水电机组多源信息故障诊断及状态趋势预测方法研究
发布时间：2021-01-01 15:52
随着我国绿色清洁能源的逐步开发,风能、太阳能、潮汐能等新能源稳定发展,常规水电机组与抽水蓄能机组装机容量也随之快速增长。与此同时,水电能源在电力系统中将承担更多的调峰调频任务从而减少新能源并网时带来的冲击。在此背景下,为了切实保障电网的安全稳定运行,对水电站可靠运行与健康管理提出了更高的要求。水轮发电机组作为水电站水能转换的核心设备,其构成部件相互耦合,呈现出复杂化、高度集成化的发展趋势,传统的机组故障诊断方法已无法满足工程实际需求。因此,为确保水电机组的安全稳定运行,本文针对水轮发电机组故障诊断与趋势预测中的若干科学问题,分析了现有理论与研究方法的局限性,以水电机组多源信息融合为切入点,提出了水电机组运行参数关联分析方法;以参数关联关系为基础,结合机器学习与对抗学习等先进技术手段,构建了完备的水电机组故障诊断体系;进一步引入信号处理与深度学习理论,搭建了水电机组多步非线性趋势预测模型,大幅提高了机组状态趋势预测步长,准确预测了水电机组的状态变化趋势。论文的主要研究工作与创新成果如下:（1）为有效利用水电机组运行监测海量数据,挖掘机组多源信息间的关联关系,结合数据离散方法与数据挖掘算法...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：159 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
1 绪论
1.1 论文研究的背景和意义
1.2 水电机组振动故障机理概述
1.3 水电机组振动信号处理方法概述
1.4 水电机组智能故障诊断研究方法概述
1.5 水电机组状态趋势预测研究现状
1.6 本文主要研究内容与结构
2 水电机组运行数据关联关系挖掘
2.1 引言
2.2 关联规则相关概念及挖掘算法
2.3 数据离散化方法
2.4 基于K-Mediods的水电机组运行数据离散化研究
2.5 水电机组关联关系挖掘算法研究
2.6 水电机组运行数据实例分析
2.7 本章小结
3 水电机组多源信息融合故障诊断方法研究
3.1 引言
3.2 循环降噪自编码器原理
3.3 基于GRU-NP-DAE的水电机组多源故障诊断方法
3.4 工程实例验证
3.5 本章小结
4 水电机组无监督故障聚类方法研究
4.1 引言
4.2 生成式对抗网络相关原理介绍
4.3 基于分类对抗自编码器的水电机组无监督故障聚类
4.4 工程实例验证
4.5 本章小结
5 水电机组振动信号多步非线性趋势预测
5.1 引言
5.2 变分模态分解相关原理
5.3 卷积神经网络相关原理介绍
5.4 基于VMD与CNN的水电机组非线性振动趋势预测模型
5.5 水轮机振动数据多步预测结果分析
5.6 本章小结
6 水电机组多源信息挖掘与故障诊断系统设计
6.1 引言
6.2 水电机组多源信息挖掘与故障诊断系统架构设计
6.3 水电机组多源信息挖掘与故障诊断系统在白莲河抽水蓄能电站中的应用
6.4 本章小结
7 结论与展望
7.1 全文工作总结
7.2 进一步研究展望
致谢
参考文献
附录1 :攻读博士期间发表的论文
附录2 :攻读博士期间完成和参与的科研项目
【参考文献】：
期刊论文
[1]基于LSTM网络预测的水轮机机组运行状态检测[J]. 陈畅,李晓磊,崔维玉. 山东大学学报(工学版). 2019(03)
[2]基于Skip-gram的CNNs文本邮件分类模型[J]. 黄鹤,荆晓远,董西伟,吴飞. 计算机技术与发展. 2019(06)
[3]一种改进的DNN-HMM的语音识别方法[J]. 李云红,梁思程,贾凯莉,张秋铭,宋鹏,何琛,王刚毅,李禹萱. 应用声学. 2019(03)
[4]基于多媒体信息的双向LSTM情感分析方法[J]. 丁岩,鲍焱,胡晓. 计算机与现代化. 2019(02)
[5]基于变分模态分解和改进模糊支持向量机的汽轮机故障诊断方法[J]. 张栋良,黄昕宇,李帅位. 济南大学学报(自然科学版). 2019(02)
[6]基于平稳小波变换与随机森林的电缆早期故障识别方法[J]. 李胜辉,白雪,董鹤楠,卢宏,郭朝云. 电工电能新技术. 2020(03)
[7]基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J]. 胡茑庆,陈徽鹏,程哲,张伦,张宇. 机械工程学报. 2019(07)
[8]基于随机森林分类优化的多特征语音情感识别[J]. 李高玲,帖云,齐林. 微电子学与计算机. 2019(01)
[9]基于多维特征和多分类器的水电机组故障诊断[J]. 程晓宜,陈启卷,王卫玉,郑阳,郭定宇,娄强. 水力发电学报. 2019(04)
[10]基于经验小波变换和峭度值的滚动轴承故障检测方法[J]. 席维,白璘,武奇生. 工业仪表与自动化装置. 2018(06)
博士论文
[1]基于混沌理论的滚动轴承故障诊断及故障趋势预测研究[D]. 李扬.西南交通大学 2018
[2]基于时频分析与特征约简的水电机组故障诊断方法研究[D]. 薛小明.华中科技大学 2016
[3]水电机组状态评估及智能诊断方法研究[D]. 肖剑.华中科技大学 2014
[4]水电机组智能故障诊断的多元征兆提取方法[D]. 肖汉.华中科技大学 2014
[5]水电能源系统优化问题中的数据挖掘、群智求解和综合决策[D]. 江兴稳.华中科技大学 2014
[6]基于状态监测数据的产品寿命预测与预测维护规划方法研究[D]. 尤明懿.上海交通大学 2012
[7]基于数据挖掘技术的财务风险分析与预警研究[D]. 赵春.北京化工大学 2012
[8]随机森林及其在遥感影像处理中应用研究[D]. 雷震.上海交通大学 2012
[9]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
硕士论文
[1]基于随机森林和SVM的食物图像识别的研究[D]. 杨迪.安徽理工大学 2017
[2]基于随机森林的语音情感识别研究[D]. 刘进华.华南理工大学 2013
[3]基于特征的水电机组状态趋势预测[D]. 代开锋.华中科技大学 2005
本文编号：2951571
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：159 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
1 绪论
1.1 论文研究的背景和意义
1.2 水电机组振动故障机理概述
1.3 水电机组振动信号处理方法概述
1.4 水电机组智能故障诊断研究方法概述
1.5 水电机组状态趋势预测研究现状
1.6 本文主要研究内容与结构
2 水电机组运行数据关联关系挖掘
2.1 引言
2.2 关联规则相关概念及挖掘算法
2.3 数据离散化方法
2.4 基于K-Mediods的水电机组运行数据离散化研究
2.5 水电机组关联关系挖掘算法研究
2.6 水电机组运行数据实例分析
2.7 本章小结
3 水电机组多源信息融合故障诊断方法研究
3.1 引言
3.2 循环降噪自编码器原理
3.3 基于GRU-NP-DAE的水电机组多源故障诊断方法
3.4 工程实例验证
3.5 本章小结
4 水电机组无监督故障聚类方法研究
4.1 引言
4.2 生成式对抗网络相关原理介绍
4.3 基于分类对抗自编码器的水电机组无监督故障聚类
4.4 工程实例验证
4.5 本章小结
5 水电机组振动信号多步非线性趋势预测
5.1 引言
5.2 变分模态分解相关原理
5.3 卷积神经网络相关原理介绍
5.4 基于VMD与CNN的水电机组非线性振动趋势预测模型
5.5 水轮机振动数据多步预测结果分析
5.6 本章小结
6 水电机组多源信息挖掘与故障诊断系统设计
6.1 引言
6.2 水电机组多源信息挖掘与故障诊断系统架构设计
6.3 水电机组多源信息挖掘与故障诊断系统在白莲河抽水蓄能电站中的应用
6.4 本章小结
7 结论与展望
7.1 全文工作总结
7.2 进一步研究展望
致谢
参考文献
附录1 :攻读博士期间发表的论文
附录2 :攻读博士期间完成和参与的科研项目
【参考文献】：
期刊论文
[1]基于LSTM网络预测的水轮机机组运行状态检测[J]. 陈畅,李晓磊,崔维玉. 山东大学学报(工学版). 2019(03)
[2]基于Skip-gram的CNNs文本邮件分类模型[J]. 黄鹤,荆晓远,董西伟,吴飞. 计算机技术与发展. 2019(06)
[3]一种改进的DNN-HMM的语音识别方法[J]. 李云红,梁思程,贾凯莉,张秋铭,宋鹏,何琛,王刚毅,李禹萱. 应用声学. 2019(03)
[4]基于多媒体信息的双向LSTM情感分析方法[J]. 丁岩,鲍焱,胡晓. 计算机与现代化. 2019(02)
[5]基于变分模态分解和改进模糊支持向量机的汽轮机故障诊断方法[J]. 张栋良,黄昕宇,李帅位. 济南大学学报(自然科学版). 2019(02)
[6]基于平稳小波变换与随机森林的电缆早期故障识别方法[J]. 李胜辉,白雪,董鹤楠,卢宏,郭朝云. 电工电能新技术. 2020(03)
[7]基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J]. 胡茑庆,陈徽鹏,程哲,张伦,张宇. 机械工程学报. 2019(07)
[8]基于随机森林分类优化的多特征语音情感识别[J]. 李高玲,帖云,齐林. 微电子学与计算机. 2019(01)
[9]基于多维特征和多分类器的水电机组故障诊断[J]. 程晓宜,陈启卷,王卫玉,郑阳,郭定宇,娄强. 水力发电学报. 2019(04)
[10]基于经验小波变换和峭度值的滚动轴承故障检测方法[J]. 席维,白璘,武奇生. 工业仪表与自动化装置. 2018(06)
博士论文
[1]基于混沌理论的滚动轴承故障诊断及故障趋势预测研究[D]. 李扬.西南交通大学 2018
[2]基于时频分析与特征约简的水电机组故障诊断方法研究[D]. 薛小明.华中科技大学 2016
[3]水电机组状态评估及智能诊断方法研究[D]. 肖剑.华中科技大学 2014
[4]水电机组智能故障诊断的多元征兆提取方法[D]. 肖汉.华中科技大学 2014
[5]水电能源系统优化问题中的数据挖掘、群智求解和综合决策[D]. 江兴稳.华中科技大学 2014
[6]基于状态监测数据的产品寿命预测与预测维护规划方法研究[D]. 尤明懿.上海交通大学 2012
[7]基于数据挖掘技术的财务风险分析与预警研究[D]. 赵春.北京化工大学 2012
[8]随机森林及其在遥感影像处理中应用研究[D]. 雷震.上海交通大学 2012
[9]基于振动信号的机械故障特征提取与诊断研究[D]. 赵志宏.北京交通大学 2012
硕士论文
[1]基于随机森林和SVM的食物图像识别的研究[D]. 杨迪.安徽理工大学 2017
[2]基于随机森林的语音情感识别研究[D]. 刘进华.华南理工大学 2013
[3]基于特征的水电机组状态趋势预测[D]. 代开锋.华中科技大学 2005
本文编号：2951571
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2951571.html
