关键词： 水轮机组   不平衡故障   故障特征指标   故障预警   大数据技术  

摘要： 以质量不平衡、电磁拉力不平衡、水力不平衡为代表的不平衡类故障是水电机组最常见的故障,对这类故障进行预测和早期预警迫在眉睫。传统的故障诊断技术往往局限于事后故障分析,而本文则通过对机组不平衡类故障的机理分析,针对各种不平衡故障,提出能反映故障发展水平的特征指标,并采用大数据分析技术,通过对特征指标的大数据挖掘分析,实现机组不平衡故障的早期预警。

关键词： 水电机组   故障诊断   因果关系   条件概率表   模糊认知贝叶斯网络  

摘要： 为构建更为直观显示水电机组各类型故障之间因果关系的水电机组故障诊断模型,提出一种基于可能性原理的模糊认知贝叶斯网络建模方法,通过专家经验与数据学习构建普通贝叶斯网络与条件概率表,利用条件概率表发现变量间的概率因果关系,并根据不确定性原理将概率因果关系转化为模糊因果关系,最后确定因果关系标志符号,并完成模型的构建。通过构建水电机组故障诊断模型对模糊认知贝叶斯网络模型进行了有效验证,结果表明该模型能直观反映水电机组各类型故障之间的因果关系。

关键词： FCM聚类   膜计算   水电机组   故障识别  

摘要： 本文对水电机组振动故障进行识别研究,提出了一种基于膜计算的粒子群模糊聚类方法;该方法利用粒子群算法对模糊均值聚类算法的聚类中心进行优化,并利用膜计算增加粒子群的种群多样性;最后将所给方法成功应用于水电机组振动故障识别;并与粒子群优化的FCM算法、FCM算法、K-means算法进行比较,说明所给方法的优越性。

关键词： 水电机组   故障诊断   FFT  

摘要： 随着水电站自动化运行不断提升,传统的维修方式已经难符合需求,需要提升设备的利用效率,节省维修成本,这对于水电站经济效益的提升有着十分重要的意义。本文将对水电机组振动监测与故障系统的构成以及设计进行分析。

关键词： 故障诊断   融合模型   支持向量机   微分经验模式分解  

摘要： 为提高水电机组故障诊断的准确率,提出基于优化支持向量机多分类器的水电机组故障诊断方法。支持向量机(Support Vector Machine,简称SVM)在解决小样本问题上有着突出的表现,针对其参数设置采用人工蜜蜂群(artificial bee colony,简称ABC)进行参数优化。建立基于Fisher加权的朴素贝叶斯分类器(Attribute Fisher Weighted Naive Bayes Classifier,简称FWNBC)和基于Mahalanobis距离的分类器(Mahalanobis Distance Classifier,简称MDC),并与优化的支持向量机分类器组合成为FWNBC+MDC+优化SVM的分类融合模型,以基于优化微分经验模式分解法(Differential empirical mode decomposition,简称DEMD)提取的分量作为输入特征向量,应用融合模型对水电机组故障进行诊断,以投票为决策方法。实验结果表明该模型对于未经优化的支持向量机和特征提取以及单一的分类器,能有效提高故障识别的准确率。

关键词： 水电机组   状态监测   故障诊断  

摘要： 作为电厂的重要设备之一,水电机组的良好运行状态是确保水电厂安全运行的重要保证。随着国内水电工程建设的发展不断加快,水电机组开始往高效率、大容量、高转速以及高水头的设计方向进行发展,在设计采用的材料拥有更高的强度,不仅增加了机组尺寸,减小了相对刚度,并且采用更加灵活的构件,因此对机组运行的稳定性和可靠性提出了更高的要求。为了对水电机组的运行状态进行在线监测和诊断分析,采用了水电机组状态监测与故障诊断系统,通过系统收集机组运行数据,上传给计算机网络进行监测分析,对机组运行过程中存在的潜在故障进行排查和报警,提前避免重大安全事故的产生,对保证水电机组运行的安全性和可靠性具有重要的意义。本文主要对状态监测技术和故障诊断技术进行了分析。

关键词： 水电机组   空蚀故障诊断   经验模态分解   混合特征提取   神经网络  

摘要： 针对水电机组空蚀信号非平稳和非线性的特点,提出一种基于经验模态分解-BP神经网络(EMDBPNN)的空蚀故障混合特征提取与分类方法。首先对空蚀信号进行经验模态分解,得到一系列的本征模态函数(IMFs),提取各IMFs分量的能量特征和奇异值特征,同时提取常规的时域和频域特征,构建混合特征向量;然后将此向量作为神经网络的输入,对水电机组空载工况、导叶30%开度和满负荷运行等三种工况下的空蚀数据进行识别分类。试验结果显示,该方法能够对水电机组空蚀故障进行准确诊断,具有较强的工程应用价值。

关键词： 水轮发电机组   快速独立分量分析   集合经验模态分解   最小二乘支持向量机   故障诊断  

摘要： 振动问题在水电机组中普遍存在。因此,对机组的振动信号作以有效分析与评价,准确识别与排除故障,对保障机组、电厂及电网的最优运行具有重要意义。本文以水电机组的振动信号为研究对象,将快速独立分量分析和集合经验模态分解进行有效结合,然后引入到机组振动信号的处理中;同时构建基于改进粒子群优化算法-最小二乘支持向量机的模型,用于振动故障的判别。首先针对水电机组振动激励源众多、传播路径复杂且容易产生耦合的特点,引入了快速独立分量分析(FICA)方法对实测信号进行分离,获得多个能表征不同振源的独立分量。在此基础上,提出FICA-EEMD特征提取法。即对FICA分离的各个独立分量作集合经验模态分解(EEMD),获得若干个本征模态分量(IMF),再将各个IMF归一化能量当作对应分量的特征值。与使用EEMD相比,FICA-EEMD具有一定的优势。然后将最小二乘支持向量机(LSSVM)引入到机组的振动故障诊断中。利用改进后的粒子群优化算法(IPSO)确定LSSVM的最佳超参数,并对传统的LSSVM进行有效的多分类扩展,进而构建相应的诊断模型,以完成对多种振动故障的精确判别。最后利用实测振动数据对上述理论与模型作以验证。可以证明,FICA-EEMD可有效提取到振动信号的特征向量,IPSO-LSSVM可准确识别出振动故障的类型,且相较于PSO-LSSVM、GA-LSSVM模型,具有更高的诊断精度及更快的运行速度,值得推广应用。

关键词： 水电机组   大数据   故障检测   相对熵   聚类  

摘要： 水电机组状态检修对水电厂安全稳定、高效运行意义重大。状态检修依赖于状态监测和故障诊断。目前状态监测技术日趋成熟,而且在实际运行中得到了越来越多应用。水电机组故障诊断技术目前尚不成熟,主要原因是:缺乏故障样本、部分故障机理不明。因此,水电机组故障诊断在实际运行中少有应用。鉴于故障诊断难以实施,结合水电机组状态检修的实际需求,可以采用故障检测手段为机组状态检修提供指导。依据水电机组运行产生的大数据开展水电机组故障检测是有益的途径。本文针对故障检测开展了如下研究工作:1.通过类比分析的方法,得到了发生故障时数据变化的简化数学模型。故障时数据异常一般可分为:均值异常、方差异常、趋势异常以及复合异常。2.通过使用数学模型进行验证,得到M-K检验无法检测均值异常、方差异常和趋势异常;滑动t-检验无法检测均值异常、方差异常和趋势异常;启发式分割无法检测出方差异常,可以检测出趋势异常和均值异常。3.通过蒙特卡洛模拟得到归一化加权平均值的分布规律,根据该规律进行故障检测。该方法虽然无法检验出方差异常,但由于具有明确的物理意义,可作为度量机组健康状态的指标。4.通过数学模型和实例的验证,使用相对熵和重复率可以检测出各类异常,即能够进行故障检测。相对熵大于预警值时机组为故障状态,重复率小于预警值时机组为故障状态。5.对二维机组状态数据,使用DBSCAN方法聚类,若得到的聚类簇数量大于1,则机组为故障状态;若得到的聚类簇数量为1,进一步考察噪声数据的分布情况,若噪声数据的差异程度指标大于设置的预警值,则检出机组处于故障状态。

关键词： 水电机组   轴承   状态检测   故障诊断   专家系统  

摘要： 随着中国经济的快速发展,国内能源的消费需求量越来越大。水电作为一种清洁能源在我国能源供应中占有的比重越来越高,这是我国应对能源需求井喷,发展可再生能源的重要选择。近年来,水电机组逐渐向着巨型化、大容量、高水头方向发展,其安全稳定性问题日益突出。轴承作为水电机组的重要组成部件,其工作性能的好坏将对机组安全稳定性产生重要影响。国内许多电厂的机组都发生过轴承瓦面温度升高,瓦面磨损现象,直接影响机组的稳定运行,甚至危及电网的安全。因此,开展轴承的状态检测与故障诊断研究是十分必要的。本文开发的轴承检测与诊断系统可以实时监测轴承的运行状态,分析轴承可能出现的故障,为最终实现机组的状态检修提供技术支撑。本文采用了基于规则的专家系统诊断方法,通过Delphi开发了一套针对水电机组轴承的状态检测与故障诊断软件。该系统采用C/S模式,能够实现局域网内数据的共享,具有实时监测、报警查询、历史趋势分析、轴承状态分析诊断的功能,比较全面反映了机组轴承的运行状态信息。在数据采集及存储方面,本文完成了系统硬件设计,包括测量参数、传感器及测点布置的选择等;采用了数据库加数据文件的方式对监测数据进行存储,设计了实时数据库、历史数据库、报警数据库、开停机数据库及静态参数库实现了对基础数据进行有效的管理。在轴承故障诊断模型设计中,采用了基于规则的专家系统。利用基于可信度产生式规则表示法,对专家知识进行了规则化,使得专家系统具有较强的开放性和可扩展性,便于以后对专家系统知识库不断补充与完善。最后,通过对本文研究内容的总结,阐明了系统存在的不足,并为后续研究提供了一定的参考和借鉴。