基于神經網絡和證據理論融合的水電機組振動故障診斷研究.pdf

1、水輪發(fā)電機組振動是一個非常復雜的物理過程,隨著用戶對供電質量要求的提高,以及大中型水力發(fā)電廠推行“無人值班”(少人值守)的管理模式,建立機組振動在線監(jiān)測診斷系統(tǒng),對機組振動故障進行早期診斷,及時發(fā)現和排除系統(tǒng)故障,對保障水輪發(fā)電機組穩(wěn)定運行十分重要。神經網絡以其良好的非線性映射能力和D-S證據理論在表達不確定性方面具有獨特的優(yōu)勢,均在故障診斷領域得到了廣泛的應用。本文以BP神經網絡和D-S證據理論為基礎,提出了一種基于D-S證據理論對子

2、神經網絡的輸出進行融合的方法。該方法將每個神經網絡看作一個證據,對神經網絡的輸出在時間域、空間域上進行融合,從不同側面對故障進行診斷,充分利用故障信息,從而提高診斷的準確率。通過對水輪發(fā)電機組的常見故障進行診斷,診斷結果表明了該算法的可行性。本文主要進行了以下工作:從水電廠實際出發(fā),闡述了開展水電機組故障診斷研究的重要意義與目的,簡要介紹了國內外水電機組故障診斷技術發(fā)展現狀以及目前應用于故障診斷領域的常用方法,系統(tǒng)地分析歸納了水電機組振

3、動的機理、主要故障及其故障征兆、識別水電機組振動故障原因的三種方法,以及水電機組監(jiān)測的關鍵技術和故障特征提取技術。在討論了BP網絡基本原理的基礎上,分析了BP神經網絡的優(yōu)缺點,進而對BP算法進行改進,研究了將遺傳算法應用于神經網絡權值優(yōu)化的問題,提出了一種改進型GA-BP算法。針對水電機組故障多、故障征兆復雜、單子神經網絡難以很好對其進行診斷的特點,利用網絡分塊技術對水電機組故障進行診斷,用振動頻譜征兆和振動幅值變化征兆兩個子網絡,從不