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。     

考虑尾水位影响的水电机组三维振动区精细划分

常规的水电机组振动区划分通常依赖于稳定性试验,只能获取机组在有限水头下的稳定性表现,且其振动区划分未考虑尾水位变化带来的影响,划分结果缺乏全面性.为此,分析挖掘水电机纽海量状态监测数据,提出考虑尾水位影响的三维振动区划分方法,基于机组实测状态监测数据,利用BP-Garson算法分析振动敏感性工况参数,选择尾水位作为第三...     

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。     

基于连续小波变换和卷积神经网络的尾水管涡带状态识别

混流式水轮机尾水管压力脉动是影响水电机组稳定性的重要因素,监测和识别尾水管涡带状态对于保障水电机组的安全稳定运行十分必要。为此,采用能有效表征信号时频域特性的小波系数云图作为特征图像,并结合卷积神经网络对图像拓扑结构的良好适应性,将图像智能识别技术引入尾水管涡带状态识别领域,提出了基于连续小波变换与卷积神经网络的尾水管涡带状态识别方法,实现了时频图纹理特征的自动提取,避免了人工辨识并简化了特征预处理程序,能迅速准确识别尾水管涡带状态。根据某水电站单机容量200 MW的混流式机组变负荷试验数据对该方法进行实例验证,结果证明了其有效性。     

基于CNN-SVM的水电机组智能故障诊断方法研究

在当前水电机组智能故障诊断的方法中，人为选择故障分类特征的主观性及故障小样本数据的局限性对故障诊断结果的准确性具有重要影响。对此，结合卷积神经网络(CNN)的特征提取优势和支持向量机(SVM)优良的小样本处理能力，提出了一种针对水电机组振动故障诊断的CNN-SVM方法。该方法以水电机组振动信号的时域波形图作为模型输入，然后利用CNN提取信号特征并导入SVM实现机组故障诊断。最后，通过具体的实例分析，验证了所提诊断方法的优势。