智能诊断技术在水电机组振动故障诊断中的应用进展

杜选强

中国葛洲坝集团机电建设有限公司

摘要：水轮发电机组是水力发电的核心部件，它的故障不仅能导致巨大的经济损失，还可能会带来灾难性事故。通过进一步研究水电站水轮发电机组设备状态监测与故障诊断技术，能及时掌握机组的运行状态、预测故障，有效降低设备损坏率、减少维护成本、提高水电机组的安全可靠性。

关键词：智能诊断技术；水电机组；振动故障诊断；应用

1水电机组故障特性

1.1复杂性特征

水电站使用的水电机组是一个非常复杂的机械系统，它涉及的领域十分广泛，机组设备故障还容易因机械部件松动或脱落、不同部件之间摩擦、部分部件安装不准确等原因而引起故障，在水力、电磁等外部因素的影响下，也会引起水电机组的高频压力脉动，或因转子间隙变化、磁极线圈短路等引起振动失效。在上述不同因素的综合影响下，会加剧振动故障造成的危害，而上述故障通常很难通过目视检查确定故障的位置和类型，这对维修技术的准确性提出了更高的要求。

1.2梯度特性

水电机组运行中最常见的故障是异常振动故障。这类故障在不同时间有不同的表现，并随时间动态变化。因此，很难进行诊断和维护。在进行故障维修工作时，需要对故障表现进行全面的判定，并制定维修计划。此外，水电机组在长时间的使用过程中，水流的压力脉动、空腔汽蚀、卡门涡列，设备的转子不平衡、轴线不对中等，这些因素都会引起设备的振动。鉴于这种渐进性的特点，有必要应用状态监测技术，实时监测设备运行状态的细微变化，发现异常并及时预警，以便于维修人员提前做好准备。

1.3不规则特性

由于水电机组的位置不同，地质条件差异较大，这也使得水电机组的设计和实际运行效果差异较大。此外，不同的水电站对机组维护和资金投入的重视程度不同，所用机组设备的型号和性能也有很大差异，这将使机组的实际运行效果与预期效果不同。机组安装和运行过程中的各种不确定因素和不可预见因素也可能导致不同类型的故障。这些故障通常没有规则可循，只有通过更精确的诊断技术才能准确地识别故障原因。

2水轮发电机组振动故障智能诊断方法

2.1基于案例推理的故障诊断方法

基于案例推理的故障诊断方法是通过检索设备实际故障案例库中与当前故障相似的案例并对其进行一系列修改，从而为当前故障提供解决方案的一种推理模式。CBR故障诊断方法可以有效地解决经验领域难以建立相关数学模型的问题。它可以根据人类的思维方式，快速、准确地分析需要解决的具体故障。采用c#语言和mysql5.0开发了旋转机械CBR故障诊断系统。采用层次分析法确定系统实例的症状权重，提出了旋转机械滚动轴承CBR故障诊断系统。系统实例库以滚动轴承振动信号为基本信息，采用最近邻法对实例进行索引，并采用遗传算法进行优化。建立了基于CBR的水泵机组振动故障诊断系统，该系统的实例库以泵站机组振动信号为基本信息，采用形式概念相似算法构造了基于实例的推理机。

2.2模糊故障诊断方法

模糊故障诊断方法是在模糊数学理论基础上发展起来的一种智能故障诊断方法。目前广泛应用的故障诊断方法有模糊模式识别、模糊推理、模糊综合评判和模糊残差评判。根据水轮发电机组的实际故障和维护经验构造故障集，根据各种故障的振动频率特征，根据它们之间的关系构造故障集，并提出相应的模糊关系矩阵，并进行相应运算，确定故障模糊向量。

2.3专家系统故障诊断方法

专家系统是以专家知识为基础，模仿人类专家推理过程的逻辑推理系统。它也是最活跃的分支。知识库和推理部分是其核心部分。专家系统的显著优点是它不依赖于系统的数学模型，能够成功地解决人类无法用精确的数学模型来解释的思维过程，在故障诊断领域也得到了广泛的应用，基于Java和cybercontrol平台开发了水轮发电机组故障诊断专家系统。该系统的知识库来源于水轮发电机组的实际工作和诊断实例。开发了基于labview和mysql的旋转机械振动故障专家系统；该系统利用旋转机械的实际工作和振动故障实例建立知识库，并采用可靠性模型类型建立推理机。

2.4灰色系统理论与故障诊断方法

灰色系统理论它是自动控制科学和运筹学的数学方法、控制论的新发展和系统理论发展相结合的结果。灰色系统理论的应用领域十分广泛。在设备故障诊断领域，灰色关联分析方法主要用于故障预测。构建了基于模糊层次分析法和灰色关联理论有机结合的故障诊断方法，并基于实际测试故障样本和灰色关联理论，建立了水电机组振动故障诊断模型，该方法可用于预测水电机组振动故障的发生率，提高设备的可靠性。

2.5信息融合故障诊断方法

信息融合技术是在计算机网络和现代测试技术基础上发展起来的信息技术。它在故障诊断领域得到了广泛的研究，并取得了许多成果。建立了基于粒子群神经网络和证据理论的故障诊断模型，并将其用于水电机组振动故障的智能诊断。

3深度学习理论

深度学习是机器学习的一个新方向，是人工神经网络的一个分支。它在许多领域创造了巨大的价值。在故障诊断领域，最常用的是深度置信网络、卷积神经网络和堆叠式自动编码器。以传感器采集的时域振动信号为处理对象，将自动编码器模型逐层叠加形成深度神经网络DNN，构造了基于DNN的故障诊断方法，实现了机械设备故障的智能诊断。将机械设备振动信号的频谱数据输入由多台降噪自动编码器叠加得到的深层神经网络，实现机械设备的状态监测和智能故障诊断。将时域和频域信号按一定的概率分布进行混合，作为深度神经网络的训练样本，实现机械故障的诊断。

4水轮发电机组振动故障智能诊断技术的发展方向

提高水轮发电机组的稳定性，确保其安全可靠运行已逐渐成为大功率水电机组研发的瓶颈；D和并网技术的发展。总结了水轮发电机组振动故障的智能诊断方法，针对水轮发电机组振动故障诊断中存在的问题，提出了以下方面的研究热点和趋势：

1）水轮发电机组在运行过程中，不断受到各种干扰和不可控因素的影响。为了保证相关参数的及时采集，需要采用抗干扰能力强、精度高、使用寿命长的传感器。

2）为了保证水轮发电机组的正常运行，水电站需要监测的参数很多，数据量大，监测设备布置分散，运行维护困难。如果实现基于sca-da系统的水轮发电机组振动故障诊断技术，将大大降低设备的运行维护成本。

3）计算机网络、无限传感器、现代测试、信号处理等技术的飞速发展，为在线智能故障诊断技术的发展提供了良好的支持。基于网络的水轮发电机组振动故障远程智能诊断技术的研究与开发，具有故障诊断准确、处理速度快的特点，是未来的研究热点之一。

4）众所周知，用智能诊断方法解决水轮发电机组振动故障诊断问题是不可能的。因此，利用各种智能故障诊断技术有机结合、相互借鉴，实现水轮发电机组振动故障的智能诊断将逐渐成为未来的研究热点。

结论

目前我国的水电机组装机容量在急剧快速增长，同时在现代科学技术的应用下也推动水电机组整体向智能化和自动化方向发展。面对其中更为复杂、不规则和具有渐变性的各类故障，需要应用先进的状态监测与故障诊断技术，提升水电机组的运行可靠性。

参考文献：

[1]王树新，孟繁欣，王永潭，等.水电机组状态监测与故障诊断技术应用探析[J].科学技术创新，2019，000（034）：P.155-156.

[2]惠宝军.水电机组状态监测与故障诊断技术应用探讨[J].企业科技与发展，2020，No.463（05）：89-90.

[3]李峰.基于生產大数据的水轮发电机组故障诊断系统[J].水电站机电技术，2020，v.43;No.231（03）：12-16+74.