基于自适应阈值HHT和IPSO-LSSVM的水轮发电机组状态监测与故障诊断算法研究

摘要

水电是清洁能源,便于电力系统的调峰、调频运行。随着大型水利工程的兴建,水电机组单机容量增大,年平均发电时间不断增加,如出现机组故障停机,将造成的严重安全事故和经济损失。因此,及时准确地对水电机组运行设备的异常状态做出诊断,预防和消除故障,保证机组安全运行具有十分重要的意义。
　　本文以水轮发电机组状态监测与故障诊断算法为研究对象,在总结国内外在线监测与故障诊断技术研究发展现状的基础上,提出了在线监测系统构架,选择了合适的传感器,并且提出了信号处理和故障诊断的算法,论文主要内容和成果如下:
　　(1)分析了水轮发电机组振动机理,研究了机组振动故障的影响因素,总结了机组的故障特征;进行了水轮发电机组振动在线监测系统的功能设计,结合实际,给出了适合水轮发电机组在线监测与故障诊断的测点布置和传感器选择;
　　(2)对机组振动信号处理中常用的短时傅立叶变换、小波变换及 HHT(Hilbert-Huang Transformation,希尔伯特-黄变换)的基本理论和算法进行对比分析,总结各自特点。针对HHT算法中存在的噪声干扰导致IMF(Intrinsic Mode Function,固有模态函数)分量不准确的问题,通过引入了IMF自适应阈值去噪法,改进了HHT算法。实例仿真分析证明了该方法可以较准确的反映机组故障状态;
　　(3)应用非线性递减法将粒子群算法中的惯性权值参数进行了改进,利用IPSO(Improved Particle Swarm Optimization,改进粒子群优化)方法对机组故障诊断中使用的LSSVM(Least Squares Support Vector Machines,最小二乘支持向量机)算法中的λ和σ参数进行优化,将优化后的支持向量机应用于水电机组的振动故障诊断,构建了基于支持向量机的多故障分类器。通过瀑布沟电站4＃机组实测数据的计算,与BP神经网络、最小二乘支持向量机等方法进行对比,证明了本文所提IPSO-LSSVM方法具有迭代次数少、诊断精度高的特点,适合于水轮发电机机组故障诊断。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 选题目的和意义

1.2 水轮发电机组振动评估方法及亟待解决问题

1.3 机组状态监测与故障诊断技术研究现状

1.4 水轮发电机组故障诊断技术发展趋势

1.5 本文主要内容

2 水轮发电机组振动机理与故障特征

2.1 水轮发电机组振因分析

2.2 水轮发电机组振动故障的特点

2.3 水轮发电机组振动故障特征

2.4 水轮发电机组振动故障的识别方法

2.5 小结

3 水轮发电机组振动状态监测系统

3.1 机组振动监测系统总体结构

3.2 机组振动监测系统测点布置

3.3 传感器选型

3.4 数据采集系统

3.5 小结

4 水轮发电机组振动信号分析

4.1 短时傅立叶变换

4.2 小波变换

4.3 希尔伯特-黄变换

4.4 小波变换与HHT的比较研究

4.5 改进HHT在机组振动信号分析中的应用

4.6 小结

5 水轮发电机组振动故障诊断

5.1 PSO算法

5.2 改进PSO算法优化最小二乘支持向量机

5.3 实例分析

5.4 本章小结

6 结论与展望

6.1 本文结论

6.2 研究展望

致谢

参考文献

附录