基于小波神经网络的水电机组振动故障诊断研究

提出应用频谱法和小波神经网络对水电机组的振动故障进行诊断。在对水电机组振动信号进行频谱分析后,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,使构造的小波神经网络能够反映频谱特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。诊断结果表明,与常规神经网络诊断方法相比,频谱分析与这种小波神经网络相结合的方法进行故障诊断简单有效、并具有诊断速度快和泛化能力强等优点。     

基于振动监测与分析的水电机组状态检修系统

从系统软件设计的角度，以状态监测参数的选取、专家知识库及状态参 数数据库的建立为重点，介绍了水电机组状态监测与检修系统的构成及该系统各软件模块的 设计思路和应用功能。     

基于数据挖掘的水电机组振动故障诊断研究

提出一种利用聚类分析、离差标准分法、神经网络等方法建立机组综合评价模型,用来解决水电机组故障诊断问题。该算法应用到某些电站机组的故障诊断中,结果表明,该方法能够对故障做出准确判别,分离各种故障类型。由于需要存储的数据比较少,速度快,非常适于水电机组故障诊断中大规模图形序列挖掘。     

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

本文针对水电机组振动故障诊断中的故障误诊、漏诊以及诊断可靠性低等问题,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的故障诊断方法。在神经网络中应用遗传算法提高网络的收敛速度。对水电机组振动故障进行仿真,诊断结果表明,通过对故障征兆信息的有效组合,充分利用机组各部位信息,可减少诊断的误诊、漏诊,有效提高诊断的可靠性。应用MATLAB7.0开发出故障诊断系统界面。     

基于线性回归的水电机组振动研究

针对汇总的国内水电机组振动数据,运用线性回归理论建立回归模型并对模型进行显著性检验,最终确立了水电机组振动的一元线性回归模型,划分了不同的振动区域,对不同的机组进行振动评价。     

水电机组劣化趋势混合预测模型

提出了一种基于最小二乘曲面、固有时间尺度分解、最大Lyapunov指数预测和灰色预测模型的水电机组劣化趋势混合预测模型。首先,建立了考虑有功功率、工作水头作用的基于最小二乘曲面的水电机组劣化趋势模型。然后,利用固有时间尺度分解方法将水电机组劣化趋势时间序列按不同尺度进行有效分解,使其平稳项和非平稳项分离。其次,对平稳项采用灰色预测模型加以预测,通过对非平稳项的混沌特征研究,发现其具有明显的混沌特征,进而提出了应用最大Lyapunov指数预测模型对非平稳项进行预测。最后,将不同尺度时间序列预测结果进行重构,实现对水电机组劣化趋势时间序列的预测。预测结果表明,该方法具有较好的预测精度,能及时、准确地预测水电机组的劣化趋势。     

基于多重分形谱和改进BP神经网络的水电机组振动故障诊断研究

本文建立了小波分析、多重分形谱和改进BP神经网络相结合的水电机组振动故障诊断模型。该模型首先利用小波分解对振动信号波形进行去噪提纯,得到各种故障信号的小波近似系数,应用多重分形谱算法提取出振动故障的特征向量,并将该特征向量作为BP神经网络的输入向量进行分类识别。该模型直接通过振动波形提取信号特征,避免提取其频谱特性,并结合先进的多重分形谱进行诊断识别,为水电机组故障诊断提供了一种新的方法。应用实例表明,该方法能够提高诊断的智能化和人性化,增强了人机交互性,识别结果令人满意。     

基于贝叶斯网络的水电机组振动故障诊断研究

水电站的状态监测系统积累了大量的监测数据,但由于现场专家缺乏,目前这些数据没有得到很好的利用,如何挖掘这些数据并结合专家经验对水电机组进行故障诊断是本文研究的重点。本文提出了一种基于贝叶斯网络的水电机组振动故障诊断模型。根据专家经验获得贝叶斯网络结构和部分节点参数,通过SOM神经网络对数据信号进行离散化处理,利用EM算法参数学习获得其他节点的概率分布,搭建基于贝叶斯网络的子系统模型,并将子系统模型整合成完整的系统模型。文章最后通过设计试验,验证了所建模型诊断结果的正确性和合理性。     

基于大数据分析的水电机组状态诊断研究

引入大数据分析方法对黄河上游流域各水电机组健康状况进行分析,将机组海量监测数据作为基础数据,开展数据状态评价、振动及摆度频谱分析、振动及摆度历史趋势分析、历年数据对比及主要特征分布等多尺度大数据分析研究,以评价机组健康状态及性能指标,为机组检修提供合理化建议。     

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。     

基于LabVIEW的水电机组振动监测系统设计

相对智能化较低的传统仪器,采用基于LabVIEW软件为开发平台的高技术虚拟仪器,研制水轮发电机组振动状态监测和诊断系统,实现对水轮发电机组振动信号的数据采集与分析、数据处理与显示及结果控制与储存。对机组振动状态进行实时监测与故障诊断,及时采取措施将振动故障限制在允许范围内,这项工作对水轮发电机组安全可靠稳定运行具有工程实际指导意义。     

基于机器学习的水电机组劣化趋势预测模型北大核心CSCD

水电机组的劣化影响着水电站乃至电力系统的安全稳定运行。为了准确解析水电机组运行状态,获取机组的劣化趋势并对其进行准确预测,本文提出了一种基于极限梯度提升算法、变分模态分解算法、双向门控循环单元神经网络和注意力机制的水电机组劣化趋势预测混合模型。该方法首先用极限梯度提升算法建立考虑工作水头、有功功率和导叶开度影响的水电机组健康状态模型;其次,根据健康状态模型,推导出数年后的水电机组劣化趋势;再次,通过变分模态分解算法对水电机组劣化趋势进行分解,得到多个相对平稳的固有模态函数分量,并对每个模态分量建立双向门控循环单元神经网络和注意力机制的组合模型进行预测;最后,将预测模型的结果进行叠加,得到最终的趋势预测结果。实例分析结果表明,所提方法能准确地表达水电机组的劣化趋势,并且能有效地提高机组劣化趋势的预测精度。     

丰满水电机组状态检修

本文主要介绍了丰满电厂在总结了以往机组检修管理经验的基础上,通过对机组的运行状态进行综合分析,判断及机组未来的运行情况预测,合理地延了机组的大间隔,收了较好的效果。     

浅谈水电机组状态检修

主要介绍丰满电厂在总结了以往机组检修管理经验的基础上，通过对机组的支持状态进行综合分析、判断及机组未来的运行情况预测，合理地延长了机组的大修间隔，收到了较好的效果。     

水电机组状态检修浅析

对水电机组开展状态检修是水电机组检修的发展方向，以目前的技术水平，水电厂建立一个机组状态检修的在线监测系统是可能的，但要实现真正意义上的状态检修，还需要科研、设计、运行管理等部门做大量的工作。     

基于EEMD和SOM神经网络的水电机组故障诊断

针对水电机组振动信号的非平稳性和特殊性,提出一种基于集合经验模态分解(EEMD)的奇异谱熵和自组织特征映射网络(SOM)相结合的故障诊断方法。首先采用EEMD对振动信号进行分解,得到本征模态函数(IMF);随后进行奇异谱分解,得到反映振动信号的动态特征向量——奇异谱熵;最后将得到的特征向量输入经过训练的SOM神经网络中进行故障自动识别。结果表明:该方法可以准确地提取机组故障特征,具有更高的识别精度和更快的计算速度。     

基于分形和概率神经网络的水电机组故障诊断

水电机组振动信号属于非线性、非平稳信号，在不同尺度下呈现一定的相似性，是典型的分形信号。本文运用多重分形方法分析机组振动信号，提取信号的广义维数谱特征，并应用人工鱼群算法优化的概率神经网络进行故障诊断。诊断实例表明，多重分形和概率神经网络结合，能够准确辨别故障类型。与BP和RBF网络相比，该方法诊断识别率更高，速度更快，为机组运行维护人员提供更为可靠的参考依据。     

基于虚拟仪器的水电机组在线状态监测系统的研究

为了实施水电机组状态检修,需要实现对机组的在线状态监测。考虑到水电机组状态的多样性和复杂性, 应合理选择水电机组在线状态监测的项目,采用基于PXI总线仪器和LabVIEW的具体实施方案。状态监测系统通过 对水电机组状态量的采集、处理和分析,来实现水电机组运行状态在线实时监测,极大地提高了机组利用率。该系统 在水电机组的状态检修中得到了实际应用。     

基于虚拟仪器的水电机组在线状态监测系统的研究

随着水电机组状态检修的不断开展,需要实现对机组的状态监测,及时了解机组的运行情况并能及时处理。考虑到水电机组状态监测的多样性和复杂性,结合实际,提出了水电机组在线状态监测的项目和基于PXI总线仪器和LabVIEW的具体实施方案。状态监测系统通过对水电机组状态量的采集、处理和分析,实现水电机组运行状态在线实时监测,极大地提高了机组利用率。该系统在水电机组在状态检修中得到了实际应用。     

基于虚拟仪器的水电机组在线振动监测系统

阐述了基于虚拟仪器的在线振动监测系统的基本组成、实现方法和功能,采用PXI总线仪器和Lab-VIEW可视化的虚拟仪器系统开发平台,把传统仪器的所有功能模块集成在一台计算机中,用户可以通过修改虚拟仪器的软件来改变它的功能与规模.该系统实现了水电机组的振动信号的自动采集,并能通过计算机进行振动信号的处理和分析.