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。     

水轮发电机组机械故障诊断研究及应用

文章以水电机组机械故障监测与诊断为应用背景,提出了水电机组运行设备状态监测与故障诊断的模糊专家系统结构模式及诊断模型,给出了故障诊断的知识表示方法及实例,对反映故障的特征量进行了一定分析。     

径向基神经网络在水轮发电机组故障诊断中的应用

轴心轨迹是诊断水轮发电机组运行状态的一个重要征兆。以不变矩为图形特征量，运用径向基神经网络对发电机故障状态的轴心轨迹图形进行辨识，是一种简单、有效的故障诊断方法。文中从原理上阐述了这种方法的可行性，并通过仿真试验证明径向基神经网络比BP神经网络有更高的学习效率和更好的诊断精度。     

基于健康样本的风电机组滚动轴承状态评估

针对风电机组运行工况复杂,故障样本的缺乏,难以进行有效诊断的情况,提出了一种基于健康样本的风电机组滚动轴承状态评估方法。该方法充分利用风电机组健康状态监测数据资源,采用径向基函数插值理论,建立了风速、转速和轴承状态参数间的映射关系,通过振动偏差有效地对风电机组滚动轴承运行状态进行实时评估。数据分析表明,该方法克服了单一静态阈值报警的不足,能有效地识别出风电机组工况变化时轴承存在的异常,为风电机组轴承健康评估提供了新的思路。     

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。     

水轮发电机组稳定性状态监测与数据处理研究

本文研究了水轮发电机组状态监测与故障诊断系统的监测内容，并针对这些检测内容选择了相应的传感器。针对采集到的水轮发电机组状态信号，给出了信号处理的方法，该系统已在索风营等多个电站投入运行，结果表明该系统测点布置合理，能准确反映机组运行情况，信号处理方法得到，能对机组故障做出准确的诊断。     

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。     

基于马氏距离-数据融合的水电机组运行研究

针对水电机组状态监测传感器读数的精确性以及其数据波动影响机组故障诊断准确性和复杂性的问题,提出基于马氏距离-数据融合的方法,主要进行水电机组运行状态的研究与识别.该方法以马氏距离为计算基础,将连续时间段内水电机组多传感器数据进行融合,根据所得计算结果值结合机组实际运行情况分析指标值波动,达到识别机组正常与故障运行状态的目的,并将此方法与基于单传感器数据和基于欧氏距离的数据融合方法进行对比分析.结果表明：基于马氏距离-数据融合的方法在时效性与准确性上更为优异,可更直观、准确、高效地识别机组运行状态,对机组实际运行具有显著工程意义.     

浅谈泵站设备故障诊断问题

故障诊断学包括工况监视与故障诊断,从系统分析观点出发,工况监视与故障诊断可以理解为识别机械设备状态的科学,也就是说利用检测方法和监视诊断手段（包括不断发展的信息科学与系统辨识的新方法），     

模糊技术在水电机组振动故障诊断中的应用探讨

文章将模糊技术应用于水电机组振动故障诊断，重点介绍了模糊故障诊断的基本与实现，并以安康电厂实际机组曾发生的振动故障为实例，验证模糊诊断方法，结果表明模糊诊断方法具有一定可行性，效果令人满意。     

基于贝叶斯网络的水电站多源信息故障诊断

为提升水电站电力设备故障诊断的智能化水平,特别是解决缺乏状态监测系统的设备的故障诊断问题,提出了一种基于贝叶斯网络(BN)的水电站多源信息故障诊断方法。该方法对拥有状态监测系统的设备,采用机器学习法构建BN模型。对于缺乏状态监测系统的设备,则提出一种改进专家经验法构建BN模型:使用故障树(FTA)模型转化贝叶斯网络结构,Noisy-Or模型简化条件概率表(CPT),模糊综合评价法(FCE)获取条件概率。最后,融合两个模型建立了多元信息故障诊断模型,并分别采用数据对比分析与受试者工作特性曲线(ROC)对模型进行验证。结果表明,在1000组验证数据中,发电机、电力传输系统的准确率分别为81. 7%、81. 3%,并且ROC曲线的AUC值达到0. 8099,说明该方法具有较高的准确性和实用性。     

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。     

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。     

水电站计算机监控系统综合智能告警研究

故障诊断技术是保证水电机组及相关设备安全可靠运行的关键。由于电站集控中心接入监控对象设备量越来越多,故障自主诊断成为重要研究问题。本文针对水电站运行特点,提出了一种结合深度学习和规则推理的计算机监控系统综合智能告警方法。首先,介绍监控数据的前期处理流程,并以卷积神经网络（Convolutional Neural Network,CNN）为基础,构建基于深度学习的故障诊断模型;然后整合出几种较为宽泛的故障类型,利用历史样本训练 CNN 模型;最后结合基于专家经验的规则推理,完成对故障诊断结果的校核、细化及补充。算例结果表明,本文所提方法能够有效实现水电站故障自主诊断,为水电站智能化建设提供技术支撑。     

发电机转子匝间短路故障诊断及处理

由于一段时间国内主要几大发电机制造厂家超负荷生产,设备工艺及质量出现较多偏差,适时发电机转子匝间短路故障呈高发频发状态,仅某电机股份有限公司生产的某型发电机就出现多台次转子匝间短路故障。本文通过介绍某电厂转子匝间短路故障现象、故障诊断方法,故障处理及原因分析,对故障处理的几个主要问题提出了看法,总结了经验,旨在供同类型发电机转子故障诊断分析及处理参考。     

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。     

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。     

小波包分析及高斯混合模型在汽轮机振动故障诊断中的应用

提出一种利用高斯混合模型对汽轮机振动故障进行诊断的方法。原始的汽轮机振动故障信号用小波包进行分解重构滤波,提取振动信号特征量,然后用特征量来建立高斯混合模型。用每种故障状态的几组数据作训练数据,对每种故障状态建立一个识别元,识别元的参数用EM算法求解最大似然估计,最终将待识别故障数据输入每个识别元,找到最大概率的识别元所对应的故障即为诊断的最后结果。     

基于遗传神经网络和证据理论融合的水电机组振动故障诊断研究

针对水电机组振动故障诊断中的故障误诊、漏诊以及诊断的可靠性低等问题,提出了适用于水电机组的神经网络局部诊断和证据理论融合决策诊断的故障诊断方法。在神经网络中应用遗传算法来提高网络的收敛速度,应用提出的诊断方法对水电机组振动故障进行仿真,诊断结果表明对故障征兆信息的有效组合,充分利用机组各部位的信息,可以减少诊断的误诊、漏诊问题,从而有效地提高诊断的可靠性。应用MATLAB7.0开发出故障诊断系统界面。