水輪發(fā)電機(jī)組故障診斷及預(yù)測(cè)與狀態(tài)評(píng)估方法研究.pdf

1、隨著我國(guó)能源結(jié)構(gòu)調(diào)整的逐步推進(jìn)，風(fēng)電、光伏發(fā)電等非穩(wěn)定性電源快速發(fā)展，水輪發(fā)電機(jī)組在電網(wǎng)中承擔(dān)調(diào)峰調(diào)頻的任務(wù)越來越多，這就要求水輪發(fā)電機(jī)組在其整個(gè)工況范圍內(nèi)具有充分的可用性，這就對(duì)水輪發(fā)電機(jī)組故障診斷、故障預(yù)測(cè)及狀態(tài)評(píng)估提出了更高的要求。為了確保水輪發(fā)電機(jī)組安全穩(wěn)定運(yùn)行，本文針對(duì)水輪發(fā)電機(jī)組故障診斷與預(yù)測(cè)應(yīng)用中的若干關(guān)鍵科學(xué)問題，以機(jī)組振動(dòng)信號(hào)處理和運(yùn)行工況分析為切入點(diǎn)，提取表征機(jī)組故障狀態(tài)的信號(hào)時(shí)頻分布特征和工況特征等多重特征向量，提

2、高故障特征向量的準(zhǔn)確度，進(jìn)一步構(gòu)建基于多重特征向量相融合的水輪發(fā)電機(jī)組故障診斷及故障預(yù)測(cè)體系，實(shí)現(xiàn)水輪發(fā)電機(jī)組故障的準(zhǔn)確診斷與預(yù)測(cè)。
　　本研究主要內(nèi)容包括：⑴針對(duì)水輪發(fā)電機(jī)組振動(dòng)信號(hào)具有非平穩(wěn)、低信噪比和多振源激勵(lì)信號(hào)分量相互混疊等特征，-提出了一種獨(dú)立分量分析經(jīng)驗(yàn)?zāi)B(tài)分解的水輪發(fā)電機(jī)組非平穩(wěn)信號(hào)特征提取方法。在該算法中，首先采用獨(dú)立分量分析法提取出主要振源的激勵(lì)信號(hào)分量，即統(tǒng)計(jì)獨(dú)立分量，有效消除或降低模態(tài)混疊現(xiàn)象，再對(duì)統(tǒng)計(jì)獨(dú)立

3、分量進(jìn)行自相關(guān)分析，消除統(tǒng)計(jì)獨(dú)立分量中非周期噪聲的影響；然后再采用經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)統(tǒng)計(jì)獨(dú)立分量進(jìn)行自適應(yīng)分解，獲得多組本征模態(tài)函數(shù)；最后對(duì)同頻本征模態(tài)函數(shù)進(jìn)行重構(gòu)，提取出故障特征頻段的征兆信號(hào)，實(shí)現(xiàn)水輪發(fā)電機(jī)組強(qiáng)背景噪聲非平穩(wěn)早期故障特征信號(hào)的有效提取。試驗(yàn)結(jié)果表明，本文所提方法在水輪發(fā)電機(jī)組早期故障微弱征兆信號(hào)和突變故障特征信號(hào)提取方面具有明顯的優(yōu)勢(shì)，更適用于強(qiáng)背景噪聲影響下的水輪發(fā)電機(jī)組非平穩(wěn)微弱信號(hào)特征提取。⑵傳統(tǒng)水輪發(fā)電機(jī)組故障診

4、斷方法絕大多數(shù)是基于振動(dòng)信號(hào)的時(shí)頻特征進(jìn)行故障識(shí)別，忽略的水輪發(fā)電機(jī)組運(yùn)行工況對(duì)振動(dòng)信號(hào)時(shí)頻特征的影響，降低了診斷的準(zhǔn)確率。針對(duì)上述問題，本文引入過程控制理論中的統(tǒng)計(jì)診斷方法，分別對(duì)水輪發(fā)電機(jī)組每種工況過程中的振動(dòng)變量和工況參數(shù)進(jìn)行融合建模，提出了一種基于 KICA-PCA的多元非線性系統(tǒng)過程診斷方法，該方法通過計(jì)算工況過程的統(tǒng)計(jì)指標(biāo)實(shí)現(xiàn)水輪發(fā)電機(jī)組故障診斷。本文所提方法通過水輪發(fā)電機(jī)組運(yùn)行工況信息與振動(dòng)信號(hào)的有效融合，提高了故障診斷結(jié)

5、果的可信度，打破了傳統(tǒng)基于振動(dòng)信號(hào)時(shí)頻特征的水輪發(fā)電機(jī)組故障診斷方法的診斷范式。試驗(yàn)結(jié)果表明，相對(duì)于PCA和 ICA-PCA等線性系統(tǒng)過程診斷方法，本文所提方法的診斷正確率更高，且時(shí)效性更好，更適用于水輪發(fā)電機(jī)組多元非線性系統(tǒng)的過程診斷。⑶基于互信息理論和統(tǒng)計(jì)學(xué)提出了水輪發(fā)電機(jī)組工況變量對(duì)振動(dòng)變量貢獻(xiàn)率的計(jì)算方法，并構(gòu)建了壓力脈動(dòng)劣化度函數(shù)，實(shí)現(xiàn)了壓力脈動(dòng)狀態(tài)預(yù)測(cè)評(píng)估。以水輪發(fā)電機(jī)組振動(dòng)變量和工況參數(shù)之間相關(guān)關(guān)系為切入點(diǎn)，結(jié)合互信息理論

6、，深入挖掘水輪發(fā)電機(jī)組海量的歷史監(jiān)測(cè)數(shù)據(jù)，揭示水輪發(fā)電機(jī)組振動(dòng)變量與工況參數(shù)之間的非線性相關(guān)關(guān)系，通過計(jì)算水輪發(fā)電機(jī)組各工況參數(shù)對(duì)振動(dòng)變量的貢獻(xiàn)度，提取出水輪發(fā)電機(jī)組振動(dòng)變量的主要相關(guān)工況參數(shù)。進(jìn)一步融合主要相關(guān)工況參數(shù)與壓力脈動(dòng)幅值形成融合特征向量，提出了基于支持向量機(jī)和極限學(xué)習(xí)機(jī)的水輪發(fā)電機(jī)組壓力脈動(dòng)狀態(tài)預(yù)測(cè)方法，實(shí)現(xiàn)了壓力脈動(dòng)狀態(tài)預(yù)測(cè)，同時(shí)引入數(shù)理統(tǒng)計(jì)與模糊子集理論，構(gòu)建了基于歷史統(tǒng)計(jì)曲線的水輪發(fā)電機(jī)組壓力脈動(dòng)模糊集，提出壓力脈動(dòng)

7、模糊集的劣化度評(píng)價(jià)函數(shù)，實(shí)現(xiàn)水輪發(fā)電機(jī)組壓力脈動(dòng)的狀態(tài)評(píng)估。⑷融合水輪發(fā)電機(jī)組振動(dòng)信號(hào)時(shí)頻特征和工況關(guān)聯(lián)規(guī)則特征，構(gòu)建了多重征兆向量，引入模糊推理系統(tǒng)和徑向基神經(jīng)網(wǎng)絡(luò)模型，提出了一種基于約束擴(kuò)展廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的水輪發(fā)電機(jī)組故障預(yù)測(cè)方法。在該方法中，以振動(dòng)信號(hào)的頻譜能量分布特征和工況關(guān)聯(lián)規(guī)則特征作為故障預(yù)測(cè)的融合故障征兆向量，充分利用模糊規(guī)則推理與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力，動(dòng)態(tài)推求水輪發(fā)電機(jī)組未來的故障狀態(tài)，預(yù)測(cè)潛在故障未來可能發(fā)生概率，實(shí)

8、現(xiàn)水輪發(fā)電機(jī)組故障預(yù)測(cè)。同時(shí)探討了水輪發(fā)電機(jī)組故障可能發(fā)生概率與維修時(shí)限、健康狀況之間的關(guān)系，提出了一種以故障可能發(fā)生概率為自變量的水輪發(fā)電機(jī)組維修時(shí)限函數(shù)，搭建了故障預(yù)測(cè)至維修決策之間的橋梁，以啟動(dòng)維修時(shí)限的形式明晰化故障預(yù)測(cè)結(jié)果的含義，對(duì)水輪發(fā)電機(jī)組實(shí)施狀態(tài)檢修與預(yù)測(cè)性維修具有重要的意義。⑸設(shè)計(jì)開發(fā)了一種面向服務(wù)的水輪發(fā)電機(jī)組故障診斷及狀態(tài)評(píng)估系統(tǒng)，該方案構(gòu)建了網(wǎng)絡(luò)化、服務(wù)知識(shí)化、資源共享化的開放式的統(tǒng)一知識(shí)平臺(tái)，通過整合異地不同用