水电机组故障诊断方法研究与分析

黄一晟

摘 要：水力发电是我国电网的重要组成部分，但是在水电机组运行过程中容易出现机组振动，进而引发机组故障，影响电网供电的可靠性。本文将对机组故障诊断中常用的系统辨识法进行分析，并针对其中的不足，提出一种模糊聚类故障诊断法，进而提高水电机组故障诊断的准确性。

关键词：机组故障;系统辨识;模糊聚类

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

0 引言

随着发电机组朝着大型化、复杂化的方向发展，其安全稳定运行显得尤为重要，发电机组的故障直接影响电厂的安全经济运行，并威胁到电网的稳定与安全。发电机组的振动是普遍存在的问题，引发发电机组振动故障的原因很多，且各种因素相互偶联，造成了机组振动的复杂性、振动故障与征兆非一一对应性，因此在研究机组振动故障时学者们多采用以神经网络、专家系统、模糊技术为代表的智能诊断方法。在机组故障诊断研究中，有两个问题值得探讨，即基于模型的故障诊断策略和模式识别方法，为此本文将对这两种方法分别进行分析。

1 基于系统辨识的故障诊断方法

基于系统参数辨识的故障诊断方法是机组故障诊断的重要方法之一，这种方法的主要思想是被控制系统的故障可以利用参数变化的形式来表示，当机组发生故障后，相应的参数也会随之发生变化，为此可利用参数和模型之间的关系建立机组的故障模型，进而可以通过辨识模型的参数来识别机组的故障。

在系统参数辨识的过程中，首先需要建立系统的动态模型，并根据系统的可量测信号来辨别系统的特征参数和状态量，由于机组的特征参数和状态量在正常状态下和故障时参数存在差异，为此利用辨别出的参数来提取相应的故障特征，进而判断水电机组是否产生故障。

2 基于系统辨识的故障诊断方法的实现

目前基于系统辨识的故障诊断方法较多，例如文献[1]提出了一种盲辨识的故障诊断方法，在系统输入量不可观测时，利用这种方法可通过系统的输出信号来辨识系统是否发生故障，这种方法在旋转机械的故障诊断中使用较多，通过这种方法可有效辨别转子故障时，裂纹的位置和深度特性。文献[2]提出了一种利用级数模型来反映非线性系统的本质特征的故障诊断方法，通过检测系统中的状态变化来实现系统中传感器的故障诊断。同时还有其他一些常用的方法，但是这些方法的基本过程都可以用图1所示的结构进行描述。

精确模型：参数辨识对模型的准确性依赖程度较高，为此在采用参数辨识的故障诊断方法时，首先要建立准确的数学模型。

参数辨识：参数辨识是整个的核心，在系统发生故障时，参数将发生变化，通过相应的辨识方法辨识出模型参数，进而获知系统的特征。

特征提取：对系统特征进行分析，提取能具有状态区分度的特征。

模式识别：根据提取的特征进行模式识别，并利用总结出的故障种类进行对比，进而分析出故障的类别。

故障模式识别是故障诊断的最后一个环节，关系到故障诊断的准确度，在故障诊断研究中占有重要地位，但是系统辨识对模型的依赖程度较高，在实际运行中存在偏差，为此本文将提出一种模糊聚类的诊断理论。

3 模糊聚类理论基础

聚类就是依据事物的相关要求和规律进行分类和区分，根据事物之间的相似性作为类属性进行划分准则，总体来说属于无督导的学习过程。而模糊聚类在归类过程不严格规定对象的类属性，直接采用模糊的方法来对类属隶属度进行定义，通过建立描述样本的不确定性来客观的反映事物的本质。聚类问题可以归结为一种带约束的非线性规划问题，在模糊聚类中，模糊均值算法的使用最为广泛，下面将以模糊C均值（FCM算法）为例，来分析模糊聚类理论与算法。

为了验证FCM的性能，利用IRIS测试数据集作为实验数据，来测试FCM方法的聚类效果。用FCM方法对IRIS数据集进行模糊聚类，设置模糊度m为2，聚类数为3，具体实验结果如表1所示，通过表1可知，错分样本数仅为6，错分率为3.2%，总体精确度较高。

通过上述分析可知，模糊聚類的可靠性较高，为此可以对水电机组的故障进行诊断，在诊断过程中，首先建立机组的不同故障样本，经过预处理后，用特征量对应的隶属度进行表示，同时选取典型的数据作为样本集;其次根据运行情况提取出故障特征，当匹配到相应的故障样本集时，则可以判断出相应的故障。

4 结论

本文主要对水电机组故障影响进行了分析，并对常用的系统辨识的故障诊断法进行了分析，指出这种方法对于模型的依赖程度较高，为此提出了一种模糊聚类故障诊断法，可有效提供故障诊断的准确率，为水电机组的故障诊断提供了依据，对实际工程具有一定的指导意义。

参考文献：

[1]周叶.基于新异类检测和支持向量机的水电机组诊断技术研究[D].中国水利水电科学研究院，2015.

[2]卢魏.水电机组振动监测与故障诊断系统设计与实现[D].华中科技大学，2016.

[3]黄戈.基于最小二乘支持向量机的水轮发电机组振动故障诊断方法研究[D].西安理工大学，2009.