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。