基于动态核聚类分析的水轮机组故障模式识别

根据水轮机组振动故障与振动征兆之间复杂的非线性关系，总结了适用于水轮发电机组振动故障诊断的频谱特征表和振动部位幅值特征表；针对C-均值聚类易产生误分类问题，提出基于动态核聚类分析的水轮机组故障模式分类方法；对振动信号频率、振动信号幅值特征、振动部位进行分析，获得振动频谱征兆隶属度值，在此基础上，建立了基于故障分层的水轮机组运行状态自动诊断模型．工程应用实例表明：该模型的诊断效率是可行的，诊断结果具有较高的可信度．     

基于组合模量S变换能量熵的配电网故障选线方法

针对目前含逆变型分布式电源配电网故障选线方法无法在各种故障类型下准确选线的问题,提出一种利用组合模量特征结合S变换算法和信息熵理论的有源配电网故障选线方法。提取配电网各出线端的电流信号,通过组合模量行波电流变换以消除在不同故障类型下故障特征失效的情况;将组合模量行波电流进行S变换以提取故障信号处的幅值和相角信息,结合信息熵理论通过故障信号最大幅值处的短窗数据在多频段下求取各条出线的多尺度能量熵;通过故障线路与非故障线路之间能量熵差值的实例分析,选取差值最大的频段作为求解能量熵的固定频段以减少运算量;以各条出线固定频段下的熵值大小作为判据来定位故障线路。数值仿真结果表明,该方法对各种故障类型均能准确地选出故障线路,且不受故障初始角、故障距离以及过渡电阻的影响,特别是在高阻情况下仍然能够实现准确、高效的故障选线。     

一起发电机定子绕组单相接地故障的处理

定子绕组单相接地故障是水轮发电机较为常见的故障，介绍了某水轮发电机的故障情况及处理方法提出思路，根据发电机技术数据和处理方法理论依据，研究了甩开接地绕组的实际操作，并对操作后的实际效果进行了分析。     

参数化S谱幅值调制及轴承故障诊断应用

针对传统谱幅值调制方法易受噪声影响的问题,利用参数化S变换得到信号在时频域中的幅值,提出了一种参数化S谱幅值调制方法。该方法首先使用参数化S变换将信号转换到时频域并得到幅值和相位,然后将不同权重赋予时频域中的幅值以改变不同能量频率成分在信号中的占比,最后将调制后的幅值与原相位结合,使用参数化S逆变换重构一系列修正信号并计算其平方包络谱以提取故障特征。仿真和实验结果表明,该方法获得的幅值信息相比传统谱幅值调制方法更加准确和全面,对强噪声环境更具鲁棒性,能够有效实现滚动轴承的外圈、内圈和复合故障诊断。将所提方法与传统谱幅值调制方法和快速谱峭度方法进行对比,证明了参数化S谱幅值调制既能检测强噪声环境下的轴承故障信息,又能同时提取多种故障分量,在滚动轴承的故障特征提取中更具优越性。     

基于稀疏表示的轴承早期故障特征提取

低速重载机械设备中的滚动轴承由于承受巨大载荷,极易出现内外环故障. 在故障早期阶段,反映故障特征的冲击成分很微弱,极易被噪声覆盖而难以识别. 为准确诊断轴承早期故障,提出基于稀疏表示的故障特征提取方法. 该方法利用K-SVD字典训练算法构造出能准确匹配冲击成分的字典,克服了参数化字典缺乏自适应性的问题;稀疏编码过程中,采用批处理正交匹配追踪算法(batch orthogonal matching pursuit,Batch-OMP)对振动信号进行分解,以逼近信号的峭度值最大原则作为分解结束条件,自适应确定出分解次数;最后,通过对重构的特征成分进行包络谱分析得出故障类型. 对仿真信号和轴承振动信号进行故障特征提取,结果表明所提方法能准确提取出冲击成分,验证了其有效性和实用性.      

基于重构相图相似性检测的单相接地故障选相方法

配电线路在发生单相高阻接地故障时,由于故障特征微弱导致传统以求解电气参量为依据的选相方法存在困难.依据故障支路附加状态的三相电流中健全相与故障相存在幅值相角不一的差异,提出一种利用相空间重构方法对故障附加状态的三相电流进行升维重构,然后依据重构相轨迹图的差异作为故障特征进行单相接地故障选相的新方法.该方法可通过重构相轨...     

基于MATLAB的风机设备的故障趋势预报

为了达到风机预知维修,提高工作效率,减少维修费用的目的,以风机振动信号的振动烈度值作为故障特征值,基于MATLAB软件,应用灰预测理论,对风机典型故障进行预测,绘制了基于MATLAB的风机故障趋势预报图.通过故障趋势预报图,能够准确地预测出风机当前以及将来一段时间的工作状态.     

基于MATLAB的风机设备的故障趋势预报

为了达到风机预知维修,提高工作效率,减少维修费用的目的,以风机振动信号的振动烈度值作为故障特征值,基于MATLAB软件,应用灰预测理论,对风机典型故障进行预测,绘制了基于MATLAB的风机故障趋势预报图。通过故障趋势预报图,能够准确地预测出风机当前以及将来一段时间的工作状态。     

基于GM(1,1)模型的齿轮故障识别预测研究

针对齿轮故障诊断问题,提出一种基于灰色预测模型(GM(1,1))的齿轮故障识别预测方法。根据齿轮磨损情况将齿轮故障定义为4种状态：正常齿轮状态、齿根裂纹故障状态、齿面磨损故障状态和断齿故障状态。通过搭建齿轮故障诊断实验台,利用振动传感器采集齿轮工作过程中处于不同磨损状态时的振动加速度信号样本,利用小波降噪、小波分解重构等方法重构特征信号,得到去噪后的信号图像,进而提取振动加速度信号特征数值,并基于GM(1,1)建立齿轮故障识别预测模型。研究表明,该模型预测数值与真实值误差均值在0.56%～0.67%,相对误差均方根值在0.33%～0.43%,其中齿根裂纹状态时相对误差均值为0.67%,相对误差均方根为0.33%;断齿故障状态时相对误差均值为0.67%,相对误差均方根为0.39%;齿面磨损故障时相对误差均值为0.56%,相对误差均方根为0.43%。表明模型预测精度较高,可用于齿轮故障预测研究,为齿轮故障诊断提供了一种新的研究方法及理论依据。     

水电站水轮机组运行维护及故障处理

本文对水电站水轮发电机机组的运行与正常维护进行了分析,并针对水轮电机组故障和电动机故障,提出了科学有效的处理措施和方法。     

周期平稳故障信号分析

针对周期平稳故障信号的特点,给出了时域、频域、时频域分析以及统计理论分析方法.首先,利用周期平稳信号的特点,采用季节性模型,对周期平稳信号进行建模,并作预测预报;其次,采用循环平稳度、循环相关谱等周期平稳信号的特征量有效地获取其他方法难以获得的信息;通过实例给出了进化谱理论及其应用方法,结果表明进化谱在故障诊断中有着较好的分析作用;最后,采用时频域分析较好地分析出非平稳信号的各种尺度信号的特征.     

基于本体的汽轮发电机组故障诊断知识建模

针对目前汽轮发电机组故障诊断领域知识术语复杂、系统异构、知识表示不完备以及共享和重复使用困难等问题,依据故障诊断需求,采用基于本体的知识表示方法,提出了一种适用于汽轮发电机组故障诊断领域的本体构建方法和知识表示模型.在解析了汽轮发电机组故障知识特性的前提下,定义了其本体概念、属性、关系、实例和公理,为知识表示提供了明确的形式化规格说明,并借助Protégé_4.3构建了包含汽轮发电机组的故障类型、故障特征、故障原因和维修策略等故障诊断领域本体,设计了一致性检验的算法.在此基础上,在SQI机械故障综合模拟实验台上模拟汽轮发电机组故障,通过FaCT++推理机实现本体知识推理测试.结果表明基于本体的汽轮发电机组故障诊断知识模型是可行的.     

断裂信息维在矿井构造相对复杂程度预测中的应用

为了帮助煤矿寻找井田内开采地质条件较好的区块,将研究区划分为若干个单元,分别统计各单元断裂信息维及其相关因素数据.通过对已揭露区统计数据进行灰色关联分析和逐步回归分析,发现断裂信息维能综合反映断层条数、断层密度、断层长度、断层强度等特征,且与断裂构造的相对复杂程度呈正相关关系.将已揭露区各单元断裂信息维及其影响因素(不含断层类指标)统计数据作为样本进行人工神经网络训练,达到精度要求后,用于预测井田不同单元的断裂信息维.对比东庞井田已揭露区各单元断裂信息维的统计值与预测值,准确率达90%左右.图2,表1,参9.     

单通道旋转机械复合故障信号分离及诊断

针对单通道条件下旋转机械复合故障信号分离和故障类别诊断难以有效实现的问题,采用总体经验模态分解(ensemble empirical mode decomposition,EEMD)方法构建虚拟多通道和线性局部切空间排列(linear local tangent space alignment,LLTSA)维数约减方法解决单通道盲源分离的欠定问题,并通过完备字典训练和稀疏分解提取故障信号稀疏特征,最后利用支持向量机对该诊断方法进行分类评估,并将其运用在滚动轴承故障诊断实验中,实现了单通道旋转机械复合故障信号的有效分离和故障类型的正确诊断。     

含风电的电力系统动态频率分析

研究了风电接入某实际电力系统对系统动态频率产生的影响。通过建立直驱式永磁同步风电机组动态模型和含风电的实际电力系统模型,对含风电的电力系统动态频率进行了仿真分析。研究了风速扰动对系统动态频率的影响、风电渗透率上升对系统频率调节能力的影响以及风机脱网故障对系统动态频率的影响。在风机增加了基于虚拟惯性的频率控制系统,研究了具有调频系统的风电机组对系统动态频率的影响。研究结果表明大规模风电场的风速扰动将导致系统频率出现显著波动;随着系统风电渗透率的增加,系统的调频能力将明显下降;风电场在故障下的风机脱网事故将对系统动态频率造成严重影响。增加频率控制系统使风电机组具备了一定的调频能力,有效地抑制了扰动情况下的系统频率波动。     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

大型水轮发电机组状态监测与故障诊断系统

介绍了一个CMFD-2000系统的研究思路及其主要的研究成果,对系统使用的主要技术方法和构架作了详细的介绍.系统由两个数据采集工作站、一个数据库服务器和一个WWW服务器组成,构建了实时数据采集、信号分析、状态监测、状态分析、状态评价与预测、故障诊断、实用计算等功能模块.该系统已经成功地应用在电厂中,并取得了初步的成果,在实际应用中得到充实和完善.     

经验模式分解在循环平稳故障信号分析中的应用

对循环二阶统计量进行了分析,研究了交叉项产生的原因;结合旋转机械故障信号的循环平稳特性,将经验模式分解方法应用于旋转机械振动信号分析中,解决了应用循环平稳方法进行信号分析中出现的交叉项干扰问题.通过理论推导、仿真实验、真实数据验证,以及和原有方法进行比较,表明经验模式分解联合循环平稳分析方法能够有效地识别故障特征,并避免干扰项.极大地推进了循环平稳方法在旋转机械故障诊断中的应用.     

可拓理论与SOM网络相结合的多故障诊断方法

 针对采用SOM 网络进行多故障诊断时,要求多故障模式相似且不包含标准故障输出的限制,提出将SOM 网络与可拓理论相结合的多故障诊断方法.首先采用SOM 网络对训练样本进行聚类,得到故障模式及其聚类中心.然后针对每种故障模式的每个特征构造在聚类中心处取得最大值的关联函数,并以各特征的关联函数值为基础,设计多故障评价指标实现多故障诊断.最后采用汽轮发电机组振动信号的频谱数据对算法进行验证,结果表明该方法能够正确识别待诊断样本的单故障和多故障模式,具有可行性.     

基于LabVIEW的虚拟示波器设计及应用

以虚拟双通道示波器设计为例,介绍了基于LabVIEW 7 Express和PCI-6024E数据采集卡的虚拟仪器设计过程,并对虚拟函数发生器送出的信号进行采集和频谱分析.实验证明,虚拟示波器实现了传统示波器的基本功能.通过软件修改,开发出了不同的虚拟仪器,实现了一卡多用,增强了系统的灵活性.将虚拟仪器技术与网络技术结合进行远程数据采集,充分发挥了虚拟仪器的优势,最大限度地实现了硬件资源共享.