水電機組故障診斷方法研究與分析

黃一晟

摘 要：水力發(fā)電是我國電網(wǎng)的重要組成部分，但是在水電機組運行過程中容易出現(xiàn)機組振動，進而引發(fā)機組故障，影響電網(wǎng)供電的可靠性。本文將對機組故障診斷中常用的系統(tǒng)辨識法進行分析，并針對其中的不足，提出一種模糊聚類故障診斷法，進而提高水電機組故障診斷的準確性。

關鍵詞：機組故障;系統(tǒng)辨識;模糊聚類

DOI：10.16640/j.cnki.37-1222/t.2019.21.146

0 引言

隨著發(fā)電機組朝著大型化、復雜化的方向發(fā)展，其安全穩(wěn)定運行顯得尤為重要，發(fā)電機組的故障直接影響電廠的安全經(jīng)濟運行，并威脅到電網(wǎng)的穩(wěn)定與安全。發(fā)電機組的振動是普遍存在的問題，引發(fā)發(fā)電機組振動故障的原因很多，且各種因素相互偶聯(lián)，造成了機組振動的復雜性、振動故障與征兆非一一對應性，因此在研究機組振動故障時學者們多采用以神經(jīng)網(wǎng)絡、專家系統(tǒng)、模糊技術為代表的智能診斷方法。在機組故障診斷研究中，有兩個問題值得探討，即基于模型的故障診斷策略和模式識別方法，為此本文將對這兩種方法分別進行分析。

1 基于系統(tǒng)辨識的故障診斷方法

基于系統(tǒng)參數(shù)辨識的故障診斷方法是機組故障診斷的重要方法之一，這種方法的主要思想是被控制系統(tǒng)的故障可以利用參數(shù)變化的形式來表示，當機組發(fā)生故障后，相應的參數(shù)也會隨之發(fā)生變化，為此可利用參數(shù)和模型之間的關系建立機組的故障模型，進而可以通過辨識模型的參數(shù)來識別機組的故障。

在系統(tǒng)參數(shù)辨識的過程中，首先需要建立系統(tǒng)的動態(tài)模型，并根據(jù)系統(tǒng)的可量測信號來辨別系統(tǒng)的特征參數(shù)和狀態(tài)量，由于機組的特征參數(shù)和狀態(tài)量在正常狀態(tài)下和故障時參數(shù)存在差異，為此利用辨別出的參數(shù)來提取相應的故障特征，進而判斷水電機組是否產(chǎn)生故障。

2 基于系統(tǒng)辨識的故障診斷方法的實現(xiàn)

目前基于系統(tǒng)辨識的故障診斷方法較多，例如文獻[1]提出了一種盲辨識的故障診斷方法，在系統(tǒng)輸入量不可觀測時，利用這種方法可通過系統(tǒng)的輸出信號來辨識系統(tǒng)是否發(fā)生故障，這種方法在旋轉機械的故障診斷中使用較多，通過這種方法可有效辨別轉子故障時，裂紋的位置和深度特性。文獻[2]提出了一種利用級數(shù)模型來反映非線性系統(tǒng)的本質特征的故障診斷方法，通過檢測系統(tǒng)中的狀態(tài)變化來實現(xiàn)系統(tǒng)中傳感器的故障診斷。同時還有其他一些常用的方法，但是這些方法的基本過程都可以用圖1所示的結構進行描述。

精確模型：參數(shù)辨識對模型的準確性依賴程度較高，為此在采用參數(shù)辨識的故障診斷方法時，首先要建立準確的數(shù)學模型。

參數(shù)辨識：參數(shù)辨識是整個的核心，在系統(tǒng)發(fā)生故障時，參數(shù)將發(fā)生變化，通過相應的辨識方法辨識出模型參數(shù)，進而獲知系統(tǒng)的特征。

特征提取：對系統(tǒng)特征進行分析，提取能具有狀態(tài)區(qū)分度的特征。

模式識別：根據(jù)提取的特征進行模式識別，并利用總結出的故障種類進行對比，進而分析出故障的類別。

故障模式識別是故障診斷的最后一個環(huán)節(jié)，關系到故障診斷的準確度，在故障診斷研究中占有重要地位，但是系統(tǒng)辨識對模型的依賴程度較高，在實際運行中存在偏差，為此本文將提出一種模糊聚類的診斷理論。

3 模糊聚類理論基礎

聚類就是依據(jù)事物的相關要求和規(guī)律進行分類和區(qū)分，根據(jù)事物之間的相似性作為類屬性進行劃分準則，總體來說屬于無督導的學習過程。而模糊聚類在歸類過程不嚴格規(guī)定對象的類屬性，直接采用模糊的方法來對類屬隸屬度進行定義，通過建立描述樣本的不確定性來客觀的反映事物的本質。聚類問題可以歸結為一種帶約束的非線性規(guī)劃問題，在模糊聚類中，模糊均值算法的使用最為廣泛，下面將以模糊C均值（FCM算法）為例，來分析模糊聚類理論與算法。

為了驗證FCM的性能，利用IRIS測試數(shù)據(jù)集作為實驗數(shù)據(jù)，來測試FCM方法的聚類效果。用FCM方法對IRIS數(shù)據(jù)集進行模糊聚類，設置模糊度m為2，聚類數(shù)為3，具體實驗結果如表1所示，通過表1可知，錯分樣本數(shù)僅為6，錯分率為3.2%，總體精確度較高。

通過上述分析可知，模糊聚類的可靠性較高，為此可以對水電機組的故障進行診斷，在診斷過程中，首先建立機組的不同故障樣本，經(jīng)過預處理后，用特征量對應的隸屬度進行表示，同時選取典型的數(shù)據(jù)作為樣本集;其次根據(jù)運行情況提取出故障特征，當匹配到相應的故障樣本集時，則可以判斷出相應的故障。

4 結論

本文主要對水電機組故障影響進行了分析，并對常用的系統(tǒng)辨識的故障診斷法進行了分析，指出這種方法對于模型的依賴程度較高，為此提出了一種模糊聚類故障診斷法，可有效提供故障診斷的準確率，為水電機組的故障診斷提供了依據(jù)，對實際工程具有一定的指導意義。

參考文獻：

[1]周葉.基于新異類檢測和支持向量機的水電機組診斷技術研究[D].中國水利水電科學研究院，2015.

[2]盧魏.水電機組振動監(jiān)測與故障診斷系統(tǒng)設計與實現(xiàn)[D].華中科技大學，2016.

[3]黃戈.基于最小二乘支持向量機的水輪發(fā)電機組振動故障診斷方法研究[D].西安理工大學，2009.