搜索
高级检索
高级搜索
书       名 :
著       者 :
出  版  社 :
I  S  B  N:
文献来源:
出版时间 :
电力设备故障智能诊断技术
0.00     定价 ¥ 138.00
图书来源: 浙江图书馆(由浙江新华配书)
此书还可采购25本,持证读者免费借回家
  • 配送范围:
    浙江省内
  • ISBN:
    9787030727077
  • 作      者:
    作者:黄南天|责编:范运年
  • 出 版 社 :
    科学出版社
  • 出版日期:
    2022-07-01
收藏
内容介绍
加强电力设备的状态监测和故障诊断,对保障电力生产设备的安全和稳定运行具有重要意义。电力设备故障智能诊断技术是多学科交叉渗透的综合性研究方向。本书首先介绍电力设备故障智能诊断的背景意义及国内外研究现状,然后介绍智能故障诊断的主要关键技术,如故障数据采集系统,故障数据预处理与特征提取,基于单类分类器、多层分类器、混合分类器、辅助分类生成对抗网络等多种智能故障诊断技术进行故障决策,最后针对几个实例介绍故障智能诊断技术的应用。 本书可供从事电力设备状态监测与故障诊断工作的科研人员和相关专业高校教师使用和参考,也可供电气、自动化、热能动力与机械类相关专业研究生和高年级本科生作为研究和参考。
展开
精彩书摘

引入篇 电力设备关键部件机械故障诊断
  第1章绪论
  1.1研究背景及意义
  目前,电力系统正逐步朝着更高的电压等级和更大的电能容量目标发展,这对电力设备的运行可靠性提出了更高的要求。高压断路器是电力系统中极为重要的一次电力设备,在系统正常运行时完成系统的开关操作,控制电力设备和线路的投切运行,以实现负荷调配或设备的调整;当系统中某处发生故障时,断路器能迅速隔离故障线路,以保护系统非故障线路的正常运行,防止故障在系统内进一步发展和扩大。在电力系统的成本投入中,高压断路器的投入成本巨大,其单台价格就较为昂贵,而在电力系统中断路器数量又很多,因而其设备总投资在系统投资中所占的比重相当大。根据统计资料显示,断路器每次故障引起的停电损失平均可高达上百万元,远比设备自身的投资成本高得多。因此,确保高压断路器的安全可靠运行,对于电力系统本身以及社会经济发展是十分迫切和必要的。
  与此同时,能源短缺和环境污染的问题日益突出,已经严重影响到人民的日常生活和社会的发展。开发可再生能源作为解决当下能源危机和环境污染问题的关键所在,已经成为世界各国的能源发展战略之一。在众多可再生能源中,风能是最具商业潜力、最具活力的可再生能源之一,因而风力发电在国家未来整体能源发展战略中扮演着十分重要的角色。截至2016年底,中国风电新增装机量23.37GW,累计装机量达到169GW,占全球累计风电装机容量的34.7%,排名世界第一,是第二名美国装机容量的2.05倍,风电装机规模遥遥领先。随着风电装机规模的快速扩大,风电机组的台数大大增加,由此产生的近20年的后续运营维护成本也在急剧增长风电机组所处的环境十分恶劣,多设在偏远的无人区或近海,容易受到台风、高温、强沙尘和低温冰冻等多种极端气候的影响,且随着装机容量的逐渐增加,机组的结构更加复杂,导致故障率较高。同时,由于风能的间歇性,机组的受力情况不稳定,这使风电机组中各部件不间断地受到多变载荷的冲击。如果长时间运行在此类多变的工况下,机组的故障率会大大增加,从而大幅度增加机组的运营成本,影响使用寿命。研究证明,一台工作寿命为20年的风电机组,其产生的运营维护成本占风场总效益的10%~15%;对于海上风电机组,其所花费的运营维护成本更是占到风场总效益的20%~25%,因此,开展风电机组故障诊断的研究对降低风场的运维成本、提升经济效益、增强风电的市场竞争力具有十分重要的意义。
  高压断路器的可靠程度和工作性能将直接影响电力系统本身的安全稳定性,因而研究高压断路器运行状态、故障类型及故障严重程度的评估和诊断方法具有十分重要的意义。高压断路器在电力系统中架设的数量巨大,根据不同的场合需要所选用的断路器类型也各有不同,并且各类型的断路器构造都相对十分复杂,再加上自身性能和外界条件因素的影响,断路器可能发生的故障类型是相当多的。关于断路器故障原因的调查显示,在断路器所发生的各类主要故障和次要故障中,分别有44%、39%的故障由机械原因造成。中国电力科学院对国内断路器故障情况调查统计也表明,机械性能损坏是引起高压断路器故障的主导因素。因此,针对高压断路器机械故障开展诊断研究具有重要的现实意义。
  电力设备的检修和维护成本显著,随着电网逐步扩大及电力系统安全可靠运行要求加强,电网的维护成本加大,对电力设备维护方案提出了更加科学和经济的要求。电力设备的检修和维护体制主要从最初的事后维修、当前的计划检修,向更加先进的状态检修方式过渡。对高压断路器机械状态的检测,目前主要是在设备交接及例行定期停电检修期间进行预防性试验,从而进行操动机构的机械特性检测等。这种计划检修是间隔一定时间的预防性检修方式,对保障设备的安全经济运行发挥了重要作用。但是目前的计划检修也有局限性,存在普遍的检修不足和检修过度现象,对不必要的设备进行检修会造成人力物力浪费及停电损失等问题。事实上,对高压断路器实施计划检修方式,频繁操作和过度拆卸会在一定程度上对高压断路器造成损伤,从而引起设备可靠性的下降。据相关统计发现,断路器故障中大约10%的故障问题是由检修不当引起的。对断路器进行定期解体大修,其拆卸、检查和组装的工作量是相当大的,不仅需要较长的检修周期,也会造成显著的成本消耗,其维修费用甚至可达整台断路器设备成本的30%~50%,而且解体检修会导致一些不可预知的缺陷,降低高压断路器的工作性能,甚至会引发事故。相关统计数据显示,每年花在断路器维护上的费用占整个变电站维护成本的50%左右,而断路器例行检修和小修费用又占了断路器维护费用的一半以上。
  随着智能电网的兴建和快速发展,其对电气设备的智能化提出了迫切的要求。近年来,电力行业大力倡导电力设备的状态检修,而研究高压断路器故障诊断技术能够为其状态检修提供有效的故障信息,从而可以有针对性地展开状态检修工作。此外,从社会经济性来讲,随着社会和各经济产业的快速发展,各行业对电能的需求和依赖越来越大,停电给社会生产和人民生活带来的损失也越来越大,因此保障高压断路器的稳定可靠运行变得更为紧迫。通过开展高压断路器机械故障诊断研究,能够快速准确地发现断路器现有或潜在故障并及时安排维修,从而可以有效减少因断路器故障引起的停电事故和经济损失,对增强整个系统的可靠性和经济性具有重要的意义。
  当前,双馈异步风力发电机是我国风电市场的主要机型,其故障主要出现在电气系统、控制系统和传动系统。研究表明,电气故障和控制系统故障的发生概率要高于传动系统故障,但传动系统故障的排除难度远大于前两者,造成的停机时间也更长。这是由于传动系统主要由齿轮箱、主轴和轴承等机械部件构成,结构更加复杂,作为风电机组能量转换和传递的关键部件,受极端恶劣天气和多变运行工况的影响较大。另外,传动系统中容易发生故障的部件如齿轮箱和轴承,本身的造价较高,且重量体积大,又处于高空,更换难度大,一旦发生故障往往需要整体拆除与更换,将会产生较高的维修费用和长时间的机组停机,从而造成较大的经济损失。因此,开展风电机组传动系统的状态监测与故障诊断研究在整个机组的故障诊断中占有十分重要的地位。
  自2015年5月21日起,中国电力投资公司南方公司依据之前制定的计划对兴安源江风电场机组进行检修,该风电场共有66台风电机组,前后共花费两个月的时间才完成对所有机组的检修工作。事实上,对风电机组实施计划检修方式,频繁操作和过度拆卸会在一定程度上对风电机组造成损伤,埋下安全隐患,从而会引起设备的可靠性下降,尤其是对于风电机组传动系统中的齿轮箱和轴承部件,体积重量大,又处于高空,拆卸与检修均需借助起吊装置,在拆卸、检查和组装的过程中难免会造成损坏,并且工作量是相当大的,不仅需要较长的检修周期,也会造成显著的成本消耗。齿轮箱和轴承等大型部件的解体检修还会引入一些不可预知的缺陷和隐患,影响风电机组的安全性、可靠性和工作性能,久而久之可能会发展为故障并引发事故。
  随着风电装机规模不断扩大,计划检修已无法满足风电场的可靠性、经济型要求,提高风电行业竞争力,对风电机组尤其是机组传动系统的计划检修向状态检修过渡已成为必然趋势。风电机组传动系统故障诊断技术能够为状态检修提供有效的故障信息,从而可以有针对性地对其展开状态检修工作,缩短因计划检修造成的非故障停机。通过开展风电机组传动系统机械故障诊断研究,能够快速准确地发现传动系统中齿轮箱和轴承等机械部件存在的故障隐患,及时制定维修方案进行针对性维修,减少因传动系统机械部件故障所造成的机组停机和经济损失,从而提高整个风电机组的安全性、可靠性和经济性,提高风电行业的竞争力。
  1.2断路器机械故障诊断研究综述
  国外一些组织已经开发出了较为成熟的高压断路器诊断系统,如瑞士ABB研制的六氟化硫断路器状态监测系统、法国ALSTOM研制的CBWatch系列断路器状态监测系统、美国Hathway公司研制的BCM200断路器状态监测系统及日本东芝公司联合东京电力公司开发的GIS在线监测及诊断系统等。我国相关方面的研究起步相对较晚,但仍有一些具有代表性的监测系统也取得了不错的效果,如清华大学开发的CBA-1断路器状态监测系统、中国电力科学研究院开发的KZC-1型高压断路器在线监测仪、华中科技大学和湖南省电力局联合开发的高压断路器机械特性在线监测系统以及哈尔滨工业大学开发的CBMS系统等。
  近几十年来,国内外学者在高压断路器状态监测和故障诊断方面做了许多研究,为提高高压断路器的运行可靠性提供了重要的理论指导和技术支持。国内外研究主要是首先选定能够包含高压断路器机械状态的信息量(即监测对象),然后利用现代信号处理等技术对其进行处理和分析,获得能够反映高压断路器状态情况的特征量,并使用模式识别技术进行识别和分类。
  1.2.1断路器机械故障诊断的监测对象
  高压断路器常见的机械故障包括传动机构变形、分合闸线圈失灵或卡涩、锁扣失灵、曲柄卡滞、螺丝松动、润滑不良、部件破裂、触头位置不正常和缓冲器故障等。从监测对象的角度,根据IEEE建议的断路器故障监测对象选择原则,目前最为常用的断路器机械故障诊断监测对象主要包括断路器振动信号、分(合)闸线圈电流信号、动触头行程-时间特性曲线等。
  (1)振动信号:高压断路器在进行分合闸操作时操动机构释放较强的能量,带动传动机构完成动触头的分合操作,在此过程中会产生剧烈的振动。这种振动信号蕴含了与断路器机械状态相关的一些信息,通过对这些状态信息进行有效挖掘,就可以实现高压断路器的机械故障诊断。由于高压断路器振动信号所蕴含的信息十分复杂,采用适当的信号预处理技术和特征提取方法将振动信号中的故障信息提取出来,进而通过人工智能算法可以获得断路器故障诊断结果。这种基于振动信号分析的故障诊断方法是非侵入式的,不会对设备本身性能产生影响,且适用于高电压和强电磁的环境中,因而近年来基于振动信号分析的断路器故障诊断方法获得了广泛的关注。
  (2)分(合)闸线圈电流:高压断路器接收到动作命令时,断路器分闸或合闸线圈励磁产生电磁推力,推动相应的分(合)闸挚子脱扣以释放储能装置储存的能量,从而驱动操动机构和传动机构动作以实现断路器的分闸或合闸操作。在该动作过程中,有电流流过分(合)闸线圈,且电流的大小随时间呈一定的规律变化。这种具有规律变化的线圈电流,可以反映线圈自身、控制机构和线路存在的某些故障,如线圈绝缘缺陷、供电电压异常、线圈铁芯卡涩等。一般采用霍尔电流传感器来获取线圈电流,其测量方式简单方便,并且不会影响控制回路的工作性能。因此,可通过监测分(合)闸线圈电流来获得线圈、操动机构等部件的状态情况。事实上,断路器分(合)线圈与其连接部件会在长期工作中出现卡涩和变形的现象,而大约有26.1%的断路器拒动和误动故障是由该现象引起的。通过监测断路器分(合)闸线圈电流,可以实现对此类故障的诊断,及早发现断路器存在的故障或缺陷。
  (3)动触头行程-时间特性:高压断路器的分合闸过程,实际上是传动机构带动动触头与静触头的接触和分开过程。通过在动触头上安装位移传感器,可以获得动触头的行程-时间特性曲线。根据该行程-时间特性曲线,可以获得一些断路器状态参数,如动触头行程、动触头刚分/刚合速度、分/合闸时间及动触头速度曲线等。这些参数能够在一定程度上反映断路器性能的好坏,它们在正常情况下都有一个最佳取值范围,超出该范围就说明断路器出现了某些缺陷或故障。断路器在出厂时会在说明书上注明这些参数的正常范围,检修人员可以通过对比这些状态参数来判定断路器是否出现了故障问题。文献、通过监测断路器动触头行程-时间特性曲线,获得相应的状态参数,从而实现断路器的故障诊断。
  在上述三种断路器故障诊断检测对象中,基于分(合)闸线圈电流的诊断方法往往对于线圈本身及其连接机构发生的故障具有较好的反映,而无法有效地反映其他机构产生的故障,因而具有较大的故障诊断局限性。基于动触头行程-时间特性曲线的诊断方法需要在动触头上安装位移传感器,不仅安装较为

 


展开
目录
目录
前言
引入篇 电力设备关键部件机械故障诊断
第1章 绪论 2
1.1 研究背景及意义 2
1.2 断路器机械故障诊断研究综述 4
1.2.1 断路器机械故障诊断的监测对象 5
1.2.2 断路器振动信号处理方法 6
1.2.3 断路器状态识别方法的研究 8
1.3 风电机组机械故障诊断研究综述 9
1.3.1 风电机组传动系统故障诊断的监测对象 9
1.3.2 基于振动信号分析的风电机组传动系统故障诊断研究现状 11
1.3.3 风电机组传动系统状态识别方法研究现状 12
1.4 高压断路器机械故障诊断方案设计 14
1.4.1 高压断路器的基本结构及工作原理 14
1.4.2 高压断路器的常见机械故障 20
1.4.3 高压断路器机械故障诊断总体方案 23
1.5 风电机组传动系统机械故障诊断方案设计 24
1.5.1 风电机组传动系统基本结构和原理 24
1.5.2 风电机组传动系统常见机械故障 25
1.5.3 风电机组传动系统机械故障诊断总体方案 28
1.6 本章小结 29
参考文献 29
高压断路器篇 关键部件机械故障诊断
第2章 基于单类分类器的高压断路器机械故障诊断 36
2.1 基于S变换的高压断路器振动信号处理及特征提取 36
2.1.1 S变换 36
2.1.2 基于S变换的高压断路器振动信号处理 37
2.1.3 基于S变换时-频熵的高压断路器机械故障诊断特征提取 39
2.2 基于经验小波变换的高压断路器振动信号处理及特征提取 43
2.2.1 经验小波变换 43
2.2.2 经验小波变换与经验模态分解的对比 46
2.2.3 基于经验小波变换和时-频熵的断路器机械故障诊断特征提取 47
2.3 基于单类分类器的高压断路器机械故障诊断 53
2.3.1 单类分类器概述 53
2.3.2 基于单类支持向量机的高压断路器机械故障诊断 54
2.3.3 基于支持向量数据描述的高压断路器机械故障诊断 60
2.4 本章小结 65
参考文献 66
第3章 基于多层分类器的高压断路器机械故障诊断 68
3.1 高压断路器振动信号采集与特征提取 68
3.1.1 基于变分模态分解的断路器振动信号处理 68
3.1.2 基于局部奇异值分解的特征提取 75
3.2 基于多层分类器的故障分类方法研究 76
3.2.1 支持向量机和单类支持向量机原理 77
3.2.2 多层分类器的构建和诊断流程 79
3.3 高压断路器故障诊断实例分析 80
3.3.1 实测振动信号特征分析 80
3.3.2 诊断结果及分析 87
3.4 本章小结 90
参考文献 90
第4章 基于时域分割特征的断路器弹簧操动机构机械故障 92
4.1 基于时域分割的振动信号故障特征提取 92
4.1.1 基于时域分割的断路器振动信号处理 92
4.1.2 基于时域分割的时域特征提取 95
4.1.3 基于散布矩阵的特征分类能力分析 95
4.1.4 基于Gmi重要度的特征选择分析 98
4.1.5 基于时域分割特征的特征选择方案 99
4.2 基于层次化混合分类器的断路器机械故障分类 100
4.2.1 随机森林原理 100
4.2.2 基于时域分割的断路器机械故障诊断方案设计 102
4.3 基于实测振动信号的高压断路器机械故障诊断 103
4.3.1 实测振动信号特征分析 103
4.3.2 实验结果及分析 112
4.4 本章小结 115
参考文献 116
第5章 基于熵特征高效时域特征提取的高压断路器机械故障诊断 118
5.1 基于时域分割的特征提取 118
5.1.1 原始信号时域分割方式和依据 118
5.1.2 时域分割后的特征计算 119
5.2 特征选择 120
5.2.1 Split重要度值对特征分类能力的衡量效果 120
5.2.2 基于Split重要度值的前项特征选择 122
5.3 高压断路器高效故障诊断分类器的构建 123
5.3.1 梯度提升决策树 123
5.3.2 基于高压断路器振动信号时域特征的分类器构建 124
5.3.3 多线程并行直方图加速 125
5.3.4 带深度限制的Leaf-wise生长策略 126
5.4 案例分析 126
5.4.1 故障诊断流程 126
5.4.2 基于时域分割的特征提取效率分析 126
5.4.3 LightGBM分类器的分类效果分析 128
5.5 本章小结 129
参考文献 129
第6章 采用局部时-频奇异值与优化随机森林的高压断路器机械故障诊断 131
6.1 随机森林分类原理及优化 131
6.2 故障诊断流程 132
6.2.1 HVCBs故障诊断流程 132
6.2.2 基于虚拟仪器的实测信号采集系统 133
6.2.3 振动信号处理 134
6.2.4 局部奇异值分解提取特征 135
6.2.5 优化随机森林进行故障诊断 136
6.3 故障诊断实例分析 136
6.3.1 不同特征提取方式比较 136
6.3.2 不同分类器的比较 137
6.4 本章小结 138
参考文献 138
风电机组篇 传动系统关键部件机械故障诊断
第7章 基于混合分类器的风电机组传动系统机械故障诊断 140
7.1 风电机组传动系统振动信号处理 140
7.1.1 自适应信号处理方法性能对比 140
7.1.2 基于EWT的风机传动系统振动信号处理与分析 142
7.2 风电机组传动系统振动信号特征提取及选择 149
7.2.1 风电机组传动系统原始特征集合构建 150
7.2.2 基于随机森林的风电机组传动系统故障特征选择 151
7.3 基于混合分类器的故障诊断方法研究 156
7.3.1 模糊C均值聚类原理 156
7.3.2 混合分类器构建和诊断流程 157
7.3.3 轴承故障诊断结果及分析 158
7.3.4 齿轮箱故障诊断结果及分析 161
7.4 本章小结 164
参考文献 165
第8章 采用非平衡小样本数据的风机主轴承故障深度对抗诊断 167
8.1 辅助分类生成对抗网络 167
8.2 改进AC-GAN 168
8.3 改进AC-GAN实验样本构建 170
8.4 实验设计与分析 171
8.4.1 生成样本真实性与差异性分析 171
8.4.2 复杂噪声环境下主轴承故障诊断实验 173
8.4.3 小样本场景主轴承故障诊断 176
8.4.4 样本非平衡场景下主轴承故障诊断 178
8.4.5 不同分类方法对比实验 179
8.5 本章小结 180
参考文献 180
第9章 基于噪声标签有限数据驱动的风电机组传动系统轴承故障诊断 182
9.1 鲁棒性辅助分类生成对抗网络 182
9.2 实验数据集的构建 184
9.2.1 传动系统典型故障诊断数据集 184
9.2.2 传动系统故障诊断数据集构建 186
9.3 含噪声标签场景生成样本分析 188
9.3.1 生成器样本生成能力分析 188
9.3.2 生成样本分析 189
9.4 含噪声标签有限数据驱动场景故障诊断 191
9.4.1 训练样本减少实验 191
9.4.2 训练样本非平衡实验 197
9.4.3 含不同比例噪声标签样本实验 200
9.5 含噪声标签有限数据驱动场景下不同方法对比实验 200
9.5.1 含噪声标签有限数据场景对比实验 200
9.5.2 含不同比例噪声标签场景对比实验 201
9.6 本章小结 202
参考文献 202
展开
加入书架成功!
收藏图书成功!
我知道了(3)
发表书评
读者登录

请选择您读者所在的图书馆

选择图书馆
浙江图书馆
点击获取验证码
登录
没有读者证?在线办证