水輪發(fā)電機組故障診斷及預測與狀態(tài)評估方法研究.pdf_第1頁
已閱讀1頁,還剩149頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著我國能源結構調整的逐步推進,風電、光伏發(fā)電等非穩(wěn)定性電源快速發(fā)展,水輪發(fā)電機組在電網(wǎng)中承擔調峰調頻的任務越來越多,這就要求水輪發(fā)電機組在其整個工況范圍內具有充分的可用性,這就對水輪發(fā)電機組故障診斷、故障預測及狀態(tài)評估提出了更高的要求。為了確保水輪發(fā)電機組安全穩(wěn)定運行,本文針對水輪發(fā)電機組故障診斷與預測應用中的若干關鍵科學問題,以機組振動信號處理和運行工況分析為切入點,提取表征機組故障狀態(tài)的信號時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確度,進一步構建基于多重特征向量相融合的水輪發(fā)電機組故障診斷及故障預測體系,實現(xiàn)水輪發(fā)電機組故障的準確診斷與預測。
  本研究主要內容包括:⑴針對水輪發(fā)電機組振動信號具有非平穩(wěn)、低信噪比和多振源激勵信號分量相互混疊等特征,-提出了一種獨立分量分析經(jīng)驗模態(tài)分解的水輪發(fā)電機組非平穩(wěn)信號特征提取方法。在該算法中,首先采用獨立分量分析法提取出主要振源的激勵信號分量,即統(tǒng)計獨立分量,有效消除或降低模態(tài)混疊現(xiàn)象,再對統(tǒng)計獨立

3、分量進行自相關分析,消除統(tǒng)計獨立分量中非周期噪聲的影響;然后再采用經(jīng)驗模態(tài)分解對統(tǒng)計獨立分量進行自適應分解,獲得多組本征模態(tài)函數(shù);最后對同頻本征模態(tài)函數(shù)進行重構,提取出故障特征頻段的征兆信號,實現(xiàn)水輪發(fā)電機組強背景噪聲非平穩(wěn)早期故障特征信號的有效提取。試驗結果表明,本文所提方法在水輪發(fā)電機組早期故障微弱征兆信號和突變故障特征信號提取方面具有明顯的優(yōu)勢,更適用于強背景噪聲影響下的水輪發(fā)電機組非平穩(wěn)微弱信號特征提取。⑵傳統(tǒng)水輪發(fā)電機組故障診

4、斷方法絕大多數(shù)是基于振動信號的時頻特征進行故障識別,忽略的水輪發(fā)電機組運行工況對振動信號時頻特征的影響,降低了診斷的準確率。針對上述問題,本文引入過程控制理論中的統(tǒng)計診斷方法,分別對水輪發(fā)電機組每種工況過程中的振動變量和工況參數(shù)進行融合建模,提出了一種基于 KICA-PCA的多元非線性系統(tǒng)過程診斷方法,該方法通過計算工況過程的統(tǒng)計指標實現(xiàn)水輪發(fā)電機組故障診斷。本文所提方法通過水輪發(fā)電機組運行工況信息與振動信號的有效融合,提高了故障診斷結

5、果的可信度,打破了傳統(tǒng)基于振動信號時頻特征的水輪發(fā)電機組故障診斷方法的診斷范式。試驗結果表明,相對于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,且時效性更好,更適用于水輪發(fā)電機組多元非線性系統(tǒng)的過程診斷。⑶基于互信息理論和統(tǒng)計學提出了水輪發(fā)電機組工況變量對振動變量貢獻率的計算方法,并構建了壓力脈動劣化度函數(shù),實現(xiàn)了壓力脈動狀態(tài)預測評估。以水輪發(fā)電機組振動變量和工況參數(shù)之間相關關系為切入點,結合互信息理論

6、,深入挖掘水輪發(fā)電機組海量的歷史監(jiān)測數(shù)據(jù),揭示水輪發(fā)電機組振動變量與工況參數(shù)之間的非線性相關關系,通過計算水輪發(fā)電機組各工況參數(shù)對振動變量的貢獻度,提取出水輪發(fā)電機組振動變量的主要相關工況參數(shù)。進一步融合主要相關工況參數(shù)與壓力脈動幅值形成融合特征向量,提出了基于支持向量機和極限學習機的水輪發(fā)電機組壓力脈動狀態(tài)預測方法,實現(xiàn)了壓力脈動狀態(tài)預測,同時引入數(shù)理統(tǒng)計與模糊子集理論,構建了基于歷史統(tǒng)計曲線的水輪發(fā)電機組壓力脈動模糊集,提出壓力脈動

7、模糊集的劣化度評價函數(shù),實現(xiàn)水輪發(fā)電機組壓力脈動的狀態(tài)評估。⑷融合水輪發(fā)電機組振動信號時頻特征和工況關聯(lián)規(guī)則特征,構建了多重征兆向量,引入模糊推理系統(tǒng)和徑向基神經(jīng)網(wǎng)絡模型,提出了一種基于約束擴展廣義動態(tài)模糊神經(jīng)網(wǎng)絡的水輪發(fā)電機組故障預測方法。在該方法中,以振動信號的頻譜能量分布特征和工況關聯(lián)規(guī)則特征作為故障預測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)絡學習能力,動態(tài)推求水輪發(fā)電機組未來的故障狀態(tài),預測潛在故障未來可能發(fā)生概率,實

8、現(xiàn)水輪發(fā)電機組故障預測。同時探討了水輪發(fā)電機組故障可能發(fā)生概率與維修時限、健康狀況之間的關系,提出了一種以故障可能發(fā)生概率為自變量的水輪發(fā)電機組維修時限函數(shù),搭建了故障預測至維修決策之間的橋梁,以啟動維修時限的形式明晰化故障預測結果的含義,對水輪發(fā)電機組實施狀態(tài)檢修與預測性維修具有重要的意義。⑸設計開發(fā)了一種面向服務的水輪發(fā)電機組故障診斷及狀態(tài)評估系統(tǒng),該方案構建了網(wǎng)絡化、服務知識化、資源共享化的開放式的統(tǒng)一知識平臺,通過整合異地不同用

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論