本文選題：水電機組 + 故障診斷��； 參考：《中國水利水電科學研究院》2015年博士論文

【摘要】：水電機組狀態(tài)監(jiān)測與故障診斷技術的研究與應用,是近年來水電行業(yè)的熱門話題。通過狀態(tài)監(jiān)測系統(tǒng)對機組運行狀態(tài)數據的展示和積累,利用數據挖掘和故障診斷技術進行機組運行狀態(tài)評估,可以發(fā)現機組可能存在的潛在故障和性能劣化的趨勢,最終實現機組的狀態(tài)檢修。目前水電廠安裝了大量的狀態(tài)監(jiān)測系統(tǒng),在此基礎上,如何進一步利用這些存儲的長期海量數據,推進狀態(tài)監(jiān)測的深入應用,并開展診斷方法的應用研究,是當前狀態(tài)監(jiān)測與診斷技術在水電行業(yè)遇到的瓶頸和難點。而在水電機組故障診斷的分析過程中,常常存在先驗知識缺乏、故障樣本稀少或故障模式不完備的問題。針對水電機組的故障診斷技術大多采用基于知識的方法,這些方法對明確的故障狀態(tài)數據能得到較好的效果,但作為低速旋轉設備的水電機組,由于其運行機理的復雜性,很難得到清晰的故障模式,以及這些模式對應的特征數據。針對這些問題,本文以水電機組振動、擺度和溫度等常見狀態(tài)測點的長期數據作為研究對象,開展基于新異類檢測方法和支持向量機技術的水電機組診斷研究。論文的主要撰寫思路是從征兆的統(tǒng)計特征分析開始,到基于新異類檢測(單類支持向量機)的建模和評估方法研究,再推廣到基于支持向量機的多類故障診斷和趨勢預估。論文前半部分分析了故障診斷的基礎條件--故障征兆的特征提取方法,選擇狀態(tài)數據的長期統(tǒng)計特征作為模型學習樣本,融合新異類檢測中的單類支持向量機方法,實現對機組狀態(tài)數據的異常評估。后半部分從單類支持向量機方法推廣到多類故障分類,并結合機組狀態(tài)監(jiān)測數據的特點,試驗研究了兩種基于支持向量機回歸和在線數據更新的趨勢預估方法。論文主要研究工作如下：1.深入分析了新異類檢測技術對水電機組故障診斷的意義,并參考機器學習和其他能源領域對模式識別或故障診斷方法的分類,總結歸納了水電機組的故障診斷模式,提出水電機組故障診斷方法可分為基于知識的診斷方法和基于數據的診斷方法兩種類別。同時,通過對常見新異類檢測技術的研究與應用現狀進行總結,認為新異類檢測技術以及源于支持向量機的單類支持向量機技術,可根據已知觀測樣本的學習,實現對未知異常的判斷和識別。2.深入研究了水電機組狀態(tài)數據的統(tǒng)計特征。通過實例分析水電機組狀態(tài)數據的時域統(tǒng)計特征,設計基于正常運行數據的健康樣本模型,并對其長期分布特性、短期分布特性和時序特性均作了數學分析和驗證。最后,將Bootstrap采樣方法應用于狀態(tài)數據的統(tǒng)計特征提取中,設計了一種基于Bootstrap方法的水電機組狀態(tài)特征閾值計算方法,并利用實例對Bootstrap方法對數據密度函數的改良效果進行了評估。3.利用統(tǒng)計特征和單類支持向量機技術研究機組狀態(tài)信號的融合檢測。(1)詳細介紹了基于經驗數據的機組狀態(tài)評估方法,結合機組實際狀態(tài)數據,對其評估方法進行驗證,提出健康模型基準值的選擇依據。(2)結合機組統(tǒng)計特征和高斯密度法,對基于機組正常運行數據的三維健康模型建模方法開展研究。通過工況網格劃分,消除了工況對狀態(tài)數據的影響,優(yōu)化了健康模型的閾值范圍。(3)研究基于新異類檢測原理的機組狀態(tài)信號檢測與評估方法。通過無監(jiān)督聚類與單類支持向量機方法的融合,實現對機組狀態(tài)趨勢信號的異常檢查和狀態(tài)判別。4.研究并驗證基于小波包能量分解和最小二乘支持向量機技術的水電機組故障診斷方法。(1)詳細介紹了支持向量機技術的多類分類方法和全局優(yōu)化方案。利用小波包能量分解技術,以機組軸系特征數據為例,通過多頻帶能量分解實現了軸系故障征兆的提取。(2)將小波包分解技術與最小二乘支持向量機方法結合,對從征兆提取到樣本學習,再到故障分類的診斷方法開展研究,并采用機組實際運行數據進行分類結果的準確率檢驗。5.在基于支持向量機回歸技術的在線預測方法的基礎上,對分段預測和多尺度預測兩種改進型在線預測方法進行研究,將其用于水電機組實時更新狀態(tài)監(jiān)測數據的趨勢預測。(1)針對常規(guī)狀態(tài)監(jiān)測系統(tǒng)數據更新造成的計算負荷過大、效率較低的問題,研究分析基于分段預測的支持向量機回歸方法,通過選取最優(yōu)子分類SVR模型來預測輸出,實現了在線樣本規(guī)模的縮減,并保持了較高的預測效率和精度。(2)針對狀態(tài)監(jiān)測系統(tǒng)數據更新容易丟失趨勢特性的問題,研究基于多尺度分析的并行預測方法,通過對歷史數據的重采樣訓練,既最大程度上保留了歷史趨勢特性,又減小了計算負荷,提高了預測精度。綜上所述,論文避開常規(guī)水電機組故障診斷技術研究基于故障先驗知識的特點,在機組趨勢數據的統(tǒng)計特性和正常數據建模方面做了一定的研究,并利用新異類檢測和支持向量機技術,通過與聚類算法、小波包能量分解技術的融合,以及針對在線監(jiān)測數據更新的特點,試驗研究了支持向量機技術在在線數據預測上的改進和優(yōu)化,較好的實現了機組狀態(tài)數據的故障分類和在線趨勢預測。
[Abstract]:The research and application of state monitoring and fault diagnosis technology for hydropower units is a hot topic in hydropower industry in recent years . ( 1 ) In this paper , the method of fault diagnosis based on the principle of wavelet packet energy decomposition and least square support vector machine is studied . The method of fault diagnosis based on the principle of wavelet packet energy decomposition and least square support vector machine is studied . ( 2 ) Aiming at the problem of easy loss trend characteristic of the data update of the state monitoring system , a parallel prediction method based on multi - scale analysis is studied . Based on the characteristics of fault - prior knowledge , this paper studies the statistical characteristics and normal data modeling of the unit trend data based on the characteristics of fault - prior knowledge , and studies the improvement and optimization of the support vector machine technology on the online data prediction , and the fault classification and the online trend prediction of the state data of the unit are better realized .

【學位授予單位】：中國水利水電科學研究院
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TV738

【參考文獻】

相關期刊論文 前9條

1 耿蘭芹;王芳;趙文清;;SVM回歸與樸素貝葉斯分類相結合的變壓器故障診斷[J];華北電力大學學報;2006年06期

2 李會鵬;賀國;明廷鋒;;Bootstrap方法在機電設備振動狀態(tài)閾值設定中的應用[J];艦船科學技術;2012年05期

3 徐玉茗;鄧超;吳軍;;基于Bootstrap方法的可靠性評估[J];機械設計與制造;2010年03期

4 陳敏澤,周東華;動態(tài)系統(tǒng)的故障預報技術[J];控制理論與應用;2003年06期

5 鄒敏;周建中;劉忠;占梁梁;;基于支持向量機的水電機組狀態(tài)趨勢預測研究[J];水力發(fā)電;2007年02期

6 王杰,閆東偉;提高預測精度的ELMAN和SOM神經網絡組合[J];系統(tǒng)工程與電子技術;2004年12期

7 商志根;姚志樹;;基于混沌時間序列的水電機組狀態(tài)短期預測[J];鹽城工學院學報(自然科學版);2010年02期

8 屈梁生,吳松濤;統(tǒng)計模擬在工程診斷中的一些應用[J];振動、測試與診斷;2001年03期

9 張龍;熊國良;柳和生;鄒慧君;陳慧;;基于時變自回歸模型與支持向量機的旋轉機械故障診斷方法[J];中國電機工程學報;2007年09期

，

本文編號：1795281