关键词： 水电机组   信号处理   状态监测   故障诊断   移动工作站   面向对象  

摘要： 随着水电站对水电机组安全稳定运行要求的不断提高,在状态监测系统中监测的量越来越多,类型也越来越复杂,相应的在状态分析时有针对性采用各种信号处理技术进行分析,以达到信号特征提取、信号除噪等目的。例如在监测系统监测到的状态量或故障信号不可避免的受到水电机组运行中的各种噪声的干扰与影响,从而得到的信息中含有各种干扰信号,为得到真实有用的故障特征信息必须进行信号处理,以消除干扰。机组运行状态信号的取得,是状态监测和诊断技术的基本任务,通过对机组信号的采集,分析与处理,才能识别机组的运行状态,揭示机组内部运行规律。信号处理的效果对状态分析和故障诊断的结论有着重要的影响,因此设计与开发信号处理平台对状态分析有着重要的意义。本文的研究工作结合长江电力股份有限公司葛洲坝水电厂“最优检修信息系统”项目下的“机组状态监测与诊断单元”子项目进行。 信号分析与处理是水轮发电机组状态监测与故障诊断系统的一个重要环节,它起着对监测信号进行加工、变换提取敏感的故障征兆的重要作用,它的处理好坏直接影响着后续的诊断。 本文结合具体的科研项目,首先概述了课题的意义、国内外相关技术的发展概况,然后整理分析了水电机组常见的故障特征和机理,对目前水电机组状态分析中常用的几种信号处理方法进行了论述,指出这些方法的各自特点、适用性,接着介绍了机组移动工作站信号分析软件的设计与实现,最后介绍了系统的主要功能应用情况,表明该系统可对水电机组中的信号进行合适的处理和分析,对机组故障进行及时预测预报,从而避免故障的发生或扩大,实现机组的安全可靠运行。

关键词： 水电机组   故障诊断   神经网络   粗糙集   支持向量机  

摘要： 随着水电机组单机容量的提高以及在电力系统中所占的比重越来越大,如何确保机组的可靠和稳定运行,已成为电力行业一个极为关注的问题。振动是水电机组运行中最为常见的故障之一,强烈的振动将直接危及到机组乃至电力系统的安全运行。因此,对机组振动故障进行诊断,及时发现和排除系统故障,对保障水电机组稳定运行十分重要。本文系统开展了水电机组振动故障诊断的方法研究,完成了以下几个方面的工作: 进行了水电机组振动信号的信噪分离研究,提出利用第二代小波对水电机组振动信号进行消噪的方法。通过设计预测系数和提升系数获得具有某种特性的小波基函数,使得针对不同类型的故障特征能够构造出相应的小波基函数。所完成的水电机组振动信号消噪处理结果合理,计算速度快。该方法解决了小波消噪需要选择小波基函数的难题,进一步完善了信号消噪的理论。 开展了水电机组振动故障特征提取的研究,基于Parseval能量积分等式,提出利用小波包分解方法提取水电机组振动频谱的能量特征。建立了能量变化到各故障类别之间的映射关系,利于形成一种基于“能量-故障”的故障诊断方法。解决了传统的频谱分析方法缺乏对信号的局部特性分析的问题。 在故障特征提取研究的基础上,将遗传算法与BP网络结合起来,开展了水电机组振动故障的神经网络诊断研究,提出了一种应用遗传算法优化神经网络权值的遗传神经网络故障诊断方法。所提出的遗传神经网络故障诊断方法不仅能发挥神经网络的泛化和映射能力,而且能使神经网络具有很快的收敛速度和较强的学习能力,解决了BP网络收敛性较差和容易收敛到局部最小点的难题,使BP网络能在短时间内以很大的概率找到全局最优解。 最后,进一步研究了水电机组振动故障的支持向量机诊断法,将粗糙集与支持向量机相结合,先利用粗糙集对决策表进行离散化及约简,再用支持向量机进行故障分类,提出了一种基于粗糙集理论的支持向量机故障诊断方法。该方法具有良好的鲁棒性,达到了对故障进行快速诊断的目的,可以满足在线故障诊断的要求。

关键词： 水电机组   变精度粗糙集   RBF神经网络   遗传算法   振动   故障诊断  

摘要： 随着水电机组单机容量的增大和水电在电力系统中地位的日益突出，水电机组的稳定性对电力系统的安全运行越来越重要。而水电机组的振动是反映水电机组安全、稳定运行的重要指标，因此对机组振动故障的及时发现并诊断、排除故障，是保障水电机组安全稳定运行的重要措施。 本文根据当前水电机组状态监测与故障诊断研究的现状和发展趋势，分别研究了基于变精度粗糙集理论(VPRS)、RBF神经网络的机组振动故障诊断方法，并进行了将两种方法相结合应用到水电机组振动故障诊断中的尝试。主要研究工作如下： 分析和归纳了水电机组主要振动故障机理、故障特征和振动故障的识别方法。 在总结粗糙集基本理论的基础上，讨论了粗糙集应用于水电机组故障诊断的数据约简和诊断规则的获取方法，侧重研究了基于遗传算法的变精度粗糙集属性约简方法，给出了水电机组振动故障诊断的算例，分析了该诊断方法的优缺点。 介绍了故障诊断的神经网络方法，分析了RBF神经网络的结构和特点，研究了RBF神经网络应用于故障诊断的算法及其编程，并给出了其在水电机组故障诊断中的应用算例，分析了该方法的优缺点。 通过对上述两种方法的类比分析，针对水电机组振动故障的复杂性和监测信息量大的特点，本文重点研究了基于变精度粗糙集理论与RBF神经网络相结合的水电机组故障诊断方法，首先用变精度粗糙集对故障信息进行预处理，进而提取故障规则，然后用RBF神经网络对预处理后的故障信息进行诊断。该方法不仅充分发挥了粗糙集对知识的约简能力和神经网络优良的分类能力，而且克服了神经网络对冗余的知识和有用知识识别的局限性，有效地降低神经网络的输入信息空间维数，减小网络规模，还可以弥补粗糙集方法对输入信息中的噪声较敏感，抗干扰能力差的不足，进而达到提高诊断准确性的目的。最后通过算例的研究分析，证明了该诊断方法的有效性和优越性。

关键词： 水电机组   故障诊断   小波分析   支持向量机   最小二乘支持向量机   相空间重构   状态预测   遗传算法  

摘要： 随着现代工业化进程的迅猛发展,工业设备正朝着精密化、复杂化以及高度集成自动化的方向不断发展,设备的安全、稳定运行对企业生产具有极其重要的意义。水电机组作为水电企业生产过程中的核心关键设备,其健康状态直接关系到水电企业生产的安全性和经济效益;另一方面,水电企业的检修方式正朝着状态检修的新机制转变。因而,通过监测水电机组运行状态,实现对水电机组健康状态的准确分析和水电机组故障模式的有效判断,对于水电企业生产与状态检修体制都具有积极的意义。在综合分析水电机组故障诊断研究方法的发展状况,针对水电机组振动故障研究中存在的小样本问题,以及水电机组振动信号的非线性与非平稳特性,本论文结合正处于发展当中的支持向量机诊断方法,对支持向量机方法在水电机组故障模式分类、状态趋势预测、诊断模型参数选择等多个方面的问题进行了系统的研究。 论文首先介绍了支持向量机方法的基本理论,分析了支持向量机标准算法在处理分类与回归问题的基本原理与算法。阐述了支持向量机标准算法的扩展形式——最小二乘支持向量机在分类与回归方面的基本原理与算法,并对比分析了这两种方法的差异,为支持向量机方法应用于水电机组故障诊断研究奠定了基础。 利用支持向量机方法进行了水电机组振动故障模式分类研究。故障诊断在本质上可以看作模式分类问题。因而结合支持向量机在模式分类问题中的优异性能,将支持向量机应用于水电机组故障诊断研究,提出基于小波分解与最小二乘支持向量机的水电机组振动故障分类模型。利用小波分解提取水电机组振动信号的能量特征值作为水电机组故障的特征向量,通过最小二乘支持向量机建立水电机组振动故障多类识别模型。实例分析验证了分类模型的有效性。 分析了设备运行状态发展的渐近性特征,具体阐述了水电机组状态预测的可行性,归纳总结了常用的预测方法,指出水电机组运行状态发展过程是一种从量变到质变的渐近性的发展过程。水电机组运行状态发展的渐近性特性是利用预测模型进行水电机组状态预测研究的重要理论依据。 在水电机组状态预测的可行性分析基础上,针对表征水电机组状态的振动信号序列,分析了水电机组振动状态序列相空间重构,以及与相空间重构相关的振动序列嵌入维数和延时参数等问题,归纳总结了预测模型的评价原则与误差评价函数;提出了基于小波分解与最小二乘支持向量机方法的集成预测模型。该集成预测模型利用小波分解方法将具有复杂趋势信息的振动信号序列分解成若干个具有较明显规律的子序列;然后利用最小二乘支持向量机实现子序列的预测;最后集成这些子序列的输出作为振动序列的预测结果。对比分析不同预测模型对振动序列的预测结果,集成预测模型具有较高的预测精度以及与原始信号良好的拟合程度,能较准确的反映出信号的峰值变化,对水电机组状态预警具有一定的参考意义。 模型参数选择是支持向量机研究中的重要内容,合适的模型参数才能使支持向量机模型获得满意的性能。结合遗传算法在复杂系统优化问题中具有的全局搜索能力,提出了基于遗传算法的最小二乘支持向量机预测模型的参数选择方法,并应用于水电机组振动状态预测研究。为水电机组故障诊断的支持向量机方法研究的模型参数选择提供了一种可行、有效的方法。 支持向量机具有坚实而完善的理论体系,但是其在理论方法的研究,以及在故障诊断领域中的应用仍然处于不断的发展过程中。因而,支持向量机方法在水电机组故障诊断理论与应用方面的研究均有待于进一步的深入和完善。

关键词： 大型水轮发电机   内部故障   暂态仿真   转子偏心   保护分析   三峡右岸电站  

摘要： 我国在“十一五”规划和2020年长远规划中,继续实施“大力开发水电”的方针,一批大型水电站陆续建设并逐步投入运行。大型水轮发电机内部短路故障破坏性极强,配置有效的主保护对发电机本身乃至整个电网的安全稳定运行都具有重要意义。论文对发电机内部故障及转子偏心进行了仿真研究,论证了发电机主保护配置方案和转子偏心对发电机运行的影响。 实际运行中,大型发电机转子存在不同程度的偏心现象,偏心程度明显时会影响电机的正常运行性能,国内某水电站就曾发生过发电机转子偏心引起零序横差保护误动的情况。基于工程实际,论文在以定子单匝线圈和等效阻尼网孔为基本单元的发电机内部故障暂态仿真模型基础上,针对三峡右岸ALSTOM机组实际绕组结构,从等效气隙长度表达式入手,提出了一种发电机气隙偏心电感参数的计算方法,建立了发电机转子偏心仿真模型。基于数学模型和计算方法,修改完善了MATLAB仿真程序。 利用修改后的MATLAB仿真程序,对发电机在不同转子偏心率下运行时的定、转子自感和互感系数、定子各分支电流及相应的零序横差不平衡电流进行了仿真与计算。分析了转子偏心下各电感参数的变化规律,指出了转子偏心对发电机定子各分支电流分布的影响,研究了在不同转子偏心率下几种典型分支组合方式时,零序横差不平衡电流的特点。通过定量分析,为大型水轮发电机的安全运行和零序横差保护的正确应用提供了有益的参考。 论文运用课题组已开发的发电机内部故障仿真和保护配置分析软件对三峡右岸ALSTOM发电机故障集内的所有故障进行了暂态仿真,对发电机实际采用的中性点相隔分支组合方式下各种主保护的保护效果进行了比较分析,提出了主保护优化配置方案,该方案已应用到了三峡右岸电站的实际运行中。并根据发电机转子偏心仿真模型,分析研究了转子偏心对三峡右岸ALSTOM发电机零序横差保护动作特性的影响。 论文最后对以上所做的工作和结论进行了总结,并指出进一步研究方向。

关键词： MAS   智能Agent   水轮发电机组   故障诊断   知识表示   模糊算法   神经网络  

摘要： 在信息技术、人工智能技术飞速发展的今天，大型旋转机械的故障诊断己经成为横跨多学科门类的一种综合研究领域。论文从智能故障诊断技术的现状出发，以水轮发电机组故障诊断为研究对象，以MAS(多代理系统)理论为基础，研究了面向故障类型的MAS故障诊断技术。针对现在水电机组故障诊断系统结构不完善以及知识表示方法和诊断算法单一等缺点，论文设计了基于MAS的水电机组故障珍断系统。系统中设计了系统Agent用来进行故障的初步诊断、诊断任务的分解以及诊断结果评估，是MAS诊断系统的核心。通讯Agent负责系统中任务的调度，管理所有Agent的通信。通讯Agent维护着一个唯一的功能信息库，每个新加入系统的Agent都要向通讯Agent注册其功能服务信。诊断Agent用来进行故障的精确诊断，其中采用的输入样本故障征兆权重处理方法经过验证能很好的区分故障的严重程度。论文研究了面向Agent的水电机组故障诊断策略，在系统Agent中采用模糊算法来进行诊断任务的分解，在诊断Agent中采用神经网络来进行面向故障类型的精确诊断。最后，论文通过实际算例对水电机组发生的故障进行仿真，仿真结果表明故障任务的分解以及面向Agent的故障诊断策略能够较好的完成系统的诊断任务，准确的诊断出水电机组所发生故障的严重程度。

关键词： 反向传播网络   概率神经网络   学习矢量化网络   故障诊断   水电机组  

摘要： 引起水电机组振动的原因很复杂,而且水电机组的振动故障往往是多故障同时发生,使得故障诊断很困难,目前主要是应用基于模式识别的神经网络来进行故障分类,但如何选择故障诊断的神经网络一直是个难点。文章研究了3种人工神经网络,即反向传播网络(BPN)、概率神经网络(PNN)和学习矢量量化网络(LVQ)对水电机组振动故障诊断性能的影响。结果表明,人工神经网络的结构和算法,包括相关训练参数的选择对故障诊断性能有着重要影响。比较而言,学习矢量量化网络和概率神经网络在分类能力方面要比反向传播网络好一些,概率神经网络在计算负载方面比学习矢量量化网络要更胜一筹。

关键词： 水电机组   故障诊断   频谱分析   神经网络  

摘要： 应用频谱法和对向传播神经网络分类器对水电机组的振动故障进行诊断。采用对水电机组振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本;通过训练,使构造的对向传播神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的。仿真结果表明,与常规方法相比,频谱分析与对向传播神经网络相结合的方法进行故障诊断简单有效,且具有良好的鲁棒性和泛化能力,是一种有效的诊断方法。

关键词： 水电机组   振动   故障诊断   小波包分析   支持向量机  

摘要： 提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。

关键词： 水电机组   故障诊断   频谱分析   递归神经网络   神经网络  

摘要： 引起水电机组振动的原因很复杂,而且水电机组的振动故障往往是多故障同时发生,使得故障诊断很困难,目前主要是应用基于模式识别的神经网络来进行故障分类,尤其是BP网络应用较多,但BP网络训练速度慢。文章提出应用带偏差单元递归神经网络的方法对水电机组的振动故障进行诊断。先对水电机组振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的。水电机组振动故障诊断仿真分析表明,与常规方法相比,应用带偏差单元递归神经网络进行故障诊断具有快速有效的优点。