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UPEMD融合RCMCSE和ALWOA-BP的水电机组故障诊断

水电机组振动信号的诊断对机组安全稳定运行至关重要。本文提出一种基于均匀相位经验模态分解(Uniform Phase EMD,UPEMD)融合精细复合多尺度余弦相似熵(Refined Composite Multiscale CSE,RCMCSE)和改进鲸鱼算法优化反向传播神经网络(ALWOA-BP)的水电机组故障诊断方法。利用UPEMD对原始信号进行分解,然后建立WOA-BP故障诊断模型。针对WOA算法快速陷入局部最优和过早收敛的问题,采用自适应权重和莱维飞行对WOA算法进行优化。实验结果表明,该方法的准确率达到了100%。为探究所提模型的抗噪性能,引入信噪比为2 dB的噪声进行再次分析,诊断结果为94.44%,明显优于其他未优化模型。该项研究可以对现有水电机组故障诊断方法进行有价值的补充。     

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EEMD-SD振动信号分析的水电机组故障预警方法

为确保水电机组安全运行及电网稳定,探讨利用水电机组振动信号实现机组故障早期预警,提出了基于集合经验模态分解和标准差水电机组振动信号特征量提取方法,并引入K均值和欧氏距离构建水电机组振动信号异常状态预警指标,量化水电机组振动信号状态异常变化程度,融合多测点状态信息形成水电机组振动故障综合预警指标,实现了水电机组振动故障预警,证明所提特征量和预警方法有效。     

基于机器学习的水电趋势预警系统设计

针对水电机组传统的温度限值预警方法,设计一个基于机器学习的水电趋势预警系统.通过人工神经网络对大量的历史数据进行训练,从而搭建模型.本系统同时提供模型管理和发布功能,并利用最新发布的模型进行温度预测.最后,利用现场实际采集水电机组上导瓦温度数据,验证神经网络模型预测的准确度,从而证明基于机器学习的趋势预警系统可以有效地...     

基于模糊理论和多智能体的水电机组在线故障诊断研究

针对水电机组现有在线监测方式的缺陷,设计了一种基于多智能体的故障诊断系统模型。与经典MAS故障诊断系统相比,该模型将任务控制与任务分解融合于一个Agent子系统中,提高了控制信号的传输率并简化系统;状态监测子系统直接从监控现场提取异常特征信号以提高故障监测的灵敏性;在故障诊断子系统中设计了多Agent并行工作结构以满足系统诊断实时性与高可靠性的要求;采用基于java语言的JAFMAS软件构建开发平台建立多A-gent协调机制。实验结果表明了该方法的有效性。     

基于SVD的水电机组振动信号去噪方法研究

为提高故障诊断的准确性,必须对水电机组振动信号进行有效去噪。提出一种基于奇异值分解的水电机组振动信号去噪方法,该方法对水电机组采集振动信号构造Hankel矩阵,得出奇异值序列,利用二倍频率数法选取有效奇异值阶次,最后利用所选奇异值进行矩阵重构,逆推实现信号恢复。分别对构造的仿真信号与水电机组实际采集信号进行去噪处理,与效果显著的GHM多小波相邻系数去噪法进行对比,实验结果表明:基于SVD的水电机组振动信号去噪法具有较好的准确度,噪声去除更彻底,对有效特征能量保留更稳定,是一种稳定有效的去噪方法。     

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。     

模糊理论在水轮发电机组故障诊断中的应用

以模糊理论为基础，结合水轮发电机组的结构设计，运行工况，现场运行人员和专家的经验，分析了故障与征兆之间的模糊关系，形成了水轮 发电机组诊断规则，建立了水轮发电机组模糊诊断自适应修正数学模型，并用某水电厂具体故障实例加以分析，诊断，验证，结果证明了该数学模型的合理性和适用性。     

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。     

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。     

基于无监督特征学习的水电机组健康状态实时评价方法

水电机组健康状态实时评价是状态监测和劣化预警中的重要内容,传统方法采用单一限值比较,不能体现机组个性特色,且适用机组运行工况有限。同时,现阶段已知的水电机组故障类型有限,缺乏故障样本,限制了有监督特征学习方法的实际应用。本文提出了以无监督特征学习技术构建水电机组健康状态劣化指标的新方法,充分利用水电机组状态监测系统中海量数据,挖掘机组正常状态关键特征,建立基于特征空间重构奇异值分解的时域劣化指标和基于自编码器重构误差的频域劣化指标,实时量化评价机组健康状态。以国内某水电站机组轴向振动波形为例,验证了劣化指标的有效性。结果表明,所提出的劣化指标能够反映机组健康状态劣化程度,且比常用时域统计指标更清晰地表现劣化趋势,有效评价机组健康状态,实用性更强。     

HM9000ES 水电机组故障诊断专家系统的设计与开发

根据近年来水电厂对机组状态监测的需求与故障诊断技术的发展状况,基于原HM9000水电机组远程在线监测分析系统的基础,设计开发了一套开放式水电机组故障诊断专家系统软件平台,通过搜集、整理和分析部分常见故障案例,并吸收归纳本领域部分专家的诊断经验,对诊断经验实现了知识化、规则化和可用化。结合三峡集团公司大型诊断中心的建设,实现了部分故障的智能诊断,为机组状态检修提供了依据。     

基于虚拟仪器的水轮机组监测与诊断分析系统

随着水电机组在国家电力工业中的比重和水轮发电机组单机功率的增加,对水电机组的状态监测和故障诊断技术提出了更高的要求。本文采用虚拟仪器系统作为开发平台设计并组建水轮发电机组监测和故障诊断系统。该系统实现了水轮发电机组振动信号的数据采集、数据处理和分析,并进行故障诊断。。     

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。     

基于大数据的多维度水电机组健康评估与诊断

考虑到当前水电机组安全高效运行领域存在的健康状态评估不准确、故障样本少、故障知识不健全和大型机组安全高效运行准则缺乏等问题,本文通过分析提炼水电机组试验、在线监测及运行维护等海量健康数据,提出了表征机组运行状态的特征参数,揭示了各特征参数与机组运行工况参数之间的耦合关系,最终建立了基于健康样本的多维度水电机组健康评估和性能退化预测理论方法。此外,本研究还提出了大型机组安全稳定运行分区准则。基于所建模型和准则,建立了大型水电机组远程状态监测与诊断系统平台。为保障水电机组安全、稳定和高效运行提供了重要技术支撑。