SA-WNN模型的水电机组故障诊断  

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备\"能量-故障\"映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。

重点介绍了水电机组实施工况监测的主要工况及其分析诊断技术,并在总结现场试验研究的基础上,给出了水电机组运行设备工况监测与分析诊断的故障类型。

对当前水电机组故障诊断系统的现状进行了讨论,并且基于数据融合和信息共享的思想,提出将状态检修系统与计算机监控系统和信息管理系统相结合的方法,基于研究开发了水电机组状态监测与故障诊断系统,达到了充分利用现有资源,提供智能决策参考的目的

针对水电机组故障诊断知识较为复杂多样的特点,提出了将产生式模糊规则表示、神经网络表示和可视化故障知识表示等多种方法综合集成的知识表达方式和诊断推理策略。诊断实例表明,该集成知识表达和推理方式的引入有助于增强水电机组故障诊断专家系统的知识获取和表达能力,提高了系统的推理匹配能力。

作为电厂的重要设备之一，水电机组的良好运行状态是确保水电厂安全运行的重要保证。随着国内水电工程建设的发展不断加快，水电机组开始往高效率、大容量、高转速以及高水头的设计方向进行发展，在设计采用的材料拥有更高的强度，不仅增加了机组尺寸，减小了相对刚度，并且采用更加灵活的构件，因此对机组运行的稳定性和可靠性提出了更高的要求。为了对水电机组的运行状态进行在线监测和诊断分析，采用了水电机组状态监测与故障诊断系统，通过系统收集机组运行数据，上传给计算机网络进行监测分析，对机组运行过程中存在的潜在故障进行排查和报警，提前避免重大安全事故的产生，对保证水电机组运行的安全性和可靠性具有重要的意义。本文主要对状态监测技术和故障诊断技术进行了分析。

在电厂中,水电机组是其中十分重要的一个设备,其运行状态与水电厂运行的安全性有着直接的联系.在我国水电工程不断发展与进步的情况下,水电机组就必须向着以下几个方面发展:效率更高;容量更大;转速更快;水头更高等,除此之外,为了能够更好的满足当前时代对机组的更高需求,还应该尽量选择具有高强度的材料以及灵活性更高的构件.为了能够让水电组实现更加稳定、安全且可靠的运行,就需要在线监测水电组的运行状态并进行相应的诊断分析,为了能够提高这些工作的准确性和效率,可以在这个过程中使用水电组状态检测系统以及故障诊断系统,接下来是将系统收集到的有关数据信息上传到计算机网络中,进行相应的监测分析,从而更好的排查机组运行过程中存在的问题,并及时的采取合理的措施加以解决,避免机组运行过程中出现故障问题.为此,本文对水电机组状态监测与故障诊断技术进行了相关研究与分析,为后续相关工作的进行提供了一定的参考和依据.

水电机组的振动信号为典型的非平稳、非线性信号。为了通过振动信号正确判断水电机组的运行状态，本文提出运用经验模态分解处理原始信号，并对获得的基本模式分量计算其复杂度特征，最后运用最小二乘支持向量机进行故障诊断。选取径向基函数作为核函数，并通过网格搜索和交叉验证确定相关参数。结果表明，经验模态分解复杂度特征和支持向量机结合，能够准确地实现故障诊断，确定故障类型，为机组运行维护人员提供参考依据。

针对传统方法难以精确提取水电机组非平稳振动信号的故障特征,首先引入变分模态分解(variationalmodaldecomposition,vmd)将水电机组非平稳振动信号分解为一系列中心频段互不重叠的imf分量,进而采取能量法提取各imf分量的故障特征,最后将提取的故障特征向量输入到本文建立的基于遗传算法优化支持向量机的故障诊断模型中,实现故障模式的识别与诊断。将该方法应用于实际水电机组故障振动信号的处理中,仿真结果表明,该方法能够有效识别机组的异常状况,具有较高的故障诊断正确率。

为提高水电机组故障诊断的准确率,提出基于优化支持向量机多分类器的水电机组故障诊断方法。支持向量机(supportvectormachine,简称svm)在解决小样本问题上有着突出的表现,针对其参数设置采用人工蜜蜂群(artificialbeecolony,简称abc)进行参数优化。建立基于fisher加权的朴素贝叶斯分类器(attributefisherweightednaivebayesclassifier,简称fwnbc)和基于mahalanobis距离的分类器(mahalanobisdistanceclassifier,简称mdc),并与优化的支持向量机分类器组合成为fwnbc+mdc+优化svm的分类融合模型,以基于优化微分经验模式分解法(differentialempiricalmodedecomposition,简称demd)提取的分量作为输入特征向量,应用融合模型对水电机组故障进行诊断,以投票为决策方法。实验结果表明该模型对于未经优化的支持向量机和特征提取以及单一的分类器,能有效提高故障识别的准确率。

针对水电机组常规振动故障诊断分类器不能反映分类中的不确定信息的不足,提出一种基于粗糙集的一对一(1-v-1)多类支持向量机分类方法。该方法充分利用粗糙集对不确定、不完整数据和复杂模式的良好刻画能力及支持向量机优秀的泛化能力,应用粗糙集最核心的思想:上、下近似来描述支持向量机分类结果。结合1-v-1方法实现支持向量机的多类分类,导出多类分类时样本的上、下近似和边界区域的集合表示,并以规则的形式对分类器进行描述。用所提方法对国际标准测试数据进行实验,并应用于某水电厂机组振动故障诊断。所得结果与单纯1-v-1多类支持向量机方法比较,结果表明该分类器具有规则简洁、分类阶段所需存储空间小,能够反映故障模式分类中的不确定信息等优点。

提出应用粗糙集和支持向量机水电机组振动的故障诊断模型。运用粗糙集理论对水电机组振动信号的属性特征进行预处理,在约简去除其冗余属性后得到决策表,将决策表作为支持向量机的学习样本,通过训练,使构建的支持向量机多分类器能够反映属性特征和故障类型的映射关系,从而达到故障诊断的目的。测试结果表明,与常规方法相比,应用粗糙集和支持向量机相结合的方法进行故障诊断具有简单有效、诊断速度快和良好的鲁棒性等优点,是一种有效的诊断方法。

提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,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,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。

针对辽宁省桓仁水电站计算机监控系统的机组振动故障诊断功能缺陷,提出了基于灰色关联分析的水电机组振动故障诊断方案.事实证明该诊断方案具有良好的实际应用效果,可以有效提高桓仁水电站机组检修效率.

一、诊断检修是计划检修的进步以往电力系统的设备检修是按计划检修原则进行的,根据原水利电力部颁发的“发电厂检修规程”规定的周期、工期、项目,“到期必修、修必修好。”规定的依据基本

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。

将小波包分解及重构技术用于转子轴心轨迹提纯,利用离散余弦变换实现轴心轨迹的自动识别,结合水轮发电机组故障诊断系统,实现了轴心轨迹图形征兆的提取,论证了所述方法的合理性和可行性.利用该方法提高了系统的诊断速度和精度

提出了一种开发水电机组故障诊断专家系统的设计思想及实现方法.通过采用产生式规则来表示知识,运用正反向推理机制,动态丰富知识库,实现水电机组振动的在线(离线)监测和故障诊断,并提供诊断结果和相应的故障处理措施,为水电厂从计划检修向状态检修提供可靠的技术保证.该系统具有人机界面友好、运行速度快、信息存储量大、开发周期短、易于维护、扩充等特点

介绍了人工神经网络的基本性能和ｂｐ网络模型及算法，并将神经网络中的ｂｐ模型应用于水轮发电机组振动故障诊断中，比较了选择不同的网络参数对诊断系统性能的影响。实验证明，基于ｂｐ网络的水轮发电机组振动故障诊断方法具有较高的实用价值。

介绍了人工神经网络的基本性能和bp网络模型及算法，并将神经网络中的bp模型应用于水轮发电机组振动故障诊断中，比较了选择不同的网络参数对诊断系统性能的影响。实验证明，基于bp网络的水轮发电机组振动故障诊断方法具有较高的实用价值。

概略地介绍了tn8000水电机组状态监测分析故障诊断系统的作用及适用范围,画出了系统的网络构成图,详细介绍了系统的各种功能,给出了该系统在实际工程中的应用实例。

针对水电机组激振试验的特点，设计、制造并标定了大型力锤。它克服了信噪比不高的缺点，使瞬态激振成功地应用于水电机组的实验分析，并取得了较高的试验精度。

介绍了对我国100多台已运行的水轮机气蚀调查结果,分析了气蚀改善的原因,并给了有关水轮机比转数和装置气蚀系数的统计关系曲线等。