关键词： 水电机组   故障诊断   生成对抗网络   可微分数据增强  

摘要： 针对水电机组标定的故障样本偏少的现象,设计了基于DA-WGAN-SVM的水电机组故障诊断模型。首先针对生成对抗网络容易过拟合的问题,采用可微分数据增强实现生成器和判别器的数据增强,提高了生成对抗网络的稳定性,接着利用优化的生成对抗网络实现水电机组故障样本的扩充,最后利用支持向量机对样本进行分类。实例分析验证了该方法的有效性,可为实际工程应用提供参考。

关键词： 水电站   水电机组   振动信号   故障诊断   迁移学习   数据驱动  

摘要： 【目的】针对水电机组实际运行中故障数据少、不同机组间故障信号不符合同分布假设而导致模型训练困难、现有诊断模型泛化能力差的问题，提出了一种结合迁移学习策略与CNN-BIGRU-attention网络(TCBA)的故障诊断方法。【方法】以转子试验台数据为源域，真实水电机组振动数据为目标域数据。首先，组合卷积神经网络（CNN）、双向门控单元（BIGRU）与注意力单元，构建CNN-BIGRU-attention诊断模型，然后利用源域数据对模型进行训练，训练完成后将模型的参数迁移至目标领域的故障诊断模型中，迁移过程中将低层网络冻结，并通过部分目标域数据对高层网络进行微调，最终得到适应目标设备的故障诊断模型。为验证所述方法的有效性，通过转子试验台数据集与真实水电机组故障数据的迁移实验对比所述模型与传统深度学习方法的识别准确率、训练速度以及所需样本量等指标。【结果】结果表明：与传统训练方法相比，所提方法能够显著提高模型的收敛速度并有效降低训练所需样本量。在小样本下对实际水电站故障样本数据的故障状态的识别率可达99.02%，相比传统方法提升约3.00%。【结论】研究结果充分证明了该方法具有较好的故障状态识别能力，为解决数据有限情况下的水电机组故障识别问题提供了一种有效的解决途径。

关键词： 水电机组   ICEEMDAN   卷积神经网络   故障诊断  

摘要： 为实现水电机组故障的准确识别,首先结合改进的自适应白噪声完全集合经验模态分解模型(ICEEMDAN)和相关性分析方法对振动信号进行分解及重构处理;接着,为解决因卷积神经网络(CNN)输入具有多样性问题,比较分析了3种不同输入信号构造方式对CNN模型故障诊断识别准确率的影响;最终选定了一维重构信号的方形矩阵形式作为CNN的输入方式,通过某电厂转轮室碰摩故障实测数据验证该方法能有效提高水电机组故障诊断精度。

关键词： 水电机组   故障诊断   深度残差收缩网络   光谱优化算法   经验模态分解  

摘要： 水电机组的振动信号中蕴藏着丰富的机组状态信息,如果能充分地提取并有效地利用其所含的故障特征,将对识别机组状态、诊断机组故障带来极大的便利。为充分地提取振动信号所蕴含的故障特征,将深度残差收缩网络(DRSN)与经验模态分解(EMD)相结合,前者挖掘数据隐藏信息,后者提取时频特征,进而形成融合特征。随后,为有效利用这些故障特征,采用改进光谱优化算法(ILSO)对支持向量机(SVM)的核函数参数G和惩罚系数C进行寻优,以提高SVM的分类精确度。经分析表明该方法能在一定程度上加深对水电机组故障特征的挖掘,提高故障诊断的效率及准确率。

关键词： 水电机组   故障诊断   振动   摆度   压力脉动  

摘要： 【目的】依据国家“十四五”规划，以水电、光电、风电为主的可再生清洁能源将进一步增大在我国能源供应结构中的占比。但由于水力发电机理的复杂性和随机性，水轮机组的各种故障频发并严重影响了电站的高效稳定运行。而振动作为检验水电机组安全性和稳定性的重要指标，依据振动数据针对故障诊断技术进行研究是实现水电机组从计划检修过渡到状态检修的必经之路。【方法】从水电机组振动的定义、振动的测量与分析和故障诊断技术三个部分出发，叙述了水电机组故障诊断的研究现状、方法和技术，总结了现有研究相对于过去的进步和尚需填补的缺陷，【结果】阐明了基于振动的水电机组故障的基本概念、产生原因、危害和诊断方法，【结论】根据已有研究的一些共识提出了对应的几点展望。

关键词： 水电机组   特征提取   时移多尺度样本熵   IOOA-BiLSTM   故障诊断  

摘要： 为提高水电机组轴系振动故障诊断的准确率,本文提出了一种新的诊断方法。首先,基于完全自适应噪声集合经验模态分解(CEEMDAN)进行振动信号预处理;其次,基于时移多尺度思想,引入时移多尺度样本熵(TSMSE)模型,以克服传统多尺度样本熵鲁棒性差以及粗粒化不足的问题;最终,将TSMSE提取的故障特征集输入经过改进鱼鹰算法(IOOA)优化的双向长短时记忆网络(BiLSTM),进行故障特征分类。通过对原始信号添加SNR=5 dB噪声并引入两种特征熵与TSMSE对比,分析TSMSE的抗噪性能。仿真实验表明,在给定数据集下TSMSE特征提取能力明显优于另外两种方法。同时,所提故障诊断模型应用在原始信号和含噪信号两种情况下,分别取得了100%以及97.22%的准确率,验证了所提模型的良好性能,为水电机组故障诊断提供新的科学方法。

关键词： 水电机组   精细复合多尺度熵   余弦相似熵   ALWOA-BP   故障诊断  

摘要： 水电机组振动信号的诊断对机组安全稳定运行至关重要。本文提出一种基于均匀相位经验模态分解(Uniform Phase EMD,UPEMD)融合精细复合多尺度余弦相似熵(Refined Composite Multiscale CSE,RCMCSE)和改进鲸鱼算法优化反向传播神经网络(ALWOA-BP)的水电机组故障诊断方法。利用UPEMD对原始信号进行分解,然后建立WOA-BP故障诊断模型。针对WOA算法快速陷入局部最优和过早收敛的问题,采用自适应权重和莱维飞行对WOA算法进行优化。实验结果表明,该方法的准确率达到了100%。为探究所提模型的抗噪性能,引入信噪比为2 dB的噪声进行再次分析,诊断结果为94.44%,明显优于其他未优化模型。该项研究可以对现有水电机组故障诊断方法进行有价值的补充。

关键词： 时移多尺度波动散布熵   核极限学习机   算术优化算法   水电机组   故障诊断  

摘要： 水电在能源供给结构改革中承担重要角色,随着风、光、潮汐等新型能源的不断接入,水电机组的负荷运行范围不断加宽,导致水电机组发生事故的概率增加,因此,开展水电机组智能故障诊断研究具有十分重要的现实意义。本文针对水电机组振动信号中蕴含大量噪声信号,干扰故障诊断的问题,提出一种时移多尺度波动散布熵和改进核极限学习机相结合的水电机组故障诊断方法。首先,结合信息熵理论与时移思想,在多尺度波动散布熵的基础上,采用时移理论替代多尺度波动散布熵(MFDE)中传统的粗粒化过程,提出时移多尺度波动散布熵(TSMFDE),通过仿真实验,证明所提方法具有良好的时序长度鲁棒性、抗噪性及特征提取能力,解决了传统多尺度熵粗粒化不足的问题。然后,利用具有可移植性强、寻优能力强和收敛速度快等特征的算术优化算法(AOA)对核极限学习机(KELM)的正则化参数和核函数参数进行寻优,建立AOA-KELM分类器,解决了KELM超参数难以调节的问题。最终,通过转子试验台模拟实验,将TSMFDE提取的特征输入分类器中,完成模式识别工作。仿真结果表明,所提模型取得最高的诊断精度,达到了100.0%,相对于其他流行模型,本文所提模型展现了明显的优势,验证了所提模型的良好诊断精度。

关键词： 水电机组   故障诊断   变分模态分解   小波分解   深度卷积神经网络   注意力机制  

摘要： 水电机组故障诊断依赖于振动监测信号,但信号中存在的噪声会干扰诊断模型对有效特征的提取,降低模型精度。对此,提出一种联合变分模态分解和小波阈值降噪的水电机组故障诊断方法。首先对水电机组振动监测信号进行变分模态分解,得到若干低、中、高频分量。其次,对高频分量进行小波变换并舍弃小波系数低于设置阈值的部分,中低频分量保留。最后,构建基于注意力机制的多通道深度卷积神经网络模型,将分量作为各通道的输入信号,实现水电机组的状态识别。以水电机组实测振动信号作为样本,设计多组对比试验,结果表明该方法可有效滤除水电机组振动监测信号中的噪声,提高诊断模型的识别准确率。

关键词： 水电站   调速器油压装置   人工智能   工业互联网   故障预警  

摘要： 水电厂“无人值班、远程集控”模式下,集控值班员运行监盘面临着人工观察数据量大、主要依赖人的经验、设备缺陷早期识别难度大等问题。为提高值班员的运行监盘效率,满足水电厂“无人值班、远程集控”管理提升的需要,课题以水电站调速器油压装置为研究对象,应用人工智能、工业互联网等新一代信息技术,建设一个应用于水电机组调速器油压装置的设备故障预警系统,包括数据采集、数据分析及智能故障预警等模块。该系统能够对调速器油压装置的状态参数信息进行在线检测、处理和分析,达到设备状态监测及故障预警的目的,为水电站设备精益管理提供新模式、新理念。