基于信息融合技术的水电机组振动故障诊断

针对传统方法在水电机组振动故障诊断中存在准确度不高的问题,引入了粒子群神经网络和证据理论相结合的故障诊断方法。对水电机组振动故障的不同征兆域,采用2个并行的粒子群神经网络进行局部诊断,以获得彼此独立的证据,再由证据理论对各证据进行融合。结果表明,该方法可有效地提高诊断可信度,减少诊断的不确定性。     

基于变精度粗糙集的水电机组故障诊断

将变精度粗糙集理论引入水电机组故障诊断中,利用变精度粗糙集属性约简方法对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用RBF神经网络对粗糙集处理后的故障信息进行诊断。该方法不仅克服了神经网络对冗余信息和有用信息识别的局限性,有效地降低了神经网络的输入信息空间维数,减小了神经网络规模,还可以弥补经典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。水电机组振动故障实例的诊断分析结果证明了该诊断方法的有效性和优越性。     

基于熵权理论和信息融合技术的水电机组振动故障诊断

应用熵权、灰色关联分析和信息融合技术对水轮发电机组振动故障进行诊断。以水电机组振动信号的频域特征和时域振幅特征为诊断样本，使用基于熵权的灰色关联分析方法进行水电机组振动故障的初步诊断，然后应用证据融合理论对不同证据进行决策信息融合，从而得出最终的诊断结果。诊断实例表明，基于熵权的灰色关联分析和信息融合技术相结合的方法是有效的，适合于水电机组的振动故障诊断。     

融合改进符号动态熵和随机配置网络的水电机组轴系故障诊断方法

现有水电机组轴系故障诊断研究主要建立在单一传感器振动信号数据的基础上,存在故障信息缺失和传感器测点选择困难等问题。为此,提出了一种基于精细复合多元多尺度符号动态熵(RCMMSDE)和随机配置网络(SCN)相结合的水电机组轴系故障诊断方法。首先,将精细复合技术引入RCMMSDE模型中,改进了传统多元多尺度熵粗粒化不足的问题。然后,通过提取水电机组不同传感器振动信号的RCMMSDE值作为故障特征。最终,将故障特征输入SCN网络实现水电机组轴系故障的准确识别。仿真结果表明,RCMMSDE-SCN模型在两个不同数据集上分别取得了97.58%和99.17%的诊断率,验证了所提模型具有良好的诊断性能。同时,对比不同诊断模型在多元传感器信号和单一传感器信号两种不同情景下的诊断情况,表明融合多元振动信号可以有效改善水电机组轴系故障诊断模型的识别性能。本研究为融合水电机组多元传感器振动信号故障诊断提供了一种新的方法,具有良好的借鉴价值。     

水轮发电机组振动故障的模糊诊断法

根据水轮发电机组的振动特点,探讨了适合其振动故障的诊断方法,即模糊诊断法。提出了将模糊技术应用于水电机组振动故障诊断,介绍了模糊故障诊断的基本原理与实现,并以实际机组曾发生的振动故障为实例,验证了该方法的可行性和优越性。     

水电机组故障诊断中的数据融合算法

应用数据融合的理论和方法，在整个水电机组故障诊断过程中，在数据处理的信号层、特征层及决策层上分别提出不同的数据融合算法，解决了传统水电机组故障诊断中存在的大量采集数据如何有效处理的问题。所提出的算法针对水电机组故障诊断的特殊性，有较强的适应性，提高了实际诊断的准确性和可靠性。     

基于开机过程信息融合的水电机组故障诊断方法

为保证水电机组运行的可靠性，通常采用基于振动频率分析的故障诊断技术。但是水电机组故障类型间存在重叠的频率特征，仅凭频率分析不易确定故障类型。因此，文中采用信息融合技术，引入开机过程中的时间和空间特征信息，在特征层采用支持向量机作为信息融合手段，在决策层采用D-S证据理论进行信息融合。实验结果表明，信息融合增加了故障诊断的特征信息，提高了故障诊断系统的诊断能力。     

基于神经网络专家系统的水电机组故障诊断分析

针对水电机组振动诱因多、诊断准确率较低等现象,结合神经网络系统和专家诊断理论,建立一种新型的故障诊断模型,并将其应用于实测振动信号的诊断分析,取得了良好的诊断效果,为水电机组在线故障诊断提供了一种有效、快速的新方法。     

基于神经网络专家系统的水电机组故障诊断研究

针对水电机组振动诱因多、诊断准确率较低等现象,本文融合神经网络系统和专家诊断理论,建立一种新型的故障诊断模型,并将其应用于实测振动信号的诊断分析,取得了良好的诊断效果,为水电机组在线故障诊断提供了一种有效、快速的新方法。     

基于免疫原理的水电机组故障诊断方法

针对目前水电机组故障诊断中存在的建模复杂、样本需求量大及诊断学习缺乏自主连续性等问题，提出了基于免疫原理的故障诊断方法。以状态征兆为抗原，各种故障模式下的故障检测器作为抗体，通过反向选择机制判别正常，异常状态，利用克隆选择原理进化学习获得能识别抗原结构的记忆抗体。根据最大故障隶属度诊断故障类型。以机组振动为诊断对象的仿真结果表明，该方法识别故障的准确率高，非常适合故障样本难以获得的小样本故障诊断。     

模糊诊断法在水电机组振动中的应用

根据水轮发电机组的振动特点，探讨了适合于水轮发电机组的振动故障诊断方法，即模糊诊断法。提出了将模糊技术应用于水电机组振动故障诊断，介绍了模糊故障诊断的基本原理与实现，并以实际机组曾发生的振动故障为实例，验证了该方法的可行性和优越性。     

水轮发电机组非平稳振动信号的检测与故障诊断

针对传统方法难以精确检测水轮发电机组的非平稳振动信号以及现有振动故障诊断方法精度低等问题,本文首先引入排列熵算法对其进行检测与分析,进而引入多维度排列熵算法,以实现对非平稳振动信号的特征提取,构造故障样本数据,并将其作为基于遗传算法的支持向量机诊断模型的输入,从而完成故障的诊断与识别。仿真实例表明,排列熵能够有效检测非平稳振动信号的突变,多维度排列熵与支持向量机相结合的故障诊断方法可有效识别机组的异常情况,具有较高的诊断精度。     

小波包和模糊神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了利用小波包分解、重构技术进行消噪处理及频带能量特征提取,并以“能量”为元素,构造离心泵振动信号的特征向量,通过对神经网络和模糊系统的结合方式的研究,提出了一种基于小波包和模糊神经网络的离心泵轴系故障诊断方法,实验分析结果表明,该方法可以有效地对离心泵轴系振动信号进行诊断。     

水电机组状态监测与故障诊断研究新进展

总结了近年来国内外水电机组状态监测与故障诊断研究最新进展,包括水电机组振动稳定性监测技术、水轮机效率监测技术、水轮机空化监测技术、发电机绝缘局放监测技术、发电机气隙和磁场强度监测技术、主变压器油气监测技术以及水电机组故障诊断技术等,并详细分析了水电机组状态监测与故障诊断研究方法和产品应用的主要成果,指出其尚未解决的技术问题,最后提出了水电机组状态监测与故障诊断系统未来发展的新趋势。     

基于PLC的水力发电机组模糊控制器的设计

为了改善水力发电机组的动态调节品质,运用模糊规则设计了一种水力发电机组的模糊控制器,并给出了基于西门子PLC的模糊控制器的实现方法,仿真和实际实验结果表明,控制器在改善水力发电机组动态行为上具有突出的优势。     

基于支持向量机的水电机组状态趋势预测研究

趋势预测是水电机组状态监测与故障诊断系统中的重要内容之一，对保障机组安全稳定运行具有重要意义。针对水电机组振动的非线性、非平稳特性，提出将最小二乘支持向量机应用于水电机组振动状态趋势预测；并将该算法应用于某水电机组振动序列峰峰值的预测，与BP神经网络的预测结果的对比表明：最小二乘支持向量机算法更适合于水电机组状态趋势预测分析。     

三峡左岸电站机组状态监测故障诊断系统分析

在水电站运行过程中,能够影响和反映机组运行状态的参数很多,一般的计算机监控系统往往仅侧重于对温度和电量的监测,对机组运行期间振动和摆度的监测重视不够.而水轮发电机组运行过程中,有很多原因可能造成机组振动和摆度过大甚至超标,影响电厂的安全运行.对机组运行中的振动情况进行实时的监视、测量与分析,是减少机组事故、提高维修效率的有效途径.文中讨论了三峡左岸电站水轮发电机组状态监测与故障诊断系统的组成、功能及其实际应用.     

红石水电站机组振动及诱发厂坝振动分析

红石水电站机组振动诱发了厂坝振动 ,通过现场振动试验、结构动力计算及模型试验 ,实现了振动故障诊断 ,并为进一步的加固处理和消减振动措施的实施提供了重要理论基础。     

基于增强层次对称点图像分析和深度残差网络的水电机组故障诊断

图像转化在水电机组故障诊断领域具有一定的潜力,传统将一维数据转化为图像的方法存在图像特征单一性、一张图像难以表示多种信号且图像识别精度偏低等问题。为此,提出一种基于增强层次对称点图像分析（Enhanced Hierarchical SDP,EHSDP）和深度残差网络（Deep Residual Network,Resnet50）的水电机组故障诊断方法。首先,利用移动差分和移动平均过程代替传统的层次分解,提出EHSDP的图像转化方法,在克服信号特征表现单一性问题的同时图像转化效率提高27.42%;其次,将分解过的振动信号图像化得到水电机组的图像数据库,划分EHSDP图像为训练集和验证集,利用训练集训练Resnet50模型得到最优模型参数;然后,将验证集图像输入训练好的Resnet50模型中,借助TSNE对提取到的特征降维可视化,各状态特征信号无混叠;最后,输出图像特征分类实现水电机组故障诊断,并用某水电站SK-3#真实机组数据进行验证。仿真实验和实例验证结果均表明,所提方法在所有对比模型中优势明显,验证了本文所提方法的有效性和实用性。