水电机组振动故障的智能诊断方法分析

摘要：在人们生活水平不断提高的背景下，水电机组在生产生活当中的作用越来越突出。它是电能的重要生产设备，具有较强的稳定性和较高的运行效率。面对水电机组在振动过程当中出现的故障，需要结合先进的科学技术进行及时诊断，最大限度地降低损失。实现对诊断方法的创新，实现故障诊断的智能化发展对于提高水电机组的稳定性具有重要的意义。基于此，文章从水电机组常见的振动故障出发，探究了对这些故障进行智能诊断的方法。

关键词：水电机组;振动故障;智能诊断;诊断方法

一、水电机组常见的振动故障

（一）轴系运行故障

在正常的情况下，水电机组轴系在运行的时候，机组的中心与其旋转的中心、轴线这三者是位于同一条直线上。当运行一段时间之后，三者之间就可能会出现一定的偏差，如果这一偏差在允许的范围之内的话并不会对机组实际运行的效果产生影响。而如果这一偏差超过了一定的范围之后，就会对整个轴系的稳定性和质量产生影响。在轴系运行的过程当中，常见的故障包括不对中、不平衡、松动等。在对这些故障进行诊断的时候，要对整个轴承的运行情况进行实时检测，这样才能了解轴系实际运行的情况，从而可以在这个基础上找到相应的配重方案。

（二）发电机故障

发电机是水电机组的核心构成部分，在发电机设计、制造、安装的过程中如果出现失误的话，都会对最终的运行效果产生不良的影响，甚至会造成运行异常的状态。通常来说，发电机常见故障包括四类：一是发电机定子故障，含定子机座振动、定子铁芯故障和定子绕组故障;二是发电机转子故障，包括转子铁芯故障和转子绕组故障;三是发电机不平衡故障，包括发电机转子质量不平衡和发电机电磁不平衡;四是发电机电磁振动，含发电机的转频振动和极频振动。

二、水电机组振动故障的智能诊断方法

（一）专家系统诊断法

专家系统当中含有大量的专业知识，它集合了多个领域专家的经验，可以通过人工智能技术和计算机技术来对水电机组的故障进行准确判断。在应用该方法的过程中，系统可以模拟专家决策的过程，对水电机组故障进行一系列的推理与判断，促进这些问题的高效解决和问题的及时处理，无论是在理论还是工程实践方面都有着广泛的应用。在对水电机组振动故障进行诊断的过程当中，专家系统主要是通过知识系统和推理系统来发挥作用的，这其中包括知识库、数据库、推理体系、解释器等多个模块。近年来，专家系统已经成为水电机组故障诊断领域当中最引人注目的一个发展方向，同时也是应用最为广泛的一种诊断方法，它主要是由以下三种方法所构成的。第一种是它可以基于浅层知识来进行判断，这一方法的推理速度比较快，但如果待诊断对象比较复杂的话，系统就会展示出知识不集中的问题，很容易陷入诊断困境当中。第二种是基于深层知识而进行的诊断，它具有方便快捷的方式，维护起来也更加简单，能够最大限度地确保知识库的一致性。但是在应用的过程当中，由于该方法搜索的范围比较大，因此整个推理过程比较缓慢。第三种是混合知识型的系统，它结合了上述两种方法的优点，可以先通过浅层推理的过程产生初步的诊斷假设，然后通过深层诊断的方法来进行确认。但这种方法对知识库的丰富度和专业水平依赖性比较强，缺乏自学习和自适应的机制。

（二）人工神经网络诊断法

这种方法是通过模拟人类的神经系统来对水电机组的故障进行诊断的，具有较高的智能化水平，可以通过多种智能化的方式来实现对信息的处理。这种诊断方法的特点是包含了多种科学，同时展现出了广阔的应用前景。由于神经网络具有记忆的功能，因此在使用的过程当中可以实现自适应和自学习，故障计算过程更加简便、故障评估过程也更加客观。与专家系统相比，人工神经网络诊断法具有较强的自学习和自适应能力，同时可以将当前的水电机组测试数据与历史故障数据进行科学的对比，准确地对故障进行识别，因此在可靠性方面具有独特的优势。但是在使用的过程当中这种方法容易受到训练样本数量的显示，诊断系统也比较隐蔽，它对推理过程和所存储知识的意义难以真正理解，无法对诊断结果进行合理解释。

（三）贝叶斯网络法

贝叶斯网络法在对水电机组进行智能诊断时，能够采用图论和概率理论结合的方式对水电机组中的不确定因素进行诊断，采用概率计算的方式对水电机组的故障进行科学的判断，在进行概率计算时采用的原则为乘法规则和加法规则两种。相较于其他机械设备的振动故障而言水电机组振动故障较为复杂，在对水电机组进行故障诊断时，贝叶斯网络方法能够对水电机组运行中的不确定因素进行量化分析，并采用概率计算的方式准确地计算出水电机组运行故障的概率，诊断结果具有较高的精准度。

三、结语

综上所述，水电机组在振动的过程当中会受到多种因素的影响，因此故障的构成要素比较复杂，除了会受到机械因素的影响之外，还会受到各种自然因素的影响。与此同时，在故障诊断的过程中对各项信息的搜集难度比较大，对各项故障的分析也并不全面。当前，水电机组振动故障的诊断虽然在向着智能化的方向不断发展，但是目前还无法实现对全部故障的有效诊断。在未来，人工智能、物联网技术还将会实现合理的运用，故障算法也将进一步摆脱对历史数据的依赖，实现在线诊断。

参考文献：

[1]王玉静，那晓栋，康守强，等.基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法[J].中国电机工程学报，2017，37（23）：6943-6950，7085.

作者简介： 谭辉州，贵州共筑未来建设工程有限公司。