关键词： 水电机组   数据预处理   特征提取   故障诊断   小波降噪   连续变分模态分解   支持向量机  

摘要： 随着我国“双碳”战略目标的实施,大力发展水电、积极推进水电基地建设已成为共识。水电机组的安全稳定运行对于保证发电系统的性能、发电效率和电厂安全至关重要。随着电能需求的日益增加,水电站的出力要求也在逐渐加大,然而,水电机组在运行过程中长时间处于高温高压、变载荷、变速等复杂恶劣的环境,其安全性问题日益突出。研究表明,水电机组中80%的故障在振动信号中都有所体现。因此,基于水电机组振动信号研究准确、高效的水电机组故障诊断方法对于及时了解水电机组运行状态、保证水电机组安全运行、充分发挥水电站的综合效益具有重要意义。鉴于此,本文从水电机组振动故障诊断的三个方面:数据预处理、特征提取和故障识别展开深入研究,以期提升水电机组振动故障的准确性,具体研究内容如下:(1)水电机组长时间处于恶劣的运行环境中,如果直接对采集到的振动信号进行分析,其中包含的噪声会严重影响故障诊断的准确性。小波降噪方法应用广泛且降噪效果较好,但是小波降噪方法中包含的参数较多,且缺少一种有效的参数选择依据,难以实现水电机组振动信号的最优降噪。为了减小噪声干扰,本文提出了一种基于自适应小波降噪的水电机组振动故障信号降噪方法,以排列熵的最小值作为适应度函数,采用鲸鱼优化算法对小波降噪参数进行寻优。实验结果表明,本文所提出的方法可以自适应获得小波降噪的最优参数,提高水电机组振动信号的降噪效果。(2)为提高水电机组振动故障特征提取结果的敏感性,将连续变分模态分解(Successive Variational Mode Decomposition,SVMD)方法引入到水电机组振动故障的特征提取过程中,提出了一种基于SVMD的水电机组振动故障特征提取方法。考虑到SVMD方法中惩罚参数α对分解结果有重要影响,结合峰度指数和排列熵理论构造了一个新的适应度函数,采用樽海鞘群算法优化SVMD的惩罚参数α,并结合综合检测指数和T-SNE方法实现了水电机组振动故障特征的有效提取。实验结果表明,本文所提出的水电机组振动故障特征提取方法能够有效提取振动故障信号的敏感特征。(3)为提高水电机组故障诊断准确率,提出了一种自适应参数优化支持向量机(Support Vector Machine,SVM)故障分类方法,将分类准确率的最大值作为适应度函数,采用鲸鱼优化算法优化SVM的参数,并对比分析了四种不同核函数SVM模型的识别精度。实验结果表明,本文所提出方法可以有效提高SVM的故障识别准确率且线性核和多项式核函数SVM在水电机组振动故障识别中能够得到更高的故障诊断精度。

关键词： 水电机组   振动信号   故障诊断   变分模态分解   深度信念网络  

摘要： 随着我国能源结构改革步伐的加快,水电能源作为一种绿色、低碳的清洁能源,水电装机容量日渐增大。水电机组作为水电站能源转换流程中的核心设备,目前正朝着复杂化、巨型化发展,其振动问题日益严重。在上述背景下,本文针对水电机组振动故障的识别问题,提出了一种基于改进变分模态分解和深度信念网络的水电机组故障诊断方法。具体工作如下:首先,在信号处理方面,利用变分模态分解(VMD)处理水电机组故障的非平稳非线性振动信号。针对影响分解效果的惩罚因子和分解层数设定问题,通过引入麻雀搜索算法(SSA)进行改进,从而达到VMD分解参数最优化。通过仿真实验证明了本文所提出SSA-VMD方法在处理非平稳非线性信号时可以自适应的选取最优参数,并且相较经验模态分解等自适应信号处理方法具有更优的分解效果。其次,针对特征向量与设备故障状态映射构建困难的问题,根据时域和频域信号各自特点选取样本熵和功率谱熵作为特征量,提出了时域和频域相结合的特征提取方法,并通过实验证明了该方法提取的特征向量对不同故障有着较好的区分度。最后,在模式识别方面,建立了深度信念网络(DBN)模型作为水电机组故障识别方法,研究了 DBN网络模型中结构参数、迭代次数等有关参数的设置问题。以实测水电机组振动信号为例,设计了两组实验进行对比分析。结果表明,本文所提基于改进VMD和DBN的水电机组故障方法能够准确识别机组故障状态,具有一定的工程应用价值。

关键词： 水电机组   振动信号   神经网络   故障诊断   趋势预测  

摘要： 水电机组作为水电站的最为核心的主设备,其健康程度是水电站确保安全、优质、经济发电与供电的根本保障,决定着水电站的经济效益和社会效益,甚至影响整个电网的安全稳定运行。振动是影响水电机组使用寿命的主要因素,由于水电机组振动信号蕴含着丰富的机组状态信息且较为容易采集,但其影响因素众多,水力、机械、电磁等因素相互耦合,使得对机组振动故障的诊断和趋势预测的有效实施造成了一定的困难。针对上述问题,本文围绕水电机组在振动故障诊断和趋势预测等工程应用中存在的关键问题展开研究,将时频域信号分析方法、注意力机制与卷积神经网络、循环神经网络等深度学习算法相融合,提出了水电机组振动故障诊断和趋势预测方法。所提出的方法对提高故障诊断识别率,提高机组趋势预测精度,改善水电机组运行经济性、安全性、稳定性有重要意义。本文主要内容如下:首先,本文介绍了水电机组信号采集方法,包括传感器的选择,传感器的测点摆放。介绍了时域、频域和时频域信号预处理方法。另外对深度学习理论进行了概述,并介绍了卷积神经网络和循环神经网络的发展历史与原理结构。其次,本文将时频域信号变换法和卷积神经网络(Convolutional Neural Networks,CNN)相结合提出了水电机组振动故障诊断方法,并对其进行改进。CNN包含图像特征提取器,能从图像中自适应地提取特征,因此可将采集到的水电机组原始振动信号,通过时频变换将信号转化为网络所需的时频图像,并作为网络的输入。通过调节网络迭代次数、批量尺寸和卷积核个数等网络超参数,使网络模型识别率达到最优,并对模型进行结构优化和选用理论效果较好的激活函数。最后得出基于时频图的二维卷积神经网络模型与其他模型进行对比试验分析。最后,本文采用注意力机制与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的方法对水电机组运行状态进行预测。首先将数据格式转化为LSTM训练所需的格式,并将其划分为训练集、测试集和验证集。针对水电机组振动数据非线性强的特点,在LSTM模型中引入注意力机制来获取隐含层不同特征向量的权重并进行合理分配,提高趋势预测精度。此外,通过试验选择合适的LSTM预测模型结构、优化算法、隐含层神经元数目等来优化模型。最后通过训练得到该模型,并与其他模型进行对比试验分析。

关键词： 水电机组   振动信号   故障诊断   局部切空间排列算法   谱聚类  

摘要： 为提高水电机组故障诊断的准确性、确保机组安全运行,提出了基于局部切空间排列算法(local tangent space alignment,LTSA)与谱聚类的水电机组振动故障诊断方法。首先,利用GHM(Geronimo,Hardin,Massopust)多小波对机组振动信号进行分解,从所得多小波分解系数中提取多个特征参数,并利用检测指数(detection index,DI)对特征参数进行特征选择,降低特征维数;然后,利用LTSA对所得故障特征进行融合,获取低维强敏感特征参数;最后,将所得的特征参数输入到谱聚类算法中,实现水电机组振动故障识别。利用转子试验台和水电机组振动信号对所提出的方法进行了验证,结果表明该方法能够更好地识别机组故障。

关键词： 端部磁场   铁芯温度   硅钢片位移   磁固耦合   故障处理  

摘要： 阐述了紧水滩机组定子铁芯底部硅钢片位移的特点和位移量,结合定子端部磁场和铁芯温度的分布规律,分析了硅钢片位移的起始原因,即硅钢片温度的不均匀分布乃至局部过热,而该型机组铁芯的结构使得硅钢片均匀压紧难度大,在机座振动和电磁力的作用下,硅钢片位移量不断加大,当松动的硅钢片固有频率与某段频率的电磁力存在共振关系时,就会引起磁固耦合双重共振,使得位移呈跳跃性扩大而危及定子线棒绝缘。另外,还介绍了故障的处理方法,提出了在设计、安装等方面防范此类故障的措施和建议。

关键词： 水轮发电机组   振动故障   智能诊断   安全运行  

摘要： 故障诊断技术是水轮发电机组安全稳定运行的关键技术之一,也是水轮发电机组提高运行效率、进行预知维修及科学管理的重要基础。在简要介绍水轮发电机组振动故障类型及其特点的基础上,对水轮发电机组振动故障的智能诊断方法进行了详细的阐述,并探讨了水轮发电机组振动故障诊断技术未来可能的主要发展方向。

关键词： 调速器   主配压阀   液压随动   分析排查  

摘要： 为科学有效地排查主配抽动故障起因,结合调速器闭环控制模型,通过推演液压系统失稳机理,自内向外、层次性、全面性地分析了造成主配抽动的内因和外因。分析得出:主配压阀抽动的内因是主配阀芯位移反馈的失真或断线,外因为控制上的频繁调节。针对主配压阀抽动故障建立的一套科学有效的分析方法,方便了工程技术人员、水电运维人员精准高效地锁定故障原因并及时解决调速器主配压阀抽动故障,从而极大程度地保证了水电机组的安全稳定运行。

关键词： Failure analysis  

摘要： Based on the research of wavelet neural network (WNN), an adaptive particle swarm optimization (APSO) is proposed to solve the complex nonlinear relationship between the vibration characteristics and fault types of hydropower systems. This algorithm combines characteristics of evolutionary compute and swarm intelligences. It can change inertia weight according to the states of the particle adaptively. APSO rises the training speed of wavelet neural network, and improves network training accuracy. Experiments indicate that wavelet neural network based on APSO contains a higher precision and faster speed of diagnosis, compared with back propagation (BP) neural network and wavelet neural network. The algorithm is a new method for fault diagnosis of hydroelectric generating units (HGU), and it can be effectively applied to practical engineering. © 2021, Chinese Mechanical Engineering Society. All right reserved.

关键词： 水电机组   轴心轨迹   卷积神经网络   小波变换   奇异值分解   故障诊断  

摘要： 提出了一种结合卷积神经网络,小波变换和奇异值分解理论的水电机组故障诊断方法。利用卷积神经网络提取机组轴心轨迹的图像特征;通过离散小波变换对摆度信号进行分解,获得信号的小波分解系数,对各分支系数进行重构,构造奇异值分解输入矩阵,提取矩阵奇异值作为特征向量。将两种方法提取的特征进行组合,构建包含图像特征和波形特征的混合特征向量,通过概率神经网络进行识别分类。为验证该方法的有效性,将水电机组常见故障在转子试验台上进行模拟,用上述方法进行诊断。结果表明,文中所提出的故障诊断方法能很好地识别水电机组不同运行状态,可为水电机组的故障诊断提供有效依据。

关键词： 水电机组   稳定性监测   信号降噪   变分模态分解   故障诊断   支持向量数据描述   概率神经网络  

摘要： 随着双碳行动的逐步开展,我国能源体系将发生新的变革,稳定可靠调节能力强的水力发电将作为我国能源变革的重要支撑,同时将在电能调峰填谷中发挥重要作用,其安全稳定运行关系到电厂侧和电网侧的安全。水电机组运行过程中受到诸多因素的影响,一旦发生故障将造成巨大的损失,对机组进行故障诊断可为评价机组运行状态提供数据依据,及时消除存在的安全问题。本文围绕机组故障诊断的几个热点问题展开研究,包括机组稳定性监测、信号降噪、异常振动检测预警及故障识别等几个方面,全文的主要内容和创新性研究成果如下所示:(1)基于MFC/Measurement Studio和NI 9172/NI 9205/NI 9203设计开发了机组稳定性监测系统,实现了对机组各类信号的实时采集、分析、显示及存储等功能,同时采集软件可兼容不同的NI模块,根据实际需要更换或配置硬件设备,具有很高的灵活性,为机组稳定性参数监测提供了很好的解决方案。在实际应用中表明此系统可以准确高效地获取机组运行稳定性数据,可进一步分析评价机组运行状态。(2)提出了基于变分模态分解(VMD)的振动信号降噪方法VMD-PE-WP。该方法融合了VMD良好的平稳分量提取能力和排列熵(PE)对噪声分量的表征能力,利用小波包(WP)对PE阈值筛选出的有效分量进行降噪,其余分量视为噪声分量并舍弃,对各个降噪后的分量重构完成对信号的降噪。通过仿真信号和转子振动信号的降噪研究,结果表明该方法可以有效去除振动信号中存在的噪声信息,同时与不同的降噪方法进行对比分析,验证了所提方法具有更优的降噪性能。(3)在支持向量数据描述(SVDD)方法的基础上提出了一种基于同工况下正常数据集建模的异常振动检测方法SVD-GA-NWSVDD。该方法利用奇异值分解(SVD)提取信号的奇异值向量作为信号特征向量,并利用遗传算法(GA)优化的多次加权支持向量数据描述(NWSVDD)算法训练得到的最优超球体用于异常振动检测。通过转子振动数据集和水电机组振动数据集的离线异常振动检测研究,结果表明该方法具有较灵敏的异常振动检测能力,进而实现振动故障的预警。(4)结合概率神经网络(PNN)提出了基于特征融合的水电机组振动故障识别方法MIFS-LPP-GPNN。该方法首先提取多个域内的信号特征构成故障识别的初始特征集,再引入互信息(MI)和局部保留投影方法(LPP)来筛选有效特征并进行特征集降维获得高效特征,最后利用获得的高效特征结合遗传算法(GA)优化的概率神经网络(PNN)进行故障识别。在转子故障数据集和水电机组故障数据集上进行了故障识别研究,结果表明该方法可以减少无效特征的干扰和特征的冗余,实现故障类型的准确判别,同时与不同的故障识别算法进行对比分析,验证了该方法具有更好的故障识别能力。