基于聚类分析与加权模糊逻辑的汽轮机组振动故障诊断方法研究

针对汽轮机组振动故障诊断中故障征兆的使用问题,提出了一种基于聚类分析与加权模糊逻辑相结合的故障诊断方法。利用振动的频谱特征对振动故障的几种常见故障模式进行分类,形成故障模式类,从而可以在故障模式类层次区分开属于不同性质的故障模式,解决类间的识别问题,进而缩小故障模式的识别范围。对于同一故障类中的故障模式,采集不同类型的故障征兆,利用粗糙集理论建立故障诊断决策表,提取对故障识别有贡献的故障征兆构建故障诊断规则,再应用知识依赖度为故障诊断规则的前提条件分配权重,克服了主观分配权重存在的不足,减少了故障诊断推理过程中的不确定性影响。再应用加权模糊逻辑对故障诊断规则进行推理,根据推理结果对故障模式进行识别。该方法既充分利用了振动的频谱特征这一重要故障征兆作为故障诊断的初步判断依据,又综合利用了反映故障不同方面信息的不同类型的故障征兆,从而做到更加准确地进行故障识别。     

汽轮发电机组振动原因多征兆综合诊断

引起汽轮发电机组振动的原因很多,每一种原因均有多种征兆,单就某一征兆而言,各种振动起因可能有相同或相似之处,但从多种特征来看,又不尽相同,因此可以根据多种征兆诊断振动故障。介绍了利用多征兆诊断振动故障的方法,并通过几个实例说明了综合诊断的可行性和实用性,为准确诊断振动故障提供了有效的工具。     

基于模糊聚类分析的燃气轮机振动故障诊断研究

通过对燃气轮机振动故障的研究分析,提出一种基于模糊聚类分析的燃气轮机振动故障诊断实践方案。针对某海上平台石油作业区单轴燃气轮机的现场运行状况,通过比利时LMS信号采集分析仪进行目标机组的振动测试,运用模糊聚类分析原理对振动故障进行分类,并充分利用各种振动故障征兆,建立燃气轮机振动故障模糊关系方程,通过计算查找机组故障原因,更准确地进行燃气轮机的故障识别及诊断。通过现场验证,对于燃气轮机发电机组的可靠性运行产生一定的积极作用。     

基于EEMD和优化SVM的水电机组振动故障诊断

针对水电机组故障具有渐变性等特征,提出了一种基于总体平均经验模态分解(EEMD)和优化支持向量机(SVM)相结合的水电机组故障智能诊断方法。利用EEMD能对机组振动信号进行自适应分解成若干本征模式分量(IMF),并能有效抑制经典经验模式分解(EMD)的端点效应以及模式混叠现象。从IMF分量中提取出来的能量特征作为输入建立优化SVM,以此来判断机组的故障状态。通过实例分析表明:建立的混合智能诊断方法的分类正确率高,能有效诊断机组存在的故障。     

旋转机械不对中故障特征提取及诊断方法研究

对旋转机械转子系统不对中故障的征兆机理进行了分析,得出在不对中条件下,旋转机械产生二倍频振动这一典型征兆的原因,在转子实验台上对该类故障进行转子系统实验测试,并对原始信号进行频谱特征提取,使该类故障征兆得以验证。用实验测得的振动数据特征归一化处理后作为神经网络的输入变元,以实现对该类故障的准确分离和正确诊断     

旋转机械不对中故障特征提取提取及诊断方法研究

对旋转机械转子系统不对中故障的征兆机理进行了分析,得出在不对中条件下,旋转机械产生二倍频振动这一典型征兆的原因,在转子实验台上对该类故障进行转子实验测试,并对原始信号进行频谱特征提取,使该类故障征兆得以验证。用实验测得的振动数据特征归一化处理后作为神经网络的输入变元,以实现对该类故障的准确分离和正确诊断。     

基于VMD-CNN的水电机组故障诊断

为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。     

B/S模式下的振动远程故障诊断系统

介绍了大型汽轮发电机组振动远程故障诊断系统的设计思路、基本构成以及实现方式。应用专家系统基本原理，提出了层次分类的故障思想。采用支持与否定规则表达征兆对故障诊断所起的作用。使用数据库技术对振动数据进行有效的管理。结合Activex控件技术，开发了振动远程故障诊断系统，实现了B／Ｓ模式下的远程诊断。     

汽轮机高压缸蒸汽激励故障分析与诊断

当机组运行工况恶化而产生非平稳,非线性的振动时,综合应用新兴的小波分析和经典的频谱分析等信号处理技术可以获得丰富的诊断信息。针对兰州西固热电厂５号汽轮机组高压缸大修后的振动现象,描述了汽轮机蒸汽激励故障征兆及其产生原因,指出了减振措施及故障的排除方法。     

基于征兆驱动和专家推理的水电机组轴承状态分析

导轴承是维持水电机组主轴在轴承间隙范围内稳定运行的重要部件,其工作性能的好坏将对机组安全稳定性产生重要影响。为准确监测水电机组轴承运行状态,提出了一种基于征兆驱动的轴承状态诊断模型,通过建立相应的基础数据库,运用时域和频域分析方法提取故障征兆,并结合故障诊断专家推理机制实现对轴承状态的分析诊断。应用表明,该方法能对轴承运行状态实时集中监测,同时实现对轴承故障的及时诊断,可为电站机组的运行检修提供参考。     

基于隶属度和规则的层次分类诊断模型

提出了一个基于模糊隶属度和规则的分类层次诊断模型。针对该模型,首先以汽轮机通流部分故障为对象,讨论了层次分类的方法,根据结构和故障分解的原则建立了故障诊断树;其次根据热力参数的实际情况,选择模糊隶属度函数并确定隶属度函数的算法;最后综合这两种方法的优点,设计了故障节点的知识组织结构,把每个故障节点的知识库分成工况参数、初始证据源、证据模式、神经网络信息、模糊规则库、索引知识等6个部分。该模型既减少了故障判断的搜索数量,又把诊断所需的各种模糊不确定的知识用模糊神经网络的权重来表示,知识的获取通过模糊神经网络的训练进行,解决了知识获取的"瓶颈"问题。经过实际故障诊断验证,该模型对于通流部分故障诊断具有很好的适用性。图2表4参2。     

模糊支持向量机在轴系振动故障诊断中的应用

机组的振动水平是表征电厂稳定安全最重要的标志之一.本文利用支持向量机的智能方法对机组的轴系故障进行诊断,在小样本集上取得了100%的分类精度.在此基础上,还引入部分噪声数据,统计其分类性能,展示了支持向量机的容错能力.最后分析了支持向量机方法在轴系振动故障振动的优势和缺陷,引入模糊输出支持向量机进行了改进,给设备维修提供了更多的参考信息.     

基于EMD-MDT的直流微电网线路故障检测

提出一种经验模态分解和决策树相结合的风光储直流微电网配电线路故障检测和分类方法。该方法通过经验模态分解对发送端测得的直流电流进行分解,得到多个本征模态函数,并采用最大加权相关系数方法计算选取灵敏度最高的2个本征模态函数,将9个统计方法应用于本征模态函数生成故障特征值,最终基于决策树,实现风光储直流微电网配电线路的精准检测和分类。算例分析表明,基于经验模态分解的风光储直流微电网配电线路故障检测方法可不受故障电阻、故障起始时刻和故障距离的影响,快速有效的对配电线故障进行检测和分类。     

基于粗糙集与支持向量机的发动机故障诊断研究

在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。     

电气设备红外热像图谱分类编码与故障树研究

变电设备热故障分析和定位的关键在于分类存储和管理红外热像图谱。在分析研究变电设备热故障分类的基础上,设计了一种易于拓展的热故障编码方法,该方法利用故障树进行精确检索及热故障精确定位,能有效解决红外热图像分类存储管理及热故障智能诊断中的分类问题。实际应用验证了该编码方法的有效性和实用性。     

基于一维密集连接卷积网络的风电齿轮箱智能故障分类

人工智能技术的飞速发展为现代能源装备的精益化故障诊断与健康管理提供了可能。风电齿轮箱由多个齿轮、轴承组成,且长期在变速、变载荷工况下运行,依靠传统的故障特征提取结合机器学习方法进行故障诊断存在精度低、缺乏智能性等缺点。文章提出了基于一维密集连接卷积网络的风电齿轮箱故障分类方法:将原始振动信号直接送入网络模型,经过密集连接、合成连接与卷积运算,匹配对应的故障类型,迭代训练故障分类模型;振动信号输入模型后的分类结果决定所属故障类别。文章所提出的风电齿轮箱故障分类方法具有诊断流程简单、故障识别率高等特点,多工况试验台故障数据验证了该方法的有效性。     

基于因子隐Markov模型的旋转机械故障诊断方法的研究

针对旋转机械升降速过程非平稳、重复再现性不佳的特点，隐Markov模型具有很强的针对性。因子隐Markov模型是一种多链隐Markov模型，它是隐Markov模型的一种扩展形式。作者将因子隐Markov模型引入到旋转机械升降速过程的故障诊断中，提出了基于因子隐Markov模型的旋转机械故障诊断方法，并且利用它成功地对旋转机械的故障进行了分类。实验结果表明：该方法是有效的。图4表2参8     

基于机车故障诊断专家系统的故障树优化设计

针对基于故障树的机车故障诊断专家系统,通过引入二叉故障树的概念,将传统故障树合成为一棵二叉故障树模型,并以此为基础,对其知识库的存储和故障诊断方式进行了研究,达到了优化系统的目的。     

基于分类树归纳的模糊轴系诊断规则抽取

轴系故障一直是困扰电力生产的主要问题,基于专家系统的轴系故障诊断方法存在知识获取困难、诊断精度不高的问题。本文提出了基于归纳学习的分类树构造方法,实现从运行数据中提取诊断规则,分析了基于分类归纳的诊断规则抽取方法对噪声的容忍能力,在不同噪声类型和噪声规模下,分析发现属性约简和剪枝技术都能有效提高诊断规则的泛化性能。本文进一步提出了将数值型规则转化为模糊规则,提高诊断规则的可理解性和推广能力,为实现故障诊断系统的自学习提供了可行的途径。     

Small-batch-size convolutional neural network based fault diagnosis system for nuclear energy production safety with big-data environment

In nuclear energy production, with the continuous innovations and challenges in the big data and the industry 4.0 era, to guarantee the operation safety without the fault and failure will become more complex and intelligent. In this paper, a novel optimized convolutional neural network with small-batch-size processing (SCNN) was proposed and assembled in the nuclear fault diagnosis system. Eleven kinds of normal and fault conditions that include the whole 316 simulator sensor features were used to evaluate the performance of the proposed diagnosis system. The application of batch normalization with SCNN significantly optimized the model validation accuracy and loss under 100 epochs compared with normal operation and adding drop-out operation in same condition. Besides, outstanding diagnosis accuracy was highlighted by the comparison of traditional binary and multiple classification methods. This proposed diagnosis system has achieved more precise diagnosis accuracy and will provide the useful guidance to operators, assisting them to make accurate and rapid decision to ensure nuclear energy production safety.