基于多小波和神经网络的水电机组振动故障诊断研究
近些年来，随着国家能源发展战略，水电机组的装机容量和数量都在不断攀升。如何保证水电机组安全稳定运行，提前监测到故障信号，防患于未然，显得尤为重要。在对水电机组故障的研究中发现，虽然水电机组故障繁多，但约80％的故障都能在振动信号中反映出来。因此我们在研究水电机组故障的过程中，处理好现场实时采集的振动信号至关重要，会大大提高诊断的正确率和效率。在信号处理的过程中，由于多小波同时具有紧支撑性、对称性、正交性和高阶消失矩等优良特性，而正是这几种特性保证了信号能量并减少失真，所以本文使用多小波对原始信号进行降噪和特征能量提取。然后建立数据样本集，使用神经网络对其进行分类，并用粒子群算法对神经网络进行优化，以使其收敛速度加快。 本研究主要内容包括：⑴阐述了国内外状态监测与故障诊断的发展现状及存在的问题，在研究了传统信号分析方法以及故障诊断方法的基础上，提出了将多小波与神经网络结合用于水电机组的振动故障诊断，解决了提取特征向量的困难和祌经网络收敛速度慢的问题。研究了利用多小波对振动信号进行降噪的方法，将多小波相关理论引入到水电机组振动故障信号的降噪中，采用自适应阈值法进行降噪，分别用仿真信号和工程实测验证该方法的有效性，并与db2小波进行对比，以验证其优越性。⑵介绍了神经网络和粒子群算法的原理，并用粒子群算法对RBF神经网络进行优化。论述了神经网络和粒子群算法中的关键参数如何选取。用多小波变换对水电机组振动信号进行特征提取，将特征向量输入经过粒子群优化后的RBF网络进行故障诊断。结果表明，此方法能够很好的对机组的运行状态进行故障诊断，具备工程应用价值。⑶将多小波分解与神经网络相结合对国内某水电站的实测信号进行故障诊断，结果显示，该方法能够提取更为完整的特征向量，网络收敛速度更快，诊断正确率高，为水电机组的故障诊断提供了一种新方法。
水电机组;故障诊断;信息采集;数据处理
西安理工大学
硕士
电力系统及其自动化
杨晓萍;李辉
2016
中文
TP277;TP274.2
74
2018-05-14（万方平台首次上网日期，不代表论文的发表时间）