摘要：在人們生活水平不斷提高的背景下，水電機組在生產(chǎn)生活當(dāng)中的作用越來越突出。它是電能的重要生產(chǎn)設(shè)備，具有較強的穩(wěn)定性和較高的運行效率。面對水電機組在振動過程當(dāng)中出現(xiàn)的故障，需要結(jié)合先進的科學(xué)技術(shù)進行及時診斷，最大限度地降低損失。實現(xiàn)對診斷方法的創(chuàng)新，實現(xiàn)故障診斷的智能化發(fā)展對于提高水電機組的穩(wěn)定性具有重要的意義?；诖?，文章從水電機組常見的振動故障出發(fā)，探究了對這些故障進行智能診斷的方法。

關(guān)鍵詞：水電機組;振動故障;智能診斷;診斷方法

一、水電機組常見的振動故障

（一）軸系運行故障

在正常的情況下，水電機組軸系在運行的時候，機組的中心與其旋轉(zhuǎn)的中心、軸線這三者是位于同一條直線上。當(dāng)運行一段時間之后，三者之間就可能會出現(xiàn)一定的偏差，如果這一偏差在允許的范圍之內(nèi)的話并不會對機組實際運行的效果產(chǎn)生影響。而如果這一偏差超過了一定的范圍之后，就會對整個軸系的穩(wěn)定性和質(zhì)量產(chǎn)生影響。在軸系運行的過程當(dāng)中，常見的故障包括不對中、不平衡、松動等。在對這些故障進行診斷的時候，要對整個軸承的運行情況進行實時檢測，這樣才能了解軸系實際運行的情況，從而可以在這個基礎(chǔ)上找到相應(yīng)的配重方案。

（二）發(fā)電機故障

發(fā)電機是水電機組的核心構(gòu)成部分，在發(fā)電機設(shè)計、制造、安裝的過程中如果出現(xiàn)失誤的話，都會對最終的運行效果產(chǎn)生不良的影響，甚至?xí)斐蛇\行異常的狀態(tài)。通常來說，發(fā)電機常見故障包括四類：一是發(fā)電機定子故障，含定子機座振動、定子鐵芯故障和定子繞組故障;二是發(fā)電機轉(zhuǎn)子故障，包括轉(zhuǎn)子鐵芯故障和轉(zhuǎn)子繞組故障;三是發(fā)電機不平衡故障，包括發(fā)電機轉(zhuǎn)子質(zhì)量不平衡和發(fā)電機電磁不平衡;四是發(fā)電機電磁振動，含發(fā)電機的轉(zhuǎn)頻振動和極頻振動。

二、水電機組振動故障的智能診斷方法

（一）專家系統(tǒng)診斷法

專家系統(tǒng)當(dāng)中含有大量的專業(yè)知識，它集合了多個領(lǐng)域?qū)＜业慕?jīng)驗，可以通過人工智能技術(shù)和計算機技術(shù)來對水電機組的故障進行準(zhǔn)確判斷。在應(yīng)用該方法的過程中，系統(tǒng)可以模擬專家決策的過程，對水電機組故障進行一系列的推理與判斷，促進這些問題的高效解決和問題的及時處理，無論是在理論還是工程實踐方面都有著廣泛的應(yīng)用。在對水電機組振動故障進行診斷的過程當(dāng)中，專家系統(tǒng)主要是通過知識系統(tǒng)和推理系統(tǒng)來發(fā)揮作用的，這其中包括知識庫、數(shù)據(jù)庫、推理體系、解釋器等多個模塊。近年來，專家系統(tǒng)已經(jīng)成為水電機組故障診斷領(lǐng)域當(dāng)中最引人注目的一個發(fā)展方向，同時也是應(yīng)用最為廣泛的一種診斷方法，它主要是由以下三種方法所構(gòu)成的。第一種是它可以基于淺層知識來進行判斷，這一方法的推理速度比較快，但如果待診斷對象比較復(fù)雜的話，系統(tǒng)就會展示出知識不集中的問題，很容易陷入診斷困境當(dāng)中。第二種是基于深層知識而進行的診斷，它具有方便快捷的方式，維護起來也更加簡單，能夠最大限度地確保知識庫的一致性。但是在應(yīng)用的過程當(dāng)中，由于該方法搜索的范圍比較大，因此整個推理過程比較緩慢。第三種是混合知識型的系統(tǒng)，它結(jié)合了上述兩種方法的優(yōu)點，可以先通過淺層推理的過程產(chǎn)生初步的診斷假設(shè)，然后通過深層診斷的方法來進行確認。但這種方法對知識庫的豐富度和專業(yè)水平依賴性比較強，缺乏自學(xué)習(xí)和自適應(yīng)的機制。

（二）人工神經(jīng)網(wǎng)絡(luò)診斷法

這種方法是通過模擬人類的神經(jīng)系統(tǒng)來對水電機組的故障進行診斷的，具有較高的智能化水平，可以通過多種智能化的方式來實現(xiàn)對信息的處理。這種診斷方法的特點是包含了多種科學(xué)，同時展現(xiàn)出了廣闊的應(yīng)用前景。由于神經(jīng)網(wǎng)絡(luò)具有記憶的功能，因此在使用的過程當(dāng)中可以實現(xiàn)自適應(yīng)和自學(xué)習(xí)，故障計算過程更加簡便、故障評估過程也更加客觀。與專家系統(tǒng)相比，人工神經(jīng)網(wǎng)絡(luò)診斷法具有較強的自學(xué)習(xí)和自適應(yīng)能力，同時可以將當(dāng)前的水電機組測試數(shù)據(jù)與歷史故障數(shù)據(jù)進行科學(xué)的對比，準(zhǔn)確地對故障進行識別，因此在可靠性方面具有獨特的優(yōu)勢。但是在使用的過程當(dāng)中這種方法容易受到訓(xùn)練樣本數(shù)量的顯示，診斷系統(tǒng)也比較隱蔽，它對推理過程和所存儲知識的意義難以真正理解，無法對診斷結(jié)果進行合理解釋。

（三）貝葉斯網(wǎng)絡(luò)法

貝葉斯網(wǎng)絡(luò)法在對水電機組進行智能診斷時，能夠采用圖論和概率理論結(jié)合的方式對水電機組中的不確定因素進行診斷，采用概率計算的方式對水電機組的故障進行科學(xué)的判斷，在進行概率計算時采用的原則為乘法規(guī)則和加法規(guī)則兩種。相較于其他機械設(shè)備的振動故障而言水電機組振動故障較為復(fù)雜，在對水電機組進行故障診斷時，貝葉斯網(wǎng)絡(luò)方法能夠?qū)λ姍C組運行中的不確定因素進行量化分析，并采用概率計算的方式準(zhǔn)確地計算出水電機組運行故障的概率，診斷結(jié)果具有較高的精準(zhǔn)度。

三、結(jié)語

綜上所述，水電機組在振動的過程當(dāng)中會受到多種因素的影響，因此故障的構(gòu)成要素比較復(fù)雜，除了會受到機械因素的影響之外，還會受到各種自然因素的影響。與此同時，在故障診斷的過程中對各項信息的搜集難度比較大，對各項故障的分析也并不全面。當(dāng)前，水電機組振動故障的診斷雖然在向著智能化的方向不斷發(fā)展，但是目前還無法實現(xiàn)對全部故障的有效診斷。在未來，人工智能、物聯(lián)網(wǎng)技術(shù)還將會實現(xiàn)合理的運用，故障算法也將進一步擺脫對歷史數(shù)據(jù)的依賴，實現(xiàn)在線診斷。

參考文獻：

[1]王玉靜，那曉棟，康守強，等.基于EEMD-Hilbert包絡(luò)譜和DBN的變負載下滾動軸承狀態(tài)識別方法[J].中國電機工程學(xué)報，2017，37（23）：6943-6950，7085.

作者簡介： 譚輝州，貴州共筑未來建設(shè)工程有限公司。