警系统,包括数据采集、数据分析及智能故障预警等模块。该系统能够对调速器油压装置的状态参数信息进行在线检测、处理和分析,达到设备状态监测及故障预警的目的,为水电站设备精益管理提供新模式、新理念。

关键词： 水电机组   精细复合多尺度熵   余弦相似熵   ALWOA-BP   故障诊断  

摘要： 水电机组振动信号的诊断对机组安全稳定运行至关重要。本文提出一种基于均匀相位经验模态分解(Uniform Phase EMD,UPEMD)融合精细复合多尺度余弦相似熵(Refined Composite Multiscale CSE,RCMCSE)和改进鲸鱼算法优化反向传播神经网络(ALWOA-BP)的水电机组故障诊断方法。利用UPEMD对原始信号进行分解,然后建立WOA-BP故障诊断模型。针对WOA算法快速陷入局部最优和过早收敛的问题,采用自适应权重和莱维飞行对WOA算法进行优化。实验结果表明,该方法的准确率达到了100%。为探究所提模型的抗噪性能,引入信噪比为2 dB的噪声进行再次分析,诊断结果为94.44%,明显优于其他未优化模型。该项研究可以对现有水电机组故障诊断方法进行有价值的补充。

关键词： Principal component analysis  

摘要： Early fault detection of hydropower generation unit (HGU) is of great significance for the safe operation of the hydropower plant. Most of the related research focuses on the decomposition and feature extraction of single vibration monitoring signals. However, HGU is a typical coupling system with multi-channel vibration signals, and the subtle information transfer among signals is the precursor factor leading to the changes in the whole system. There has not been any research considering this potential factor in HGU or other systems. An improved principal component analysis monitoring model based on dynamic information transmission (DIT-PCA) is proposed. The process state of the unit is monitored by PCA (Principal components analysis) of the subtle dynamic transmitted information between the unit monitoring variables, which information is revealed for the first time. Normal monitoring samples are used for DIT-PCA offline training at first. Then, the confidence limits and fault contribution rates of two monitoring indicators Hotelling’s T 2 statistics and SPE statistics of the model after training are applied to monitor the same test samples to achieve online fault detection and location. Compared with PCA and KICA, the success rate of T 2 statistics in DIT-PCA is 42.756%, which is much higher than that of PCA and KICA methods. The success rate of SPE statistics is 94.2%, and DIT-PCA has higher sensitivity. Moreover, the proposed model is applied to the state process of a real HGU, which has a superior sensitivity than two available detection methods. The results provide a direct reference for the early fault detection of the engineering system. © (2023), (Taiwan Joint Irrigation Associations). All Rights Reserved.

关键词： 水电机组   故障预警   遗传规划   多传感器数据   故障预警指标  

摘要： 水电机组故障预警指标对于机组早期故障预警时间影响较大,而当前预警指标多基于单传感器信息构建,且其特征信息单一,难以更全面地表征机组运行状态,针对此问题,提出了一种基于集成多传感器遗传规划(integrated multi-sensor genetic programming,IMSGP)与权重欧式距离指标(weighted euclidean distance index,WEDI)的水电机组故障预警方法。首先,将多传感器信号进行预处理,剔除干扰信息;然后从预处理后的信号中提取多元特征,构建原始预警特征集;接下来利用复合检测指数(composite detection index,CDI)进行特征选择,并利用IMSGP进行特征构造;最后结合主成分分析(principal component analysis,PCA)与欧式距离构建WEDI,判别机组异常状态。通过对水电机组实测数据的分析,证明了提出的方法可及时发现早期故障,实现故障预警。

关键词： 水电机组振动信号   故障诊断   跳蛛优化算法   变分模态分解   多尺度波动散布熵  

摘要： 针对水电机组振动信号非平稳、非线性及强噪声的特点,提出了一种IMF多尺度波动散布熵(MFDE)结合门控循环单元(GRU)的故障诊断方法。首先,采用跳蛛优化算法(JSOA)寻找变分模态分解(VMD)最优参数,达到振动信号最佳分解降噪效果;其次,对分解得到的本征模态函数(IMF)进行重构,计算有效IMF的多尺度波动散布熵(MFDE)作为故障特征向量;最后,将特征向量输入GRU构建水电机组故障识别器。所提方法对实际水电站机组故障样本数据的故障识别率达97.83%,验证了该方法的有效性。

关键词： 特征提取   故障诊断   特征融合   近似熵   卷积神经网络  

摘要： 针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法。利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型。结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。