关键词： 邻域粗糙集   近似条件熵   属性约简   概率神经网络   故障诊断  

摘要： 提出了一种基于改进的邻域粗糙集与概率神经网络的水电机组振动故障诊断方法.该方法将邻域粗糙集中的近似精度与信息论观点中的条件熵结合,提出近似条件熵的属性约简算法,减少故障冗余信息,得到最优决策表,并将得到的最优决策表作为概率神经网络(PNN)的训练样本,提高了PNN的训练速度和诊断效率,通过实验证明了所述方法的可行性和有效性.

关键词： 水电机组   EEMD   优化SVM   故障诊断  

摘要： 针对水电机组故障具有渐变性等特征,提出了一种基于总体平均经验模态分解(EEMD)和优化支持向量机(SVM)相结合的水电机组故障智能诊断方法。利用EEMD能对机组振动信号进行自适应分解成若干本征模式分量(IMF),并能有效抑制经典经验模式分解(EMD)的端点效应以及模式混叠现象。从IMF分量中提取出来的能量特征作为输入建立优化SVM,以此来判断机组的故障状态。通过实例分析表明:建立的混合智能诊断方法的分类正确率高,能有效诊断机组存在的故障。

关键词： 水电机组   故障诊断技术   应用  

摘要： 水电机组在正常运行的过程当中,需要对其运行的状态做出全面的检测,从而可以实现在第一时间对故障进行发现,经过分析之后对其进行处理和维修,最终对水电机组的使用寿命进行延长,避免由于水电机组的故障问题而造成的经济损失.本文首先对水电机组的故障进行了概述;其次,对水电机组的故障诊断技术现状进行分析;最后针对现状提出了相对应的具体措施.

关键词： 水电机组   状态监测   故障诊断  

摘要： 设备状态检修是现阶段世界上非常先进的设备检修管理方式,此种方式能够很好的避免由于计划检修造成的设备过度维修以及失修等问题,并且能够快速、及时的发现设备隐患以及缺陷,从而能够更加针对性对设备进行维护保养,能够为电厂带来更好的经济效益.所以,基于现有水电机组的实际情况来研究设备的状态检测以及诊断系统的状态检修模式,对于提升水电厂相关设备诊断以及维护的效率具有非常重要的意义.

关键词： 水电机组   故障诊断   时频分析   混合延拓   自适应快速集成经验模态分解   特征约简   局部保持投影   混合引力搜索   随机森林  

摘要： 在新时代绿色能源背景下,大力发展水电能源对我国能源结构优化调整和社会经济可持续发展具有重要的战略意义。作为水电站能源转换的关键核心设备,目前,水电机组呈现出巨型化、综合化、高速化、超临界化和智能化的发展趋势,其运行过程面临的故障安全问题日益突出。为降低机组故障事故风险,确保机组安全稳定运行,积极开展水电机组故障诊断研究已在工程界和学术界达成共识。实际应用中,除因机组自身复杂结构特性和多种激励振源干扰外,现有故障诊断理论方法的不足和局限性,在一定程度上阻碍了故障诊断从理论研究向工程应用的转化。基于此,本文围绕水电机组故障诊断中存在的非平稳信号分析处理和特征提取、多维特征约简以及复杂故障模式识别等问题,以经验模态分解、流行学习、混合引力搜索、支持向量机和随机森林等为理论基础与研究手段,探索并克服现有方法存在的理论与应用缺陷,提出了若干有效的水电机组非平稳振动信号分析与特征提取改进方法,针对高维特征冗余干扰等问题,探索并构建了基于空间映射和智能搜索的两种特征约简方法,最终通过引入支持向量机和随机森林故障识别理论,构建了融合时频分析和特征约简的水电机组混合故障诊断模型,为该领域的理论方法创新提供了新的研究思路,并具有一定的工程应用价值。论文的主要研究内容及创新性成果如下：(1)针对经验模态分解存在的端点飞翼现象,深入分析了端点效应发生的本质原因与解决方法,提出了一种极值点混合延拓的经验模态分解端点效应抑制方法,该方法有效融合了支持向量回归机和镜像偶延拓的方法优点。在信号分解初始阶段,利用支持向量回归机良好的近端点预测能力对信号极值点序列进行两端延拓;在信号低频部分,通过镜像偶延拓方法有效规避了支持向量回归机极值点样本训练数据不充足,且抑制效果不理想的问题。最后,采用所提方法对水电机组多故障振动仿真信号进行分解,并与镜像延拓和支持向量回归机信号序列延拓方法进行对比分析,结果表明所提方法能够有效抑制端点效应,并具有较低的计算时耗。(2)考虑到水电机组尾水管压力脉动信号的非平稳及噪声冲击特性,为提高经验模态分解方法的模态混叠抑制能力,引入集成经验模态分解时频分析方法。针对集成经验模态分解存在的参数选择难、高时耗、残噪污染等问题,在互补集成经验模态分解的基础上,创造性地提出了一种自适应快速集成经验模态分解算法。研究通过揭示白噪声频率上限与集成经验模态分解计算效率的间接正比例增长规律,描述了集成经验模态分解小噪声幅值情况下模态混叠问题的消除机制,基于此,将白噪声幅值和集成试验次数分别固定设置为目标信号序列标准差的0.01倍和2,提出了一种相对均方根误差指标的白噪声频率上限自适应确定方法,突破了集成经验模态分解关键参数难以设定的难题。通过仿真实例和国际标准故障诊断案例验证了所提方法的有效性与先进性。最终,将所提方法应用到水电机组尾水管压力脉动信号分析中,表明了方法的工程实用性。(3)为了抑制高维特征空间存在的特征冗余和敏感信息易淹没等问题,通过分析局部和总体主成分分析算法的优势和局限性,构建了样本点邻域关系的皮尔逊相似系数的衡量指标和边权重确定规则,进而提出了自适应近邻关系的监督型局部和总体主成分分析新型数据约简方法。同时考虑到水电机组故障小样本特性,建立了融合流行学习特征约简和支持向量机的多类故障诊断模型,通过电站实际故障案例验证了模型的有效性,并与其他特征降维方法进行了对比分析。此外,针对更为复杂的故障诊断问题,提出了一种多维广域特征的振动故障混合诊断策略,该方法有效融合了概率统计分析和基于机器学习的诊断方法,将整个诊断过程简化为三大步骤：故障初步监测、故障类型识别和故障程度确定。最后,将混合诊断策略应用于旋转机械故障诊断中,结果表明所提方法不仅提高了故障诊断精度,而且有效降低了诊断模型的复杂度,改善了计算效率,同时,为水电机组复杂故障诊断问题提供了一种有效的解决思路。(4)针对基于空间映射的特征约简方法难以评价各特征属性优劣程度的问题,同时为消除模型参数对随机森林诊断精度的影响。从另一特征约简角度出发,提出了一种基于混合引力搜索算法和随机森林的转子系统故障诊断模型。该模型从特征子集和模型参数两方面对随机森林故障诊断模型进行了优化改进,针对特征子集选择,采用二进制引力搜索算法进行最优子集寻优,同时采用实数引力搜索算法对随机森林的决策树数目进行优化处理。最后,将所提方法应用于转子系统故障诊断中,通过8种故障类型诊断试验,结果表明所提方法能够有效剔除冗余特征信息干扰,解决了随机森林决策树数目选择难的问题,在一定程度上提高了随机森林诊断模型的精度和效率,此外,基于随机森林的袋外数据估计特性,进一步实现了最优特征属性的重要度评估。

关键词： 水电机组   自适应信号处理   归一化自相关函数能量集中度   时序模型参数盲辨识   非平稳故障特征提取   模糊自适应阈值决策   聚合集成经验模态分解   频率与能量相似性聚合策略  

摘要： 随着我国能源战略的不断调整,现代能源体系正迈入安全、清洁、高效的低碳时代。一方面,常规水电和抽水蓄能迎来新的发展机遇,装机规模快速增长;另一方面,为消纳风电、太阳能、海洋能等新能源并网时给电网带来的冲击,水电能源将承担更多的调峰、调频任务,同时,为切实解决新能源背景下的弃风、弃水、弃光等问题,对水电的运行与管理提出了更高的要求。而水电机组作为水电能源转换的关键设备,正朝复杂化、巨型化方向不断发展,各部件间的耦合作用更加强烈,由此带来机组振动信号的非线性与非平稳性不断增强,尤其是故障与征兆间的映射关系更为复杂。对此,传统的状态监测与故障诊断方法已难以很好地满足新形势下的水电机组运行分析需求,迫切需要研究新的理论与方法,譬如在监测系统采集到的机组实际运行数据基础上,探索新的信号分析与故障诊断方法,以提高状态监测与故障诊断的分析精度,进而提升机组的运行稳定性。为此,本文针对工程实际中水电机组振动信号分析与故障诊断的若干关键科学问题,以非平稳振动信号处理为切入点,引入先进的信号处理方法,以提取湮没在背景噪声中的故障特征频率成分,并为提升不同故障征兆的可辨识性,研究基于时序模型参数盲辨识的故障特征提取方法,同时为解决不均匀、不平衡样本分布下传统诊断方法易出现过学习的问题,借鉴支持向量数据描述的分类能力与K近邻方法的邻域刻画优势,提出基于模糊自适应阈值决策规则的故障诊断新方法,进一步为在故障发展早期及时捕捉到相关前兆,建立基于聚合集成经验模态分解（EEMD）与支持向量回归的预测模型,以实现对水电机组状态趋势的准确预测。论文主要研究工作与创新成果如下：（1）强背景噪声与复杂电磁干扰影响下,表征故障信息的水电机组振动特征频带易被全频带的背景噪声湮没,导致振动监测信号难以准确反映机组真实运行状态。为此,研究工作结合奇异值分解的高频噪声抑制与变分模态分解的自适应信号处理能力,提出了一种基于二次分解和相关分析的水电机组振动信号降噪方法。该方法包含前置滤波和相关去噪两阶段,首先对振动信号进行奇异值分解,并基于均值滤波策略选择有效奇异值,从而重构信号以滤除一定的背景噪声。前置滤波后对重构信号进行变分模态分解,再结合定义的归一化自相关函数能量集中度指标选择有效模态分量,并由此重构信号以完成相关去噪。将所提方法用于带噪声振动仿真信号的降噪试验,并基于相关系数与信噪比对降噪效果进行量化分析,结果表明该方法能有效滤除信号中的噪声成分。最后通过实测水电机组振动信号的降噪分析,验证了所提方法的工程应用效果。（2）水电机组变工况频繁且受多重激励耦合作用,使其故障类别与征兆间的复杂映射关系难以精确描述,制约了故障诊断精度的进一步提升。为实现机组故障的准确表征,本研究融合变分模态分解的非平稳信号处理能力与时间序列模型在处理复杂动力系统参数盲辨识时的优势,提出了一种基于模态分量多元自回归模型参数盲辨识的非平稳故障特征提取方法。为弥补回归模型在处理非线性、非平稳信号时的不足,该方法先对原始信号进行变分模态分解,继而由分解得到的所有模态分量建立多元自回归模型,并将辨识得到的模型参数构成故障特征向量。该向量有效反映了动态系统所蕴含的数学模型在结构和参数上的变化规律,可充分表征机组故障信息。在试验研究中,用所提方法提取振动故障信号特征,并结合支持向量机进行故障模式识别,试验结果验证了该方法的有效性,最后以白山2#机空蚀信号的特征提取实例验证了其工程实用价值。（3）针对水电机组故障诊断面临的样本分布不均匀与数量倾斜问题,本文将支持向量数据描述与K近邻理论相结合,提出了基于加权支持向量数据描述与模糊自适应阈值决策的故障模式识别方法。为减小样本分布情况在训练阶段对支持向量数据描述的影响,所提模型在训练时引入样本权重以体现不同样本的重要程度,先采用K近邻方法计算局部密度权重,并与样本规模权重一起组成复合权重。同时,针对不均匀样本下或多类超球模糊识别区分类精度低的情况,构建基于相对距离模糊阈值和KNN的决策规则,进一步提升支持向量数据描述的分类能力。数值仿真和机组故障诊断实例表明,所提模型具有较好的分类诊断效果。（4）水电机组运行状态变化过程中,伴随着由量变到质变的故障演化,而在故障发展早期及时捕捉相关征兆则是故障诊断的前提。为此,本文在水电机组状态趋势预测可行性分析的基础上,提出了一种基于聚合EEMD与支持向量回归的预测方法。该方法先采用EEMD分解状态变量序列,并对分解得到的各模态分量进行频率与能量分析,然后构建基于频率与能量相似性的聚合策略以实现分量聚合,再对聚合后的各分量分别进行相空间重构并建立最优支持向量回归预测模型,最后由所有聚合分量的预测结果累加得到最终趋势值。预测时通过所提策略对EEMD分解结果先进行聚合,可有效节约预测时间,并减小虚假模态分量对整体预测精度的影响。最后将所

关键词： 水电机组   多小波   降噪   神经网络   粒子群优化算法  

摘要： 近些年来,随着国家能源发展战略,水电机组的装机容量和数量都在不断攀升。如何保证水电机组安全稳定运行,提前监测到故障信号,防患于未然,显得尤为重要。在对水电机组故障的研究中发现,虽然水电机组故障繁多,但约80%的故障都能在振动信号中反映出来。因此我们在研究水电机组故障的过程中,处理好现场实时采集的振动信号至关重要,会大大提高诊断的正确率和效率。在信号处理的过程中,由于多小波同时具有紧支撑性、对称性、正交性和高阶消失矩等优良特性,而正是这几种特性保证了信号能量并减少失真,所以本文使用多小波对原始信号进行降噪和特征能量提取。然后建立数据样本集,使用神经网络对其进行分类,并用粒子群算法对神经网络进行优化,以使其收敛速度加快。本文在对多小波和神经网络深入了解的基础上,进行了以下方面的研究:首先论述了国内外状态监测与故障诊断的发展现状及存在的问题,在研究了传统信号分析方法以及故障诊断方法的基础上,本文提出了将多小波与神经网络结合用于水电机组的振动故障诊断,解决了提取特征向量的困难和神经网络收敛速度慢的问题。研究了利用多小波对振动信号进行降噪的方法,将多小波相关理论引入到水电机组振动故障信号的降噪中,采用自适应阈值法进行降噪,分别用仿真信号和工程实测验证该方法的有效性,并与db2小波进行对比,以验证其优越性。其次介绍了神经网络和粒子群算法的原理,并用粒子群算法对RBF神经网络进行优化。论述了神经网络和粒子群算法中的关键参数如何选取。用多小波变换对水电机组振动信号进行特征提取,将特征向量输入经过粒子群优化后的RBF网络进行故障诊断。结果表明,此方法能够很好的对机组的运行状态进行故障诊断,具备工程应用价值。最后将多小波分解与神经网络相结合对国内某水电站的实测信号进行故障诊断,结果显示,该方法能够提取更为完整的特征向量,网络收敛速度更快,诊断正确率高,为水电机组的故障诊断提供了一种新方法。

关键词： 水电机组   振动监测   频谱校正   FFT   窗函数   故障诊断  

摘要： 随着我国水电事业快速发展,水电机组装机容量不断扩大,水电站自动化运行不断提高,传统的检修方式逐渐不能满足发展需求。水电机组状态检修技术的应用,能够提高设备的利用效率,降低检修成本,对于实现水电机组安全稳定运行,提高水电站经济效益,具有重要的意义。状态检修主要包括状态监测、趋势预测及故障诊断等。本文主要针对水电机组振动状态展开工作。首先,详细论述了振动信号的分析与处理,包括整周期采样、信号预处理、FFT算法、窗函数及频谱校正等,并通过仿真验证了系统频谱分析的准确性。其次,利用模糊数学方法,根据水电机组振动部位及振动信号的频谱特征,建立模糊关系矩阵,实现对机组运行故障的模糊诊断。最后,采用面向对象程序设计思想与多线程机制,以C++为开发平台,综合数字信号处理技术及模糊诊断技术,设计并实现了水电机组振动监测与故障分析系统,并详细阐述了系统软件各模块的功能。该系统采用以太网通信,能够实现多路数据的快速传输。系统具有棒图、波形图、频谱图、轴心轨迹图、三维全息图等多种图形显示功能,能够对水电机组运行状态进行实时监测与故障分析,分析结果准确。系统人机界面友好,操作简单,易于维护,具有良好的应用前景。

关键词： 支持向量机   水电机组   故障诊断与预测   果蝇优化算法  

摘要： 现代设备逐渐向大型化、复杂化、集成化和自动化的方向发展,这提高了工作效率的同时也对设备的安全高效运行提出了更高的要求。一旦发生故障,损失将非常大,甚至会造成某些无法挽回的损失。所以,对设备的故障进行诊断和状态预测,是保证设备安全可靠运行的重要措施。本文主要基于支持向量机(Support Vector Machine,简称SVM)智能混合方法对水电机组进行故障诊断,以水电机组的历史数据为前提对水电机组未来运行状态进行预测。本文主要工作如下：1.针对经验模式分解(EMD)方法在旋转机械中广泛应用存在的问题(模式混叠),我们先对EMD进行微分再积分处理,即DEMD方法。该方法能够改变信号中不同频率成分的比重,将其中的频率相近或微弱的高频成分提取出来。再采用支持向量回归(SVR)和窗函数对DEMD在分解时的端点效应问题进行优化处理,通过仿真信号发现这对模式混叠和端点效应问题有较好的改善作用。将得到的优化方法应用于水电机组的故障诊断,验证了该方法的有效性。2.样本信号对故障的诊断不完全都是有贡献的,另外其贡献度也不完全相同。针对这个问题,我们使用模糊SVM应用在水电机组的故障诊断上,并提出一种基于类均值距离的优化方法来确定隶属度函数。然后将模糊SVM进行多类推广并进行数值仿真和在水电机组上应用,取得了较好的诊断结果。3.水电机组的很多故障信号在振动信号中都有一定的体现,基于振动信号可看成时间上的一个序列,可以用回归神经网络对水电机组的运行状态根据历史数据进行预测。由于回归神经网络的分布参数对预测准确度有很大的影响,采用果蝇优化算法对其进行优化处理。最后将该优化方法应用在水电机组的状态预测上并与BP神经网络进行分析对比,通过分析比较优化方法具有更好的预测率。

关键词： 随机共振   多维度排列熵   支持向量机   故障诊断   水电机组  

摘要： 针对强噪声背景下难以提取水电机组振动故障特征的问题,提出了一种基于随机共振(SR)去噪和多维度排列熵(MPE)提取振动信号特征向量的故障诊断方法。首先,采用随机共振对振动信号进行去噪,增强信号的信噪比;继而利用多维度排列熵提取去噪信号的特征向量,最后将其输入所建立的改进粒子群算法优化支持向量机(PSO-SVM)模型,实现故障的识别与诊断。仿真结果表明,该方法具有较高的诊断精度。