融合多源广域数据的水电机组故障诊断研究
发布时间：2021-12-28 01:39
由于水电站具备独特的调峰填谷的运行特性,可以发挥调节负荷、维护电力系统安全稳定运行等重要作用,已经逐步成为了我们国家电力系统不可或缺的调节工具。由于水电机组经常进行复杂工况的切换,运行时周遭影响机组运行状态的不稳定因素较多,故机组的安全问题日益凸显。而传统水电机组故障诊断主要基于专家系统,主观依赖性高,不能有效客观地分析机组状态和故障类别。为了克服传统故障诊断模型存在的局限性,本文以水电机组为对象,围绕状态监测系统采集到的多源数据类型与其对应故障表征,数据处理分析方法以及故障诊断模型三个方面展开研究,重点解决多源广域数据带来的故障信息冗余和传统故障诊断模型的高耗时等问题,提出了 一种融合多源广域数据的水电机组故障诊断模型,为实现水电机组故障诊断开阔了思路,具有一定的工程价值。本文首先了解了水电机组的几种典型故障类型,介绍了状态监测系统可采集到的不同的数据源,比如振动信号、摆度信号、压力脉动信号、工况数据、气隙参数和轴心轨迹图等,并介绍分析了不同类型数据的故障表征。其次,针对融合多源广域数据后样本空间维数过高带来的故障信息冗余等问题,提出了一种基于改进局部和总体主成分分析法（LGPCA）...
【文章来源】：西安理工大学陕西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
012-2018年我国水力发电量统计数据
012-2018年我国水力发电装机容量Fig.1-22012-2018China"shydropowerinstalledcapacity
西安理工大学硕士学位论文102.2.3电磁因素引起的振动水电机组作为一个将机械能转换为电能的复杂能源系统，在转换能量的过程中自然会受到电磁因素的影响。而当发电机产生较大电磁力时，就容易诱发机组产生非线性不正常的振动。电磁振动主要包括有：磁拉力不平衡，负序电流、气隙不均匀、定子铁芯松动、三相负荷不平衡等等。2.3水电机组多源数据综述随着水电机组智能化的不断推进，针对机组运行状况的监测点传感器类型愈加丰富。在数据采集阶段，传感器负责收集能够全面刻画水电机组运行状态的各类数据，如振动、摆度、压力脉动、气隙参数、工况参数和轴心轨迹等。而传统水电机组故障诊断研究一般针对单一振动信号进行特征提取分析，丰富的数据与单一的诊断策略形成了对比。在此背景下如何应用发掘这些多源信号以及巨量的数据的丰富信息具有巨大研究潜力。2.3.1波形信号在某一段时间内，由传感器所采集到数据序列随时间序列变化而呈现周期或非周期变化，则可以称该数据为波形数据。如主轴振动信号、轴承摆度信号以及尾水管压力脉动信号等等。在水电机组传统故障诊断的研究中，有结果表明波形信号中蕴含有80%的故障表征。而由于非平稳的波形信号蕴含了丰富的故障信息，一般可以从这些信号的时频域特征中有效地反映机组故障信息，因此分析故障信号的频谱特征是目前水电机组故障研究的主要方向。以贯流式机组电站为例，实际监测系统中可采集到的波形信号包括[42-43]：（1）上导、下导、水导以及灯泡体等垂直振动与X向振动，如图2-1；（2）水力轴承X向与Y向摆度，如图2-2；（3）导叶前压力脉动与尾水管压力脉动，如图2-3。图2-1实测灯泡体振动信号Fig.2-1Measurethevibrationsignalofthebulbbody
【参考文献】：
期刊论文
[1]基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,余腾伟,周君. 振动工程学报. 2018(05)
[2]基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究[J]. 姚德臣,杨建伟,程晓卿,王兴. 机械工程学报. 2018(09)
[3]基于EEMD和SOM神经网络的水电机组故障诊断[J]. 李辉,焦毛,杨晓萍,白亮,罗兴锜. 水力发电学报. 2017(07)
[4]基于变分模态分解和Teager能量算子的滚动轴承故障特征提取[J]. 马增强,李亚超,刘政,谷朝健. 振动与冲击. 2016(13)
[5]基于变分模态分解和1.5维谱的轴承早期故障诊断方法[J]. 王晓龙,唐贵基. 电力自动化设备. 2016(07)
[6]用于轴心轨迹提纯的小波精细积分算法[J]. 曹永宁,杨勇. 组合机床与自动化加工技术. 2015(11)
[7]基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J]. 刘长良,武英杰,甄成刚. 中国电机工程学报. 2015(13)
[8]基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断[J]. 王军辉,贾嵘,谭泊. 太阳能学报. 2015(02)
[9]西安拓锐电气技术有限公司[J]. 水力发电. 2014(10)
[10]基于径向基多小波神经网络的水电机组故障诊断[J]. 卢娜,肖志怀,曾洪涛,符向前. 武汉大学学报(工学版). 2014(03)
博士论文
[1]水轮发电机组故障诊断及预测与状态评估方法研究[D]. 朱文龙.华中科技大学 2016
[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]水轮发电机组轴系非线性动力特性分析[D]. 张雷克.大连理工大学 2014
硕士论文
[1]转子轴心轨迹的提纯、特征提取与自动识别研究[D]. 胥佳瑞.华北电力大学 2017
[2]基于BP神经网络的滚动轴承故障诊断方法[D]. 于婷婷.大连理工大学 2008
本文编号：3553147
【文章来源】：西安理工大学陕西省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
012-2018年我国水力发电量统计数据
012-2018年我国水力发电装机容量Fig.1-22012-2018China"shydropowerinstalledcapacity
西安理工大学硕士学位论文102.2.3电磁因素引起的振动水电机组作为一个将机械能转换为电能的复杂能源系统，在转换能量的过程中自然会受到电磁因素的影响。而当发电机产生较大电磁力时，就容易诱发机组产生非线性不正常的振动。电磁振动主要包括有：磁拉力不平衡，负序电流、气隙不均匀、定子铁芯松动、三相负荷不平衡等等。2.3水电机组多源数据综述随着水电机组智能化的不断推进，针对机组运行状况的监测点传感器类型愈加丰富。在数据采集阶段，传感器负责收集能够全面刻画水电机组运行状态的各类数据，如振动、摆度、压力脉动、气隙参数、工况参数和轴心轨迹等。而传统水电机组故障诊断研究一般针对单一振动信号进行特征提取分析，丰富的数据与单一的诊断策略形成了对比。在此背景下如何应用发掘这些多源信号以及巨量的数据的丰富信息具有巨大研究潜力。2.3.1波形信号在某一段时间内，由传感器所采集到数据序列随时间序列变化而呈现周期或非周期变化，则可以称该数据为波形数据。如主轴振动信号、轴承摆度信号以及尾水管压力脉动信号等等。在水电机组传统故障诊断的研究中，有结果表明波形信号中蕴含有80%的故障表征。而由于非平稳的波形信号蕴含了丰富的故障信息，一般可以从这些信号的时频域特征中有效地反映机组故障信息，因此分析故障信号的频谱特征是目前水电机组故障研究的主要方向。以贯流式机组电站为例，实际监测系统中可采集到的波形信号包括[42-43]：（1）上导、下导、水导以及灯泡体等垂直振动与X向振动，如图2-1；（2）水力轴承X向与Y向摆度，如图2-2；（3）导叶前压力脉动与尾水管压力脉动，如图2-3。图2-1实测灯泡体振动信号Fig.2-1Measurethevibrationsignalofthebulbbody
【参考文献】：
期刊论文
[1]基于卷积神经网络和离散小波变换的滚动轴承故障诊断[J]. 陈仁祥,黄鑫,杨黎霞,汤宝平,余腾伟,周君. 振动工程学报. 2018(05)
[2]基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究[J]. 姚德臣,杨建伟,程晓卿,王兴. 机械工程学报. 2018(09)
[3]基于EEMD和SOM神经网络的水电机组故障诊断[J]. 李辉,焦毛,杨晓萍,白亮,罗兴锜. 水力发电学报. 2017(07)
[4]基于变分模态分解和Teager能量算子的滚动轴承故障特征提取[J]. 马增强,李亚超,刘政,谷朝健. 振动与冲击. 2016(13)
[5]基于变分模态分解和1.5维谱的轴承早期故障诊断方法[J]. 王晓龙,唐贵基. 电力自动化设备. 2016(07)
[6]用于轴心轨迹提纯的小波精细积分算法[J]. 曹永宁,杨勇. 组合机床与自动化加工技术. 2015(11)
[7]基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J]. 刘长良,武英杰,甄成刚. 中国电机工程学报. 2015(13)
[8]基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断[J]. 王军辉,贾嵘,谭泊. 太阳能学报. 2015(02)
[9]西安拓锐电气技术有限公司[J]. 水力发电. 2014(10)
[10]基于径向基多小波神经网络的水电机组故障诊断[J]. 卢娜,肖志怀,曾洪涛,符向前. 武汉大学学报(工学版). 2014(03)
博士论文
[1]水轮发电机组故障诊断及预测与状态评估方法研究[D]. 朱文龙.华中科技大学 2016
[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]水轮发电机组轴系非线性动力特性分析[D]. 张雷克.大连理工大学 2014
硕士论文
[1]转子轴心轨迹的提纯、特征提取与自动识别研究[D]. 胥佳瑞.华北电力大学 2017
[2]基于BP神经网络的滚动轴承故障诊断方法[D]. 于婷婷.大连理工大学 2008
本文编号：3553147
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3553147.html
