水電機(jī)組智能故障診斷方法與振動(dòng)趨勢預(yù)測研究.pdf

1、隨著我國水電事業(yè)的迅猛發(fā)展，水電以其在電力行業(yè)調(diào)峰的重要作用以及巨大的潛在資源，受到了世界各國的高度重視。水電機(jī)組的單機(jī)容量變得越來越大，并且在電力系統(tǒng)中所占的比例也呈現(xiàn)快速增長的趨勢。水電機(jī)組一直都被視為水電企業(yè)的核心設(shè)備，其運(yùn)行的安全性與機(jī)組自身的健康狀態(tài)與水電企業(yè)的安全性與經(jīng)濟(jì)效益有著密切的關(guān)系，水電機(jī)組一旦發(fā)生事故，就會(huì)造成嚴(yán)重的安全事故并可能導(dǎo)致巨大的經(jīng)濟(jì)損失。因此，水電機(jī)組的安全性、可靠性和穩(wěn)定性既是水電企業(yè)追求的目標(biāo)，也是

2、許多學(xué)者研究的熱點(diǎn)。水電機(jī)組故障診斷與狀態(tài)趨勢的預(yù)測能為掌握機(jī)組的狀態(tài)提供技術(shù)支持，從而有助于降低機(jī)組事故率，減少經(jīng)濟(jì)損失。本文總結(jié)了這一領(lǐng)域的研究現(xiàn)狀，以水電機(jī)組振動(dòng)機(jī)理為基礎(chǔ)，應(yīng)用模糊積分融合多分類器的方法對(duì)水電機(jī)組進(jìn)行了故障診斷，并將智能算法優(yōu)化后的廣義回歸神經(jīng)網(wǎng)絡(luò)應(yīng)用于水電機(jī)組的狀態(tài)趨勢預(yù)測，主要的工作包括以下兩個(gè)部分：
　　第一部分是基于模糊積分的水電機(jī)組故障診斷的研究。
　　應(yīng)用小波包能量算法提取水電機(jī)組的故障特

3、征，提出了一種基于模糊積分融合的多分類器組合診斷模型，采用一種加權(quán)方法改進(jìn)了傳統(tǒng)的樸素貝葉斯分類器，并將其與馬氏距離分類器、BP神經(jīng)網(wǎng)絡(luò)作為子分類器，通過模糊測度表征子分類器相互間的作用，最后使用模糊積分融合三個(gè)子分類器的輸出結(jié)果而得到最終的診斷結(jié)果，仿真實(shí)驗(yàn)表明基于模糊積分融合的的診斷模型不僅具有較高診斷的準(zhǔn)確率，而且相對(duì)于單一的診斷方法其泛化性有一定程度的提高。
　　第二部分是關(guān)于智能算法優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)狀態(tài)趨勢預(yù)測的研

4、究。
　　本部分將混沌理論中關(guān)于時(shí)間序列預(yù)測的理論應(yīng)用到水電機(jī)組振動(dòng)狀態(tài)趨勢預(yù)測中，分析了水電機(jī)組的振動(dòng)序列相空間重構(gòu)中嵌入維數(shù)和延時(shí)參數(shù)選擇的問題，應(yīng)用果蠅優(yōu)化算法優(yōu)化選擇廣義回歸神經(jīng)網(wǎng)絡(luò)的分布參數(shù)（spread），將優(yōu)化后的廣義回歸神經(jīng)網(wǎng)絡(luò)應(yīng)用到水電機(jī)組的振動(dòng)狀態(tài)趨勢預(yù)測中，在與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果均方誤差的對(duì)比中可看出，該模型有較高的穩(wěn)定性與預(yù)測精度，對(duì)于信號(hào)趨勢走向的反映相對(duì)比較準(zhǔn)確。這種模型為預(yù)測機(jī)組的運(yùn)行狀況提出了一