[发明专利]基于概率神经网络的水轮机运行故障诊断方法

说明书

本发明提供一种故障诊断的结果更精准的基于概率神经网络的水轮机运行故障诊断方法，属于水轮机压力脉动监测与诊断领域。本发明包括：将水轮机的主要相关工况参数与压力脉动信号进行特征融合形成融合特征向量，作为概率神经网络的输入，将水轮机的运行状态作为所述概率神经网络的输出，构建概率神经网络的故障诊断模型；S2、利用构建的故障诊断模型实时监测水轮机的运行状态，进行故障诊断。本发明将水轮机运行工况和压力脉动信号一同作为特征进行识别，通过对历史数据进行互信息计算，并根据计算的互信息，求得水轮机各种工况参数对压力脉动信号影响的重要程度，进而求得水轮机的主要相关工况参数。

技术领域

本发明涉及一种水轮机运行状态识别方法，特别涉及一种基于概率神经网络的水轮机运行故障诊断方法，属于水轮机压力脉动监测与诊断领域。

背景技术

水轮机压力脉动是水电机组运行过程中不可避免的现象，它会引起水电机组的振动噪声、出力摆动和叶片裂纹等故障，是影响机组安全稳定运行的主要因素之一。因此，为了提高水电机组的安全稳定运行，对水轮机压力脉动进行状态监测与诊断具有重要意义。

现有的水轮发电机组故障诊断方是依赖压力脉动信号进行故障模式识别。本领域技术人员对水泵水轮机泵工况进行研究，确定了各个流道位置的压力脉动的频率和幅值变化规律；本领域技术人员采取了在泄水锥处射水的方式来减弱尾水管内的低频压力脉动；本领域技术人员则通过改变泄水锥中心补气孔长度得到存在一个补气孔长度可以有效的减小涡带的运动规模，从而降低压力脉动幅值；本领域技术人员利用分离涡(DES)湍流模型着重分析了反水泵工况下的压力脉动特性；本领域技术人员通过对导叶叶栅进行几种不同布置下的数值模拟，得出槽道流动和真实流动下导叶近壁区域流体绕过导叶的绕流特性与真实的叶道绕流的相似性；本领域技术人员采用真机试验和数值计算的方法，研究了水轮机无叶区的动静干涉及蜗壳水力激振频率。

随着人工智能在各领域的广泛应用，神经网络分析方法也已经被应用到图像识别、语音识别、文本识别中，并取得了一定成效。神经网络特有的非线性适应性信息处理能力，可以学习到数据深层次的抽象特征表达，具有更强更复杂的数据表达能力，其在故障诊断领域的应用潜能被广泛重视并引发很多学者研究。本领域技术人员利用自动编码器模型(AE)及其延伸模型堆叠成深度结构，即深度神经网络DNN，实现机械设备的故障诊断。本领域技术人员利用多个自动编码器叠加构成深度神经网络，应用于频谱数据上实现旋转机械的智能故障诊断，并总结了这种深度神经网络用于旋转机械故障诊断上的一些优点，指出机械装备基于大数据健康监测的趋势。本领域技术人员利用小波包节点能量作为深度信念网络(DBN)的输入数据，进行滚动轴承故障的模式识别。本领域技术人员则是用混合的时域和频域的统计特征作为深度神经网络的输入训练数据，实现了智能轴承故障诊断。上述神经网络在故障诊断领域的应用研究，为水轮发电机组故障诊断提供了重要参考。

对于水轮发电机组这一复杂非线性系统，不同运行工况下，即使压力脉动信号相同，运行状态也不尽相同，现有基于信号处理的水轮发电机组故障诊断方法，仅仅依赖压力脉动信号进行故障模式识别，忽略水轮发电机组运行工况对压力脉动信号的影响，当将其应用在机组设备实际故障诊断中时，往往会导致故障诊断正确率低或者诊断失败，极大地制约了水轮发电机故障诊断理论与方法在实际工程中的应用。

发明内容

针对上述不足，本发明提供一种故障诊断的结果更精准的基于概率神经网络的水轮机运行故障诊断方法。

本发明的基于概率神经网络的水轮机运行故障诊断方法，所述方法包括：

S1、将水轮机的主要相关工况参数与压力脉动信号进行特征融合形成融合特征向量，作为概率神经网络的输入，将水轮机的运行状态作为所述概率神经网络的输出，构建概率神经网络的故障诊断模型；

S2、利用构建的故障诊断模型实时监测水轮机的运行状态，进行故障诊断。

优选的是，所述S1中，水轮机的主要相关工况参数的获取方法，包括：