基于水电机组复合特征提取的rbfnn故障诊断 compound characteristic extraction based fault diagnosis of hydroelectric generating unit using rbf neural network.pdfVIP

第31卷第11期 电力系统自动化 V01．31No．11 of AutomationElectricPower 2007年6月10日 Systems June10，2007 87 基于水电机组复合特征提取的RBFNN故障诊断 刘 忠，周建中，张勇传，邹 敏 (华中科技大学水电与数字化工程学院，湖北省武汉市430074) 摘要：针对传统快速傅里叶变换(FFT)方法在非稳态信号分析上的局限和水电机组稳定性状态分 析及故障诊断中过分依赖单一能量特征的不足，提出了集小波分析、模糊理论和径向基函数神经网 对稳定性状态信号进行多频段分解、降噪，提取相对能量特征；运用模糊理论进行稳定性状态对过 程参数变化响应的数值分析和量化，提取关系型征兆；然后将这2种特征组合，形成综合反映机组 稳定性状态的复合特征向量；最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程 应用结果表明，该方法能够全面准确地提取水电机组稳定性状态特征，在水电机组故障诊断上具有 一定的可行性和有效性。 关键词：水电机组；故障诊断；复合特征；小波分析；RBFNN 中图分类号：TM312；TV737 0 引言 化的关系中也有所反映[3。4]。而这一点在水电机组 故障诊断时往往容易被忽视∞“]。 由于水力、机械、电气等诸多因素的相互耦合作 因此，本文提出了集小波分析、模糊理论和径向 用，水轮发电机组的运行稳定性状态通常会表现为 基函数神经网络(RBFNN)优点于一体的基于水电 振动和水压脉动的异常或超标。从这些状态信号中 机组复合特征提取的RBFNN故障诊断方法。首先 合理、有效地提取出特征参数，对于判别设备性能降 利用小波分析和模糊理论提取综合反映水电机组运 级、查找故障原因乃至制定检修措施至关重要。但 行状态的复合特征，然后通过RBFNN的自适应学 是在传统的分析和诊断方法中，还存在一些不足。 习和非线性映射，实现水电机组的故障类型及其严 实际水电机组的振动和压力脉动信号，往往是 重程度的诊断。 非稳态的，特别是当机组出现各种故障或处于特定 工况时。尽管傅里叶分析在信号特征提取上发挥了 1 诊断模型 一定的作用，但其自身存在局限，即分析对象必须是 基于复合特征提取的RBFNN故障诊断模型如 稳态信号，信号的暂态变化会被忽略，因此并不能给 图1所示。 出很好的评价指标口]。 不同类型的故障会相应地表现为某些频率或频 数据源 带内能量比重的变化，从而形成“能量～故障”映射 小波分析 I l 模糊方法量化 提取相对能量特征l I提取关系型征兆 关系[2]。然而，不同的故障也可能会出现相同的频 率或能量征兆，如转动部分质量不平衡和转子匝间 曲型 短路故障，都是1倍转频能量占优。单纯以能量特