VMD分解和支持向量機的水電機組振動故障診斷

提出應用粗糙集和支持向量機水電機組振動的故障診斷模型。運用粗糙集理論對水電機組振動信號的屬性特征進行預處理,在約簡去除其冗余屬性后得到?jīng)Q策表,將決策表作為支持向量機的學習樣本,通過訓練,使構建的支持向量機多分類器能夠反映屬性特征和故障類型的映射關系,從而達到故障診斷的目的。測試結果表明,與常規(guī)方法相比,應用粗糙集和支持向量機相結合的方法進行故障診斷具有簡單有效、診斷速度快和良好的魯棒性等優(yōu)點,是一種有效的診斷方法。

提出了一種利用小波包分析提取水電機組的振動故障特征和基于支持向量機的水電機組振動故障診斷方法。以二值分類為基礎,構建了基于支持向量機的多值分類器。先對水電機組的振動信號進行頻譜分析,提取該信號在頻率域的特征量,將頻譜特征向量作為學習樣本,通過訓練,使分類器能夠建立頻譜特征向量和故障類型的映射關系,從而達到故障診斷的目的,并以水電機組振動多故障分類為例,進行了應用檢驗。結果表明,與常規(guī)方法相比,該方法簡單有效、并具有很好的分類能力和良好的魯棒性,可以滿足在線故障診斷的要求,適合水電機組振動故障的診斷。該方法為水電機組故障診斷向智能化發(fā)展提供了新的途徑。

針對水電機組故障信息缺乏、故障識別困難等問題,提出基于支持向量機的水電機組故障診斷模型.并針對實測水電機組故障數(shù)據(jù),分析支持向量機水電機組故障診斷模型和常用的神經(jīng)網(wǎng)絡故障診斷模型等理論在水電機組故障診斷中的優(yōu)劣.研究表明,支持向量機理論在小樣本情況下比神經(jīng)網(wǎng)絡具有更強的診斷能力.

針對水電機組故障樣本少的問題,將支持向量機引入水電機組故障診斷研究,提出一種結合小波頻帶分解與最小二乘支持向量機的水電機組故障診斷模型?；跈C械設備\"能量-故障\"映射關系,運用小波分解提取機組振動信號各頻帶能量特征值,然后將能量特征值輸入到多分類的支持向量機,實現(xiàn)對機組不同故障類型的識別。通過實驗信號分析,表明將小波能量提取與支持向量機結合進行水電機組故障診斷是可行有效的,并具有較高的故障分辨能力,為水電機組故障診斷提供了新的方法和思路。

為提高水電機組故障診斷的準確率,提出基于優(yōu)化支持向量機多分類器的水電機組故障診斷方法。支持向量機(supportvectormachine,簡稱svm)在解決小樣本問題上有著突出的表現(xiàn),針對其參數(shù)設置采用人工蜜蜂群(artificialbeecolony,簡稱abc)進行參數(shù)優(yōu)化。建立基于fisher加權的樸素貝葉斯分類器(attributefisherweightednaivebayesclassifier,簡稱fwnbc)和基于mahalanobis距離的分類器(mahalanobisdistanceclassifier,簡稱mdc),并與優(yōu)化的支持向量機分類器組合成為fwnbc+mdc+優(yōu)化svm的分類融合模型,以基于優(yōu)化微分經(jīng)驗模式分解法(differentialempiricalmodedecomposition,簡稱demd)提取的分量作為輸入特征向量,應用融合模型對水電機組故障進行診斷,以投票為決策方法。實驗結果表明該模型對于未經(jīng)優(yōu)化的支持向量機和特征提取以及單一的分類器,能有效提高故障識別的準確率。

本文主要針對旋轉(zhuǎn)機械的故障診斷問題,設計了基于labview的旋轉(zhuǎn)機械振動測試系統(tǒng),該系統(tǒng)通過軟件編程來實現(xiàn)振動信號的存儲、分析及特征提取,并且提出了基于支持向量機的智能故障診斷方法,該方法將特征向量直接輸入到支持向量機分類器中進行故障識別,結果表明支持向量機對于機械故障有較好的分類效果。

針對遼寧省桓仁水電站計算機監(jiān)控系統(tǒng)的機組振動故障診斷功能缺陷,提出了基于灰色關聯(lián)分析的水電機組振動故障診斷方案.事實證明該診斷方案具有良好的實際應用效果,可以有效提高桓仁水電站機組檢修效率.

提出了一種開發(fā)水電機組故障診斷專家系統(tǒng)的設計思想及實現(xiàn)方法.通過采用產(chǎn)生式規(guī)則來表示知識,運用正反向推理機制,動態(tài)豐富知識庫,實現(xiàn)水電機組振動的在線(離線)監(jiān)測和故障診斷,并提供診斷結果和相應的故障處理措施,為水電廠從計劃檢修向狀態(tài)檢修提供可靠的技術保證.該系統(tǒng)具有人機界面友好、運行速度快、信息存儲量大、開發(fā)周期短、易于維護、擴充等特點

介紹了人工神經(jīng)網(wǎng)絡的基本性能和bp網(wǎng)絡模型及算法，并將神經(jīng)網(wǎng)絡中的bp模型應用于水輪發(fā)電機組振動故障診斷中，比較了選擇不同的網(wǎng)絡參數(shù)對診斷系統(tǒng)性能的影響。實驗證明，基于bp網(wǎng)絡的水輪發(fā)電機組振動故障診斷方法具有較高的實用價值。

將人工智能引入水輪發(fā)電機組的故障診斷,有利于大中型水電廠“無人值班(少人值守)”管理模式的加速發(fā)展。本文首先簡單介紹了人工神經(jīng)網(wǎng)絡的基本性能和bp網(wǎng)絡模型及算法,然后將神經(jīng)網(wǎng)絡中的bp模型應用于水輪發(fā)電機組振動故障診斷中,比較了選擇不同的網(wǎng)絡參數(shù)對診斷系統(tǒng)性能的影響。實驗證明,基于bp網(wǎng)絡的水輪發(fā)電機組振動故障診斷方法具有很高的實用價值。

本文首先簡單介紹了人工神經(jīng)網(wǎng)絡的基本性能和bp網(wǎng)絡模型及算法，在此基礎上將神經(jīng)網(wǎng)絡應用于水電機組振動故障診斷中。試驗證明，基于神經(jīng)網(wǎng)絡的水電機組振動故障診斷方法具有很高的實用價值。

介紹了國內(nèi)水電機組振動監(jiān)測與故障診斷技術的理論研究及應用，并與國外的情況進行了比較，指出了今后的發(fā)展方向。

提出了綜合考慮風電機組轉(zhuǎn)速及輸入/輸出軸水平和垂直方向振動信號,對故障數(shù)據(jù)依照轉(zhuǎn)動周期分組后分別對每個周期的時域指標進行提取,而后基于svm(支持向量機)對提取后的數(shù)據(jù)進行4種狀態(tài)下故障分類的方法。測試結果表明,該方法簡單有效,具有很好的故障識別能力,適合風電機組齒輪箱故障診斷。

大型水電機組的狀態(tài)監(jiān)測與故障診斷技術還遠遠沒有成熟,這就要求在今后的研究工作中,不斷地提高已有的知識水平,完善知識體系。以下幾個方面需要在今后的研究工作中進行更加深入細致的研究:①水電機組設備龐大,結構復雜,誘發(fā)故障的因素多、水電機組故障率高、技術難度大;②水力流體因素、振動因素、電磁因素是相互影響的3個難點,是以后要繼續(xù)研究的重要課題。

重點介紹了水電機組實施工況監(jiān)測的主要工況及其分析診斷技術,并在總結現(xiàn)場試驗研究的基礎上,給出了水電機組運行設備工況監(jiān)測與分析診斷的故障類型。

對當前水電機組故障診斷系統(tǒng)的現(xiàn)狀進行了討論,并且基于數(shù)據(jù)融合和信息共享的思想,提出將狀態(tài)檢修系統(tǒng)與計算機監(jiān)控系統(tǒng)和信息管理系統(tǒng)相結合的方法,基于研究開發(fā)了水電機組狀態(tài)監(jiān)測與故障診斷系統(tǒng),達到了充分利用現(xiàn)有資源,提供智能決策參考的目的

針對水電機組故障診斷知識較為復雜多樣的特點,提出了將產(chǎn)生式模糊規(guī)則表示、神經(jīng)網(wǎng)絡表示和可視化故障知識表示等多種方法綜合集成的知識表達方式和診斷推理策略。診斷實例表明,該集成知識表達和推理方式的引入有助于增強水電機組故障診斷專家系統(tǒng)的知識獲取和表達能力,提高了系統(tǒng)的推理匹配能力。

作為電廠的重要設備之一，水電機組的良好運行狀態(tài)是確保水電廠安全運行的重要保證。隨著國內(nèi)水電工程建設的發(fā)展不斷加快，水電機組開始往高效率、大容量、高轉(zhuǎn)速以及高水頭的設計方向進行發(fā)展，在設計采用的材料擁有更高的強度，不僅增加了機組尺寸，減小了相對剛度，并且采用更加靈活的構件，因此對機組運行的穩(wěn)定性和可靠性提出了更高的要求。為了對水電機組的運行狀態(tài)進行在線監(jiān)測和診斷分析，采用了水電機組狀態(tài)監(jiān)測與故障診斷系統(tǒng)，通過系統(tǒng)收集機組運行數(shù)據(jù)，上傳給計算機網(wǎng)絡進行監(jiān)測分析，對機組運行過程中存在的潛在故障進行排查和報警，提前避免重大安全事故的產(chǎn)生，對保證水電機組運行的安全性和可靠性具有重要的意義。本文主要對狀態(tài)監(jiān)測技術和故障診斷技術進行了分析。

在電廠中,水電機組是其中十分重要的一個設備,其運行狀態(tài)與水電廠運行的安全性有著直接的聯(lián)系.在我國水電工程不斷發(fā)展與進步的情況下,水電機組就必須向著以下幾個方面發(fā)展:效率更高;容量更大;轉(zhuǎn)速更快;水頭更高等,除此之外,為了能夠更好的滿足當前時代對機組的更高需求,還應該盡量選擇具有高強度的材料以及靈活性更高的構件.為了能夠讓水電組實現(xiàn)更加穩(wěn)定、安全且可靠的運行,就需要在線監(jiān)測水電組的運行狀態(tài)并進行相應的診斷分析,為了能夠提高這些工作的準確性和效率,可以在這個過程中使用水電組狀態(tài)檢測系統(tǒng)以及故障診斷系統(tǒng),接下來是將系統(tǒng)收集到的有關數(shù)據(jù)信息上傳到計算機網(wǎng)絡中,進行相應的監(jiān)測分析,從而更好的排查機組運行過程中存在的問題,并及時的采取合理的措施加以解決,避免機組運行過程中出現(xiàn)故障問題.為此,本文對水電機組狀態(tài)監(jiān)測與故障診斷技術進行了相關研究與分析,為后續(xù)相關工作的進行提供了一定的參考和依據(jù).

隨著水電站自動化運行不斷提升,傳統(tǒng)的維修方式已經(jīng)難符合需求,需要提升設備的利用效率,節(jié)省維修成本,這對于水電站經(jīng)濟效益的提升有著十分重要的意義。本文將對水電機組振動監(jiān)測與故障系統(tǒng)的構成以及設計進行分析。

隨著水電站自動化運行不斷提升,傳統(tǒng)的維修方式已經(jīng)難符合需求,需要提升設備的利用效率,節(jié)省維修成本,這對于水電站經(jīng)濟效益的提升有著十分重要的意義.本文將對水電機組振動監(jiān)測與故障系統(tǒng)的構成以及設計進行分析.

故障樣本的缺乏嚴重制約智能故障診斷的發(fā)展,本文提出支持向量機應用到發(fā)動機故障診斷中,該方法專門針對小樣本集合設計,能夠在小樣本情況下獲得較大的推廣,而且模型簡單,具體是將汽車在典型故障下尾氣中各氣體的體積分數(shù)作為訓練樣本。用處理過的樣本和最優(yōu)參數(shù)建立基于支持向量機的多元分類器模型,進行故障類別診斷。經(jīng)過libsvm工具箱進行仿真,結果表明經(jīng)優(yōu)化后的支持向量機對于小樣本故障診斷有很高的準確率。