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。     

基于EEMD的有载分接开关触头松动故障诊断

针对基于经验模态分解（EMD）的希尔伯特黄变换（HHT）在变压器有载分接开关（OLTC）振动信号故障检测方面的模态混叠问题,提出了集合经验模态分解（EEMD）方法,有效解决了EMD模态混叠的缺点。在EEMD的基础上对振动信号进行HHT,提取信号的边际谱,实现对触头松动故障的检测。仿真与实际试验表明,将该方法应用于分接开关振动信号的分析,可有效地提取故障特征量,有利于对触头故障的诊断。     

含鉴相的水力机组轴心轨迹信号还原研究

水力机组主轴轴心轨迹中包含大量的故障信息,在研究轴心轨迹之前必须进行降噪处理。针对含鉴相的轴摆信号,提出采用时程处理方法,依据鉴相片、轴系直径、采样频率等信息对时程信号处理,最终利用EMD方法剔除趋势项并重构信号的时程处理方法。实例分析表明,该方法能正确识别、剔除鉴相片所带来的影响,并对机组振摆信号进行准确重构,基于此准确描述机组状态。     

小波包特征熵提取水轮机尾水管动态特性信息

将小波包多分辨与信息熵相结合,提出了一种故障检测与诊断的方法——小波包特征熵-故障法。首先对采集到的振动信号进行3层小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而建立信号的小波包特征熵向量,选取最能反映故障特征的参数作为特征参数,进行故障诊断识别。以水轮机尾水管压力脉动信号为例,运用此法进行了尾水管动态特性信息提取。试验表明小波包特征熵法是提取故障信息并进行故障识别的一种行之有效的方法,为流体机械的故障诊断开拓了新的思路。     

改进的EMD方法及大坝强震反应信号应用分析

基于经验模态分解(EMD)的希尔伯特黄变换(HHT)方法能够较好地分析非平稳和非线性的信号。在EMD分解过程中易产生模态混淆现象,影响了信号分析结果的准确性。本文通过对EMD分解过程进行改进,在分解进程中增加滤波手段有效抑制了模态混淆现象,应用仿真信号实例进行对比分析表明抑制效果明显。最后,应用该改进方法对大坝强震反应信号进行分析,研究大坝在强震下特性变化规律。     

改进的EMD方法及大坝强震反应信号应用分析

基于经验模态分解(EMD)的希尔伯特黄变换（HHT）方法能够较好地分析非平稳和非线性的信号。在EMD分解过程中易产生模态混淆现象,影响了信号分析结果的准确性。本文通过对EMD分解过程进行改进,在分解进程中增加滤波手段有效抑制了模态混淆现象,应用仿真信号实例进行对比分析表明抑制效果明显。最后,应用该改进方法对大坝强震反应信号进行分析,研究大坝在强震下特性变化规律。     

基于混合经验模式分解的水轮机压力脉动分析

针对水轮机尾水管压力脉动信号的非平稳性以及经验模式分解(EMD)和集成平均经验模式分解(EEMD)的一些重要缺陷,以虚假分量识别和信号重构为基础,提出了一种混合经验模式分解方法。分别以仿真信号和某混流式水轮机尾水管压力脉动信号为例,验证了该方法相对于EMD和EEMD的优势。     

基于水电机组复合特征提取的RBFNN故障诊断

针对传统快速傅里叶变换（FFT）方法在非稳态信号分析上的局限和水电机组稳定性状态分析及故障诊断中过分依赖单一能量特征的不足，提出了集小波分析、模糊理论和径向基函数神经网络（RBFNN）优点于一体的基于复合特征提取的RBFNN故障诊断方法。首先采用小波分析方法对稳定性状态信号进行多频段分解、降噪，提取相对能量特征;运用模糊理论进行稳定性状态对过程参数变化响应的数值分析和量化，提取关系型征兆;然后将这2种特征组合，形成综合反映机组稳定性状态的复合特征向量;最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程应用结果表明，该方法能够全面准确地提取水电机组稳定性状态特征，在水电机组故障诊断上具有一定的可行性和有效性。     

基于传递熵的水电站厂房振动传递路径识别

水电站厂房空间结构复杂,同时振动测试信号中常混杂各种噪声,使得水电站厂房结构振源传递路径的分析难度增大;论文将传递熵方法与基于EMD分解的小波熵阈值去噪方法相结合,实现水电站厂房振动传递路径的识别。首先采用EMD分解和小波熵方法自适应地根据信号能量特征确定对应尺度的去噪阈值,对振动测试信号去噪;然后采用传递熵的方法识别厂房结构振源的传递路径。通过模拟信号的分析证明了该方法在判断信号传递方向方面的合理性。将该方法应用到一大型水电站厂房,结合现场实测振动数据对尾水涡带的垂向传递路径进行了识别,并计算了测点之间的信息传递率。结果表明尾水涡带引起的垂向振动主要传递路径为:尾水管→机墩(定子基础、下机架基础)→厂房上部结构楼板。     

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。     

ANN-DT混合建模法在机组水冷系统渗漏监测中的应用

发电机内冷水系统是发电机组安全运行的一个重要组成部分,其渗漏监测是在强干扰下弱信号的识别问题。针对多工况的运行环境,提出了一种决策树结合神经网络的混合建模方法,有效地对各种工况做出识别并剔除掉大的扰动因素,极大改善了诊断模型的泛化性能和动态辨识能力。这一混合策略为发电生产过程的在线监测和故障诊断问题提供了一种新的解决思路。     

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。     

基于振动信号的水电机组状态劣化在线评估方法研究

实现水电机组状态劣化评估和故障预警是行业研究的热点。论文提出了一种结合时域与频域特征的机组劣化在线评估方法。(1)先利用检测指数确定振动信号中对机组运行状态最为敏感的时域特征;再以机组健康状态下工况参数X(水头、开度等)和检测指数筛选的振动信号时域特征Y为健康样本,利用最小二乘支持向量机构建机组状态健康模型Y=f(X)。基于该模型,以实时工况参数为输入,在线预测对应工况下机组振动信号时域特征健康值,计算健康值与实际值之间的相对误差,作为评估机组劣化程度的时域劣化指标。(2)利用小波变换与奇异值理论对振动信号进行分解,提取健康状态下机组振动信号奇异值特征向量并得到健康聚类中心,实时计算实测信号奇异值特征向量与健康聚类中心之间的相对欧式距离,作为频域劣化指标。结合时域和频域劣化指标,在线计算综合劣化指标评估当前时刻机组劣化程度。结合实际机组运行案例,验证了该模型的有效性和实用性。     

基于年径流序列的五种趋势检测方法性能对比

趋势变化是水循环过程的重要变化特性之一,准确识别水文要素变化趋势是认识变化环境下水循环演变规律的基本内容。由于当前趋势检测方法众多,且受多种因素影响,趋势检测结果存在较大的不确定性,很难判断结果的准确性。为提高对水文要素趋势分析方法的认识,研究基于3组变化特征不同且已知成分的人工生成序列,综合对比分析了5种常用趋势检测方法(累积距平法、线性回归法、MK法、EMD法和DWT法)的准确性和可靠性,并以3组不同实测年径流序列为例,进一步评价了不同方法在水文时间序列趋势检测中的性能差异。实例分析表明,累积距平法可用于水文时间序列趋势的初步分析,不宜作为判断依据。MK法与线性回归法所得结果差异不大,对趋势单调且无明显季节或周期变化的水文时间序列具有较高识别精度,适用于演变特征相对简单且趋势变化明显的年径流序列的趋势检测。EMD和DWT法可以准确地识别并分离出序列自身含有的不同尺度波动成分,从而避免序列周期、非线性变化等特征对趋势检测结果的影响,性能相对更优,对于演变机理及变化特征复杂的年径流序列的趋势分析,应优先考虑DWT法,其次为EMD法。研究成果可为水文要素的趋势分析及其方法选择提供参考。     

基于改进小波阈值-EMD算法的高拱坝结构振动响应分析

基于高拱坝泄流结构实测振动响应数据资料,针对泄流激励作用下不可避免混有各种噪声进而影响结构工作模态识别精度的问题,提出了一种基于改进的小波阈值-经验模态分解(EMD)联合算法的滤波降噪方法。以拱坝泄流结构实测振动响应资料为基础,利用改进的小波阈值算法滤除大部分高频白噪声,降低EMD分解的边界积累效应,进行EMD分解,通过去趋势波动分析(DFA)方法进一步滤除白噪声及低频水流噪声。工程实例分析结果表明,与小波分析、EMD方法相比,该方法具有更好的降噪效果,能精确滤除泄流结构实测振动响应信号中的低频水流噪声及白噪声,最大程度地保留信号中有效特征信息,并且为拱坝泄流结构在噪声干扰下提取有效信息提供了捷径,为坝体结构的安全监控打下了基础。     

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。