神经网络在水电机组振动故障诊断中的应用研究

本文首先简单介绍了人工神经网络的基本性能和BP网络模型及算法，在此基础上将神经网络应用于水电机组振动故障诊断中。试验证明，基于神经网络的水电机组振动故障诊断方法具有很高的实用价值。     

信息融合技术在水电机组计算机监控系统中的应用研究

针对电力系统故障诊断问题存在的大量不确定性,提出了将信息融合技术应用于水电机组故障诊断的新方案。同时,开发了基于多传感器信息融合技术的水电机组故障诊断系统。通过在某水电站的运行测试表明,所提方案具有准确的诊断结果和良好的实用价值。     

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。     

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。     

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.     

水电机组故障诊断技术的应用现状与技术发展

通过资料和国内外现场调研,对水电机组故障诊断技术国内外发展的现状进行论述,提出了故障诊断技术在水电厂生产运行中的诊断原则和作用。并针对水电机组的特点,分类归纳了水电机组故障诊断的对象和内容,对目前水电行业应用较广的几种诊断方法进行分析。最后,提出了故障诊断技术在水电行业研究应用中的不足及其技术展望。     

水电机组智能诊断技术研究与应用现状

本文介绍了目前水电机组主要的智能故障诊断方法,并对水电机组常见故障进行归纳分类,之后论述了国内外故障诊断系统在水电厂的应用状况,并分析了水电机组故障诊断研究中存在的不足之处,最后指明了水电机组故障诊断研究和发展的新趋势。     

水电机组状态检修实现策略与框架设计

给出了水电机组状态检修系统的逻辑结构;针对水电机组故障多样性和复杂性，重点提出了一种由基于数据融合的模糊神经网络技术和专家系统的在线诊断子系统及基于模型的离线诊断子系统组成的故障诊断系统，利用专家系统的逻辑推理能力以及人工神经网络的学习和容错能力，建立转子非线性动力模型仿真来离线分析那些没有办法定量提取或解释的征兆，对机组进行故障诊断;同时给出了实时数据的一种智能化存储策略，很好地解决了在线监测所产生的海量数据。     

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。     

基于数据融合理论的水电机组故障诊断方法

在研究有关数据融合理论及其算法的基础上,将不同特性的数据进行综合和推理,用以解决水电机组故障诊断的多源信息处理问题。     

面向状态检修的分布式诊断专家系统

运用分布式系统理论，结合大型电厂设备状态检修的诊断需求，提出了一种多层结构的分布式诊断系统模式，将诊断任务划分为专项诊断、设备诊断、机组综合诊断以及专家会诊等4个层次，采用黑板结构实现诊断层间诊断任务的协调，有效地提高了诊断效率和诊断定位的准确性。对各层的诊断单元的具体实现进行了阐述。     

改进Elman网络及其在水轮发电机组故障诊断中的应用

针对水轮发电机组故障诊断系统，分析了改进BP网络在故障诊断中的不足，提出了利用改进Elman网络进行水轮发电机组故障诊断的方法。该方法具有精度高、收敛快、可以避免局部最小的优点，从而为水轮发电机组故障诊断提供了一种更有效的方法。     

大坝健康状态综合诊断方法研究进展

大坝健康状态综合诊断是一个充满不确定性的、多层次、多指标的复杂非线性问题,不仅要考虑不同监测效应量对大坝整体健康状态的综合反映,而且要考虑监测信息不确定性给大坝健康状态综合诊断带来的不利影响。概括了大坝健康状态综合诊断的基本研究思路,重点介绍了基于数据融合、信息熵和云模型等现代数学理论的大坝健康状态综合诊断技术,分析了大坝健康诊断研究的发展趋势,以期为大坝健康诊断的进一步研究提供借鉴和参考。研究表明:数据融合理论可为多源监测信息融合条件下的大坝健康状态综合诊断提供一条新途径,信息熵理论可为信息不足或混沌无序条件下的大坝健康状态综合诊断提供一种新手段,云模型可为综合考虑监测信息复合不确定性条件下的大坝健康状态综合诊断提供一种新方法。     

基于免疫原理的水电机组故障诊断方法

针对目前水电机组故障诊断中存在的建模复杂、样本需求量大及诊断学习缺乏自主连续性等问题,提出了基于免疫原理的故障诊断方法。以状态征兆为抗原,各种故障模式下的故障检测器作为抗体,通过反向选择机制判别正常,异常状态,利用克隆选择原理进化学习获得能识别抗原结构的记忆抗体。根据最大故障隶属度诊断故障类型。以机组振动为诊断对象的仿真结果表明,该方法识别故障的准确率高,非常适合故障样本难以获得的小样本故障诊断。     

农村水电站低压发电机远程故障诊断系统的研发

农村水电站低压发电机故障诊断系统NGFDS2009采用远程维护模式,具有经济实用、简单可靠等特点。该系统由三大主要模块构成:远程故障诊断数据传输模块、软件系统模块和诊断专家库系统。应用实践表明,采用该系统可以提高发电机故障的预防能力和故障诊断的快速性,而且把系统集成在水电站计算机监控系统中,将提高水电站的综合自动化水平。     

水轮发电机组非平稳振动信号的检测与故障诊断

针对传统方法难以精确检测水轮发电机组的非平稳振动信号以及现有振动故障诊断方法精度低等问题,本文首先引入排列熵算法对其进行检测与分析,进而引入多维度排列熵算法,以实现对非平稳振动信号的特征提取,构造故障样本数据,并将其作为基于遗传算法的支持向量机诊断模型的输入,从而完成故障的诊断与识别。仿真实例表明,排列熵能够有效检测非平稳振动信号的突变,多维度排列熵与支持向量机相结合的故障诊断方法可有效识别机组的异常情况,具有较高的诊断精度。