水電機組狀態(tài)評估及智能診斷方法研究.pdf_第1頁
已閱讀1頁,還剩115頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著我國電力事業(yè)的不斷發(fā)展,水電能源已進入了大機組、特高壓輸送、智能化控制與管理的新時代。一方面,水力發(fā)電在我國發(fā)電供應段中所占結構比例逐漸增多,且更多的承擔調峰、調頻任務;另一方面,由于特高壓直流輸電線路的不斷興建和投運,大型水電廠作為工業(yè)用電直接供電端的方式也日趨增多。而作為水電廠關鍵發(fā)電設備的水力發(fā)電機組也朝著大容量、高比轉速、高負載等方向不斷發(fā)展,其部件結構及布置形式復雜程度越來越高,而水力、機械、電氣等振源之間的耦合作用日益凸

2、顯,從而導致了水電設備故障的非計劃停運和突發(fā)沖擊性故障的日趨增多,并直接影響了對電網的安全穩(wěn)定。因此,傳統基于穩(wěn)態(tài)波形和離線性能試驗的水電機組狀態(tài)評估與故障診斷方法無法滿足當前水電廠對于故障快速定位和及時處理的工程實際需求。如何在準確獲知水電廠實際運行數據的基礎上,構建水電設備在線健康狀態(tài)高精度評估模型,精確識別故障類型及其嚴重程度、變化趨勢,提供高效合理的機組檢修方案,為機組突發(fā)故障提供相應的決策建議,是當前我國水電生產急需解決的重大

3、工程實際問題。為此,本文針對水電機組狀態(tài)評估及故障診斷在理論突破及工程應用中存在的若干關鍵問題,以水電機組振動故障的暫態(tài)征兆提取和最優(yōu)選擇為切入點,引入熵值理論和非線性信號辨識方法,深入探究不同征兆在分類超平面中的貢獻因子,構建基于暫態(tài)開機過程數據的水電機組在線評估方法,為揭示水電機組性能退化程度提供合理科學的依據,同時建立基于兩階段極限學習機的智能混合故障診斷方法,實現的故障分類器結構參數一體化自學習策略,實現具有自學習功能的多故障、

4、高精度診斷模型。論文的主要研究內容和創(chuàng)新性成果如下:
 ?。?)由于水電機組故障信號往往呈現非平衡、非線性的特征,針對故障振動信號中的非平穩(wěn)部分,特別由機組起、停機等引起的系統沖擊響應信號會出現能量泄露、模態(tài)混疊等現象,研究工作結合排列熵對信號變化的高度敏感性和集成經驗模態(tài)分解的多尺度信號分解能力,提出了針對水電機組非平穩(wěn)信號特征提取的固有模態(tài)排列熵特征方法。該方法能夠充分辨識故障作用下的機組信號混沌特性變化,實現對機組故障信息的

5、充分表征。同時針對水電機組故障診斷特征向量維數較高,且不同特征維數對故障分類器的貢獻度不一的問題,本文提出最優(yōu)模型參數和特征子集一體化選擇策略。在充分考慮不同模型參數和特征子集之間的關聯性基礎上,本文對模型參數和特征子集采用連續(xù)-離散的混合編碼,通過改進人工蜂群優(yōu)化算法,構建了與故障征兆相關度高且信息冗余度低的特征子集進化尋優(yōu)機制,實現了水電機組的特征子集和模型參數一體化優(yōu)選從而構建能夠充分表征水電機組故障信息的故障特征子集。
 

6、?。?)目前水電機組往往采用現場試驗和簡單限值比較的方式進行狀態(tài)評估和監(jiān)測預警,然而該方法易受工況變化、機組結構和測量設備等諸多因素的影響,缺少對機組早期潛在故障的預警能力,無法充分表征機組當前的實際健康狀態(tài)和運行服役能力。針對上述問題,本文在綜合分析水電機組開機不同暫態(tài)過程和機組性能試驗的相似性基礎上,提出了水電機組開機過程的性能評估方法。該方法通過將趨勢定性分析將開機過程暫態(tài)數據轉換為一個個表征趨勢的基元序列,首先定義了基本的趨勢基

7、元,然后通過最小二乘序列算法將開機過程中不同的趨勢片段首先定義了基本的趨勢基元,然后通過其擬合線不同的一二階系數提取其片段的趨勢基元,從而構建表征開機過程的基元序列,有效地避免了水電機組開機過程強噪聲與沖擊信號的干擾;同時,為構建能夠精確度量開機過程性能退化程度的量化指標,本文提出了一種基于改進動態(tài)時間規(guī)整距離的開機過程相似度計算指標,通過計算不同機組之間開機過程的正則化動態(tài)時間規(guī)整距離,得到機組實際性能退化的量化數值,構建了水電機組性

8、能退化的在線量化評估體系。
 ?。?)針對當前水電機組故障診斷的小樣本、高維度等問題,本文結合人工蜂群算法和極限學習機,提出了一種具有結構和參數自適應優(yōu)化的兩階段進化極限學習機模型,該模型通過貪婪算法和交叉驗證對極限學習機隱藏節(jié)點個數進行自適應優(yōu)選,克服了傳統極限學習機結構學習階段隱含節(jié)點個數難以確定的問題,同時通過人工蜜蜂群算法對極限學習機權重參數和偏置參數進行的進化搜索,從而建立了一種無需設置參數的水電機組自學習智能進化故障診

9、斷方法。同時針對傳統蜂群算法在開發(fā)和探索能力無法自適應從而易陷入局部最優(yōu)解的情況,筆者引入全局引導和Levy飛行策略兩種策略,并構建自適應種群調整策略來不斷平衡蜂群算法的開發(fā)和探索能力,進一步提高極限學習機分類能力。由于兩階段進化極限學習機模型具有很好的小樣本學習能力,便于深入挖掘樣本所蘊含的故障信息,因此可以在有限的訓練樣本條件下得到比較準確的結果,能快速有效識別水電機組故障類型。最后通過水電機組故障診斷實例計算表明,該方法是有效可行

10、的。
 ?。?)針對當前水電廠由于運行時期較長,各個業(yè)務系統存在著開發(fā)企業(yè)的不同,開發(fā)語言、部署平臺和通信協議各異,且對外數據交換格式無法互相兼容的問題。本文提出了一種基于面向服務架構分層分布式水電機組遠程故障診斷系統設計方案,該方案有效解決了當前水電機組診斷系統在異構環(huán)境下與外部系統數據與模型間訪問與互操作的問題,通過構建不同層次、不同粒度的業(yè)務應用和功能模塊的Web服務,可以滿足多種故障診斷需求功能,給出了各個核心功能模塊的設

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論