关键词： 水电机组   故障诊断   多元多尺度符号动态熵   随机配置网络   特征提取  

摘要： 现有水电机组轴系故障诊断研究主要建立在单一传感器振动信号数据的基础上,存在故障信息缺失和传感器测点选择困难等问题。为此,提出了一种基于精细复合多元多尺度符号动态熵(RCMMSDE)和随机配置网络(SCN)相结合的水电机组轴系故障诊断方法。首先,将精细复合技术引入RCMMSDE模型中,改进了传统多元多尺度熵粗粒化不足的问题。然后,通过提取水电机组不同传感器振动信号的RCMMSDE值作为故障特征。最终,将故障特征输入SCN网络实现水电机组轴系故障的准确识别。仿真结果表明,RCMMSDE-SCN模型在两个不同数据集上分别取得了97.58%和99.17%的诊断率,验证了所提模型具有良好的诊断性能。同时,对比不同诊断模型在多元传感器信号和单一传感器信号两种不同情景下的诊断情况,表明融合多元振动信号可以有效改善水电机组轴系故障诊断模型的识别性能。本研究为融合水电机组多元传感器振动信号故障诊断提供了一种新的方法,具有良好的借鉴价值。

关键词： 水力机组   振动   故障诊断   特征提取   多能互补  

摘要： 构建新型电力系统是实现能源低碳转型的重要保障,水电与风光电互补发电可以平抑新能源出力波动。接入风光电的水电机组频繁启停加剧了机组振动、影响机组运行性能。考虑到80%左右的机组故障都在振动信号中有所体现,通过振动信号深入分析故障成因,对保障机组安全稳定运行具有重要意义。本文分析了常规水电与接入风光电的水电机组振动振动情况,介绍了国内外基于非平稳性振动信号的时频特征提取方法和故障诊断技术,探讨了未来水电机组故障诊断技术的发展趋势,为接入风光电的水电机组振动特性分析以及故障诊断技术的进步提供一定的参考。

关键词： 水电机组   微分经验模态分解   能量特征   信号预处理  

摘要： 针对经验模态分解方法在处理水电机组振动这类由多重信号和噪声耦合的信号时出现的模态混叠现象,提出了一种微分经验模态分解和能量特征相结合的水电机组故障信号预处理方法。通过微分经验模态算法对信号进行分解,接着构造各阶微分信号能量矩阵,通过能量矩阵可以筛选出有效的分量。仿真试验表明微分经验模态分解能有效的避免模态混叠效应,使用支持向量机验证在水电机组导轴承信号预处理中,二阶经验模态分解构造的能量特征矩阵识别精度达98%。这一方法在水电机组复杂耦合信号预处理的应用中有很好的工程应用价值。

关键词： 水电机组   故障诊断   支持向量机   自适应噪声完备集合模态分解   混合灰狼优化  

摘要： 为有效利用水电机组的振动信号诊断机组故障,提出了一种基于自适应噪声完备集合模态分解(CEEMDAN)和混合灰狼算法优化支持向量机(HGWO-SVM)的水电机组故障诊断方法。首先利用CEEMDAN方法对原始振动信号进行分解降噪,获得原始信号的各模态分量(IMF),并以IMF为基础构造各样本下机组信号的特征向量;接着在原始的灰狼优化算法(GWO)中引入交叉、变异和选择过程,增强其全局搜索能力,构建出新的混合灰狼优化算法(HGWO),并用其对SVM中的核函数系数g和惩罚系数c进行全局寻优以获得具有最优分类效果的SVM用于故障诊断;最后,以两个公开数据集和两个自用数据集为例,研究特征向量构建方法和SVM的优化算法对故障诊断效果的影响。同时,亦验证了所提方法具有良好的分类效果,是一种有效的水电机组故障诊断方法。

关键词： 时移多尺度注意熵   随机森林   主成分分析   水电机组   故障诊断  

摘要： 针对传统诊断方法难以在高噪声环境下进行故障精准识别的问题,本文提出了一种抗噪性能良好、识别率高的水电机组故障诊断方法。首先,基于分形理论,提出了一种度量信号复杂度的工具——时移多尺度注意熵(Time-shifted multiscale attention entropy,TSMATE)。然后,利用主成分分析(Principal component analysis,PCA)对TSMATE进行降维处理,克服了特征冗杂问题。最终,将降维后的特征输入到随机森林(Random forests,RF)模型进行诊断。通过对振动信号添加不同信噪比的噪声,探究不同噪声强度下所提模型的抗噪性能。仿真实验表明,TSMATE-PCA-RF在0 dB、1 dB、2 dB以及3 dB四种不同信噪比噪声干扰下,分别取得了98.06%、98.89%、99.17%以及99.17%的诊断率,验证了所提模型具有良好的抗噪性能。该研究为水电机组故障诊断提供了新手段。

关键词： 水电机组   故障在线检测   变负荷检测   自适应K-Means聚类   主元分析  

摘要： 灯泡贯流式水电机组在运行过程中,由于受水力因素、机械、工况等因素影响,很容易导致转轮叶片与转轮室发生故障,严重影响水电机组安全运行。在分析灯泡贯流式水电机组转轮叶片与转轮室故障信号特征的基础上,提出了一种基于K均值(K-Means)和莱特准则(Wright′s criterion)的水电机组故障在线检测方法。该方法利用主元分析(PCA)对水电机组振动和噪声信号特征降维后,融合莱特准则改进传统K均值算法,以实现K值的自适应选择,对特征进行在线聚类,能快速准确识别水轮机变负荷状态与金属扫膛故障。将本文方法应用到五凌电力近尾洲水电站灯泡贯流式机组故障检测中,实验结果表明,采用该方法的故障在线检测准确率为100%、变负荷在线检测准确率为96.7%,运行近10个月没有出现故障误报和漏报,表明了该方法的有效性。

关键词： 水电机组   集合经验模态分解(EEMD)   曲线趋势编码(CC)   隐马尔科夫模型(HMM)   故障识别  

摘要： 针对水电机组故障诊断问题,提出了一种基于集合经验模态分解(EEMD),曲线趋势编码(CC)和隐马尔科夫模型(HMM)的故障识别方法。该方法首先利用EEMD处理机组振动信号,得到一系列本征模态函数(IMF)然后计算各阶IMF的标准差(SDs)形成标准差曲线,并根据IMF标准差曲线的趋势进行编码构成特征向量。最后将特征向量作为学习样本输入HMM,通过训练得到各状态的HMM。当待测样本输入各状态HMM时,可通过对比各模型输出的对数似然概率值来判断样本所属状态。试验结果表明,该方法能有效提取机组故障特征,识别故障类型,与常规故障识别方法相比,具有较高的准确率。

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   故障分析   特征提取   诊断  

摘要： 水电机组是水电能源转换过程中的核心设备,其安全稳定运行对于电力生产安全以及电网系统安全稳定运行都具有重要的意义。机组振动监测信号中包含大量反映机组健康状况的有用信息,振动信号的分析、特征量的提取,进而总结发现机组振动故障特性及故障诊断方法,对于评估机组的健康状况以及故障情况下的快速诊断具有重要参考价值。水电机组由于运行过程中受到水流、机械与电磁等激励力的耦合作用,其振动响应信号具有非线性、非平稳的复杂特点,为信号分析及特征量提取带来了阻碍。此外,由于故障案例的稀缺,从机组实测振动信号研究振动故障特性也具有一定的困难。本文利用机组振动试验台开展不同振动故障条件下的振动响应实验研究,对不同故障条件下的振动实验信号进行特征提取处理并进行对比总结分析,以研究机组在相应故障类型下的故障特性。在此基础上总结出可用于故障识别的特征向量,结合智能诊断方法实现对机组振动故障的识别与诊断,所建立的故障诊断模型在实际机组监测信号上得到一定程度的验证,对水电机组振动稳定性健康状况评价以及故障诊断工作具有较好的参考价值。本文的主要研究内容如下: (1)不对中和松动是水电机组中常见的两种机械故障类型,基于Jeffcott转子,采用键合图方法建立了机组转子轴系动力学模型,通过仿真计算分别对两种故障条件下转子的动力学特性进行了研究,同时在振动试验台上进行了振动响应实验。将仿真结果与实验结果对比分析,转子振动响应曲线、振动中心偏移规律、振动幅值变化规律以及振动信号频谱信息基本相同。表明振动试验台进行模拟实验能够有效反映出机组在故障条件下的振动响应特性。 (2)对于振动信号的特征信息提取,使用改进的变分模态分解方法分析信号的幅值信息,采用包络谱分析信号的冲击频率幅值信息。对比不同故障条件下振动信号的特征信息:不对中故障时,频谱与包络谱中2倍频信息突出,其幅值随不对中程度增大而增加;松动故障时,转子轴系振动幅值显著增加,包络谱中存在大量的倍频与分频信息。根据信号特征信息构成的特征向量,采用遗传算法优化的BP神经网络(GA-BP神经网络)对振动试验台正常、不对中、松动三种状态进行故障识别。结果表明基于频谱与包络谱的特征信息可以有效体现出转子轴系在不同状态下振动信号之间的差异。 (3)采用水电机组的实测信号对故障诊断模型进行验证。成功识别出机组不同状态下的振动信号,说明提取的信号特征向量应用在实际信号中可以取得良好效果。振动试验台模拟故障信号训练的GA-BP神经网络成功诊断出机组存在的部分故障,进一步证实了故障诊断方法的实用性。

关键词： 水电机组   故障征兆指标   故障诊断   健康评价   趋势预测   信息融合  

摘要： 随着我国能源结构改革不断推进,尤其是近年来“双碳”战略的实施,以水电为代表的清洁能源产业迎来了新的发展契机,水电机组装机容量大规模增长。与此同时,水电能源在电网中也逐渐承担更多负荷占比与调峰调频任务。水电机组作为水电站能源转换的关键设备,其结构逐渐向着大型化、复杂化、智能化发展,诱发故障的因素增加,因故障恶化造成的事故停机损失和检修成本也不断增高,一旦发生重大事故,势必会严重影响我国能源安全与电网稳定,造成巨大经济损失和社会负面影响。因此,针对水电机组的状态运维与故障诊断一直是行业研究关注热点。 计算机与信息技术飞速发展使得以工业互联网为代表的新一代技术在水电产业已蓄势待发,数字化电站、智能化水电厂、智慧水电企业建设成为行业未来发展必然趋势。目前各发电集团已陆续投身水电工业互联网平台建设,在系统搭建、信号采集、样本汇聚、数据清洗等方面取得一定成效,但对于机组信号特征提取、故障预警、状态评价等核心方法理论研究与开发实施方面仍有很大提升空间。 本文紧密贴合当前行业发展趋势,对水电机组状态监测与故障诊断领域内研究现状与不足进行深入分析。围绕水电机组信号特征提取与故障识别、机组故障征兆在线预警、机组健康状态在线评估与趋势预测方面亟待解决的若干科学问题展开研究。通过融合机组多源信息构建故障征兆指标体系,根据该指标体系进行水电机组故障预警与状态评价。首先以从不同电站工业大数据平台采集的机组状态监测信号为基础,结合多学科交叉中的信号分析、深度学习理论与机器学习算法,构建融合图像与信号时频信息的水电机组故障诊断模型;其次在诊断模型所研究的信号特征提取方法基础上,考虑机组运行工况,充分挖掘历史样本信息,设计适用于机组不同类型监测信号且对故障敏感度更高的故障征兆预警指标,并结合数理统计理论提出相应故障预警模型;进一步地,将单一指标上升到系统整体,构建机组多源故障征兆指标体系,以该指标体系为依托,对水电机组状态评估中存在空白与不足作更深层次研究,结合模糊数学并引入不确定性人工智能理论,创造性提出了机组健康状态自适应模糊评价方法;最后在此基础上,以信号分解与深度学习理论为研究手段,构建机组设备整体健康状态趋势预测评估模型,为实现水电机组趋势预测由单一信号上升至系统整体做出了开创性研究。本文研究内容主要为: 1.针对水电机组故障特征提取多围绕振动信号而对图像信息重视不足的情况,分别开展振摆信号波形特征与轴心轨迹图像特征提取方法研究,最终构建出基于时频域图像信息融合的水电机组故障诊断模型。首先针对振摆波形信号,提出基于小波变换与奇异值分解的信号特征提取方法;针对以轴心轨迹为代表的图像信息,提出基于卷积神经网络的图像特征提取方法;将两种维度特征融合,构建涵盖信号一维时频域与二维图像域混合特征向量。考虑机组运行中故障样本少的现实,使用支持向量机作为分类识别模块识别故障混合特征,避免了单纯依赖卷积神经网络识别轴心轨迹的方式进行故障识别诊断时其softmax分类器在小样本模式下学习能力不足问题,同时混合特征的构建也有效提高机组不同故障区分度与识别率。使用工程实际案例对该诊断模型进行测试,并与单一特征诊断方法对比,验证所提模型有效性和优势。 2.在内容1信号特征提取研究成果基础上,对目前各电站工业大数据平台所积累工况及历史监测数据进行充分挖掘,提出基于检测指数与特征驱动的机组故障征兆在线预警方法,构建出适用于机组振摆信号的故障征兆指标。分别结合检测指数理论与最小二乘支持向量机理论,构建机组时域方面故障征兆指标;结合所提基于小波变换与奇异值分解的信号特征提取方法和聚类算法,构建机组频域方面故障征兆指标。将时域与频域征兆指标加权,最终构建出综合故障征兆指标用于机组故障预警。所构建的征兆指标综合考虑信号时频特征与机组运行工况,且具有较为显著的正态分布特性。通过对实际电站机组故障预警结果表明,与传统信号监测量相比,该指标对机组状态劣化趋势反映更为敏感,能有效提高机组故障可预知性。同时其正态分布特性为高斯阈值法应用提供了坚实的数学支撑,在此基础上进一步提出基于Bootstrap抽样与高斯阈值的指标限值计算方法,使得通过故障指标进行机组故障在线预警具有更为可靠的限值依据。 3.以内容2所构建故障征兆指标为依托,融合多源测点信息建立机组故障征兆指标体系,提出基于故障征兆指标与变权高斯云模型的水电机组健康状态自适应模糊评价方法。以故障征兆指标为基本参量,构建机组层次分析体系并计算各成分综合权重,充分利用机组状态监测历史信息。引入不确定性人工智能中的云模型理论,构建相似工况下各测点故障征兆指标标准云图,通过实时监测中指标相对标准云图偏离程度计算当前指标劣化度,有效考虑机组自身条件影响,减轻对传统规程限值依赖。同时将征兆指标劣化度与传统模糊隶属度函数结合,构建符合指标劣化度