关键词:
水电机组
振动故障诊断
小波变换
经验模态分解
改进自适应完全集合经验模态分解
SOM神经网络
支持向量机
摘要:
水电机组的振动稳定性问题是决定机组安全运行的最主要因素,有效地分析和提取振动信号特征,准确地诊断故障,对改善水轮发电机组的安全性和可靠性具有十分重要的意义。本文以水电机组振动故障为研究对象,对振动信号预处理、特征提取和故障诊断方法进行了深入研究。主要工作和研究成果有:首先,本文针对水电机组振动信号奇异点的问题,提出了基于小波变换的奇异数据剔除还原法,发挥小波在奇异点分析上的良好性能,重构清晰的轴心轨迹图形,有效提高机组故障诊断的准确性。第二,根据水电机组早期故障信号信噪比低的情况,引入多小波自适应阈值降噪方法,有效去除了振动信号噪声,对比显示多小波降噪相对于db2小波具有更好的性能,提高振动信号特征提取的准确性。第三,针对经验模态分解(Emprical Mode Decomposition,EMD)方法中的虚假分量问题,提出能量波动法,根据能量分布规律和波动比阈值来剔除虚假分量,提高了水电机组振动信号分析处理和故障特征的提取的准确性。第四,针对EMD方法中的模式混叠问题,提出改进自适应完全集合经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,I-CEEMDAN)算法,有效消除了模态混叠问题,确保了信号特征提取的可靠性。第五,建立 I-CEEMDAN 奇异谱熵和 SOM(Self-Organizing Feature Maps,SOM)神经网络相结合的诊断方法,可以有效地提取水电机组非平稳信号特征,识别正确率高,运算速度快。最后,建立了 I-CEEMDAN复杂度和最小二乘支持向量机相结合的诊断方法,对水电机组振动故障进行识别,该方法可以有效判断故障类型,适用于小故障样本的情况,提高了水电机组故障诊断的适用范围。