关键词： 水电机组预警   EEMD   标准差   K均值聚类   欧氏距离  

摘要： 为确保水电机组安全运行及电网稳定,探讨利用水电机组振动信号实现机组故障早期预警,提出了基于集合经验模态分解和标准差水电机组振动信号特征量提取方法,并引入K均值和欧氏距离构建水电机组振动信号异常状态预警指标,量化水电机组振动信号状态异常变化程度,融合多测点状态信息形成水电机组振动故障综合预警指标,实现了水电机组振动故障预警,证明所提特征量和预警方法有效。

关键词： 水电机组   故障诊断   深度置信网络   变分模态分解   引力搜索  

摘要： 提出了基于引力搜索算法(gravitational search algorithm, GSA)优化变分模态分解(variational mode decomposition, VMD)并结合深度置信网络(deep belief network, DBN)的水电机组故障诊断方法。首先,以变分模态分解能量误差最小化为目标,利用GSA并行优化各样本下VMD的2个典型分解参数(分解层数K和惩罚因子α);然后,对分解降噪后的信号进行重构,并对重构后的信号构造由能量熵、奇异谱熵以及峭度组成的特征向量;最后,将构建的特征向量输入DBN构建的水电机组故障诊断模型。通过与已有方法比较可知,所提模型可以有效地提取水电机组的故障特征,且故障识别准确率更高。

关键词： 水电机组   状态监测   故障诊断   振动信号   特征提取   多传感器遗传编程   主成分分析   支持向量机  

摘要： 随着我国能源结构的转型，尤其是近年来“双碳”战略的实施，水电能源赢来了新的发展契机，水电机组装机容量不断增加。与此同时，水电能源在电网中承担着重要的调峰调频任务，使得水电机组的安全运行关乎电站安全和电力系统稳定。在现代科技发展以及电能需求增加的大背景下，水电机组正在朝着大型化、智能化、复杂化方向发展，机组长时间在变转速、变荷载环境中运行，故障诱发因素增加，运行状态恶化造成的损失也不断提高，一旦发生重大事故，轻则影响能源供给与电力系统稳定，重则造成重大的经济损失与恶劣的社会影响。因此，水电机组的状态监测与故障诊断研究一直是行业关注的热点。　　本文针对目前水电机组状态监测与故障诊断领域研究中存在的问题，从水电机组振动信号故障特征提取、水电机组故障分类识别、水电机组故障征兆预警三个方面展开研究，主要研究内容有:　　(1)为智能化构建水电机组运行状态特征，提出了一种基于多传感器遗传编程的水电机组故障特征提取方法。首先，采集水电机组多传感器振动信号并计算其时频域特征参数来构建原始特征集，然后以复合检测指数作为特征选择指标，降低无关特征干扰与遗传编程计算复杂度。该方法简化了传统特征提取方法的繁杂过程。实验结果表明，本文提出的方法能够智能化提取代表水电机组运行状态的特征参数，相较于基于单传感器数据的故障特征提取方法，本文提出的方法获取的设备信息更全面，为后续水电机组故障诊断与预警研究奠定了基础。　　(2)为进一步提高基于多传感器遗传编程故障特征提取模型的稳定性，提出了一种基于集成多传感器遗传编程的水电机组故障特征提取方法，结合支持向量机分类模型实现了水电机组故障的准确诊断，有效解决了水电机组振动信号样本获取难、存在样本少等问题。考虑到支持向量机的参数对分类结果有重要影响，采用粒子群算法对参数进行优化。为了提高诊断模型泛化性能同时避免造成模型过拟合的问题，利用t分布-随机近邻嵌入方法将高维特征映射到低维空间，并结合准确率与样本间的距离度量，提出一种新的遗传编程适应度函数。通过对凯斯西储大学轴承实验台模拟故障数据与水电机组实测数据进行实验分析，证明了本文所提出的方法稳定性更强，更适用于水电机组的实际故障诊断。　　（3）针对水电机组故障预警指标构建过程中缺少对于运行工况和环境变化考虑的问题，提出了一种基于集成多传感器遗传编程与主成分分析方法的水电机组故障预警方法。首先，为了降低振动信号中的噪声干扰，运用小波阈值方法对振动信号进行降噪处理。其次，为了准确构建出能够反映水电机组故障发展趋势的预警指标，利用集成多传感器遗传编程进行特征提取后，结合主成分分析方法与欧氏距离构建水电机组故障征兆参数。通过对水电机组实测数据进行分析，证明了本文提出的方法能够发现早期故障，并及时进行预警。

关键词： 水力发电机组   信息传递   可靠性评估   趋势预测   状态维修  

摘要： 水力发电机组作为稳定灵活性能源供给是电力系统适应大规模高比例新能源的重要保障。受电力负荷需求和自身复杂水-机-电多源因素耦合影响,水力发电机组需面临更加频繁的暂态运行过程,机组振动和压力脉动等稳定性指标变化剧烈,参数间耦联关系更为复杂,严重威胁机组运行可靠性及健康状态。本文以揭示水力发电机组运行状态变量间耦联机理与量化多源指标参数潜在风险规律为关键科学问题,提出水力发电机组动态安全评价统一研究新视角,并基于所揭示机理进一步优化机组状态维修策略,取得以下几方面研究成果:1.从信息传递角度揭示了水力发电机组运行状态变量间耦联机理和物质与能量作为信息载体在动态过程中的协同关系。以水电机组甩负荷暂态运行过程为例证明了两个子系统间信息因果关系可以由两个系统直观变量在暂态过程中的信息传递来表示,这种关系是双向非对称的。信息流路径和方向不会随着甩负荷量变化而改变,且信息流路径始终为机组出力→运行水头→机组转速→导叶开度→流量,整个过程中导叶→流量信息传递量是最高的。此外,揭示了变量间耦合的跨时频尺度效应,即信息传递存在于相同和不同时间与频率尺度变量之间。2.为提高水电机组多源耦合故障信号特征提取精度,围绕揭示机组多源信号耦合机理这一关键问题,提出了一种基于信息因果和变分模态分解的水力发电机组多源耦合故障分离降噪策略IFC-VMD。将IFC-VMD应用在S电站3号机组故障特征提取和分离降噪中,准确剔除冗余和干扰成分,结果表明所提方法在重构多源故障信号中较现有成熟方法具有明显优势,去噪保真率提高了3%。较好保留了实际有效故障特征,为水力发电机组多源故障耦合信号特征分离降噪提供有力理论支撑和有效分析方法。3.为准确诊断机组故障早期微弱信号特征,提出了一种基于动态信息传递的过程诊断模型。该方法创新性地实现了机组测点信号间动态信息传递特性定量描述,突破了传统基于信号特征提取分析的水电机组故障诊断模式范式。通过某250MW水电机组实测数据验证了该方法的适用性和有效性。结果表明所提诊断模型对检测小幅异常更为敏感。对比分析PCA和KICA-PCA方法,所提模型在诊断成功率上分别提高了84.7%和90.6%,在检测延迟上分别提前了43和33个检测样本,且虚警率低至1.2%。研究结果为水电机组等具备多传感器系统的状态过程诊断提供了新的视角和技术支持。4.围绕参变量之间信息因果关系深入挖掘水电机组复杂状态数据,提出了基于信息因果和Page Rank算法的辅助变量选择方法,通过深度学习和模糊综合评价实现了机组状态趋势预测和运行状态风险量化。结果表明:(1)通过挖掘变量之间信息因果关系可实现对系统全状态变量有效降维,且将主导变量和其因变量作为预测输入时主导变量各项预测误差均0.1之内,最低达到了0.0006;通过考虑预测对象变量与其因果变量之间的信息传递序列,增加缺乏样本情况下的预测输入维数以提高预测精度,对机组振动和压力脉动预测的平均绝对百分比误差分别为0.0043和0.3809。(2)对Z电站某机组来说,在130MW～250MW试验负荷区间内该机组均处在D类风险区,且在200MW时达到最高的累积风险隶属1.6265。其中,风险贡献度最高的指标为无叶区压力2,其在所有试验负荷区间内成为最大风险贡献情况占比高达50%,结合现场测试结果判定该机组风险来源于转轮部件的动静干涉问题,建议电站通过增大活动导叶分布圆直径或优化转轮等措施减小运行过程中出现的异常振动现象。5.针对现阶段水电机组设备状态检修缺乏统一理论研究框架,提出了基于广义比例风险模型和半马尔科夫决策过程的水力发电机组可靠性预测和CBM策略集成框架。利用葛洲坝某机组16年运行和维护记录进行案例研究,验证了所提方法的有效性和适用性。结果表明,所建方法可以实现变工况条件下机组可靠性预测和维修成本优化,在机组单设备系统分析中,与平均时间成本模型相比,分别避免了599￥/d的运行成本和15天的检测间隔偏差。在机组多设备系统分析中较(非)恒定维修阈值模型分别避免了34天和12天的检修等待时间。此外,还讨论了运行条件和折扣率对框架性能的影响,提高了方法的完备性。研究结果为具备高可靠性水力发电机组或更广泛应用提供了理论和实践指导。

关键词： 水电机组   故障诊断   状态趋势预测   混合特征向量集   麻雀搜索算法   极限学习机   高斯过程回归  

摘要： 水电机组作为水电站的核心关键设备,正逐渐朝着巨型化和智能化方向发展。与此同时,随着外部运行环境越来越复杂,机组各部件之间的相互耦合作用也更加明显,这在一定程度上增加了水电机组故障诊断与状态趋势预测的难度。基于此,本文围绕着水电机组振动信号采集,信号预处理,故障特征提取,故障诊断以及状态趋势预测等内容,以聚合经验模态分解,相关峭度理论,近似熵,麻雀搜索算法,极限学习机,高斯过程回归,核马氏距离等作为理论基础,构建了多维状态参数下水电机组智能故障诊断与状态趋势预测方法,并通过仿真实验与实际案例分析,全方位、多角度地验证了所提方法的科学性和有效性。论文主要研究工作如下:首先,在信号预处理方面,针对利用经验模态分解(Empirical mode decomposition,EMD)算法分解信号所存在的模态混叠现象以及通过互相关系数进行信号重构易残留噪声成分的问题,采用聚合经验模态分解(Ensemble empirical mode decomposition,EEMD)算法对水电机组振动信号进行分解。将计算得到的各阶本征模态函数(Intrinsic mode functions,IMF)分量的相关峭度值作为信号重构的依据,结合近似熵、均方根值和峭度值理论构建水电机组的混合特征向量集,以此完成振动信号从降噪到重构再到特征提取的三个重要环节。其次,为充分利用现有的少量故障样本提高故障诊断精度,构建了一种基于改进麻雀搜索算法优化极限学习机的水电机组故障诊断方法。通过Tent混沌映射、自适应权重因子、反向学习策略及差分变异处理对麻雀种群的初始分布、搜索步长以及种群多样性进行改进,进一步提升了算法整体的寻优速度和收敛精度,同时将改进后的麻雀搜索算法应用于极限学习机的参数寻优过程中,得到了最优输入权值与隐层偏置,这大大提升了分类模型的稳定性和故障识别准确率。将该方法应用于水电机组实测振动数据案例分析中,通过与不同诊断模型所得结果进行对比,证明了所提方法的高效性。最后,为弥补水电机组振动故障诊断作为一种事后决策方式所存在的不足,提出了基于多维状态参数与改进高斯过程回归(Gaussian process regression,GPR)模型的水电机组状态趋势预测方法。通过Pearson相关系数与互信息理论的加权组合选取出八种状态参数作为机组输入特征向量,建立了基于麻雀搜索算法优化高斯过程回归的水电机组有功功率预测模型,解决了因参数不稳定造成的预测误差问题。结合核马氏距离与健康指数这两组量化指标定量地对水电机组运行区间进行了划分(正常、预警、故障),并通过在线评估案例分析,论证了开展水电机组状态趋势预测所具有的重要学术意义和工程价值。

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。