关键词： 水电机组   经验模态分解   神经网络   故障诊断  

摘要： 我国对电能的需求正在与日俱增。水力发电作为我国第二大发电方式,其清洁、成本低廉的特点符合我国制定的可持续发展政策。水电机组是水电站的核心部分,保证其安全稳定运行对电站的效益甚至整个电力系统的稳定性具有重大意义。然而当今对水电机组的检修形式存在一定的弊端,新型的状态检修形式逐渐受到人们的重视。状态检修需要通过测试信号判断水电机组的运行状态,因此开展水电机组故障诊断的研究,是目前研究的热点,而其中振动故障判断是研究的重点。由于水电机组的振动信号在采集过程中存在较多的背景噪声,必须对振动信号实施降噪处理。经验模态分解能够有效降低噪声干扰。故障的出现会使得水电机组振动信号中包含许多杂乱的频率成分,经过经验模态分解后故障特征将隐含在各阶分量中,采用一些无量纲特征参数可以将故障特征提取出来。水电机组是一个相当复杂的系统,故障与其特征之间的存在非线性的对应关系,神经网络经过训练后能够模拟这种非线性的映射关系,可以有效地判断水电机组的运行状态,而其中BP神经网络在拥有旋转结构的设备故障诊断领域中技术较为成熟,被广泛使用。本文主要的研究内容包括:(1)阐述水轮机工作原理和结构。分析水电机组经常出现的故障类型及其发生的原因。(2)系统阐述了经验模态分解的原理和特性,指出该方法用于降噪时存在的缺陷,提出模拟小波阈值降噪的经验模态阈值降噪方法,并通过实验检测了该方法的效果。(3)分析了经验模态分解中存在的端点效应和模态混叠对特征提取的不利影响。然后说明用镜像对称法可以约束端点效应的副作用,用聚合经验模态分解可以改善模态混叠现象,并通过实验检测了这两种方法的效果。(4)通过对特征提取的实际操作,选用了对故障敏感的6个无量纲特征参数作为故障特征用于故障诊断。(5)系统介绍了神经网络理论和BP神经网络的改进算法,利用BP神经网络处理水电机组故障诊断,得到最后的判断结果。

关键词： 水电机组   多重分形   自组织特征映射神经网络   振动信号   故障诊断  

摘要： 随着水电装机容量的增加,保证水电机组的安全可靠运行便成为了电力行业的一项重要内容。对水电机组的振动故障进行诊断,及时发现并排除机组的故障便成为了保证机组安全运行、电网安全,减低大型事故发生和避免重大经济损失的一项迫切要求。本文的主要研究内容如下:首先对于多重分形计算中由于传统的小波模极大值法在进行小波变换时会产生大量的接近于0的系数,这意味着对于含有-qs的结构函数而言,在计算时数值会产生不稳定的现象,针对这一现象,使用基于小波导性因子的多重分形计算方法,该方法可以保证在-qs的结构函数上计算的稳定性,同时相较于建立在连续小波变换上的小波模极大值法,该方法是建立在离散小波变换的基础上,计算复杂程度更低,更加适用于在线实时诊断。其次在上述工作的基础上,计算信号的多重分形谱作为故障特征向量。在多重分形谱中,当谱参数足够多时,所表征的机组状态信息越明确,但这相应地会带来“维数灾难”问题,针对这一问题,考虑到多重分形谱的非线性特性,使用堆叠降噪自编码模型对故障特征进行数据降维,获得具有较强鲁棒性的新的特征向量。同时使用自组织特征映射网络对故障特征进行的分类和识别。最后使用水电机组的实测信号对本文方法进项验证。使用多重分形和堆叠降噪自编码模型提取已知机组状态的振动信号的故障特征,将故障特征分为训练样本和测试样本,对神经网络进行训练和测试,结果表明,本文的模型可以有效地提取机组的状态信息,相较于传统的神经网络算法,识别的准确率更高。同时采集两组未知状态的水电机组振动信号使用本文方法进行识别,结合事后检修,结果表明本文方法可以正确的分辨出两组信号表征的机组状态。

关键词： 水电机组   振动信号   特征提取   变分模态分解   多尺度排列熵  

摘要： 水电机组是电力系统安全稳定运行的关键设备。随着我国水利事业的发展,水电机组的单机容量越来越大,机组的结构越来越复杂,机组的可靠性和稳定性问题日益突出。能否准确地检测出水电机组故障特征信息、实现机组的故障诊断对电网系统的安全稳定运行意义重大。本文以水轮发电机组为例,采用基于VMD-MPE的特征提取方法实现机组振动信号的故障特征提取,在此基础上建立了基于模糊C均值聚类的水电机组故障诊断模型,并进行了仿真验证。本文的主要内容如下:首先,从多方面分析了水电机组故障振动机理,总结了水电机组不同振因下的频率特征以及状态特征,从振动试验、振动频率以及振动部位三个方面介绍了水电机组振动故障识别的方法,搭建了水轮发电机组状态监测与故障诊断系统。其次,针对水电机组振动信号非平稳,非线性的特点,以变分模态分解（Variational mode decomposition,VMD）和多尺度排列墒（Multiscale permutation entropy,MPE）理论为基础,提出了基于VMD-MPE的水电机组特征提取方法,量化振动信号中包含的特征故障信息,并采用主成分分析（Principal component analysis,PCA）降低故障特征向蜇的复杂度。最后,利用水电机组在线监测系统采集到的振动信号构成故障样本,分析振动信号的时频特征,构建基千模糊C均值聚类（Fuzzy C mean clustering,FCM）的故障诊断模型。仿真结果表明,本文提出的VMD-MPE和FCM的水轮发电机组振动故障诊断方法的平均诊断精度达到了96.9%。

关键词： 水电机组   多重分形   概率神经网络   人工鱼群算法   故障诊断  

摘要： 目前,随着我国水电机组装机总量的提升,人们越发关注水电机组的安全稳定运行,水电机组稳定运行依靠的是先进的监测和诊断技术,通过对水电机组振动信号进行采集,并分析信号中的隐含特征,能够提前发现机组可能存在的故障问题,为维护人员提供可信的维护参考意见,做到安全运行,防,患于未然。因此,研究如何在水电机组运行过程中,采集并处理其振动信号,并根据信号特征准确判断水电机组可能存在的故障类型具有十分重要的意义。本文主要研究如下:本文从水电机组状态监测和故障诊断入手,首先研究了适用于水电机组振动信号的特征提取,在论述了不同的信号分析方法和故障识别分类算法的基础上,本文选用多重分形广义维数谱,对信号进行处理,以便于实现信号的特征值提取,为故障的表征和识别提供了可靠的数据支撑。其次根据不同的诊断方法优缺点,本文选取了概率神经网络(PNN)的方法进行故障样木的分类识别,得益于概率神经网络训练简单、结构灵活、稳定性高、抗干扰性强的特点,能够迅速进行故障诊断工作。为了解决概率神经网络人工选取参数的随机性,本文引入了人工鱼群算法对PNN网络参数进行自动优化选取。最后运用本文提到的多种方法结合,进行了某水电站实测信号的分析处理、特征提取和故障诊断工作,并将PNN与BP网络、RBF网络的诊断过程和结果进行比较,体现出PNN的优势所在。结果表明本文方法能够方便快捷准确地完成水电机组的状态检测和故障诊断任务,具有一定的应用价值。

关键词： 水电机组   状态监测   故障诊断   解决技术  

摘要： 保障水电机组的安全可靠运行是非常关键的,所以需要经常对其运行状况进行诊断分析,判断机组是否会发生故障,能否继续安全运行以及可以稳定运行多久等,这些都是机组故障诊断技术的范围,可以从机组本身提供的信息去分析解决这些问题。

关键词： 燃煤火电机组   常规水电机组   电力调度   应对措施  

摘要： 针对燃煤火电机组和常规水电机组仍然占据发电装机主流地位,且单机容量普遍较大,大型发电机组设备故障导致的减出力、跳闸、波动对电网的安全运行影响很大这一现实,归纳了燃煤火电机组和常规水电机组主要故障类型,分析了故障对电网的影响,总结了电力调度员需要采取的应对措施,为电力调度员提供参考。

关键词： 水电机组   非平稳   变分模态分解   支持向量机   故障诊断  

摘要： 针对传统方法难以精确提取水电机组非平稳振动信号的故障特征,首先引入变分模态分解(variational modal decomposition,VMD)将水电机组非平稳振动信号分解为一系列中心频段互不重叠的IMF分量,进而采取能量法提取各IMF分量的故障特征,最后将提取的故障特征向量输入到本文建立的基于遗传算法优化支持向量机的故障诊断模型中,实现故障模式的识别与诊断。将该方法应用于实际水电机组故障振动信号的处理中,仿真结果表明,该方法能够有效识别机组的异常状况,具有较高的故障诊断正确率。

关键词： 数据挖掘技术   振动故障诊断   水电机组   振动信号   数据集中   运行信息   交叉学科   网络安全  

摘要： 提出一种利用聚类分析、离差标准分法、神经网络等方法建立机组综合评价模型,用来解决水电机组故障诊断问题。该算法应用到某些电站机组的故障诊断中,结果表明,该方法能够对故障做出准确判别,分离各种故障类型。由于需要存储的数据比较少,速度快,非常适于水电机组故障诊断中大规模图形序列挖掘。

关键词： 水电机组   噪声   故障诊断   卡门涡   共振  

摘要： 水电机组运行时主要受机械、电气与水力三种因素的耦合作用,因此,水电机组噪声中包含了上述三因素的信息,在机组出现故障时,可以利用噪声信号来进行分析与诊断。用3个实例介绍了噪声测试在三种典型故障分析中的应用,结果表明噪声分析是诊断机组故障行之有效的方法与手段。

关键词： 故障诊断   水电机组   小波神经网络   自适应差分进化  

摘要： 水电机组振动特征和故障类型之间存在复杂的非线性关系,结合小波神经网络和自适应差分进化法,提出一种新型水电机组振动故障诊断方法。该算法具有进化计算和群体智能的特点,能够根据个体的状态自适应调节交叉概率因子和缩放因子;自适应差分进化算法应用于小波神经网络的参数搜索中,加快了小波神经网络的训练速度,提高了网络训练精度。实验结果表明:该方法比传统的基于BP神经网络和小波神经网络的故障诊断方法,具有更高的准确度和更快的诊断速度。