水电机组状态监测与故障诊断技术的研究与应用,是近年来水电行业的热门话题。通过状态监测系统对机组运行状态数据的展示和积累,利用数据挖掘和故障诊断技术进行机组运行状态评估,可以发现机组可能存在的潜在故障和性能劣化的趋势,最终实现机组的状态检修。目前水电厂安装了大量的状态监测系统,在此基础上,如何进一步利用这些存储的长期海量数据,推进状态监测的深入应用,并开展诊断方法的应用研究,是当前状态监测与诊断技术在水电行业遇到的瓶颈和难点。而在水电机组故障诊断的分析过程中,常常存在先验知识缺乏、故障样本稀少或故障模式不完备的问题。针对水电机组的故障诊断技术大多采用基于知识的方法,这些方法对明确的故障状态数据能得到较好的效果,但作为低速旋转设备的水电机组,由于其运行机理的复杂性,很难得到清晰的故障模式,以及这些模式对应的特征数据。针对这些问题,本文以水电机组振动、摆度和温度等常见状态测点的长期数据作为研究对象,开展基于新异类检测方法和支持向量机技术的水电机组诊断研究。论文的主要撰写思路是从征兆的统计特征分析开始,到基于新异类检测(单类支持向量机)的建模和评估方法研究,再推广到基于支持向量机的多类故障诊断和趋势预估。论文前半部分分析了故障诊断的基础条件--故障征兆的特征提取方法,选择状态数据的长期统计特征作为模型学习样本,融合新异类检测中的单类支持向量机方法,实现对机组状态数据的异常评估。后半部分从单类支持向量机方法推广到多类故障分类,并结合机组状态监测数据的特点,试验研究了两种基于支持向量机回归和在线数据更新的趋势预估方法。论文主要研究工作如下：1.深入分析了新异类检测技术对水电机组故障诊断的意义,并参考机器学习和其他能源领域对模式识别或故障诊断方法的分类,总结归纳了水电机组的故障诊断模式,提出水电机组故障诊断方法可分为基于知识的诊断方法和基于数据的诊断方法两种类别。同时,通过对常见新异类检测技术的研究与应用现状进行总结,认为新异类检测技术以及源于支持向量机的单类支持向量机技术,可根据已知观测样本的学习,实现对未知异常的判断和识别。2.深入研究了水电机组状态数据的统计特征。通过实例分析水电机组状态数据的时域统计特征,设计基于正常运行数据的健康样本模型,并对其长期分布特性、短期分布特性和时序特性均作了数学分析和验证。最后,将Bootstrap采样方法应用于状态数据的统计特征提取中,设计了一种基于Bootstrap方法的水电机组状态特征阈值计算方法,并利用实例对Bootstrap方法对数据密度函数的改良效果进行了评估。3.利用统计特征和单类支持向量机技术研究机组状态信号的融合检测。(1)详细介绍了基于经验数据的机组状态评估方法,结合机组实际状态数据,对其评估方法进行验证,提出健康模型基准值的选择依据。(2)结合机组统计特征和高斯密度法,对基于机组正常运行数据的三维健康模型建模方法开展研究。通过工况网格划分,消除了工况对状态数据的影响,优化了健康模型的阈值范围。(3)研究基于新异类检测原理的机组状态信号检测与评估方法。通过无监督聚类与单类支持向量机方法的融合,实现对机组状态趋势信号的异常检查和状态判别。4.研究并验证基于小波包能量分解和最小二乘支持向量机技术的水电机组故障诊断方法。(1)详细介绍了支持向量机技术的多类分类方法和全局优化方案。利用小波包能量分解技术,以机组轴系特征数据为例,通过多频带能量分解实现了轴系故障征兆的提取。(2)将小波包分解技术与最小二乘支持向量机方法结合,对从征兆提取到样本学习,再到故障分类的诊断方法开展研究,并采用机组实际运行数据进行分类结果的准确率检验。5.在基于支持向量机回归技术的在线预测方法的基础上,对分段预测和多尺度预测两种改进型在线预测方法进行研究,将其用于水电机组实时更新状态监测数据的趋势预测。(1)针对常规状态监测系统数据更新造成的计算负荷过大、效率较低的问题,研究分析基于分段预测的支持向量机回归方法,通过选取最优子分类SVR模型来预测输出,实现了在线样本规模的缩减,并保持了较高的预测效率和精度。(2)针对状态监测系统数据更新容易丢失趋势特性的问题,研究基于多尺度分析的并行预测方法,通过对历史数据的重采样训练,既最大程度上保留了历史趋势特性,又减小了计算负荷,提高了预测精度。综上所述,论文避开常规水电机组故障诊断技术研究基于故障先验知识的特点,在机组趋势数据的统计特性和正常数据建模方面做了一定的研究,并利用新异类检测和支持向量机技术,通过与聚类算法、小波包能量分解技术的融合,以及针对在线监测数据更新的特点,试验研究了支持向量机技术在在线数据预测上的改进和优化,较好的实现了机组状态数据的故障分类和在线趋势预测。