水电机组故障诊断专家系统运行状态智能预测及故障识别

对水电设备进行智能预测可以将故障诊断提前至故障发生前,由此可预防不稳定运行对机组设备的损害,延长机组寿命。本文基于ARMA模型、匹配矩阵模型(MM)和Hu不变矩原理,针对水电机组需要重点监控的三类数据:自相关性较强参数、自相关性弱参数、轴心轨迹参数,开发了一套水电机组智能预测和故障识别系统。本系统自2019年实际装备以来预测结果和实际数据拟合良好,将各类潜在故障数据输入系统,系统均可预测并准确判断故障类型。综上,本系统可实现对故障的提前预测和诊断,有力保障水电机组的正常稳定发电。

基于混合蜂群算法特征参数同步优化支持向量机的水电机组轴心轨迹识别方法研究

在水电机组轴心轨迹识别研究中,为解决传统支持向量机方法中特征参数无法自适应选择而导致分类性能不高、计算时间过长等问题,提出混合人工蜜蜂群算法特征参数同步优化支持向量机(HABC-SVM)的轴心轨迹识别方法。将人工蜜蜂群算法引入到支持向量机识别优化模型的求解中,对人工蜜蜂群从搜索策略、蜜源编码、更新策略等方面进行了改进。通过仿真试验获取水电机组的四类典型轴心轨迹样本,对轴心轨迹中提取的19种特征参数和支持向量机参数进行了同步优化,将改进HABC算法与PSO-SVM算法和GA-SVM算法进行了对比。研究结果表明HABC-SVM具有良好的自适应性和分类精度,可以同步获取支持向量机参数和特征子集的最优解,增强分类器的性能,提高轴心轨迹模式识别的准确率,对水电机组的故障诊断工程应用有一定的指导意义。

基于小波向量和AR模型的轴心轨迹识别

本文对在不同尺度下小波变换的相关性进行了探讨。基于小波向量和自回归ＡＲ模型给出了大型旋转机械轴心轨迹的一种识别方法。该方法不仅能够反映轨迹的总体特征，而且还一定程度地描述了ｘ轴信号与ｙ轴信号的相关性．实验表明此方法是有效的。

小波神经网络在轴心轨迹识别中的应用

采用一种小波神经网络对轴心轨迹进行识别，为系统的进一步诊断提供了辅助信息。针对小波神经网络训练中出现的问题，引入了遗传 Ｂ Ｐ 算法解决。对小波神经网络的识别结果和 Ｂ Ｐ 网络作了比较。

基于组合矩和随机森林的转子轴心轨迹识别

针对大型旋转机械难以获得大量故障样本和不变矩识别率低的问题,提出基于组合矩和随机森林模型的转子轴心轨迹识别方法。采用实测的轴心轨迹作为样本,采用Sobel算子提取轴心轨迹的轮廓,基于轮廓的形状几何特征和不变矩构造组合矩。将不变矩和组合矩作为随机森林模型的输入进行分类,证明了组合矩的分类准确率最高。对随机森林、支持向量机和BP神经网络的分类效果进行了对比,结果表明:随机森林的分类准确率要高于支持向量机和BP神经网络,并且识别时间较短,是诊断旋转机械故障的一种新方法。

基于大数据的水电机组轴心轨迹自动识别技术探讨

针对水电机组轴心轨迹识别问题,提出了从信号采集处理到最终轴心轨迹自动识别的整套流程,并结合大数据技术与算法理论对轴心轨迹信号进行原始波形的分布式存储、特征向量的并行计算,最终用Mahout做轴心轨迹的类型识别。特征提取环节中,在"HU氏不变线矩"算法的基础上,提出增加前三阶矩的权重系数以提供识别准确度,并给出权重系数自适应的实现思路。该流程的关键步骤具有可实践性,已与实际系统、数据结合并验证,可进一步拓展,以提高自动识别与故障诊断水平。

基于HU不变矩的大型发电机组轴心轨迹识别方法

本文基于LabVIEW开发工具,结合轴心轨迹基准图形,应用HU不变矩基本原理,建立了基准图形的状态判别数据库,开发轴心轨迹识别模块,以判断轴心轨迹故障类别。此外,通过分析轴心轨迹与基准图形之间的相似度,基于对大型发电机组长期运行的轴心轨迹监测分析,对可能发生的故障进行预测。

基于深度卷积神经网络的转子轴心轨迹智能识别

转子轴心轨迹作为转子故障的典型特征之一,可以提供更具代表性的故障特征信息。对转子轴心轨迹形状进行准确识别是构建转子故障特征征兆的基础。为提高转子轴心轨迹形状识别的泛化能力,提出一种基于深度卷积神经网络的转子轴心轨迹成像及形状识别方法(DimShapeNet)。将转子轴心轨迹映射到二维数字图像中,利用反灰度化预处理方法,去除二维数字图像中多余的颜色信息;将预处理后的转子轴心轨迹数字图像输入深度卷积神经网络中进行训练。结果表明:经过反灰度化预处理的转子轴心轨迹数字图像在深度卷积神经网络的训练中更有优势;相比于传统的转子轴心轨迹形状识别方法,基于深度卷积神经网络的转子轴心轨迹形状识别方法具有更高的准确性和更好的鲁棒性。