水电机组混合智能故障诊断与状态趋势预测方法研究

发布时间：2020-09-17 11:00

　　随着我国能源结构改革进程的不断推进,大力开发水电能源对构建清洁低碳的能源体系、促进经济社会可持续发展具有重要战略意义。作为水电站能量转换过程的核心设备,水电机组正在向复杂化、巨型化、集成化和智能化的方向发展,其面临的安全可靠运行问题日益突出。“状态维护”概念的提出与应用,为有效降低机组异常或故障发生风险、提升其稳定运行水平提供了一种可行思路。状态监测、故障诊断和趋势预测是状态维护实施过程的三个关键环节。受水力、机械、电气及其他干扰因素的耦合影响,水电机组监测信号呈现明显的非线性和非平稳性特征,故障与征兆间存在复杂的映射关系,对此,传统方法已难以满足当前背景下准确分析机组运行状态的需求。因此,基于水电机组运行特性,研究新的状态分析理论与方法,对提高机组故障诊断与趋势预测精度、保障机组稳定运行具有重要的工程应用价值。为此,本文围绕工程应用中水电机组复杂非平稳信号降噪分析与特征提取、混合故障诊断以及状态趋势预测等关键技术问题,以快速集成经验模态分解、深度学习、流行学习、灰色马尔科夫模型等作为理论基础与技术手段,探究并改进现有方法中存在的理论或应用缺陷,设计提出了若干适用于水电机组非平稳信号分析及状态特征提取方法,发展了基于健康判别与特征约简的多步递进式故障诊断体系,构建了融合滑动窗与灰色马尔科夫理论的状态趋势预测模型,为相关领域研究范式的方法创新与技术进步提供了必要的理论基础,具有一定的研究推广前景与工程应用价值。论文主要研究内容及创新性成果如下:(1)针对能够有效表征水电机组实际运行状态的振动信号易淹没于强烈背景噪声的问题,提出了一种基于自适应奇异值分解(SVD)与固有模态函数(IMFs)重构的水电机组振动信号多级降噪方法。该方法系统融合了SVD和快速集成经验模态分解(FEEMD)在高频噪声抑制和信号自适应处理方面的优点,完成基于初级滤波和次级去噪的两阶段式信号降噪处理。在初级滤波阶段,首先对原始信号进行SVD分解,在深入分析有效奇异值序列对滤波性能影响的基础上,发展了基于相关分析的奇异值自适应选取方法,实现对高频背景噪声的有效滤除;在次级去噪阶段,依据FEEMD原理分解滤波后所得信号,结合所构建基于排列熵的IMFs选择体系,重构有效模态分量以完成信号降噪,显著提升降噪效果。(2)考虑到多源激励耦合干扰下机组运行状态与征兆间映射关系难以准确度量的问题,在统计分析原理及深度学习技术的基础上,研究提出了一种基于FEEMD能量熵及混合集成自编码器的水电机组状态特征提取方法。针对在线判别机组“正常”或“故障”状态的工程实际需求,深入分析了能量熵对于异常或故障发生时非线性振动信号动力学突变行为的表征作用,综合FEEMD对复杂非线性非平稳信号的高效处理优势,设计了基于FEEMD能量熵的水电机组健康状态特征提取方法,快速获取振动信号能量熵特征。进一步,针对故障模式准确识别的需求和单一能量熵特征不足以反映具体故障类型的问题,创造性地构建了一种用于提取故障特征的混合集成自编码器,有效克服了浅层特征学习模型的局限,提升了模型的特征提取能力及学习泛化性能。(3)为科学建立水电机组“正常”与“故障”状态的特征边界,引入数理统计理论,结合历史样本集与能量熵方法,构建了基于能量熵统计分析的机组健康状态在线判别体系,实时分析机组健康状态。进一步,为抑制机组高维故障特征空间存在的信息冗余、敏感特征易淹没等现象,创新性地设计了基于参数化线性映射模式的改进t-分布式随机领域嵌入(M-tSNE)特征约简方法,该方法在提升故障诊断精度、降低计算时耗方面具有显著优势。基于上述分析,为克服传统单步诊断模式在分析复杂故障工况面临的高复杂性、低精度等缺陷,首次提出了一种基于能量熵判别与深度特征约简的多步递进式混合故障诊断策略,将整个诊断过程简化为健康状态检测和故障类型识别两个阶段,符合对机组进行智能诊断的工程实施思路。(4)围绕水电机组状态趋势预测的工程需求,在系统分析机组状态趋势可预测性的基础上,提出了一种基于滑动窗与灰色马尔科夫(Grey-Markov)模型的状态趋势预测方法。该方法完整集成了Grey-Markov预测模型、灰色背景值优化原理以及基于滑动窗的滚动预测机制,探索从模型构造、预测模式、残差修正等角度降低预测误差的方式,有效提升了预测结果的准确性。此外,针对工程应用中对不同预测时间尺度的需求,考虑模型的不同组合策略,创造性地构建了基于串联式、并联式和嵌入式组合机制的水电机组状态趋势混合预测模型,设计了对应的机组状态趋势组合预测流程,在保证预测精度的同时最大程度提升计算效率,为制定合理的机组维护计划提供相应指导。
【学位单位】：华中科技大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TV738
【部分图文】：

振动信号

原始有效振动信号

振动信号,奇异值,相关分析原理,分量相关

图 2-4 加噪后的振动信号利用相空间重构原理，构造加噪振动信号的 Hankel 矩阵，并对其进行 SV获取包含奇异值的对角矩阵。依据相关分析原理，自适应选取前若干个分量相关系数满足 (i ) 0.1的奇异值作为有效奇异值，构建仅包含有效奇

振动信号,自适应,熵值,分量

图 2-5 自适应 SVD 初级滤波后的振动信号依据 FEEMD 方法对图 2-5 中的信号进行分解，得到 11 个 IMFs 分量和 1 个，如图 2-6 所示。分别计算各分量对应的排列熵值，计算结果见图 2-7 及表可知，分量2 11c ~c 、 r 对应的排列熵值均小于 0.5，将其视为有效信号成分

【相似文献】