水电机组振动故障的智能诊断方法研究

【摘要】： 随着水电机组单机容量的提高以及在电力系统中所占的比重越来越大,如何确保机组的可靠和稳定运行,已成为电力行业一个极为关注的问题。振动是水电机组运行中最为常见的故障之一,强烈的振动将直接危及到机组乃至电力系统的安全运行。因此,对机组振动故障进行诊断,及时发现和排除系统故障,对保障水电机组稳定运行十分重要。本文系统开展了水电机组振动故障诊断的方法研究,完成了以下几个方面的工作: 进行了水电机组振动信号的信噪分离研究,提出利用第二代小波对水电机组振动信号进行消噪的方法。通过设计预测系数和提升系数获得具有某种特性的小波基函数,使得针对不同类型的故障特征能够构造出相应的小波基函数。所完成的水电机组振动信号消噪处理结果合理,计算速度快。该方法解决了小波消噪需要选择小波基函数的难题,进一步完善了信号消噪的理论。 开展了水电机组振动故障特征提取的研究,基于Parseval能量积分等式,提出利用小波包分解方法提取水电机组振动频谱的能量特征。建立了能量变化到各故障类别之间的映射关系,利于形成一种基于“能量-故障”的故障诊断方法。解决了传统的频谱分析方法缺乏对信号的局部特性分析的问题。 在故障特征提取研究的基础上,将遗传算法与BP网络结合起来,开展了水电机组振动故障的神经网络诊断研究,提出了一种应用遗传算法优化神经网络权值的遗传神经网络故障诊断方法。所提出的遗传神经网络故障诊断方法不仅能发挥神经网络的泛化和映射能力,而且能使神经网络具有很快的收敛速度和较强的学习能力,解决了BP网络收敛性较差和容易收敛到局部最小点的难题,使BP网络能在短时间内以很大的概率找到全局最优解。 最后,进一步研究了水电机组振动故障的支持向量机诊断法,将粗糙集与支持向量机相结合,先利用粗糙集对决策表进行离散化及约简,再用支持向量机进行故障分类,提出了一种基于粗糙集理论的支持向量机故障诊断方法。该方法具有良好的鲁棒性,达到了对故障进行快速诊断的目的,可以满足在线故障诊断的要求。