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。

关键词： 水电机组   特征提取   故障诊断   状态趋势预测   状态检修  

摘要： 能源是推动社会经济发展的重要因素,在全球经济高速发展的过程中,人口爆发、环境污染以及气候变暖等造成的能源短缺问题已成为社会发展的巨大威胁。因此,推进优化能源结构,完善智慧能源系统对我国能源事业发展具有重要意义。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,传统的事后检修以及计划检修模式已经不能保证水电机组在不断扩宽的负荷范围内安全稳定运行。采用以故障诊断与状态趋势预测相结合的状态检修模式,开展以机器学习与智能算法为核心的水电机组智能故障诊断与趋势预测研究,对推进构建安全可靠的水电能源运维体系具有重大意义。本文围绕水电机组状态检修中故障类型识别与状态趋势预测中的难点问题展开探索,主要工作内容如下: (1)针对水电机组复杂的运行环境以及频繁变化的工况使振动信号中蕴含大量的噪声信号,难以提取有用的信息对故障类型进行精准识别的问题。文章提出了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,考虑传统多尺度熵粗粒化不足且抗噪能力低的缺陷,在多尺度波动散布熵(Multiscale Fluctuation-based Dispersion Entropy,MFDE)的基础上提出了时移多尺度波动散布熵(Time-shift Multiscale Fluctuation-based Dispersion Entropy,TSMFDE)。然后,利用寻优能力强、收敛速度快的算术优化算法(Arithmetic Optimization Algorithm,AOA)对核极限学习机(Kernel Based Extreme Learning Machine,KELM)进行参数寻优,建立AOA-KELM分类器,克服了KELM超参数难以调节问题。最终,将TSMFDE提取的特征输入分类器中,完成故障模式识别工作。仿真结果表明,所提模型相对于其它流行模型所提模型展现了明显优势,验证了所提模型具有良好的诊断精度,为水电机组智能故障诊断提供了新方法和新理论。 (2)针对实际工程场景中,水电机组故障样本数据远少于健康样本数据,用于智能水电机组故障诊断的训练数据严重不平衡,故障识别率精度不够高的问题。文章提出了一种基于改进的分数阶层次波动散布熵(Modified Fractional-order Hierarchical Fluctuation Dispersion Entropy,MFHFDE)和分类器集成算法(Ada Boost-SCN)的故障识别方法。首先,在多尺度波动散布熵(MFDE)的基础上引入层次分解算法和分数阶理论,以提高MFDE对不同故障信号的灵敏程度,同时改善了忽略信号高频分量的缺陷,其次,针对分数阶阶次的选择问题,引入欧几里得距离对阶次进行寻优,提出一种测量时序信号复杂度的新工具——改进的分数阶层次波动散布熵。此外,利用Ada Boost算法集成随机配置网络(Stochastic Configuration Network,SCN),建立Ada Boost-SCN强分类器,克服了SCN在信号样本数量不平衡情况下泛化能力弱的问题。最后,将MFHFDE提取的特征,输入到分类器中,完成模式识别工作。仿真实验结果表明,MFHFDE-Adaboost-SCN能够有效解决水电机组故障数据的不平衡问题。最后,利用真机数据实验证明了所提方法在实际工程应用场景中仍然表现出良好的故障识别能力,具有工程实际意义。 (3)针对传统水电机组振动趋势预测模型精度不高的问题,文章提出了一种融合变分模态分解和改进深度置信网络的预测模型。首先,考虑水电机组振动信号波动性强这一显著特征,利用变分模态分解(Variational Mode Decomposition,VMD)将振动信号分解为多个较为稳定的模态分量。其次,针对深度置信网络(Deep Belief Networks,DBN)模型精度受参数影响大的问题,引入拉丁超立方抽样思想和灰狼包围策略改进麻雀搜索算法(Sparrow Search Algorithm,SSA),改善SSA响应速度慢,易陷入局部最优解的缺陷,利用改进的麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)对DBN的参数进行寻优,建立改进深度置信网络模型(ISSA-DBN)。最后,将分解后的不同模态分量输入到ISSA-DBN模型中,实现水电机组振动信号的单步和多步精准预测,对推动水电机组检修模式向状态检修转变有着现实价值。

关键词： 水电机组   变分模态分解   信号降噪   故障诊断  

摘要： 随着我国能源结构改革的不断推进,水力发电在“双碳”行动中发挥着关键作用。水电机组作为水电站能量转换的核心设备,其结构和系统日益复杂化、巨型化以及智能化,对运行安全可靠性的要求也愈发严格。然而,水电机组受水力、机械以及电磁等多因素耦合影响,其振动信号呈非平稳非线性特征,使得传统分析方法难以准确评估机组运行状态。因此,本文围绕水电机组复杂非平稳振动信号降噪、特征提取以及故障诊断等方面展开研究,全文的主要内容和创新性研究成果如下所示: (1)针对水电机组振动信号降噪问题,提出了基于变分模态分解(VMD)的VMD-WT降噪方法。该方法利用提出的最小奇异值能量指数自适应确定最佳分解层数,并结合皮尔逊相关系数设定阈值,有效筛选出虚假分量进行降噪处理。通过仿真信号和实验台信号进行了降噪研究,结果表明该方法能显著减少振动信号中的噪声干扰,并与不同降噪方法进行了对比分析,验证了降噪方法的优越性。 (2)在故障诊断方面,提出了基于随机森林重要性排序(RFIR)和Fisher判别分析(FDA)的RFIR-FDA-SVM故障诊断方法。该方法首先提取降噪后信号的多域特征指标,形成低维高效特征集,最后将该特征集输入支持向量机(SVM)进行故障诊断。通过转子实验台振动信号数据集进行故障诊断研究,结果表明该方法能够有效减少特征干扰和冗余,实现故障类别的准确判别,并通过不同域及不同方法进行了对比分析,验证了其优越性。 (3)针对小样本故障诊断问题,结合生成对抗网络(GAN)提出了基于GAN-SVM的小样本故障诊断方法。该方法首先利用真实试验样本对GAN进行训练,从而生成与真实样本相似的仿真样本,并通过定量分析及定性分析对仿真样本进行评估,证实了仿真样本的有效性,最后在设定的不同样本数量的实验下,验证了该方法的有效性。

关键词： 水电机组   智能优化算法   调节控制   故障诊断   深度学习   声振动  

摘要： 在“双碳”战略新型电力系统新能源高占比的背景下,传统水电机组和抽水蓄能机组作为大容量调节电源,频繁快速的大范围负荷调节必然成为其运行的常态化工况。风电和光伏新能源的大规模并网降低了系统惯量,水电机组联网固有的弱阻尼振荡问题必然进一步加剧;且快速频繁地大范围负荷调节会导致机组频繁穿越振动区、负荷急剧变化诱发轴系和转轮疲劳等问题,增加了水电机组运行的安全风险,特别是在高泥沙洪峰等特殊运行工况下,存在诱发突变安全事故的可能。针对这两方面的问题,本文以智能优化、深度学习、信号处理等多学科交叉的方法理论作为切入点,通过优化控制策略提高机组有功调节的稳定性,同时以声振动故障特征识别为机组运行安全提供预警。本文的主要研究内容和成果如下: （1）为更好地适应水电机组复杂化和高度集成化的发展趋势,提高其对快速响应和高精度控制的需求,针对水电机组的调节控制和故障诊断系统,分别引入混沌映射粒子群引力搜索算法（CPSOGSA）和混沌映射二次插值优化算法（CQIO）进行研究。PSOGSA算法能提高搜索空间覆盖能力,有助于更好地发现全局最优解。QIO算法能够在函数的局部区域内更准确地定位极值点,适用于非线性连续可微的优化问题。本研究引入混沌映射算法来替代原始算法中初始种群的随机值生成过程,增强算法的收敛性、稳定性和局部搜索能力,为后续水电机组调节系统控制研究和故障诊断模型设计提供了理论基础。 （2）基于智能优化算法CPSOGSA优化的水电机组调节系统混合2/∞鲁棒控制器的设计研究。首先根据研究对象和目的,以水轮机流量的动态模型替代共用管道的水力动态模型,对一管多机的水电机组调节系统建模。传统的水轮机调节系统控制方法难以处理水轮机系统中的非线性、时变等复杂特性,且对数学模型的精度要求较高。本研究引入线性矩阵不等式（LMI）作为解决混合2/∞鲁棒控制器设计中极点分布问题的方法。利用CPSOGSA算法的全局搜索能力,以一管多机水电机组调节系统的控制性能指标作为目标函数对加权矩阵进行优化设计。经过仿真,与GSA、PSO、PSOGSA三种算法优化的控制器相比,采用CPSOGSA优化的控制器能在10.0次迭代内完成收敛,3.0秒内达到给定转速;在面对同一负荷扰动时,所提方法能在21.5秒内完成调节过程,优于其他三种算法。该控制器结构简单,阶数低,性能优,易于实现,对水电机组调节系统的控制器设计具有重要参考意义。 （3）在实际的水轮机运行环境,水流冲击转轮产生的声振动信号中会夹杂大量的噪声,导致故障信号特征难以提取。本文采用改进的小波阈值算法优化聚合经验模态分解（WT-EEMD）方法对水电机组的故障声振动信号去噪预处理。结果表明WT-EEMD方法在正常工况下的信噪比和均方根误差分别为19.2和0.3,磨损故障工况分别为20.0和0.1,均优于小波阈值去噪和EEMD去噪。该方法提高复杂结构的适应性,为深度学习模型故障诊断和识别奠定基础。分析发现水流通过机组的频率为58.6 Hz,含沙水流通过机组的频率为98.5 Hz。含有泥沙的水流过水轮机会引起频谱的变化,这一发现能为水电机组的避沙运行提供参考。 （4）基于智能优化算法CQIO对水电机组不同的故障工况诊断识别研究。提出一种CQIO优化卷积神经网络结合长短时记忆网络模型（CNN-LSTM）的水轮机故障诊断深度学习模型（CQIO-CNN-LSTM）,将LSTM与CNN相融合,解决CNN在处理长序列问题上存在一定局限性。引入CQIO优化CNN-LSTM模型的超参数,提高模型的稳定性,降低计算量。结果表明CQIO-CNN-LSTM模型诊断准确率分别为96.7%和93.6%。与未经混沌优化的QIO-CNN-LSTM模型相比分别提高4.6%和9.5%。对比故障诊断结果发现,水轮机磨损故障的诊断精度低于冲击故障,磨损故障的诊断准确率随着泥沙浓度的增加而提高,该结果能作为现有水轮机状态监测预警和故障诊断系统的有益补充。