摘要：水电以其在电力行业调峰的重要作用以及巨大的潜在资源，越来越受到人们的重视。而提高水电机组运行稳定性，发展故障诊断相关的研究技术和实测手段，是电力改革的必然要求。本文就目前水轮发电机组故障诊断方法中的几种主要诊断方法进行了分析与探讨，并指出了水轮发电机组故障诊断方法未来的发展方向。
关键词：水轮发电机组；专家系统；模糊诊断；神经网络
1 概述
随着我国水电事业的迅猛发展，水电以其在电力行业调峰的重要作用以及巨大的潜在资源，受到了世界各国的高度重视。水电机组的单机容量变得越来越大，并且在电力系统中所占的比例也呈现快速增长的趋势。水电机组一直都被视为水电企业的核心设备，其运行的安全性与机组自身的健康状态与水电企业的安全性与经济效益有着密切的关系，水电机组一旦发生事故，就会造成严重的安全事故并可能导致巨大的经济损失[1]。因此，水电机组的安全性、可靠性和稳定性既是水电企业追求的目标，也是许多学者研究的热点。
振动是水电机组安全、可靠和稳定运行的最主要因素之一，随着水电机组装机容量的不断增大，水电机组的振动问题日益突出，严重威胁水电站机电设备的安全运行与使用寿命及电网的稳定运行[2]。同时，引起水电机组的振动原因复杂，有水力振源引起的振动问题，有机械振动引起的振动问题，有电磁振动引起的振动问题，更有这三者耦合引起的振动问题。 为保证机组的安全可靠稳定运行，必须加强对水电机组运行的监测维护与设备健康状态的评估，而振动信息是水电机组运行监测维护与设备健康状态评估的重要内容之一。
2 主要故障诊断方法
水轮发电机组故障振动的研究作为机械设备故障诊断研究的一个分支，目前主要集中在故障诊断算法的研究和故障设备系统结构研究两方面。故障诊断算法最早从基于贝叶斯决策判据[3]、基于线性和非线性判别函数的模式识别方法[4]逐步发展到基于概率统计的时序模型诊断方法[5]、基于距离判据的故障诊断等方法[6]。近年来出现了许多基于人工智能技术的故障诊断方法，如专家系统、模糊集理论、神经网络诊断等方法，本文主要对故障诊断专家系统、模糊集理论和神经网络方面的故障诊断方面进行综述和分析。
2.1故障诊断专家系统
尽管大型旋转机械的故障诊断技术有了很大的发展，但是由于现场条件的限制、机械故障的复杂性及振动信号与故障诊断之间的复杂关系，常规的状态监测与故障诊断系统诊断能力依然较弱，请专家到现场会诊还是机械故障诊断的最有效方法。八十年代以来，随着人工智能技术的发展，特别是专家系统技术的发展和在实际中的成功应用，故障诊断出现了以专家系统技术为特征的第二发展阶段。专家系统是一种基于知识的计算机智能程序系统，以逻辑推理为基础，模拟人类思维的符号主义人工智能方法，利用存储在计算机内的某一领域的大量专家知识，模拟专家的思维、推理过程，来解决需要专家才能解决的实际问题[7]。专家系统技术的发展和在故障诊断领域中的应用，为故障诊断的研究开辟一条崭新的路子。台湾学者 Wu 等研究了采用自适应“Order-tracking”算法的专家系统，应用于旋转机械的障诊断，该研究将振动信号、温度信号和噪声信号都引入到了该算法中[8]；国内褚福磊研制了具有基于 Internet/Intranet 的开放式结构的水电机组远程状态监测系统，实现了远程监测诊断，功能完备且面向实际[9]。然而故障诊断专家系统也有其自身的局限性，它是基于规则的推理系统，虽具有较强的解释机制，但需要由知识工程师将领域专家知识进行加工处理使其规则化，这取决于专家的合作程度和经验的适用性，即存在专家系统知识获取的“瓶颈”问题[10]。
2.2 模糊诊断法
模糊诊断法是利用集合论中的隶属度函数和模糊关系矩阵的概念解决故障与征兆间的不确定关系。在模糊故障诊断中，构造隶属度函数是实现模糊故障诊断的前提。目前，模糊故障诊断有两种基本方法：①先建立故障现象与故障征兆间的模糊关系矩阵，再通过模糊关系方程进行故障诊断；②先建立故障与征兆间的模糊知识库，再进行模糊逻辑推理。黄锐等[11]提出将模糊技术应用于水电机组振动故障诊断，介绍了模糊故障诊断的基本原理与实现方法，并以实际机组曾发生的振动故障为例，验证了该方法的可行性和优越性。符向前等[12]采用模糊诊断技术构造了故障诊断的模糊关系矩阵，应用于水电厂的故障诊断系统中成功诊断出如转子不对中、尾水管偏心涡带等机组运行问题。模糊诊断方法的优点在于模糊变量表示可读性强，模糊推理逻辑严谨，类似人类思维过程，易于理解，能很好地解决水电机组振动故障诊断中遇到的模糊性问题。但由于模糊关系较难确定、模糊数（隶属度）转换及模糊诊断知识获取困难等，模糊诊断方法对水电机组的某些故障机理研究尚不透彻，缺乏系统性和综合性，在故障诊断率和诊断准确率、系统的稳定性等方面还存在问题。
2.3 基于神经网络的故障诊断方法
由于人工神经网络具有独特的联想、记忆、存储、并行处理、很强的自学习、高度的自适应以及高度的非线性映射能力，因而在故障诊断领域受到高度的重视，它与现有的动态信号处理、模式识别、模糊逻辑、专家系统等诊断技术相结合，以解决故障信号分析与处理、故障模式识别以及故障诊断专家系统的组织和推理等问题。神经网络是人工智能的一个分支，它作为一种新颖的智能建模技术，于 80 年代中期开始引起国际国内机械工程领域的广大科技人员的广泛重视，并被应用于机械设备监测和故障诊断[13]。近年来旋转机械故障诊断技术得以广泛应用，其中专家系统代表了这个时期故障诊断的一个潮流，但传统的专家系统由于存在知识获取瓶颈问题和系统运行过程中的知识自学习等一些固有的缺陷，使得人们开始探索采用人工神经网络技术以克服上述专家系统的不足，并且已取得很多成果[14-15]。国外学者 N.Saravanan 等研究了在采用离散小波变换进行故障特征提取和分离后，应用人工神经网络（ANN）对齿轮箱进行故障诊断，取得了良好效果[16]；Saravanan 和 Siddabattuni 等人专门针对圆柱斜齿轮传动的齿轮箱采用人工神经网络和支持向量机的综合故障诊断方法进行了研究[17]；国内华东交通大学杨超等通过建立齿轮故障信号采集模拟试验台，结合小波分析特征提取方法和模糊神经网络对齿轮故障进行了诊断，取得了较好的诊断结果，相比于传统的 BP 神经网络诊断方法，无论在诊断速度还是诊断精度上，模糊神经网络更具有优势[18]。邓正鹏等[19]以水电机组为研究对象，讨论了水电机组故障诊断专家系统中知识库的设计方法。余波等[20]针对水电机组故障原因与征兆间的关系，采用了模型规则来表达水电故障的推理模型并构建专家系统故障诊断。Doherty 和 Kochhar[21]针对水电机组故障的不确定性，结合模糊理论和专家系统提出了故障规则的模糊描述方法。由于专家系统无需建立精确数学模型，比较适合水电机组故障诊断问题，但又因专家系统在知识规则获取上存在很大的主观性，过分依赖人工经验和定性分析，使其应用受到限制。 此外，随着信息技术的发展，国内外还涌现出许多新的方法，比如将信息熵引进故障诊断中，将其作为一种特征量来进行分析，形成了基于 SVM 的特征提取方法、高阶统计分析法、盲源信号分离法等故障诊断方法。比如彭文季等[22]釆用支持向量机识别不同故障下水电机组的轴心轨迹。韩凤琴等[ 23]提出了一种 基于最大熵谱估计的小波分解信号特征提取方法。这些方法虽然能解决一些工程实际问题，但是在应用推广上存在着适用性差的缺点，且有些诊断精度易受特征信号的影响。
期刊文章分类查询,尽在期刊图书馆
3 结论
虽然大型旋转机械故障诊断技术研究已经进行了数十年，已涌现出了大批理论成果和实用先进的故障诊断设备。但是依靠单一智能技术的故障诊断难以满足复杂的诊断系统的全部要求，因此将多种不同的智能技术结合起来的混合诊断系统是水电机组振动故障诊断技术研究的必然趋势。此外专门对水电机组启停机、过渡过程等特殊工况中故障信号特征提取的研究很少，对这些工况所引起的振动信号的突发性、随机性和非线性的认识还不足，更缺乏系统地探求水电机组在瞬态过程中振动信号故障特征所呈现的规律性，甚至随时间发展的趋势统计。因此，研究多种信息处理方法在水电机组振动信号中进行综合运用，建立基于通用性数据库的水电站机组状态监测与故障诊断数据系统十分必要。
参考文献：
[1]肖剑.水电机组状态评估及智能诊断方法研究[D].武汉：华中科技大学，2014.
[2]樊世英.大中型水力发电机组的安全稳定运行分析[J].中国电机工程学报，2012，32（9）：140-148.
[3]何小飞；童晓阳；周曙.基于贝叶斯网络和故障区域识别的电网故障诊断研究[J].电力系统保护与控制，2010，12（2）：133-138.
[4]申金媛；常胜江；宋庄等.一种用于旋转不变分类识别的线性判别函数[J].光学学报，1998，8：234-236.
[5]Younus，A.，Yang，B.-S.Intelligent fault diagnosis of rotating machinery using infrared thermal image[J].Expert Systems with Applications，2012，39（2）：2082-2091.
[6]Lei，Y.，He，Z.，Zi，Y.A new approach to intelligent fault diagnosis of rotating machinery[J].Expert Systems with Applications，2008，35（4）：1593-1600.
[7] Pratesh Jayaswal，S.N.Verma，A.K.Wadhwani.Development of EBP–Artificial neural network expertsystem for rolling element bearing fault diagnosis [J].Journal of Vibration and Control，2010，10（10）：1-18
[8]Jian-Da Wu，Mingsian R.Bai，Fu-Cheng Su，et al.An expert system for the diagnosis of faults in rotatingmachinery using adaptive order-tracking algorithm [J].Expert Systems with Applications，2010，36（2009）：5424-5431
[9] 何永勇，任继顺，陈伟，褚福磊.水电机组远程状态监测、跟踪分析与故障诊断系统[J].清华大学学报（自然科学版），2006，05：234-237.
[10] 杨志昭，潘宏侠.基于神经网络的齿轮箱故障诊断专家系统设计[J].科技情报开发与经济，2005，19（5）：253-255
[11]黄锐，肖志怀，蔡维由.水轮发电机组振动故障的模糊诊断法[J].云南水力发电，2005，21（6）：76-79
[12]符向前，蒋劲，孙慕群，等.水电机组故障诊断系统中的模糊诊断技术研究[J].华中科技大学学报（自然科学版），2006，34（1）：81-83
[13]时建峰.基于时、频域-小波分析和神经网络方法的齿轮箱故障诊断研究[D].太原理工大学硕士学位论文，2008，5
[14] 丁康等.传动箱齿轮和轴承故障的振动诊断方法的研究[J].振动与冲击，1993，50（2）：25-35
[15] 张炜，张优云，战仁军.BP 网络的改进算法及其在旋转机械故障诊断中的应用[J].
汽轮机技术，1994，36（6）：342-347
[16]N.Saravanan，K.I.Ramachandran.Incipient gear box fault diagnosis using discrete wavelet transform（DWT）for feature extraction and classification using artificial neural network（ANN）[J].Expert Systems with Applications，37，（2010）：4168-4181
[17] N.Saravanan，V.N.S.Kumar Siddabattuni，K.I.Ramachandran.Fault diagnosis of spur bevel gear box using artificial neural network（ANN），and proximal support vector machine（PSVM）[J].Applied Soft Computing，10，（2010）：344-360
[18]杨超，王志伟.基于小波分析和模糊神经网络的齿轮故障诊断研究[J].噪声与振动控制，2010，8（4）：64-68
[19]邓正鹏，韦彩新，刘利娜，水电机组故障诊断专家系统中知识库的设计[J].华中科技大学学报：自然科学版，2003，31（9）：4-5.
[20]余波，张礼达.水轮机故障诊断专家系统的一种模糊诊断方法[J].水力发电，2002，（4）：38-39
[21]Doherty，N.F.，Kochhar，A.MIDAS：an application of model-based reasoning for the diagnosis of hydraulic system[J].Knowledge-Based Systems，1994，7（2）：127-134.
[22] 彭文季，罗兴锜，郭鹏程，基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断（英文）[J].中国电机工程学报，2007，23：17-20
[23] 桂中华，韩凤琴.小波包最大熵谱估计及其在水轮机故障诊断中的应用[J].电力系统自动化，2004，28（2）：62-66.
作者简介：
苏倩（1988.05——），女，山东菏泽人，本科学历，助理工程师，主要从事水电站电气二次设备检修维护工作
论文作者:苏倩
论文发表刊物:《基层建设》2017年第31期
论文发表时间:2018/1/22
标签：故障诊断论文; 机组论文; 专家系统论文; 水电论文; 模糊论文; 方法论文; 故障论文; 《基层建设》2017年第31期论文;