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。

关键词： 小波变换   奇异值分解   随机森林   特征提取   水电机组故障诊断  

摘要： 针对水电机组振动信号故障特征提取难,提出一种融合小波变换(Wavelet Transform,WT)和奇异值分解(Singular Value Decomposition,SVD)相结合的故障特征提取方法。首先,通过小波阈值降噪消除强噪声对模型特征提取的干扰,再利用小波变换将降噪信号分解成不同频率的模态子序列,应用SVD理论提起子序列的SVD值作为特征,最终将特征输入RF模型中实现水电机组故障的快速识别与诊断。通过在公开数据集和真实机组案例中应用,验证了对水电机组故障诊断的高效性。

关键词： 水电机组   声纹信号   卷积神经网络   EEMD   故障诊断  

摘要： 水电机组声纹信号包含大量反映内部机械状态的有效信息,为了准确提取水电机组磨碰故障声纹特征,提出一种基于聚合经验模态分解(EEMD)与卷积神经网络(CNN)相结合的水电机组磨碰声纹识别模型。首先将水电机组噪声信号进行EEMD分解,得到若干本征模态分量(IMF)和残余分量(Res),然后将得到的IMF和Res与原噪声信号构建融合特征向量;以融合特征向量为输入,碰磨故障输出,正常和碰磨故障试验数据为样本,训练CNN深度学习神经网络,得到水电机组磨碰故障识别器,识别水电机组磨碰故障。结合水机电耦合平台和实际机组试验磨碰数据,验证了所提方法对水电机组碰磨故障识别效果,平均准确率达到99.8%,且该方法识别效果显著优于其他几种识别模型。