关键词： 轴心轨迹   模态分解   不变矩   支持向量机   故障诊断  

摘要： 近年来,随着水轮发电机组技术地不断发展,其构造愈发地复杂,单机容量也逐渐增大,如何监测并识别机组的运行状态已成为水电业界中一个极为关注的问题。振动和摆度作为水轮发电机组运行过程中最为常见的现象之一,但强烈的振动和摆度会直接威胁到设备及人员的安全。因此,对水轮发电机组的振摆情况加以监测,从而及时发现并排除故障,对提高水轮发电机组运行的可靠性具有重要意义。轴心轨迹作为水电机组故障诊断中一类重要的图形特征,其间包含了大量的信息,而如何获取纯净的轴心轨迹信号并对其进行分类识别一直是故障诊断研究中的热点问题。本文在此背景下对轴心轨迹信号的降噪、特征提取与分类识别做了以下研究: (1)针对轴心轨迹降噪方面的研究,本文采用小波变换(Wavelet Transform,WT)、经验模态分解(Empirical Modal Decomposition,EMD)及完全自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)三种方法对蒙特卡洛方法模拟的仿真含噪信号进行了降噪处理。实验结果表明,上述三种方法都能在一定程度上实现对含噪信号的降噪处理,但各自仍存在一定的局限性。为了进一步提高降噪效果,本文结合了小波变换和模态分解两种方法的优点,研究了三种新的小波与模态分解相结合的信号降噪算法,其分别为IMF-Wavelet,WaveletCEEMDAN和IMF-Wavelet-CEEMDAN算法。后续通过对比研究,验证了IMF-WaveletCEEMDAN算法在对含噪信号的降噪方面表现更为出色。该方法综合了小波变换的频域分析能力和模态分解的时域分解能力,能够更有效地去除含噪信号中的干扰成分,从而提取出真实信息。这一研究结果为本文后续对轴心轨迹的特征提取和识别奠定了基础。 (2)针对轴心轨迹特征提取方面的研究,本文基于图像的不变矩方法实现对轴心轨迹特征的提取。首先,利用Hu不变矩提取了不同类型轴心轨迹的特征。后续研究发现,在离散图像情况下,Hu不变矩不具备缩放不变性。因此,对Hu不变矩进行了改进,后续实验验证了改进方法在不同图形缩放情况下的有效性。然而,改进方法仍然不具备仿射不变性,当图形发生不对称变形时,改进Hu不变矩在图形表征能力方面较弱,导致分类识别率较低的情况。因此,为了进一步提高轴心轨迹特征提取的效果,本文引入了仿射不变矩的概念,并研究了将改进Hu不变矩与仿射不变矩以组合的方式来构建轴心轨迹的特征向量。这种组合方式综合考虑了图形的不同变换情况,提高了特征向量对图形的表征能力。 (3)针对轴心轨迹自动识别方面的研究,本文采用支持向量机(Support Vector Machine,SVM)和粒子群优化算法(Particle Swarm Optimization,PSO)、灰狼优化算法(Grey Wolf Optimizer,GWO)和成吉思汗鲨鱼优化算法(Genghis Khan Shark Optimizer,GKSO)来构建轴心轨迹的分类模型。首先,利用改进Hu不变矩、仿射不变矩以及组合不变矩三种特征和传统SVM进行了轴心轨迹的分类识别实验,验证了组合不变矩特征相较于单一的不变矩特征可以获得更高的轴心轨迹识别率和稳定性。并且为了进一步提高SVM模型的分类识别效果,应用PSO、GWO和GKSO算法实现对基于组合不变矩特征的传统SVM模型参数的优化,并从中挑选出GKSO-SVM模型相较于其他两种优化SVM分类模型最适合作为轴心轨迹的分类识别模型,其更能满足水电机组故障诊断技术对准确性和稳定性的要求。 (4)为便于人机交互,本文基于上述算法开发了一个基于机组振摆信号的故障诊断分析平台。该平台可实现用户在界面中进行现场真实采样数据输入、信号降噪、特征提取及结果展示等操作,最终输出相应的故障诊断和分析结果。将输出的诊断结果与水电站实际情况进行了对比验证,现场对比结果表明,本文研究的方法能够准确地诊断出振摆信号中的故障情况,具有良好的工程意义和经济价值。

关键词： 水电机组   知识图谱   故障诊断   知识图谱补全   改进的快速区域级神经网络  

摘要： 近年来,随着分布式新能源的大规模接入电网,水电站灵活的调峰填谷运行特性为新型电力系统的稳定运行提供了重要保障。水电机组的运行原理牵涉到水、机械和电气等多个系统的复杂耦合,导致机组监测系统获取的数据碎片化严重,关联性和全局性缺失给水电机组的运行维护和故障诊断带来了挑战。为了解决当前海量数据下水电机组数据壁垒严重、故障定位模糊等的问题,本文融合知识图谱补全模型和改进的快速区域级神经网络模型(Improved Fast Region Convolutional Neural Network,IF-RCNN),提出了基于多源海量数据一张图的水电机组故障监测与诊断的研究方法。本文研究的主要内容包括: (1)针对水电机组监测数据的多源、海量和异构特点,本文构建了一个涵盖了设备、指标和故障等关键信息的水电机组一张图。首先,采用条件随机字段技术获取水电机组运行状况、设备状态、故障诊断的响应数据。其次,将获取的碎片化数据以设备、系统、故障等表征进行分类,并利用Neo4j图数据库将复杂的关联关系以图的形式存储。最后,整合实时更新的机组监测数据以及故障信息,形成了全面的水电机组知识图谱。该图谱不仅能够揭示机组运维数据间难以察觉的潜在联系,更在机组故障根源的诊断和定位方面发挥了关键作用。 (2)针对水电机组一张图构建中的数据混乱缺失的问题,本研究提出了一种基于改进的翻译模型(Improved Translation Model,Trans IE)的知识图谱补全策略。该方法旨在优化水电一张图中数据的预测链接,将实体间的关系映射到模空间的转换中,更加明确和严格地描述设备特征与故障根因之间的关联。本文以湖南某水电厂的实际故障数据为基础,用以验证所提模型在处理水电机组知识图谱补全任务中的有效性,结果展示了Trans IE模型在处理复杂关系模式时强大的推理能力。 (3)计及水电机组故障样本关联性较差问题,本研究提出了一种基于IF-RCNN的故障诊断策略。在保持参数数量不变的前提下,融合残差网络于快速区域级神经网络模型结构中,有效地增加了网络深度,进而获得了更为丰富的特征表示。IF-RCNN网络模型不仅提升了对深层次故障信息的捕获能力,还增强了模型对数据噪声和干扰的鲁棒性。仿真结果表明该方法处理水电机组中大规模和多样化的数据的适用性。

关键词： 水电机组   故障诊断   数据驱动   相关性分析   小样本数据   多传感器信息融合  

摘要： 水电机组的安全稳定运行是水电能源发挥重要作用的前提,而由于水电机组运行工况多变、结构复杂、多物理场耦合影响,导致机组易发生故障从而引发严重后果,为此亟需开展水电机组故障诊断方法研究。本文针对水电机组在故障诊断领域中常见的噪声干扰、样本稀缺、多传感器信息融合等问题,以数据驱动的机器学习与深度学习等方法与技术为基础,从故障-特征相关性、样本相关性和多传感器相关性分析出发,研究并提出基于特征加权随机森林的水电机组故障诊断方法、基于快速多感受域图卷积网络的水电机组小样本故障诊断方法、基于深度级联网络的水电机组小样本故障诊断方法以及基于多传感器信息融合的水电机组故障诊断方法,提升了水电机组故障诊断水平。论文的主要研究工作与创新性成果如下: (1)为了充分判别不同专家经验特征对各类故障的影响,减小噪声干扰对模型诊断的影响,提出了基于特征加权的随机森林故障诊断方法。首先利用专家经验提取水电机组监测信号的时频域混合特征,增强特征表达能力。然后构建故障-特征相关性计算方法,增强对关键特征的利用并减少冗余信息的干扰,并在此基础上提出加权随机森林模型。最后针对水电机组日益增加的监测数据,提出了数据积累策略,不断提升模型的诊断性能。实验结果表明特征加权随机森林在水电机组典型故障诊断中具有良好的效果,同时数据积累策略能有效提升模型自学习能力。水电机组实测数据实验结果表明,所提方法在处理实际水电机组数据时仍具有较好的诊断效果,准确率达到了92.50%。 (2)针对水电机组故障样本稀缺导致深度学习模型难以有效训练的难题,提出了一种基于快速多感受域图卷积网络的水电机组故障诊断模型。首先对水电机组监测信号进行快速傅里叶变换,计算样本之间频谱值的余弦相似度用于表示样本相关性,充分获取有限数据中的关键信息,同时设置边失效阈值用于控制图数据质量。然后基于图卷积网络特性,通过拼接图卷积网络中不同网络层的输出特征实现不同感受域特征的提取与组合。水电机组实测数据实验结果表明,所提方法在样本较少时仍具有较好的诊断效果,在实测数据集上准确率达到了88.85%,同时模型训练时间较短,能有效应用在对实时性要求较高的场景。 (3)为了进一步提升深度模型对小样本数据的处理能力,减少模型对专家经验的依赖,提出了基于深度级联网络的水电机组小样本故障诊断模型。首先充分考虑已知样本的类别信息,降低图数据构建流程复杂性并提升图数据质量。然后构建基于一维卷积网络与改进多感受域图卷积网络的深度级联网络,其中一维卷积网络主要对原始信号进行预处理,实现特征初步提取与维度降低。同时通过级联不同数量的图卷积层实现多感受域特征提取,提升了模型对复杂数据的处理能力。最后引入了辅助分类器并提出了模型优化训练策略,提升了模型在训练过程中的稳定性。针对水电机组实际故障数据,本文提出的方法仍能有效进行特征提取与故障诊断,准确率为89.17%。 (4)针对水电机组存在的大量传感器监测数据,提出了基于多传感器数据与多层次融合框架的水电机组故障诊断模型。首先,在传统图数据构建的基础上考虑多传感器空间位置拓扑关系,实现多传感器图数据构建。然后构建卷积神经网络与图卷积网络获取多模态特征,提出基于注意力机制的多模态特征融合体系,实现特征增强。最后提出了一种基于信息熵的决策融合策略,综合考虑不同通道输出结果的可信度,提升融合结果的准确性。水电机组实测数据实验结果表明,所提方法对比单一传感器具有更高的诊断精度,同时相较于当前先进的多传感器数据融合策略,本文提出的方法仍具有最优的诊断性能,准确率为94.17%。

关键词： 水电机组   故障诊断   多源信息   劣化度   状态评估  

摘要： 水力发电机组是水电站的关键设备,在水电站应急储备、调峰等方面发挥着至关重要的作用。与其他形式的发电设备相比,由于复杂的工况和恶劣的工作环境,水力发电机组各部件的性能会随着时间的推移逐渐恶化甚至失效,影响水电站的安全、稳定、高效运行,导致大量的维护成本和经济损失,造成不可预测的后果甚至灾难性事故。为了有效预防水电机组发生故障,对水电机组进行故障诊断分析和劣化状态评估是有效的方法,同时能够保障机组运行安全、降低故障发生率、减少维护成本,因此进行水电机组故障诊断分析和劣化状态评估研究在科学研究领域和实际工程中具有重要意义。 本文从学科发展方向和工程实际需求出发,重点围绕水力发电机组多源故障数据信息耦合机理,以传递熵理论、机器学习模型、智能优化算法以及模糊综合评价模型技术为手段,针对多源信息分离降噪、故障分析和劣化状态评估等科学问题,融合多传感器下的数据驱动方法为理论揭示多源耦合信息关联关系,形成一种水电机组多源信息故障分析及劣化状态评估方法体系,实现了水电机组故障类型识别和机组劣化状态监测评估的策略探索和应用实践,对水电机组运行时安全性与平稳性均有一定提高。论文主要研究工作和创新点如下: (1)本文为解决水电机组故障信号中存在多源耦合故障杂糅叠加的问题,提高故障特征信号的识别精度,提出一种基于改进鲸鱼优化算法优化(Whale Optimization Algorithm,WOA)优化变分模态分解(Variational Mode Decomposition,VMD)的振动信号分离降噪策略。首先,使用拉丁超立方抽样方法(Latin hypercube sampling,LHS)初始化鲸鱼优化算法种群,得到改进鲸鱼优化算法(LWOA)。然后,通过改进鲸鱼优化算法优化VMD参数。其次,运用优化后的VMD算法对从水电机组监测系统中采集到的振动信号进行分解,得到若干个分量。最后,计算原始信号与各分量间的互信息,利用信息熵理论和频谱图区分出分解信号中的噪音分量和冗余分量,去除噪音分量和冗余分量,选择具有故障特征的分量信号作为重构信号分量,实现对水电机组多源故障耦合信号的分离降噪。后续使用转子试验台的试验数据和工程实例进行验证,实验结果表明,本文所提的LWOA-VMD模型在多源故障耦合信号的分离降噪方面取得了较好的效果,能够分离出具有故障特征的分量信号以及噪音和冗余成分,得到的重构信号保证了故障特征的有效性,该分离降噪方法为水电机组多源耦合故障信号的分离降噪提供了新思路。 (2)本文针对水电机组振动数据具有多源耦合非线性特征的问题,为实现水电机组不同运行状态的有效识别,对故障进行高效快速诊断,采用适用于多源变量非线性复杂因果分析方法的多元多尺度传递熵(Multivariate Multiscale transfer entropy,MvMTE),融合用于监督学习中的分类的集成学习算法——随机森林(Random Forest,RF),提出一种多元多尺度传递熵和随机森林的水电机组故障诊断方法。使用旋转机械案例对MvMTE-RF模型的可行性进行验证,并加入2种模型进行对比实验,实验结果有力验证了所提方法的合理性和优越性。然后将MvMTE-RF模型应用在工程实例进行验证,结果表明MvMTE-RF模型具有较好的工程使用价值,这为水电机组故障诊断提供了新的视角和理论支撑,具有较好的适用性。 (3)针对水电机组状态监测与维护检修的需要,通过对影响水电机组运行状态因素的分析,提出了一种全新的水电机组劣化状态评估方法,在机组海量运行状态数据基础下,利用模糊综合评价理论、熵权法、层次分析法和TOPSIS法,构建了水电机组劣化状态的指标评价体系和多层次模糊综合评价模型,最后通过计算机组的综合劣化度的方法完成对水电机组劣化状态的实时评估。通过实际电站案例分析中表明,在不同机组类型和不同运行工况下,此方法不同指标参数的阈值也不尽相同,充分反应机组特色。所提出的基于多层次模糊综合评价的水电机组劣化状态评估能够实现对机组劣化状态的实时评估,评价结果接近实际情况,有较强的可操作性,及时发现机组劣化趋势,避免设备发生严重故障,同时该研究结果可为水电机组日常运行维护提供机组维护检修建议,提高水电站运行效率。

关键词： 水电机组   故障诊断   状态预测   数字孪生   智能运维  

摘要： 水电机组作为水电站的核心设备,其正常运行对电网安全稳定至关重要。在电力系统大力发展数字化和智能化技术的背景下,为了推进水电机组智能化运维水平,提高机组状态预测和故障诊断能力,本文基于数字孪生技术开展了水电机组监测诊断与状态预测研究,建立了水电机组数字孪生运维平台,实现了水电机组的工况识别、故障诊断与状态预测等功能。论文主要工作如下: (1)本文采用连续小波变换(CWT)和格拉姆角场变换(GAF)两种分析方法来开展振动信号表征方法研究,以获取更全面的特征依据,从而实现机组异常状态和故障的准确识别。对比分析发现,GAF图像具有较高的计算效率,CWT图像具有优秀的时频解析能力。 (2)基于深度可分离卷积(DSCNN)模型,建立了 CWT-DSCNN和GAF-DSCNN两类故障机组状态识别及诊断模型,对两组不同数据集的水电机组振动数据进行故障识别,该模型具有高计算效率、高识别精度的优势。实验测试结果表明,CWT-DSCNN模型在状态数据集和故障数据集分别能够达到98.61%和100%的识别准确率,在故障数据集中GASF-DSCNN和GADF-DSCNN识别正确率分别达到了 97.22%和100%。此外,对两类模型的计算速度进行对比,实验结果显示GAF-DSCNN模型具有较快的识别速度。 (3)基于Informer时序预测模型,构建了一种机组未来状态预测方法。将机组历史振动数据输入Informer模型,对输出的预测结果进行识别和诊断,实现对机组未来状态的预测。实验结果显示,Informer模型对于水电机组实际运行振动信号的预测结果决定系数平均为0.86,最高可达0.98。将各状态预测数据分别输入故障诊断模型中均可成功识别原始状态。 (4)开发了基于数字孪生技术的水电机组智能运维平台,数字孪生技术具备实时监控、预测性维护、优化决策和提高效率等多重优势。该平台集成了数据监测、故障诊断、故障预测和指导检修等多项功能模块。数据监测功能能够实时监测水电机组的运行状态,故障诊断模型能够对机组运行状态进行识别,故障预测功能基于历史数据预测未来数据,将预测数据作为输入进行故障诊断,能够实现对未来状态的故障诊断和预防性维护。

关键词： 水电机组   噪声特征   声级   状态监测   故障诊断  

摘要： 在水电机组状态监测与故障诊断方法中,噪声分析具有比较独特的作用,但由于其频率成分复杂,产生噪声的因素众多,噪声监测与分析并没有受到与振动、摆度、水压脉动等信号同样的重视程度,但噪声分析作为稳定性状态分析方法的有效补充,能够在机组出现故障时,为其诊断和原因追溯提供更多的依据。本文对水电机组噪声特征进行了总结和归纳,尤其是基于水力因素的噪声源和噪声产生过程进行了分析,然后对噪声特征值的计算方法进行了讨论,并结合智能化噪声监测分析系统的应用,提出了噪声监测的软硬件解决方案,最终提出了一套基于噪声特征的水电机组噪声诊断方法。实践证明,噪声监测和诊断方法在水电现场具有良好的有效性和实用性,能够为机组状态检修提供支撑和依据。