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

摘要： 伴随风光等间歇性新能源接入电网比例不断增大,中国能源供给结构发生明显变化。电网多能互补下对水电站的调度逐渐由供能需求向调能方式转变,迫使水电机组必须扩宽负荷运行范围以满足对间歇性能源供给进行调峰调频补偿的要求。然而,长时间宽范围运行使得水电机组运行稳定性变差,水电机组发生故障的概率增大,故障种类更为复杂,机组故障信息难以捕捉,以事后检修和计划检修相结合的传统检修策略已然不能满足机组高效安全运行的要求。开展以故障诊断和状态趋势预测为核心的状态检修研究,提出适应于水电站不同关键部件的故障诊断体系和具有高精度预测效果的状态趋势预测模型,对实现从对早期故障的被动响应到对故障主动预防的转换,维护机组安全运行和电网稳定都具有重要意义。为此,本文围绕水电机组状态运行维护中关键部件故障诊断、轴心轨迹识别以及振动趋势预测等若干科学问题,在深入探讨现有方法和模型局限性的基础上,进一步完善机组状态检修体系。以多尺度熵理论和机器学习为技术手段,构建适用于水电机组不同关键部件的故障诊断模型;基于深度学习及迁移学习技术,开发多信息源融合的机组轴心轨迹识别新方法;以信号分解算法、滚动预测策略以及机器学习为切入点,提出水电机组振动趋势多步预测框架。论文主要创新点和研究内容如下:(1)针对水机电多源激励耦合作用下机组振动信号故障特征难以提取的问题,在熵模型理论和尺度化技术的基础上,提出改进多尺度注意熵这种度量时序信号复杂性的非线性动力学技术,用于提取水电机组振动信号的故障特征。融合改进多尺度注意熵、T-分布随机邻近嵌入和随机森林算法,构建了基于振动信号的水电机组故障诊断新模型。将所提诊断模型用于水力、机械等机组不同关键部件故障诊断案例,验证了所提模型的有效性和泛化性,为水电机组关键部件故障诊断提供新方法和新理论。(2)轴心轨迹是水电机组运行状态直接表现形式,已然成为水电机组运行状态分析及故障诊断系统中的重要征兆量。为准确辨识转子轴心轨迹,提出一种融合图像和信号特征的水电机组轴心轨迹识别方法。首先,提出基于迁移学习和Xception的轴心轨迹图像识别方法,用于提取轴心轨迹的图像特征。其次,以机组轴心轨迹二维位移信号为基础,通过改进多尺度注意熵提取转子轴心轨迹的信号特征。然后,将信号特征和图像特征相融合,建立水电机组轴心轨迹图像和信号特征融合机制。最终,依托随机森林模型强大识别性能,实现机组轴心轨迹的高效识别。将所提识别算法用于滑动轴承故障案例中,验证了所提轴心轨迹识别方法的有效性,扩展了水电机组轴心轨迹识别发展方向。(3)针对传统统计模型无法准确预测水电机组振动趋势,文章提出了一种基于变分模态分解和随机配置网络相结合的混合预测模型。本文通过变分模态分解将机组振动数据分解成不同频率的模态分量,有效缓解振动趋势的不平稳性。利用随机配置网络实现了对不同模态分量的预测,将所有模态分量预测值叠加,形成机组单步预测结果。根据递归策略,通过将预测结果加入新输入变量的形式,构建了水电机组振动趋势多步预测模型。本文将所提振动趋势预测模型应用于实际电站机组摆度信号和振动信号等不同类型信号趋势预测案例中,结果表明所提出的多步预测模型可以准确预测机组振动趋势,对维护机组安全有着很大的现实价值。

关键词： 水电机组   故障检测   随机森林   遗传算法   Spark  

摘要： 随着我国电力能源结构的持续优化,水力发电以清洁、可再生的优势扮演着愈发重要的角色。水力发电机组大多部署在环境恶劣的河流上游,且内部零件多,极易发生故障,日常的故障检测有利于及时进行维护工作,从而确保机组正常运行。基于数据驱动的故障检测方法能够充分利用水电数据进行精确的故障检测,但面对高维、异构、海量的水电数据时,现有算法模型的检测准确度和效率已不能满足实际工程要求。在此背景下,本文提出了一种改进型机器学习算法以完成精确的故障检测,同时通过优化后的并行化处理方法有效提升了故障检测模型对大数据的处理能力。论文的主要研究工作如下: 首先,分析对比在水电机组故障检测应用中现存机器学习算法的优势和特点,选择随机森林(Random Forest,RF)作为本文故障检测研究的核心算法。针对原始随机森林算法面对高维数据时,采用简单随机采样的随机化机制,构建的特征子空间多属无效的问题,提出了一种基于奇异值分解和类型抽样(Singular Value Decomposition and Stratified Sampling,SVD-SS)的改进型随机森林算法(SSRF)。实验结果表明,该优化方法有效提升了随机森林的分类性能和故障检测准确率。 其次,为进一步提升算法模型的故障检测精度,本文提出了一种基于自适应遗传算法(Adaptive Genetic Algorithm,AGA)的改进型随机森林算法(AGA-SSRF)。在遗传算法优化中,设计了一种基于Tanh函数和正态分布的自适应非线性交叉概率和变异概率调节公式,有效提高了遗传算法的收敛速度和稳定性。同时通过参数交叉分析实验,确定了SSRF中对性能影响最大的三个参数为决策树数量、决策树最大深度和叶节点的最小样本数,并使用AGA对其进行全局参数寻优。实验结果表明,基于AGA-SSRF的水电机组故障检测模型对8类故障的平均检测准确率达到了96.23%,检测精度进一步提高。 最后,针对单机状态下故障检测模型在海量水电数据处理时计算效能低、可靠性差的问题,本文在应用Spark技术的过程中,基于索引技术提出了一种并行优化策略,对AGA-SSRF故障检测模型进行了并行化处理。同时,基于Py Qt5设计开发了一个并行化故障检测系统,在完成并行计算的基础上实现了检测结果的可视化。实验结果证明,基于AGA-SSRF的水电机组故障检测模型在Spark平台上的并行化计算性能得到了增强,模型的训练速度以及故障检测的效率均有显著提升。并行化故障检测系统的整体性能良好,与传统已有故障检测技术相比,具有较好的鲁棒性和可靠性。

关键词： 水电机组   信号降噪   多尺度熵   极限梯度提升算法   故障诊断  

摘要： 在我国“双碳”战略的持续推进下,能源技术不断革新,促进着新型能源体系的转型,同时也为电网安全带来新的挑战。水电作为新型电力系统中重要的调节器,其安全运行至关重要,一旦机组出现故障将会带来严重的经济损失与人员伤亡。利用智能故障诊断技术处理机组振动信号,能为机组健康状况的监测与判断提供数据支撑,及时发现并消除安全隐患,具有重要的工程实际意义。本文围绕水电机组故障诊断中信号降噪、特征提取以及故障类型识别所涉及的问题展开研究,主要工作内容如下:(1)针对水电机组运行环境下振动信号中的有效信息被大量噪声淹没的问题,提出了一种结合信号分解算法与熵值理论的水电机组振动信号自适应降噪方法。该方法通过完全自适应噪声集合经验模态分解(CEEMDAN)分解信号,利用排列熵(PE)反映信号混乱程度的特性实现噪声主导分量与信号主导分量的分离;然后通过奇异值分解(SVD)结合基于奇异熵的自适应定阶法对噪声主导分量中的噪声部分进行滤除;再将所有分量融合重构,实现机组信号的有效降噪。最后经过仿真信号与机组振动信号的实验,验证了所提方法的降噪能力与工程实用性。(2)考虑到水电机组振动信号的非线性、非平稳性与突变冲击性使其故障特征很难直接被识别,提出了基于排列熵(MPE)与极限梯度提升(XGBoost)的水电机组故障诊断模型,同时针对其参数数量众多且参数组合决定着模型性能的情况,引入蜣螂优化算法(DBO)优化模型的参数选择。首先按信号类型计算对应MPE的偏度作为DBO算法的适应度函数,综合比较后确定MPE的参数;然后以XGBoost分类器的诊断错误率作为适应度函数确定其主要参数,由此完成模型参数的优化;最后采用凯斯西储大学轴承故障数据集进行实验,通过不同模型的对比验证了DBO参数优化后MPE-XGBoost诊断模型在性能上的提升。(3)为改善MPE由于缺乏幅值信息而对结构相似信号的敏感性较低的缺陷,以及传统粗粒化方法使得其稳定性降低的问题,提出了一种新的特征提取工具——改进多尺度分数阶加权排列熵(IMFWPE)。该工具在MPE的基础上融入了分数阶熵与加权理论,同时对粗粒化方法进行改进,经过仿真信号与转子故障数据实验验证了其良好的抗干扰性与特征提取能力。利用转子试验台模拟水电机组故障情况,结合XGBoost分类器构建IMFWPE-XGBoost故障诊断模型进行实验,并与其他模型比较,结果表明所提方法在故障识别上表现最佳。最后,在真实机组环境下的实验验证了其在工程实际中同样具有良好的故障诊断能力。

关键词： 水电机组   故障诊断   辛几何模态分解   气泡熵   自组织特征映射网络  

摘要： 水电机组作为水电站的核心设备,其健康稳定的运行事关水电站乃至整个电网的安全。约80%的水电机组故障可以通过振动信号反映出来,但由于振动信号通常会受到多种因素的影响,使得其信号特征提取和故障识别具有很大的困难。本文提出了一种基于辛几何模态分解(Symplectic Geometry Mode Decomposition,SGMD)和自组织特征映射网络(Self-Organizing Feature Maps,SOM)的水电机组故障诊断方法。主要研究内容如下:首先,采用辛几何模态分解算法对水电机组的振动信号进行分解。辛几何模态分解算法是一种以辛几何相似变换为核心,处理复杂信号的有效方法。该方法能够在保证原信号本质特征完整性的前提下,具有良好的分解效果。本文在辛几何模态分解的基础上,就分量重组需要人为设定周期相似度的阈值,无法自适应进行重构的问题,引入皮尔逊相关系数,提出了自适应SGMD算法。自适应SGMD算法不仅无需人为设定参数就可以将原信号中的噪声分离出来实现降噪,还可以将初始分量中具有相同特征的相似分量进行重组。得到最终的分解结果。通过仿真信号验证,自适应SGMD算法对非线性振动信号具有良好的分解效果和噪声鲁棒性。与经验模态分解(Empirical Mode Decomposition,EMD)、变分模态分解(Variational Mode Decomposition,VMD)和局部均值分解(Local Mean Decomposition,LMD)对比,发现自适应SGMD算法具有更好的分解效果以及噪声鲁棒性,并能够保证原始信号本质特征的完整性不被破坏。其次,采用气泡熵对自适应SGMD算法的分解结果进行特征提取。气泡熵是对排列熵的一种改进,它降低了熵计算中对参数寻优的依赖性,并且具有更高的稳定性和辨别能力。将自适应SGMD分解得到的辛几何分量通过气泡熵进行特征提取,作为故障特征向量。将气泡熵与样本熵、排列熵和模糊熵等特征提取方法对比,结果表明气泡熵具有良好的特征提取能力,且对比其他三种熵具有更好的效果。再次,采用SOM神经网络对上述方法得到的特征向量进行模式识别。SOM神经网络不同于一般神经网络基于损失函数的反向传递来进行训练,它通过不断调整权值的方式,优化网络的参数,具有良好的学习能力和泛化能力。将特征向量送到SOM神经网中,进行模式识别。最后,本文将自适应SGMD算法、气泡熵和SOM神经网络三者结合起来,建立了水电机组故障诊断模型。通过实际的水电机组振动数据对该模型的有效性进行验证,将其与最小二乘支持向量机、反向传播神经网络,以及变量预测模型进行比较。结果表明,该模型与其他三种模型相比,对各种类型故障以及总体故障的诊断准确率都是最高的。

关键词： 水电站   快速门   可靠性  

摘要： 机组进水口闸门是压力钢管发生事故、水轮发电机组停机时导叶无法关闭或机组事故时的重要保护设施之一,其动作的准确性直接影响到机组事故保护的可靠性,本文通过某水电站快速门控制系统的一次误动事件分析快速门快闭控制回路及其动作的可靠性,并提出优化改造方案,通过实际运行表明,该方案实施后提高了快速门运行可靠性。

关键词： 水电机组   噪声   声级谱矩阵   故障定位  

摘要： 水电机组故障大多具有渐变性,噪声传感器具有安装方便、捕捉信息全面的特点,因此,可对噪声传感器测量的信号进行挖掘分析来实现机组的故障检测及定位。提出了多噪声测点声级谱矩阵构建方法,通过比较机组实时与健康状态下的声级谱矩阵,可判定机组是否出现故障,并根据出现异常的元素进行故障定位。用实例论证了该方法的正确性和可行性。

关键词： 水电机组   数据质量   传感器   故障诊断  

摘要： 故障诊断、健康评价、趋势预警等系统应用可靠性的前提是需保证数据质量,而数据质量又受传感器状态的影响,当传感器发生故障时,数据的质量必然受到影响。因此,该研究拟基于水电各智能应用系统开发传感器故障诊断系统,对机组运行数据进行采集、处理及分析,完成传感器健康状态的评估、诊断,为各智能应用系统提供数据质量保证。

关键词： 推力轴承   故障   可靠性  

摘要： 本文通过对水电机组推理轴承典型故障进行剖析,从设计、制造、安装等方面提出了提高设备可靠性的措施。成功解决了推力轴承瓦温升高、非镜板面有大面积的明显环状瘢痕、镜板与推力头连接螺栓断裂、弹性金属塑料瓦出现分层、脱壳、开焊等问题。