基于均方差和夹角余弦的水电机组振动诊断

以水电机组的实际振动故障作为诊断样本,使用基于均方差的夹角余弦方法进行水电机组振动故障诊断,获得最终的诊断结果。诊断实例表明,基于均方差和夹角余弦的水电机组振动故障诊断方法是有效的,能很好地提高诊断水电机组振动故障的准确性,有较好的实用性。     

基于频谱法与径向基函数网络的水电机组振动故障诊断

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。文章提出应用频谱法与径向基神经网络相结合的方法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,利用频谱分析和神经网络相结合的方法进行故障诊断具有简单有效等优点。     

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用以水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本，通过训练，使最小二乘支持向量机能够反映特征向量和故障类型的映射关系，在完成局部诊断后再实现决策信息融合，从而达到故障诊断的目的。以水电机组振动故障诊断为例，进行了应用检验。研究结果表明，与常规方法相比，最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点，适合水电机组振动故障的诊断。     

基于蚁群初始化小波网络的水电机组振动故障诊断

针对传统小波网络在进行故障诊断时存在收敛速度慢,对初始参数敏感的缺陷,提出了基于蚁群初始化小波网络的水电机组振动故障诊断方法。该方法采用蚁群算法对小波网络的参数进行初步寻优,将优化后的参数作为小波网络的初始化参数;利用水电机组振动信号频谱分量的幅值作为特征向量,对蚁群初始化小波网络进行训练,实现振动特征集到故障集的有效映射,达到故障诊断的目的。实例诊断结果表明:与传统小波网络及蚁群优化小波网络相比,基于蚁群初始化小波网络的水电机组振动故障诊断方法具有较快的收敛速度和较强的泛化能力,为水电机组振动故障在线诊断提供了有效的解决方案。     

基于小波包分析和支持向量机的水电机组振动故障诊断研究

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。     

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。     

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断研究

应用最小二乘支持向量机和信息融合技术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的频域特征和时域振幅特征作为特征向量的学习样本,通过训练,使最小二乘支持向量机能够反映特征向量和故障类型的映射关系,在完成局部诊断后再实现决策信息融合,从而达到故障诊断的目的。以水电机组振动故障诊断为例,进行了应用检验。结果表明,与常规方法相比,最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点,适合水电机组振动故障的诊断。     

基于粗糙集和聚类PSO-RBF的水电机组故障诊断

正将聚类PSO优化粗糙集-神经网络算法引入水电机组故障诊断中,利用聚类算法和PSO算法的优点改进粗糙集属性约简方法并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BP神经网络对粗糙集处理后的故障信息进行诊断。该方法降低了神经网络的输入信息空间维数,简化神经网络结构,有效提高故障诊断的准确性。通过对水电机组振动故障数据进行诊断分析,     

基于改进KNN算法的汽轮机通流故障诊断方法及应用

汽轮机的故障诊断对整个电厂的安全运行意义重大。根据热力参数建立计算模型可以及早地观测到性能退化趋势,预测设备故障类型。本文采用特征通流面积的方法建立汽轮机系统性能退化模型,模拟系统故障样本与测试样本,建立设备故障样本库。通过使用改进的KNN（K-nearest neighbor）算法,基于汽水系统热力参数变化规律,计算当前机组运行数据样本相对于设备故障样本的相似度,判定当前机组各设备已发生故障的概率。通过对某S109FA联合循环机组汽轮机研究结果表明,特征通流面积在不同工况下的计算误差均在5%以内,满足工程计算要求。相比于传统KNN算法,改进KNN算法通过样本评估近邻在决策过程中的权重,取得了比传统KNN算法更高的分类正确率。对测试样本故障诊断结果表明,改进KNN算法比传统KNN算法诊断准确率更高,对测试样本诊断准确率为100%,采用改进KNN算法汽轮机系统故障诊断具有可行性,与现场实际情况吻合。     

基于并行神经网络的水电机组振动状态劣化研究

目前大多数水电机组振动故障诊断研究大多侧重于故障类型和故障定位,从而忽视了检修的重要性。通过检修可以避免大多数故障,而水电机组振动状态和设备劣化之间存在复杂的非线性关系。引入并行神经网络,设计了一种基于传感器和并行神经网络模型的状态监测方法。该方法采用传感器收集大量的数据,通过并行神经网络来拟合设备劣化曲线,根据拟合曲线进行有效的诊断,并给出当前设备运行情况、设备故障风险评估和检修建议。最后,通过预测精准度分析和基于时间劣化预测分析对方法进行验证,系统的拟合曲线可较好地反映设备的运行状态。     

基于神经网络的水电机组智能故障诊断系统

针对现有水电机组状态监测系统功能不完善、不够智能化的缺点,开发了基于神经网络的水电机组智能故障诊断系统,该系统由状态监测和故障诊断两个模块构成,包括数据采集、数据分析、通信和智能故障诊断4部分。与传统故障诊断系统相比具有BP神经网络组成的专家系统,因此具有自学习、自适应和智能化等特点。实验结果表明,此系统的诊断结果准确可靠,具有良好的实用价值。     

水电机组在线状态监测和故障诊断网络化系统的设计与实现

提出将Internet网络技术和虚拟仪器技术与水电机组状态监测和故障诊断技术有机地结合起来,旨在将水电机组的状态监测和故障诊断提升到远程的网络环境,以极大提高状态监测和故障诊断的水平和时效性.通过采用Client/Server网络体系结构,运用LabIEW、DataSocket、PXI和MXI-3技术,实现了水电机组在线状态监测和故障诊断,为水电机组的状态检修提供了可靠的技术保证,以确保水电机组的安全稳定和经济运行.     

基于互联网的水电机组监测诊断系统的研究

为了确保水电机组的安全稳定和经济运行,需要实现对水电机组的监测与故障诊断。在Internet和Windows环境下,利用有效的网络资源、PXI、MXI-3和DataSocket技术,采用易于扩展的客户／服务器结构模式来设计水电机组的远程监测和故障诊断系统。在文中针对该系统总体方案,软硬件组成及系统的功能做了详细的说明。该系统实现了水电机组信号的数据采集、数据分析和处理,并能通过网络进行故障诊断,具有良好的应用前景。     

水电机组在线状态监测和故障诊断网络化系统的设计与实现

提出将Internet网络技术和虚拟仪器技术和水电机组状态监测和故障诊断技术有效地结合起来,旨在将水电机组的状态监测和故障诊断提升到远程的网络环境,以极大提高状态监测和故障诊断的水平和时效性.通过采用Client/Server网络体系结构,运用LabIEW、DataSock、PXI或MXI-3技术,实现了水电机组在线状态监测和故障诊断,为水电机组的状态检修提供了可靠的技术保证,以确保水电机组的安全稳定和经济运行.     

水电机组状态检修现状分析

状态检修能最大限度地延长检修间隔,降低水电机组的运行成本,保证安全生产。在分析我国水电机组现有检修制度不足的基础上,系统介绍我国开展状态检修工作的发展状况及存在的问题,特别对于不同的故障诊断方法在水电机组上的应用进行详细描述。指出对水电机组开展状态检修是水电机组检修的发展方向。     

基于Internet的水轮发电机组远程监测和故障诊断系统的研究

为了确保水轮发电机组的安全稳定和经济运行,需要对水轮发电机组进行监测与故障诊断.作者提出在Internet和Windows环境下利用有效的网络资源、PXI、MXI-3和DataSocket技术,采用易于扩展的客户/服务器结构模式来设计水轮发电机组的远程监测和故障诊断系统.文中对该系统的总体方案、软硬件组成及系统的功能作了详细的说明.该系统实现了水轮发电机组信号的数据采集、数据分析和处理,并能通过Internet进行故障诊断,具有良好的应用前景.     

水电机组振动故障的信息融合诊断与仿真研究

引起水电机组振动的原因复杂,目前主要是通过转速试验、负荷试验和励磁试验等试验手段来判别机组的振动故障.该文将多传感器信息融合方法引入水电机组振动故障诊断中,通过分析机组振动的频率特征,建立了振动故障的融合诊断识别框架,并模拟机组各部位的振动信号,采用小波分析和傅立叶变换进行预处理,提取信号的子带能量特征,应用信息融合方法进行了仿真诊断.结果表明,基于信息融合的故障诊断能充分利用机组各部位的信息,可以减少诊断的不确定性,从而有效地提高诊断的可靠性.     

远程分布式水轮发电机组振动监测与故障诊断系统的研究

针对水轮发电机组振动监测与故障诊断的多样性和复杂性,运用虚拟仪器技术和网络软硬件资源,设计并组建远程分布式水轮发电机组振动监测与故障诊断系统.本文描述了该系统的整体方案,软、硬件构成及其功能.该系统实现了水轮发电机组振动信号的数据采集、处理和分析,并能通过网络进行故障诊断.实际应用证明,这种基于虚拟仪器技术的远程分布式水轮发电机组振动监测与故障诊断系统具有很强的灵活性和可扩展性.     

基于宏试验的水电机组健康状况在线监测方法

针对机组状态监测技术无法实时、有效地获取机组健康状况信息的问题,根据系统构成与行为关系模型及专家通过人工试验掌握机组健康状况的思路,提出了基于宏试验的机组健康状况在线监测方法。将机组正常运行中经历的工况当成试验,与人工试验统称为宏试验;在机组全状态监测的基础上,实时自动地识别宏试验、记录试验数据及计算试验性能指标;通过运行状态异常检测及性能降低与越限检测实时评估机组健康状况,实现机组健康状况在线监测。该方法已成功应用于葛洲坝电站,实际运行证明了该方法的实用性与有效性。     

基于多维特征和多分类器的水电机组故障诊断

提出了一种基于多维特征和多分类器的水电机组故障诊断方法。通过提取水电机组不同状态下振动信号的时域特征、频域特征和集合经验模态分解-样本熵,构建多维特征,实现特征信息的多维互补,并利用遗传算法对构建的多维特征进行降维处理。以此多维特征作为分类器的输入,分别通过支持向量机、反向传播神经网络和朴素贝叶斯分类器进行故障诊断,将三种分类器的初步诊断结果进行融合得到最终诊断结论,从而提高水电机组故障诊断的准确率。为验证该方法的有效性,将转子不平衡、转子不对中、转子碰磨等故障在转子试验台上进行模拟,并用上述方法进行诊断,结果表明,较单维特征和单分类器,多维特征输入和多分类器融合的故障诊断准确率更高。