[發明專利]基于概率神經網絡的水輪機運行故障診斷方法

在審

• 申請號: 201910041205.7
• 申請日: 2019-01-16
• 公開（公告）號: CN109751173A
• 公開（公告）日: 2019-05-14
• 發明（設計）人: 蘭朝鳳;李水靜;劉巖;趙宏運;劉春東
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: F03B11/00
• 分類號: F03B11/00
• 代理公司: 哈爾濱市文洋專利代理事務所(普通合伙) 23210
• 代理人: 何強

本發明提供一種故障診斷的結果更精準的基于概率神經網絡的水輪機運行故障診斷方法，屬于水輪機壓力脈動監測與診斷領域。本發明包括：將水輪機的主要相關工況參數與壓力脈動信號進行特征融合形成融合特征向量，作為概率神經網絡的輸入，將水輪機的運行狀態作為所述概率神經網絡的輸出，構建概率神經網絡的故障診斷模型；S2、利用構建的故障診斷模型實時監測水輪機的運行狀態，進行故障診斷。本發明將水輪機運行工況和壓力脈動信號一同作為特征進行識別，通過對歷史數據進行互信息計算，并根據計算的互信息，求得水輪機各種工況參數對壓力脈動信號影響的重要程度，進而求得水輪機的主要相關工況參數。

技術領域

本發明涉及一種水輪機運行狀態識別方法，特別涉及一種基于概率神經網絡的水輪機運行故障診斷方法，屬于水輪機壓力脈動監測與診斷領域。

背景技術

水輪機壓力脈動是水電機組運行過程中不可避免的現象，它會引起水電機組的振動噪聲、出力擺動和葉片裂紋等故障，是影響機組安全穩定運行的主要因素之一。因此，為了提高水電機組的安全穩定運行，對水輪機壓力脈動進行狀態監測與診斷具有重要意義。

現有的水輪發電機組故障診斷方是依賴壓力脈動信號進行故障模式識別。本領域技術人員對水泵水輪機泵工況進行研究，確定了各個流道位置的壓力脈動的頻率和幅值變化規律；本領域技術人員采取了在泄水錐處射水的方式來減弱尾水管內的低頻壓力脈動；本領域技術人員則通過改變泄水錐中心補氣孔長度得到存在一個補氣孔長度可以有效的減小渦帶的運動規模，從而降低壓力脈動幅值；本領域技術人員利用分離渦(DES)湍流模型著重分析了反水泵工況下的壓力脈動特性；本領域技術人員通過對導葉葉柵進行幾種不同布置下的數值模擬，得出槽道流動和真實流動下導葉近壁區域流體繞過導葉的繞流特性與真實的葉道繞流的相似性；本領域技術人員采用真機試驗和數值計算的方法，研究了水輪機無葉區的動靜干涉及蝸殼水力激振頻率。

隨著人工智能在各領域的廣泛應用，神經網絡分析方法也已經被應用到圖像識別、語音識別、文本識別中，并取得了一定成效。神經網絡特有的非線性適應性信息處理能力，可以學習到數據深層次的抽象特征表達，具有更強更復雜的數據表達能力，其在故障診斷領域的應用潛能被廣泛重視并引發很多學者研究。本領域技術人員利用自動編碼器模型(AE)及其延伸模型堆疊成深度結構，即深度神經網絡DNN，實現機械設備的故障診斷。本領域技術人員利用多個自動編碼器疊加構成深度神經網絡，應用于頻譜數據上實現旋轉機械的智能故障診斷，并總結了這種深度神經網絡用于旋轉機械故障診斷上的一些優點，指出機械裝備基于大數據健康監測的趨勢。本領域技術人員利用小波包節點能量作為深度信念網絡(DBN)的輸入數據，進行滾動軸承故障的模式識別。本領域技術人員則是用混合的時域和頻域的統計特征作為深度神經網絡的輸入訓練數據，實現了智能軸承故障診斷。上述神經網絡在故障診斷領域的應用研究，為水輪發電機組故障診斷提供了重要參考。

對于水輪發電機組這一復雜非線性系統，不同運行工況下，即使壓力脈動信號相同，運行狀態也不盡相同，現有基于信號處理的水輪發電機組故障診斷方法，僅僅依賴壓力脈動信號進行故障模式識別，忽略水輪發電機組運行工況對壓力脈動信號的影響，當將其應用在機組設備實際故障診斷中時，往往會導致故障診斷正確率低或者診斷失敗，極大地制約了水輪發電機故障診斷理論與方法在實際工程中的應用。

發明內容

針對上述不足，本發明提供一種故障診斷的結果更精準的基于概率神經網絡的水輪機運行故障診斷方法。

本發明的基于概率神經網絡的水輪機運行故障診斷方法，所述方法包括：

S1、將水輪機的主要相關工況參數與壓力脈動信號進行特征融合形成融合特征向量，作為概率神經網絡的輸入，將水輪機的運行狀態作為所述概率神經網絡的輸出，構建概率神經網絡的故障診斷模型；

S2、利用構建的故障診斷模型實時監測水輪機的運行狀態，進行故障診斷。

優選的是，所述S1中，水輪機的主要相關工況參數的獲取方法，包括：