一、基于神经网络的水轮发电机组振动故障诊断专家系统的研究（论文文献综述）
吾买尔·吐尔逊,穆哈西,夏庆成[1]（2021）在《智能诊断技术在水电机组振动故障诊断中的应用进展》文中提出故障诊断技术是水轮发电机组安全稳定运行的关键技术之一,也是水轮发电机组提高运行效率、进行预知维修及科学管理的重要基础。在简要介绍水轮发电机组振动故障类型及其特点的基础上,对水轮发电机组振动故障的智能诊断方法进行了详细的阐述,并探讨了水轮发电机组振动故障诊断技术未来可能的主要发展方向。
陈翔[2]（2020）在《水电机组非平稳振动信号特征提取方法研究》文中指出水力发电作为目前世界上开发规模最大的清洁能源,已经被各个国家广泛应用。然而水电机组的结构复杂,机组的运行工况也比较恶劣,机组的安全稳定运行涉及到水力、机械和电气等多个方面的影响,是一个水-机-电耦合的多源非线性系统。机组也极容易出现各种设备故障,从而影响机组的稳定运行,且机组的振动信号具有较强的非线性,使得水电机组的故障特征信号提取比较困难。因此,研究水电机组非平稳振动信号的特征提取方法对机组运行维护和保障电网的安全稳定运行具有重要意义。为此,本文首先分析了水电机组引起振动的机理原因和几种典型的故障,重点研究了水电机组振动故障分类和机组所发生故障的振动特点,最后对机组的转子不平衡故障、转子不对中故障、定转子间出现的碰摩故障、尾水管发生的偏心涡带和极频振动等五个典型水轮发电机组故障进行分析,从而为后续的水电机组故障特征提取奠定理论基础。其次,针对当前水电机组特征提取方法中存在的故障早期微弱特征信号和渐变特征信号提取困难的问题,本文提出了一种基于变分模态分解（VMD,variational mode decomposition）的敏感特征分量提取方法。首先采用VMD对机组的振动信号进行分解;为了抑制噪声干扰,实现特征分量的精确提取,然后在互信息的基础上构造敏感系数,并选取敏感系数较大的分量作为信号的敏感分量;最后,对得到的敏感分量进行频谱分析,分析敏感分量中包含的有效信息并找出信号的特征频率。仿真分析和实例验证表明,本文提出的方法可以较为准确地提取出故障早期的微弱特征信号、低频信号及突变信号等特征信号,具有一定的实际应用价值。最后,针对单一通道的特征提取方法无法全面的获取故障特征信息,故障分析结果往往存在误判或漏判的问题,提出了一种基于二维经验模态分解（Bivariate empirical mode decomposition,BEMD）和全矢包络技术（full vector spectrum,FVS）的特征提取方法。首先采用正交采样技术获得机组的正交振动信号,并对其进行BEMD分解,得到含有相位信息的固有模态函数;为了得到敏感的模态分量,在互信息的基础上构造敏感系数,然后计算各个模态分量的敏感系数,选取敏感系数较大的模态作为敏感分量;最后采用全矢包络技术融合选取的敏感模态分量,得到相应的全矢包络谱,从而得到全面、准确的机组特征分量。仿真分析和实例验证表明,该方法可以全面准确地提取出机组的故障特征分量,具有一定的实际应用价值。
席蓉蓉[3]（2020）在《基于极限学习机的水轮发电机组故障分类与状态预测研究》文中研究表明水轮发电机组是水力发电的核心设备,进行水电机组的故障诊断和状态检测对于水电技术的发展,以及维护水电的安全稳定性具有重要意义。本文将围绕水电机组常见故障、特征提取、信号分析、故障诊断、状态预测等问题,以经验模态分解为切入点,结合极限学习机预测方法进行水轮机故障分类及状态预测。首先介绍了水轮发电机组的故障类型与机理,水轮机主要有温度异常、甩油装置故障、并网受阻、转子接地故障、机械故障等基本故障。总结了故障树分析法、模糊聚类、粗糙集理论、神经网络法等故障诊断方法的机理和优劣势,陈述了短时傅里叶变换、小波变换以及经验模态分解等时频信号处理方法。然后采用经验模态分解对水电机组故障信号进行分解,根据分解计算得到的分量特征参数值和对应的故障评价指数,选取敏感程度较高的分量特征参数作为最能反映水电机组运行状态的特征。并提出了一种基于快速独立分量的故障信号分离方法,利用快速独立分量分析对仿真的混合数据作以分离,通过实例仿真验证了其在信号分离方面的可行性。接着通过集合经验模态分解方法对在故障特征进行提取,同时对故障提取过程中可能出现的端点效应和模态混叠制定了相应的抑制方法。将原始数据序列延拓成一环形数据来抑制端点效应,并采用集合经验模态分解抑制模态混叠。通过实例仿真,验证了其在水轮机故障信号特征提取中的有效性。最后结合集合经验模态分解和极限学习机,将其应用于水电机组故障分类与运行状态预测。将部件的故障振动信号分解为五个本征模态分量,选取关键分量并计算对应的特征参数值。通过对相应的特征参数进行分析,对水电机组进行故障分类以及运行状态趋势预测。最后从理论和实际工程应用的角度出发,通过对比仿真分析,验证了极限学习机模型应用在水轮机故障分类和状态预测中的有效性。
王罗[4]（2020）在《水轮发电机励磁绕组匝间短路故障特征分析与故障识别》文中认为近年来我国可再生能源发展迅速,水力发电由于具有管理运行灵活和技术成熟等优势在可再生能源中占有重要地位,水轮发电机的装机容量和发电量逐年增加。大型水轮发电机结构复杂,且兼顾发电及电网调峰任务,运行负担较重,机组故障率呈上升态势。水轮发电机的励磁绕组长期伴随转子高速旋转,容易发生匝间短路故障。励磁绕组匝间短路初期故障特征不明显,如不及时处理故障可能会引发转子接地等更严重的故障,影响水轮发电机安全稳定运行。对于水轮发电机励磁绕组匝间短路故障目前缺少有效的在线监测方法,因此深入研究励磁绕组匝间短路的故障特征,提出准确性高的识别方法,对水轮发电机组具有重要意义。本文对水轮发电机励磁绕组匝间短路故障的励磁电流、温度场、热应力等特征进行详细研究,结合电气量分析研究水轮发电机匝间短路辨识,在多特征研究的基础上提出信息融合诊断方法,在水轮发电机匝间短路故障在线诊断的基础上提高励磁绕组短路故障的识别准确性。主要工作和取得的成果如下:水轮发电机绕组匝间短路转子电流及标准电流的计算分析。分析了励磁绕组发生匝间短路后水轮发电机励磁电流的情况,基于电机原理建立了电压,有功无功等的电气参数的数学模型,推导水轮发电机运行监测量与励磁电动势的关系式。提出了励磁电流计算的空载曲线反向计算法,通过反向计算空载特性曲线,得到水轮发电机励磁绕组正常条件下某特定运行状态的励磁电流计算标准值,通过匝间短路判据与实测励磁电流对比,结果可以反映发电机匝间短路故障及故障程度。绕组匝间短路故障转子磁极温度等热特性的研究。建立水轮发电机转子磁极的三维有限元模型,根据水轮发电机情况提出相关的假设条件,计算了励磁绕组匝间短路故障发生前后的转子磁极温度场及热应力,并总结故障时磁极温度场和热应力的变化规律。改变模型的相关参数,建立不同短路程度和不同短路位置的模型,进一步计算分析了励磁绕组匝间短路程度和位置不同对水轮发电机磁极温度场及热应力的影响规律。提出一种基于Volterra核辨识的水轮发电机励磁绕组匝间短路诊断方法。建立水轮发电机励磁绕组匝间短路故障非线性系统,分析定子分支电压和分支电流作为输入输出识别匝间短路的可行性,引入Volterra级数模型描述系统特征,通过辨识励磁绕组正常和故障状态下非线性系统传递关系的Volterra核函数的不同,来诊断励磁绕组匝间短路故障,并通过发电机的匝间短路故障实验验证了该方法正确性和有效性。提出的诊断方法具有较高的诊断精度,通过三阶核辨识实现水轮发电机励磁绕组匝间短路故障的识别。提出基于多源信息融合的水轮发电机励磁绕组匝间短路识别方法。将多源信息融合理论应用到水轮发电机励磁绕组匝间短路故障识别中,根据水轮发电机特点及传感器情况,选择短路故障特征量作为证据体,将水轮发电机匝间短路的多组故障特征证据体依据证据理论进行融合,降低传感器不确定性影响,提高匝间短路故障识别结论的置信度。进行发电机励磁绕组匝间短路故障实验,对比多特征量与单一特征量置信度,验证了多源信息融合在发电机励磁绕组匝间故障识别中的有效性。结果表明,基于多源信息融合的水轮发电机励磁绕组匝间短路故障识别方法减少了单一传感器所带来不确定性的影响,提升故障识别准确性。
杨浩[5]（2020）在《水电站水轮机组远程监控系统研究与开发》文中进行了进一步梳理近些年来,随着科学与技术的不断发展,国家在每个行业领域倡导绿色环保、智能化、大数据等现代化技术。由于清洁、可再生、基本无污染等优点,水电在电力供应中所占的比例越来越高。但在我国目前水电生产过程中仍然存在诸多问题,如水电站偏远、工作条件艰苦、电站底层工作知识匮乏、电站管理系统多样、电站之间存在局限性局域性等。以东方电气集团东方电机有限公司横向课题项目为背景,以在运行的东方电气集团水电站水轮机设备作为研究对象,针对东方电气集团东方电机有限公司业务发展的特点以及适应当下信息化的要求,通过将目前先进的计算机技术、云服务技术、传感器技术和人工智能技术等结合,开发出一套水电站水轮机组远程监控运维系统,将制造和运营连接,数据共享,通过运营中的问题,不断改善和提升水轮机设备的性能,实现大数据的水电站运营模式,对水电站现场设备的远程监测、远程控制以及故障诊断预测等功能,所做具体工作如下:开发以云服务器为中心的水电站水轮机远程监控系统的数据通讯方式,包括开发采用C/S模式通过Modbus TCP协议实现PLC和本地服务器之间的通讯界面、以VPN方式完成PLC和云服务器之间的数据通讯,同时采用ADO.NET技术将数据保存至云服务器,开发Web Service服务的B/S模式的移动用户与云服务器之间的数据通讯。开发水电站水轮机远程监控系统的上位软件,包括云服务器的配置选择、数据库的对比选择、系统软件的开发。其中系统软件的开发包括数据管理、用户管理、系统管理、远程控制界面,基于C/S的生成.exe文件,基于B/S的Web系统在云服务器发布,最后完成整个混合模式的软件。验证嵌入Elman神经网络的智能专家系统和系统云服务器性能,包括对某一型号的水轮机采集变转速、变励磁、变负荷下的振动数据进行分析,对云服务器增加其用户量测试其是否能正常运行。
刘涵[6]（2019）在《水电机组多源信息故障诊断及状态趋势预测方法研究》文中研究说明随着我国绿色清洁能源的逐步开发,风能、太阳能、潮汐能等新能源稳定发展,常规水电机组与抽水蓄能机组装机容量也随之快速增长。与此同时,水电能源在电力系统中将承担更多的调峰调频任务从而减少新能源并网时带来的冲击。在此背景下,为了切实保障电网的安全稳定运行,对水电站可靠运行与健康管理提出了更高的要求。水轮发电机组作为水电站水能转换的核心设备,其构成部件相互耦合,呈现出复杂化、高度集成化的发展趋势,传统的机组故障诊断方法已无法满足工程实际需求。因此,为确保水电机组的安全稳定运行,本文针对水轮发电机组故障诊断与趋势预测中的若干科学问题,分析了现有理论与研究方法的局限性,以水电机组多源信息融合为切入点,提出了水电机组运行参数关联分析方法;以参数关联关系为基础,结合机器学习与对抗学习等先进技术手段,构建了完备的水电机组故障诊断体系;进一步引入信号处理与深度学习理论,搭建了水电机组多步非线性趋势预测模型,大幅提高了机组状态趋势预测步长,准确预测了水电机组的状态变化趋势。论文的主要研究工作与创新成果如下:（1）为有效利用水电机组运行监测海量数据,挖掘机组多源信息间的关联关系,结合数据离散方法与数据挖掘算法,提出了水电机组运行参数关联分析方法。首先分析了机组运行参数在故障状态下存在少量异常点的特点,采用K-Mediods聚类方法对机组运行参数进行离散处理,对比分析不同聚类结果的轮廓系数,优化聚类个数,并给出了聚类后每个区间对应的实际物理含义。通过收集整理电站机组故障下的运行参数数据,构建了离散后的机组故障样本事务集,采用FP-Grwoth算法挖掘其中频繁项集,并提取重要关联关系,为电站运维人员提供了实际检修指导建议。（2）机组运行参数关联分析结果指明了不同参数间蕴含了潜在的故障特征,在此基础上,结合循环神经网络,提出了基于GRU-NP-DAE的水电机组多源信息故障诊断方法。传统故障诊断方法在构建故障样本时忽略了机组振动信号本身的时序关系,且无法有效提取不同振源间的关联特征。所提方法通过循环神经网络有效存储机组振动信号时序信息,将多源振动信号共同作为输入构建不同故障状态下的振动模式,对比分析输入数据在不同振动模式下的重构误差,确定当前故障状态,提高了模型诊断的精确度。同时,通过采用降噪自编码器、变步长输入等技术手段,加强了诊断模型的泛化能力。将所提模型应用至滚动轴承故障数据与水电机组实测数据中,结果表明所提体方法不仅能够具备高精度的诊断结果,同时在复杂噪声环境与变工况条件下仍能保持较高准确性。（3）在故障诊断方法实际运用中,数据样本常常缺乏相应的故障标签导致无法进行有监督模式下的模型训练。为了突破有监督故障诊断模式对故障标签的依赖,本文提出了多分类对抗式自编码器模型对水电机组运行样本数据进行无监督故障聚类。首先通过自编码器将高维的机组运行特征数据降维至低维的特征空间,结合对抗训练方法使低维特征空间中的样本点符合先验高斯混合分布。在此基础上,研究了无监督下的多分类器输出损失函数,构建了基于多分类对抗式自编码器的无监督故障聚类架构。通过滚动轴承多故障数据应用表明,该模型能将高维的输入样本有效的降维至服从高斯混合分布的低维空间,同一类别的样本被成功聚至同一簇中,不同的簇中心间距明显,具备优异的聚类效果。最后结合水电机组实际运行故障数据,所提方法达到了100%的聚类准确率与召回率,验证了其工程应用价值。（4）单纯的水电机组故障诊断方法无法满足机组预先维护的策略,需结合机组状态变化过程详尽分析故障演化机理,而现有的趋势预测方法多为单步预测体系,虽然在单步预测下拟合效果均较为理想,但无法长期精确预测机组状态变化趋势,缺少工程实际应用价值。为真正实现机组状态检修,发现机组早期故障征兆,本文针对水电机组运行数据趋势分析,提出了基于变分模态分解和卷积神经网络的多步非线性趋势预测方法。该方法通过先进的信号分解技术将强非平稳、非线性的水电机组振动信号分解为中心频率集中的本质模态分量,将各个本征模态分量视为卷积神经网络输入中的各个通道,结合卷积核操作提取不同模态分量间的关系与各个模态的局部特征,构建了多步输出的卷积网络预测模型。将所提模型运用至水电机组顶盖振动实测数据上,预测结果表明所提模型具有较低的拟合误差与较高的相关系数,实现了精确的机组振动信号多步预测。（5）基于上述理论研究成果,设计开发了一种面向服务的水电机组多源信息挖掘与故障诊断系统。通过融合水电机组多源异构数据,构建了统一的大数据水电机组知识管理平台,可依据电站运行数据和巡检报告等及时更新或补充先验知识,实现了机组关联分析、故障诊断、故障预警、趋势预测与状态评估等功能模块。该系统目前已成功应用至湖北白莲河抽水蓄能电站,为电站运维人员提供检修指导与决策建议。
郭泽维[7]（2018）在《基于变分模态分解和多尺度排列熵的水电机组故障诊断》文中指出水电机组是电力系统安全稳定运行的关键设备。随着我国水利事业的发展,水电机组的单机容量越来越大,机组的结构越来越复杂,机组的可靠性和稳定性问题日益突出。能否准确地检测出水电机组故障特征信息、实现机组的故障诊断对电网系统的安全稳定运行意义重大。本文以水轮发电机组为例,采用基于VMD-MPE的特征提取方法实现机组振动信号的故障特征提取,在此基础上建立了基于模糊C均值聚类的水电机组故障诊断模型,并进行了仿真验证。本文的主要内容如下:首先,从多方面分析了水电机组故障振动机理,总结了水电机组不同振因下的频率特征以及状态特征,从振动试验、振动频率以及振动部位三个方面介绍了水电机组振动故障识别的方法,搭建了水轮发电机组状态监测与故障诊断系统。其次,针对水电机组振动信号非平稳,非线性的特点,以变分模态分解（Variational mode decomposition,VMD）和多尺度排列墒（Multiscale permutation entropy,MPE）理论为基础,提出了基于VMD-MPE的水电机组特征提取方法,量化振动信号中包含的特征故障信息,并采用主成分分析（Principal component analysis,PCA）降低故障特征向蜇的复杂度。最后,利用水电机组在线监测系统采集到的振动信号构成故障样本,分析振动信号的时频特征,构建基千模糊C均值聚类（Fuzzy C mean clustering,FCM）的故障诊断模型。仿真结果表明,本文提出的VMD-MPE和FCM的水轮发电机组振动故障诊断方法的平均诊断精度达到了96.9%。
冉恒[8]（2017）在《水轮发电机组振动故障诊断关键技术研究与应用》文中研究指明水力发电在清洁能源消费中占据重要地位,研究水力发电站设备的监测、控制是水力发电顺利开展的重要保障。水电站安全运行的首要前提是保证水轮发电机组不受故障影响,能持续可靠地为电力系统提供电能。近年来,中小水电站的发展趋势是“无人值班（少人值守）”,要求提高水轮发电机组综合智能化水平,实现机组状态检修。而现有的水轮发电机组在线监测系统设备及网络配置复杂,造价较高,维护不方便,不能满足中小水电站性价比高、操作简单的诉求。因此,研究适合于中小型水电站的水轮发电机组故障诊断关键技术,具有十分重要的研究意义及工程价值。振动是影响水轮发电机组稳定运行的重要因素。研究水轮发电机组振动故障诊断的核心技术是对信号的特征提取技术和故障诊断方法。本文具体工作如下:以广义S变换为基础,计算广义S变换能量谱,提出基于广义S变换的能量特征提取方法。该方法利用广义S变换计算该振动信号的能量谱,以提取信号特定频率的能量值,完成对机组振动信号的特征提取;通过与原信号的标准能量分布进行对比分析,结果表明本文所用的方法能够提取能量特征,精度较高。结合广义S变换与奇异值分解（SVD）,提出基于广义S变换的SVD冲击特征提取方法;该方法利用广义S变换计算振动信号的时频谱矩阵,对时频谱矩阵做奇异值分解;计算奇异值的奇异熵,确定奇异熵差分谱前端的最后一个峰值点的序号为置零阈值坐标号;最后完成S逆变换计算,得到从含噪信号中提取的冲击特征波形。通过与基于S变换谱分析的冲击特征提取方法相比,结果表明本文所采用的方法的冲击特征提取效果更好。结合量子粒子群算法（QPSO）与支持向量机理论（SVM）,提出了基于量子粒子群的支持向量机算法。采用量子粒子群算法对支持向量机的惩罚因子C和核函数参数g进行初步寻优。支持向量机采用寻优所得参数C和g完成分类模型的训练。实验结果表明,基于量子粒子群的支持向量机算法（QPSO-SVM）的诊断精度均优于基于粒子群的支持向量机算法（PSO-SVM）和基于遗传算法的支持向量机算法（GA-SVM）等方法。为满足中小水电站水轮发电机组在线监测与故障诊断系统的实际工程需求,对该系统的系统构成、数据采集装置的硬件及系统的软件架构等进行了初步设计。
何洋洋[9]（2016）在《基于随机共振和多维度排列熵的水轮发电机组振动故障诊断研究》文中提出随着我国水电事业的蓬勃发展,水力发电的比重以及机组的容量都在不断增大,机组一旦发生事故,不仅影响水电站或水电厂自身的安全,而且也会对电网的稳定运行造成重大影响。在水轮发电机组中,大约80%的故障在振动信号中都有所反映,因此,开展水轮发电机组振动故障诊断研究具有十分重要的意义。为此,本文将随机共振和多维度排列熵的理论引入水轮发电机组的振动故障诊断中,提出了基于随机共振和多维度排列熵的水轮发电机组振动故障诊断方法,为水轮发电机组的振动故障诊断提供了一种新的思路和手段。本文首先论述了水轮发电机组振动故障诊断研究的背景、意义及目的,介绍了水轮发电机组振动故障诊断的国内外研究现状、发展趋势及现存问题。其次,针对传统去噪方法容易破坏信号有用成分的缺陷,引入了随机共振理论,提出了基于随机共振的去噪方法,仿真结果表明了该方法的优越性,另外,着重研究了影响随机共振输出的主要因素,这是达到最佳去噪效果的关键。再次,在阐述排列熵原理的基础上,介绍了排列熵中两个重要参数的确定方法,并对该方法进行了数值验证;针对排列熵提取信号特征能力的局限性,提出了基于多维度排列熵的特征提取方法,仿真结果表明了该方法的优越性。然后,针对粒子群算法的早熟问题,对其做了改进,利用改进后的粒子群算法来优化支持向量机的参数,建立基于改进粒子群优化支持向量机的故障诊断模型;同时将该模型与遗传算法优化支持向量机模型进行对比,实例仿真结果显示,前者的诊断效果优于后者。最后,应用上述诊断方法对水电站机组的故障数据进行分析,其仿真结果表明,该方法能够较为准确的诊断出机组的故障类型,与实际故障情况相符,具有较高的诊断精度。
朱文龙[10]（2016）在《水轮发电机组故障诊断及预测与状态评估方法研究》文中认为随着我国能源结构调整的逐步推进,风电、光伏发电等非稳定性电源快速发展,水轮发电机组在电网中承担调峰调频的任务越来越多,这就要求水轮发电机组在其整个工况范围内具有充分的可用性,这就对水轮发电机组故障诊断、故障预测及状态评估提出了更高的要求。为了确保水轮发电机组安全稳定运行,本文针对水轮发电机组故障诊断与预测应用中的若干关键科学问题,以机组振动信号处理和运行工况分析为切入点,提取表征机组故障状态的信号时频分布特征和工况特征等多重特征向量,提高故障特征向量的准确度,进一步构建基于多重特征向量相融合的水轮发电机组故障诊断及故障预测体系,实现水轮发电机组故障的准确诊断与预测。论文的主要研究内容和创新性成果如下：（1）针对水轮发电机组振动信号具有非平稳、低信噪比和多振源激励信号分量相互混叠等特征,提出了一种独立分量分析-经验模态分解的水轮发电机组非平稳信号特征提取方法。在该算法中,首先采用独立分量分析法提取出主要振源的激励信号分量,即统计独立分量,有效消除或降低模态混叠现象,再对统计独立分量进行自相关分析,消除统计独立分量中非周期噪声的影响；然后再采用经验模态分解对统计独立分量进行自适应分解,获得多组本征模态函数；最后对同频本征模态函数进行重构,提取出故障特征频段的征兆信号,实现水轮发电机组强背景噪声非平稳早期故障特征信号的有效提取。试验结果表明,本文所提方法在水轮发电机组早期故障微弱征兆信号和突变故障特征信号提取方面具有明显的优势,更适用于强背景噪声影响下的水轮发电机组非平稳微弱信号特征提取。（2）传统水轮发电机组故障诊断方法绝大多数是基于振动信号的时频特征进行故障识别,忽略的水轮发电机组运行工况对振动信号时频特征的影响,降低了诊断的准确率。针对上述问题,本文引入过程控制理论中的统计诊断方法,分别对水轮发电机组每种工况过程中的振动变量和工况参数进行融合建模,提出了一种基于KICA-PCA的多元非线性系统过程诊断方法,该方法通过计算工况过程的统计指标实现水轮发电机组故障诊断。本文所提方法通过水轮发电机组运行工况信息与振动信号的有效融合,提高了故障诊断结果的可信度,打破了传统基于振动信号时频特征的水轮发电机组故障诊断方法的诊断范式。试验结果表明,相对于PCA和ICA-PCA等线性系统过程诊断方法,本文所提方法的诊断正确率更高,且时效性更好,更适用于水轮发电机组多元非线性系统的过程诊断。（3）基于互信息理论和统计学提出了水轮发电机组工况变量对振动变量贡献率的计算方法,并构建了压力脉动劣化度函数,实现了压力脉动状态预测评估。以水轮发电机组振动变量和工况参数之间相关关系为切入点,结合互信息理论,深入挖掘水轮发电机组海量的历史监测数据,揭示水轮发电机组振动变量与工况参数之间的非线性相关关系,通过计算水轮发电机组各工况参数对振动变量的贡献度,提取出水轮发电机组振动变量的主要相关工况参数。进一步融合主要相关工况参数与压力脉动幅值形成融合特征向量,提出了基于支持向量机和极限学习机的水轮发电机组压力脉动状态预测方法,实现了压力脉动状态预测,同时引入数理统计与模糊子集理论,构建了基于历史统计曲线的水轮发电机组压力脉动模糊集,提出压力脉动模糊集的劣化度评价函数,实现水轮发电机组压力脉动的状态评估。（4）融合水轮发电机组振动信号时频特征和工况关联规则特征,构建了多重征兆向量,引入模糊推理系统和径向基神经网络模型,提出了一种基于约束扩展广义动态模糊神经网络的水轮发电机组故障预测方法。在该方法中,以振动信号的频谱能量分布特征和工况关联规则特征作为故障预测的融合故障征兆向量,充分利用模糊规则推理与神经网络学习能力,动态推求水轮发电机组未来的故障状态,预测潜在故障未来可能发生概率,实现水轮发电机组故障预测。同时探讨了水轮发电机组故障可能发生概率与维修时限、健康状况之间的关系,提出了一种以故障可能发生概率为自变量的水轮发电机组维修时限函数,搭建了故障预测至维修决策之间的桥梁,以启动维修时限的形式明晰化故障预测结果的含义,对水轮发电机组实施状态检修与预测性维修具有重要的意义。（5）本文设计开发了一种面向服务的水轮发电机组故障诊断及状态评估系统,该方案构建了网络化、服务知识化、资源共享化的开放式的统一知识平台,通过整合异地不同用户的知识资源,不断丰富与补充水轮发电机组故障诊断及状态评估系统的专家知识库,提高水轮发电机组整机设备故障诊断及状态评估的性能水平。系统已成功应用于贵州乌江水电开发有限责任公司东风发电厂,为现场运行维护人员提供辅助维修决策建议指导。
二、基于神经网络的水轮发电机组振动故障诊断专家系统的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络的水轮发电机组振动故障诊断专家系统的研究（论文提纲范文）
（1）智能诊断技术在水电机组振动故障诊断中的应用进展（论文提纲范文）
| 1 水轮发电机组振动故障 |
| 1.1 机械振动故障 |
| 1.2 电磁振动故障 |
| 1.3 水力振动故障 |
| 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 |
| 2.2 模糊故障诊断方法 |
| 2.3 专家系统故障诊断方法 |
| 2.4 神经网络故障诊断方法 |
| 2.5 支持向量机故障诊断方法 |
| 2.6 灰色系统理论故障诊断方法 |
| 2.7 信息融合故障诊断方法 |
| 3 深度学习理论 |
| 4 水轮发电机组振动故障智能诊断技术发展方向 |
（2）水电机组非平稳振动信号特征提取方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 选题目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外水电机组故障分析研究现状 |
| 1.3.2 国内水电机组故障分析研究现状 |
| 1.3.3 国内外相关理论的研究现状 |
| 1.3.4 水电机组故障分析方法未来的发展趋势 |
| 1.4 论文研究内容 |
| 2 水电机组的振动机理和典型故障分析 |
| 2.1 引言 |
| 2.2 水电机组的振动机理 |
| 2.1.1 水电机组的振动故障类别 |
| 2.1.2 水轮发电机组的振动故障特点 |
| 2.3 水电机组的典型故障分析 |
| 2.3.1 转子不平衡故障 |
| 2.3.2 转子不对中故障 |
| 2.3.3 定转子间出现的碰摩故障 |
| 2.3.4 尾水管偏心涡带 |
| 2.3.5 极频振动 |
| 2.4 本章小结 |
| 3 基于变分模态分解的水电机组敏感分量特征提取方法 |
| 3.1 引言 |
| 3.2 变分模态分解的基本原理 |
| 3.3 基于互信息的敏感特征分量提取 |
| 3.3.1 互信息的基本原理 |
| 3.3.2 基于互信息的敏感分量提取方法 |
| 3.4 仿真信号分析 |
| 3.5 实测信号分析 |
| 3.6 本章小结 |
| 4 基于BEMD-FVS水电机组正交振动信号的特征提取 |
| 4.1 引言 |
| 4.2 二维经验模态分解的基本原理 |
| 4.3 全矢谱分析的基本原理 |
| 4.4 基于二维经验模态分解和全矢包络技术的特征提取方法 |
| 4.5 仿真信号分析 |
| 4.6 实例信号分析 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读硕士学位期间参与的项目 |
| B. 作者在攻读硕士学位期间的科研成果 |
（3）基于极限学习机的水轮发电机组故障分类与状态预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 第2章 水轮发电机组故障体系 |
| 2.1 水电机组常见故障 |
| 2.2 水电机组故障诊断方法 |
| 2.3 水电机组振动信号的基本处理方法 |
| 2.3.1 短时傅里叶变换 |
| 2.3.2 Wigner-Ville分布 |
| 2.3.3 小波变换 |
| 2.4 基于FICA的振动故障信号分离 |
| 2.4.1 独立分量分析(ICA) |
| 2.4.2 快速独立分量分析(FICA) |
| 2.5 本章小结 |
| 第3章 基于集合经验模态分解的信号分析 |
| 3.1 用于信号处理的经验模态分解理论 |
| 3.1.1 经验模态分解 |
| 3.1.2 经验模态分解的特性 |
| 3.1.3 端点效应 |
| 3.2 用于特征提取的集合经验模态分解法 |
| 3.2.1 模态混叠现象 |
| 3.2.2 集合经验模态分解法 |
| 3.2.3 基于EEMD的特征提取 |
| 3.3 实例验证 |
| 3.4 本章小结 |
| 第4章 基于极限学习机的故障分类与状态趋势预测 |
| 4.1 极限学习机概述 |
| 4.2 评估故障分类及状态预测模型的相关指标 |
| 4.3 基于集合经验模态分解-极限学习机的故障分类及状态预测模型 |
| 4.4 故障分类实例分析 |
| 4.4.1 故障状态判断及特征参数阈值求取 |
| 4.4.2 故障工况分类及运用集合经验模态分解进行数据预处理 |
| 4.4.3 极限学习机故障分类实例仿真 |
| 4.5 状态运行趋势预测实例分析 |
| 4.5.1 运用集合经验模态分解进行数据预处理 |
| 4.5.2 极限学习机状态趋势预测实例仿真 |
| 4.5.3 不同经验模态分解-极限学习机预测模型对比 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（4）水轮发电机励磁绕组匝间短路故障特征分析与故障识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水轮发电机励磁匝间短路概述与分析 |
| 1.2.2 水轮发电机励磁绕组匝间短路故障特征研究现状 |
| 1.2.3 水轮发电机励磁绕组匝间短路故障诊断方法分析 |
| 1.3 本文研究内容 |
| 第2章 励磁绕组匝间短路故障励磁电流分析 |
| 2.1 励磁电流理论分析 |
| 2.1.1 水轮发电机匝间短路故障励磁电流 |
| 2.1.2 励磁电流反向计算理论 |
| 2.2 水轮发电机磁动势计算 |
| 2.2.1 气隙磁动势 |
| 2.2.2 定子齿部磁动势 |
| 2.2.3 定子磁轭磁动势 |
| 2.2.4 磁极磁动势 |
| 2.3 水轮发电机励磁电流计算 |
| 2.3.1 励磁电动势 |
| 2.3.2 水轮发电机饱和参数修正 |
| 2.3.3 水轮发电机标准励磁电流计算 |
| 2.3.4 水轮发电机工况验证 |
| 2.4 本章小结 |
| 第3章 励磁绕组匝间短路故障热稳态分析 |
| 3.1 同步发电机热特征计算方法 |
| 3.2 水轮发电机转子磁极三维模型 |
| 3.2.1 传热学数学模型 |
| 3.2.2 转子热应力模型 |
| 3.2.3 转子磁极物理模型 |
| 3.2.4 边界条件及相关参数确定 |
| 3.3 水轮发电机转子磁极温度场 |
| 3.3.1 正常情况下的转子温度场 |
| 3.3.2 匝间短路时的转子温度场 |
| 3.3.3 温度场在匝间短路故障诊断中应用 |
| 3.4 水轮发电机转子热应力 |
| 3.4.1 正常转子热应力 |
| 3.4.2 匝间短路转子热应力 |
| 3.5 本章小结 |
| 第4章 基于Volterra核辨识匝间短路故障识别 |
| 4.1 Volterra级数核辨识算法 |
| 4.1.1 Volterra级数基本理论 |
| 4.1.2 Volterra级数核辨识 |
| 4.2 定子分支电流谐波 |
| 4.3 Volterra核辨识匝间短路诊断方法 |
| 4.3.1 匝间短路实验 |
| 4.3.2 Volterra三阶核辨识 |
| 4.3.3 核辨识精度 |
| 4.3.4 核函数绝对平均值 |
| 4.4 本章小结 |
| 第5章 基于多源信息融合的励磁绕组匝间短路故障识别 |
| 5.1 信息融合分析 |
| 5.1.1 水轮发电机不确定分析 |
| 5.1.2 故障特征信息融合 |
| 5.2 D-S证据理论 |
| 5.2.1 D-S证据理论信息融合分析 |
| 5.2.2 证据理论的基本框架 |
| 5.2.3 多源信息融合 |
| 5.3 励磁绕组匝间短路信息融合分析 |
| 5.3.1 水轮发电机匝间短路证据体 |
| 5.3.2 匝间短路多源信息融合分析 |
| 5.3.3 信息融合实验验证 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）水电站水轮机组远程监控系统研究与开发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 课题及相关技术国内外发展和研究现 |
| 1.2.1 水轮机设备的发展和现状 |
| 1.2.2 远程监控技术国内外发展及现状 |
| 1.2.3 故障诊断技术的发展以及研究现状 |
| 1.3 论文研究内容与结构 |
| 1.3.1 论文内容 |
| 1.3.2 论文结构 |
| 第2章 系统总体需求分析与方案设计 |
| 2.1 水电行业领域的整体分析 |
| 2.1.1 水电站设备管理存在的问题 |
| 2.1.2 水电行业运营与设备制造之间服务模式的探究 |
| 2.2 远程系统需求分析 |
| 2.2.1 远程监控系统的功能需求 |
| 2.2.2 远程系统的性能需求 |
| 2.3 系统结构的分析 |
| 2.3.1 系统各级用户的需求 |
| 2.3.2 系统软件结构分析 |
| 2.3.3 系统硬件方案分析 |
| 2.4 本章小结 |
| 第3章 系统故障信号智能诊断理论研究 |
| 3.1 水轮发电机组故障信号机理分析 |
| 3.1.1 水轮发电机振动信号特征 |
| 3.1.2 水轮发电机振动信号的分类 |
| 3.2 振动信号预处理分析方法 |
| 3.2.1 小波变换法 |
| 3.2.2 包络分析法 |
| 3.2.3 经验模态分析法 |
| 3.2.4 局部均值分析法 |
| 3.3 信号预处理算法的改进和仿真研究 |
| 3.3.1 LMD端点效应改进方案 |
| 3.4 神经网络专家系统故障诊断研究 |
| 3.4.1 专家系统的结构和框架 |
| 3.4.2 专家系统的推理原理过程 |
| 3.4.3 Elman人工神经网络 |
| 3.5 本章小结 |
| 第4章 系统通讯与硬件实现 |
| 4.1 数据通讯技术的研究 |
| 4.1.1 Modbus TCP通讯协议 |
| 4.1.2 WebSocket与网页实时交互技术 |
| 4.1.3 Web Service传输技术 |
| 4.2 系统硬件与通讯的实现 |
| 4.2.1 系统硬件总体框架 |
| 4.3 数据通讯技术的实现 |
| 4.3.1 PLC与本地服务器数据通讯实现 |
| 4.3.2 PLC与云服务器的通讯实现 |
| 4.3.3 远程客户端与云服务器通讯实现 |
| 4.4 本章小结 |
| 第5章 远程系统软件设计与开发 |
| 5.1 云平台技术的应用 |
| 5.1.1 云服务器选择 |
| 5.1.2 云服务器的配置 |
| 5.1.3 云服务器数据库的选择 |
| 5.1.4 云服务器数据库的设计 |
| 5.2 WEB SERVICE的开发 |
| 5.3 软件开发框架 |
| 5.3.1 系统管理模块 |
| 5.3.2 用户管理模块 |
| 5.3.3 数据管理 |
| 5.3.4 远程控制模块 |
| 5.3.5 技术参数远程修正界面 |
| 5.4 系统云服务器上发布过程 |
| 5.5 本章小结 |
| 第6章 水电站水轮机组远程监控系统测试 |
| 6.1 水电站水轮机参数 |
| 6.2 服务器性能测试 |
| 6.2.1 用户的并发数据测试 |
| 6.2.2 服务器流量需求测试 |
| 6.2.3 实时性的测试 |
| 6.3 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
（6）水电机组多源信息故障诊断及状态趋势预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究的背景和意义 |
| 1.2 水电机组振动故障机理概述 |
| 1.3 水电机组振动信号处理方法概述 |
| 1.4 水电机组智能故障诊断研究方法概述 |
| 1.5 水电机组状态趋势预测研究现状 |
| 1.6 本文主要研究内容与结构 |
| 2 水电机组运行数据关联关系挖掘 |
| 2.1 引言 |
| 2.2 关联规则相关概念及挖掘算法 |
| 2.3 数据离散化方法 |
| 2.4 基于K-Mediods的水电机组运行数据离散化研究 |
| 2.5 水电机组关联关系挖掘算法研究 |
| 2.6 水电机组运行数据实例分析 |
| 2.7 本章小结 |
| 3 水电机组多源信息融合故障诊断方法研究 |
| 3.1 引言 |
| 3.2 循环降噪自编码器原理 |
| 3.3 基于GRU-NP-DAE的水电机组多源故障诊断方法 |
| 3.4 工程实例验证 |
| 3.5 本章小结 |
| 4 水电机组无监督故障聚类方法研究 |
| 4.1 引言 |
| 4.2 生成式对抗网络相关原理介绍 |
| 4.3 基于分类对抗自编码器的水电机组无监督故障聚类 |
| 4.4 工程实例验证 |
| 4.5 本章小结 |
| 5 水电机组振动信号多步非线性趋势预测 |
| 5.1 引言 |
| 5.2 变分模态分解相关原理 |
| 5.3 卷积神经网络相关原理介绍 |
| 5.4 基于VMD与CNN的水电机组非线性振动趋势预测模型 |
| 5.5 水轮机振动数据多步预测结果分析 |
| 5.6 本章小结 |
| 6 水电机组多源信息挖掘与故障诊断系统设计 |
| 6.1 引言 |
| 6.2 水电机组多源信息挖掘与故障诊断系统架构设计 |
| 6.3 水电机组多源信息挖掘与故障诊断系统在白莲河抽水蓄能电站中的应用 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 进一步研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 :攻读博士期间发表的论文 |
| 附录2 :攻读博士期间完成和参与的科研项目 |
（7）基于变分模态分解和多尺度排列熵的水电机组故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题背景、目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水电机组状态监测与故障诊断技术研究现状 |
| 1.2.2 特征提取方法研究现状 |
| 1.2.3 水电机组故障诊断方法研究现状 |
| 1.3 主要研究内容与结构 |
| 2 水电机组振动特性分析 |
| 2.1 引言 |
| 2.2 水电机组振动故障原因分析 |
| 2.2.1 水力方面 |
| 2.2.2 机械方面 |
| 2.2.3 电气方面 |
| 2.3 水电机组振动故障特征分析 |
| 2.4 水电机组振动故障识别方法 |
| 2.4.1 由振动试验识别振动原因 |
| 2.4.2 由振动频率识别振动原因 |
| 2.4.3 由振动部位识别振动原因 |
| 2.5 本章小结 |
| 3 水轮发电机组在线状态监测系统 |
| 3.1 传感器的选型 |
| 3.1.1 电涡流传感器 |
| 3.1.2 速度型振动传感器 |
| 3.2 测点配置 |
| 3.2.1 大轴摆度测点 |
| 3.2.2 振动测点 |
| 3.2.3 励磁、负荷电压测点 |
| 3.3 监测系统设计 |
| 3.4 本章小结 |
| 4 基于VMD-MPE的水电机组振动信号故障特征提取方法 |
| 4.1 变分模态分解 |
| 4.1.1 变分模态分解 |
| 4.1.2 算法过程 |
| 4.2 排列熵 |
| 4.2.1 排列熵算法原理 |
| 4.2.2 PE有效性验证 |
| 4.2.2.1 Logistic模型 |
| 4.2.2.2 仿真信号分析 |
| 4.3 多尺度排列熵算法研究 |
| 4.4 主成分分析降维 |
| 4.5 本章小结 |
| 5 基于FCM的故障诊断模型 |
| 5.1 引言 |
| 5.2 数据集的划分 |
| 5.3 聚类目标函数 |
| 5.4 模糊C均值聚类算法 |
| 5.5 诊断步骤 |
| 5.6 本章小结 |
| 6 实例分析 |
| 6.1 水电站概况 |
| 6.2 基于水导轴承摆度信号的故障诊断 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间参与的项目 |
| B.作者在攻读硕士学位期间的科研成果 |
（8）水轮发电机组振动故障诊断关键技术研究与应用（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 研究意义 |
| 1.3 水轮发电机组故障诊断系统概述 |
| 1.4 故障特征提取与故障诊断方法概述 |
| 1.4.1 故障特征提取方法概述 |
| 1.4.2 故障诊断方法概述 |
| 1.5 总结 |
| 1.6 本文的主要研究内容 |
| 2 水轮发电机组振动故障基本理论 |
| 2.1 引言 |
| 2.2 水轮发电机组振动理论 |
| 2.2.1 水轮发电机组振动故障分类 |
| 2.2.2 水轮发电机组振动故障特点 |
| 2.2.3 振动信号 |
| 2.3 典型振动故障 |
| 2.4 中小型水轮发电机组监测与诊断 |
| 2.4.1 振动监测设备 |
| 2.4.2 功能设计 |
| 2.4.3 监测与诊断总体思路 |
| 2.5 本章小结 |
| 3 基于广义S变换的振动故障特征提取方法 |
| 3.0 引言 |
| 3.1 S变换原理 |
| 3.2 广义S变换原理 |
| 3.2.1 广义S变换定义 |
| 3.2.2 广义S变换的离散形式 |
| 3.3 基于广义S变换的能量特征提取方法 |
| 3.3.1 广义S变换能量谱 |
| 3.3.2 基于广义S变换的信号能量特征提取方法 |
| 3.3.3 仿真分析 |
| 3.4 改进型广义S变换的SVD冲击特征提取方法 |
| 3.4.1 奇异值分解降噪 |
| 3.4.2 基于S变换时频谱SVD降噪冲击特征提取基本原理 |
| 3.4.3 改进型广义S变换的SVD冲击特征提取方法 |
| 3.4.4 两种方法的仿真比较 |
| 3.5 基于广义S变换特征提取方法的实例应用 |
| 3.6 本章小结 |
| 4 基于量子粒子群的支持向量机故障诊断 |
| 4.1 引言 |
| 4.2 支持向量机理论 |
| 4.2.1 支持向量机分类原理 |
| 4.2.2 核函数 |
| 4.2.3 支持向量机应用 |
| 4.3 量子粒子群算法 |
| 4.3.1 量子粒子群算法原理 |
| 4.3.2 实验仿真 |
| 4.4 基于量子粒子群的支持向量机算法 |
| 4.4.1 基于量子粒子群的支持向量机算法原理 |
| 4.4.2 实验仿真 |
| 4.5 基于量子粒子群的支持向量机算法的振动故障诊断模型 |
| 4.6 水轮发电机组振动故障诊断实验 |
| 4.7 本章小结 |
| 5 水轮发电机组故障诊断系统设计 |
| 5.1 引言 |
| 5.2 系统构成 |
| 5.3 数据采集装置的硬件设计 |
| 5.3.1 传感器的选型 |
| 5.3.2 数据采集装置的模块设计 |
| 5.3.3 数据采集装置功能设计 |
| 5.4 系统的软件框架 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（9）基于随机共振和多维度排列熵的水轮发电机组振动故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景、意义及目的 |
| 1.1.1 背景 |
| 1.1.2 意义 |
| 1.1.3 目的 |
| 1.2 国内外研究现状 |
| 1.2.1 国外相关技术及理论研究现状 |
| 1.2.2 国内相关技术及理论研究现状 |
| 1.3 存在问题及发展趋势 |
| 1.3.1 存在问题 |
| 1.3.2 发展趋势 |
| 1.4 主要研究内容 |
| 1.4.1 主要内容 |
| 1.4.2 技术路线 |
| 2 基于随机共振的信号去噪 |
| 2.1 随机共振的基本原理 |
| 2.1.1 朗之万方程 |
| 2.1.2 福克-普朗克方程 |
| 2.1.3 绝热近似理论 |
| 2.1.4 数值求解方法 |
| 2.2 随机共振的分类与评价指标 |
| 2.2.1 随机共振的分类 |
| 2.2.2 随机共振的评价指标 |
| 2.3 仿真分析 |
| 2.3.1 小参数条件下的仿真分析 |
| 2.3.2 大参数条件下的仿真分析 |
| 2.3.3 随机共振的影响因素 |
| 2.4 本章小结 |
| 3 基于多维度排列熵的特征提取 |
| 3.1 排列熵算法原理 |
| 3.2 排列熵算法的有效性验证 |
| 3.2.1 Logistic模型 |
| 3.2.2 仿真信号分析 |
| 3.3 排列熵参数的确定 |
| 3.3.1 互信息函数法确定延迟时间 |
| 3.3.2 CAO方法确定最佳嵌入维数 |
| 3.3.3 数值验证 |
| 3.4 多维度排列熵 |
| 3.5 基于轴承故障的实例仿真 |
| 3.5.1 轴承外圈故障 |
| 3.5.2 轴承内圈故障 |
| 3.5.3 轴承滚动体故障 |
| 3.6 本章小结 |
| 4 基于IPSO-SVM的故障诊断 |
| 4.1 支持向量机理论 |
| 4.1.1 支持向量机的概念 |
| 4.1.2 支持向量机的求解 |
| 4.1.3 核函数 |
| 4.1.4 参数优化方法的选择 |
| 4.2 粒子群算法 |
| 4.2.1 粒子群算法概述 |
| 4.2.2 粒子群算法原理 |
| 4.2.3 粒子群算法的参数选择 |
| 4.2.4 粒子群算法的优缺点 |
| 4.3 改进粒子群算法 |
| 4.3.1 对惯性权重的调整 |
| 4.3.2 对学习因子的改进 |
| 4.4 IPSO-SVM模型的建立 |
| 4.5 IPSO-SVM模型的测试 |
| 4.5.1 诊断测试一 |
| 4.5.2 诊断测试二 |
| 4.6 本章小结 |
| 5 实例分析 |
| 5.1 基于压力脉动信号的故障诊断 |
| 5.1.1 信号去噪 |
| 5.1.2 特征向量提取 |
| 5.1.3 故障诊断 |
| 5.2 基于水导轴承摆度信号的故障诊断 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间参与的项目 |
| B.作者在攻读硕士学位期间的科研成果 |
（10）水轮发电机组故障诊断及预测与状态评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1、绪论 |
| 1.1 本文研究的背景和意义 |
| 1.2 水轮发电机组故障机理及故障特征分析 |
| 1.3 水轮发电机组数据处理的研究综述 |
| 1.4 水轮发电机组维修决策支持的研究综述 |
| 1.5 论文主要研究内容 |
| 2、水轮发电机组非平稳微弱信号特征提取方法研究 |
| 2.1 引言 |
| 2.2 独立分量分析与经验模态分解的基本原理 |
| 2.3 ICA-EMD特征提取法 |
| 2.4 工程实例验证 |
| 2.5 本章小结 |
| 3、基于KICA-PCA的水轮发电机组工况过程诊断方法 |
| 3.1 引言 |
| 3.2 基于KICA-PCA的过程性能监控原理 |
| 3.3 基于KICA-PCA的水轮发电机组工况过程诊断方法 |
| 3.4 工程实例验证 |
| 3.5 本章小结 |
| 4、水轮发电机组振动趋势预测与压力脉动状态预测评估 |
| 4.1 引言 |
| 4.2 基于工况参数的水轮发电机组振动趋势预测 |
| 4.3 考虑运行工况的水轮发电机组压力脉动状态预测评估模型 |
| 4.4 工程实例验证 |
| 4.5 本章小结 |
| 5、基于CEGD-FNN的水轮发电机组故障预测方法研究 |
| 5.1 引言 |
| 5.2 模糊系统原理 |
| 5.3 径向基(RBF)神经网络 |
| 5.4 基于CEGD-FNN的水轮发电机组故障预测方法 |
| 5.5 应用验证 |
| 5.6 本章小结 |
| 6、面向服务的水轮发电机组故障诊断及状态评估系统设计 |
| 6.1 引言 |
| 6.2 面向服务的水轮发电机组故障诊断及状态评估系统设计 |
| 6.3 水轮发电机组故障诊断及状态评估系统在东风水电站的应用 |
| 6.4 本章小结 |
| 7、本文总结与展望 |
| 7.1 全文工作总结 |
| 7.2 进一步研究展望 |
| 致谢 |
| 参考文献 |
| 附录1：攻读博士期间发表的论文 |
| 附录2：攻读博士期间完成和参与的科研项目 |
四、基于神经网络的水轮发电机组振动故障诊断专家系统的研究（论文参考文献）
- [1]智能诊断技术在水电机组振动故障诊断中的应用进展[J]. 吾买尔·吐尔逊,穆哈西,夏庆成. 机电技术, 2021(04)
- [2]水电机组非平稳振动信号特征提取方法研究[D]. 陈翔. 西安理工大学, 2020(01)
- [3]基于极限学习机的水轮发电机组故障分类与状态预测研究[D]. 席蓉蓉. 西安理工大学, 2020(01)
- [4]水轮发电机励磁绕组匝间短路故障特征分析与故障识别[D]. 王罗. 华北电力大学(北京), 2020(06)
- [5]水电站水轮机组远程监控系统研究与开发[D]. 杨浩. 兰州理工大学, 2020(12)
- [6]水电机组多源信息故障诊断及状态趋势预测方法研究[D]. 刘涵. 华中科技大学, 2019
- [7]基于变分模态分解和多尺度排列熵的水电机组故障诊断[D]. 郭泽维. 西安理工大学, 2018(01)
- [8]水轮发电机组振动故障诊断关键技术研究与应用[D]. 冉恒. 重庆大学, 2017(06)
- [9]基于随机共振和多维度排列熵的水轮发电机组振动故障诊断研究[D]. 何洋洋. 西安理工大学, 2016(01)
- [10]水轮发电机组故障诊断及预测与状态评估方法研究[D]. 朱文龙. 华中科技大学, 2016(08)