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。

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。