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   特征提取   信号降噪   时频分析   同步压缩  

摘要： 水电作为电力系统中调峰、调频和降低新能源并网对电网冲击的重要一环,水电站的安全稳定运行至关重要。传统水电机组定期停机检修方案虽然能够有效的发现并解决运行中存在的各种安全问题,但在一定程度上影响经济效益。水电机组的旋转特性导致其80%左右的故障与设备振动异常有关联。因此,将水电机组的“定期检修”转变为基于振动状态监测的“按需检修”,可显著提高水电站的运维水平。在实际工作中,传统接触式振动传感器存在测频范围低和不适用于非接触式监测场景的问题。同时,由于水电机组早期故障信号具有幅值弱、调制性强和易受噪声干扰特点,早期机组故障特征往往难以准确提取。此外,机组自身结构的复杂性及其运行过程中同时受到水力、机械和电气等耦合因素的影响,使得机组的振动状态表现出强非平稳性。所以如何从复杂的机组振动信号中提取故障特征一直是水电机组状态监测的难题。针对上述问题,本文设计基于振动噪声信号的水电机组状态监测方案,提出以奇异值分解和多重匹配同步压缩变换为核心的机组故障特征提取算法。主要工作如下:1、针对机组早期故障信号幅值微弱和调制性强的特点,本文提出基于奇异值差值比(Difference Ratio,DR)指数和周期性调制强度(Periodic Modulation Intensity,PMI)指数的奇异值分解信号降噪方法。首先,由DR指数确定合适的Hankel矩阵行数,保证复杂多分量信号中的单分量可以被分解成幅值为原分量一半、相位与原信号分量相同的两个相似奇异分量。然后,在已有机械故障的先验知识下,通过自相关函数计算所有奇异分量的PMI指数。最后,根据各奇异分量PMI指数计算相应分量的重构权重,通过对奇异分量加权求和实现振动噪声信号降噪。仿真实验结果表明,基于DR和PMI指数的奇异值降噪方法可以从包含复杂背景噪声的监测信号中准确的提取出与机械故障相关的具有周期性调制特征的故障分量。2、针对同步压缩变换在处理强非平稳时变信号存在时频系数扩散、时频能量集中度低的问题,本文提出改进多重匹配同步压缩时频后处理算法。基于线性调频信号的短时傅里叶变换结果构造匹配瞬时频率估计算子,引入多重迭代操作减少匹配瞬时频率估计算子在处理强非平稳信号的瞬时频率估计误差。算法实现过程中,通过对迭代后的匹配瞬时频率估计算子进行二次取整操作确保分散的时频系数都能分配到正确的位置。在处理信噪比为30d B的强非平稳信号,相比于同步压缩变换和匹配同步压缩变换,多重匹配同步压缩变换的雷尼熵降低1.928和0.918,提取瞬时频率的均方误差降低0.1707和0.0037。同时,在0～30d B不同信噪比条件下,多重匹配同步压缩变换的上述两个指标同样要小于同步压缩变换和匹配同步压缩变换。实验结果表明,本文提出的方法在处理强非平稳信号中可以明显提高时频分辨率,并且具有较强的抗噪性。3、设计搭建水电机组振动噪声信号采集系统,提出基于改进SVD信号降噪方法和多重匹配同步压缩变换的机组故障特征提取方法,实现水电机组负荷调整判别、模拟敲击故障和尖锐故障特征频率的提取。在处理稳定负荷和变负荷的振动噪声信号中,基于多重匹配同步压缩变换所得时频图的基础上提取相应频带时频系数的均方根值实现水电机组稳定负荷和调负荷工况的区分;在处理模拟敲击故障的噪声信号中,基于DR指数和PMI指数的奇异值降噪方法实现了敲击故障信号分量的提取,结合包络分析得到相应故障特征频率2Hz;在处理模拟尖锐故障的噪声信号中,在多重匹配同步压缩变换的结果基础上提取出1700Hz附近故障分量的瞬时频率,根据瞬时频率重构出与尖锐故障相关的信号分量,结合傅里叶分析实现故障特征频率2Hz的准确提取。

关键词： 水电机组   特征提取   故障诊断   趋势预测  

摘要： 水电机组作为水电站的重要组成部分,其运行状态的稳定关系到整个电站的安全。研究表明,水电机组中大部分的故障由振动引起。受复杂运行环境影响,水电机组的振动信号呈现出强烈的非线性和非平稳性,在机组运行状态出现异常或发生故障时,机组的振动信号中会产生相应的动力学突变。本文围绕水电机组的故障诊断和健康状态趋势预测问题展开,使用信号时频分析方法、检测指数计算和智能算法作为研究手段,进行了机组振动信号的多维特征提取、特征约简和模式识别、机组健康状态变化趋势预测研究,为水电机组的故障诊断和健康性能预测提供了新思路,本文主要研究内容如下: (1)考虑到振动信号的非线性和非平稳性,针对单一时域特征在表征水电机组运行状态中的不足,在提取机组振动信号时域特征的基础上,通过信号时频分析方法和统计分析原理提取机组振动信号的时频域特征,共同构成机组振动信号多维特征矩阵。首先通过幅值域分析,计算振动信号的典型时域特征,构成多维特征矩阵的时域部分;其次,对振动信号进行集合经验模态分解(EEMD),再对各本征模态分量(IMF)分别计算奇异值特征和均方根特征,构成多维特征矩阵的时频域部分;最后,分别提取转子实验台振动信号和SK机组振动信号的多维特征矩阵,并通过K均值聚类验证了所提特征矩阵对处于不同状态的信号具有一定分别能力。 (2)针对多维特征矩阵中存在的信息冗余现象以及故障诊断中对模式识别的精度要求,使用检测指数(DI)对多维特征矩阵进行降维约简,并使用支持向量机(SVM)模型作为模式识别的分类器。DI是源于统计学中的概念,将其重新定义后应用于特征约简中,作为评价指标筛选特征矩阵中对信号状态更为敏感的特征参数用于模式识别中,以缩短模式识别所需时间,提高识别的效率;考虑到水电机组整体可靠性高,带标签的故障样本少这一特点,采用适用于小样本分类的SVM作为模式识别的分类器,考虑到惩罚系数和核参数对SVM识别精度的影响,利用网格搜索算法(GS)进行参数优化。将所提DI-GS-SVM模型分别应用于转子实验台振动信号和SK机组振动信号的故障诊断中,验证了所提模型的有效性。 (3)针对仅围绕振动信号的某一监测量展开的机组状态趋势预测方法存在的不足,考虑到工况参数对机组运行状态的影响,提出了基于集和经验模态分解-长短期记忆神经(EEMD-LSTM)的水电机组健康状态变化趋势预测模型。基于最小二乘支持向量机(LS-SVM)模型,利用机组历史监测数据寻找工况参数和机组典型监测数据之间的映射关系,建立机组标准健康状态模型;在此基础上,利用在线监测数据,计算当前工况参数所对应的健康监测值,通过计算健康监测值和实际监测值的相对误差,建立可以量化机组健康状态的指标序列;最后,结合EEMD的信号分析能力和LSTM在时间序列预测上的优势,基于EEMD-LSTM模型对指标序列进行变化趋势预测。将所提模型应用于SK机组振动信号中,实现了对机组健康指标的有效预测,有助于及时掌握机组健康状态变化情况。

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   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。