水電機組狀態監測系統通過對機組各種參量的實時檢測和監視，綜合設備歷史狀況，能對機組作出故障診斷和趨勢預報，及時評估設備性能，利于水電廠制定合理的設備檢修維護制度，從而達到延長檢修周期，縮短檢修時間的目的。 1水電機組故障診斷特點 　　水電機組故障診斷主要包括水輪機診斷和發電機診斷，二者互為關聯。 　　水輪機診斷包括：軸系、葉輪、葉片、導軸承、潤滑系統、支撐系統、控制系統等部位故障的診斷。主要故障特征包括：油箱油位的升高和降低、油溫的升高、軸瓦平均溫度升高、軸瓦溫度上升率、擺度升高、軸承振動升高、振動和擺度隨轉速、負荷變化的趨勢、有無負荷的振動情況。 　　發電機診斷包括：定子線圈、定子磁心、轉子、軸系等部位故障的診斷。定子線圈的診斷采用局部放電法（脈沖高頻容量）用于檢測線圈、線棒、線棒支撐的絕緣情況及線圈斷路。定子鐵芯和轉子的診斷運用一組氣隙測量傳感器監測定子孔徑和轉子圓周、偏心所造成的動態氣隙情況。 　　檢測的參數一般有：機架振動、擺度、溫度、電量、氣隙、絕緣監測、氣蝕、壓力脈動等。 　　對于診斷導軸承、推力軸承以及其它一些復雜的故障，診斷系統要綜合考慮分析各檢測參數。 [b]2故障診斷系統結構 [/b]　　機組故障診斷系統包括數據預處理和數據規范化、信息處理、故障診斷知識建模、故障檢測、故障分離與估計、故障分類評價和決策、知識模型庫、數據庫、智能決策支持系統、人機對話界面、監控中心等。故障診斷系統構成見圖1。 　　數據預處理和數據規范化模塊對在線采樣的可測變量先進行預處理以消除噪音，然后將其轉化為規范數字信號輸入數據庫中。 　　信息處理、故障診斷知識建模模塊將從機組錄入的振擺、水壓脈動等信號進行再處理并建成知識模型庫。 　　知識模型庫、數據庫在故障檢測、故障分離與估計、故障分類評價和決策模塊實時起支撐性作用。 　　智能決策支持系統模塊負責對機組不同的運行狀態選擇哪種或哪幾種診斷方法，以及各診斷方法之間的集成，給出相應的故障處理方案，和優化運行決策與檢修計劃決策，并對知識模型庫中的知識進行協調調用。 　　人機對話界面、監控中心分別負責機組信息的輸入與輸出，包括深層和淺層知識的錄入、故障信息的輸出，以及在判定故障時啟動保護措施，通過執行機構去完成。另外還有數據的報表輸出及打印等功能。 [b]3知識模型庫 [/b]　　如何具體實現故障診斷知識建模的功能，進行診斷知識模型的獲取，形成知識模型庫，從而實施在線故障檢測、故障分離與估計、故障分類評價和決策模塊的功能是系統的難點。 　　在文獻［1］中，楊杰等提出了一種基于綜合模型的故障診斷建模與推理的方法，即人工神經網、案例、規則和對象模型，來有效地進行診斷知識模型的獲取。 　　水電機組的知識模型可由機組模型、診斷經驗規則、診斷神經網模型、診斷案例4種方式來表示。 　　診斷知識模型由一般到特殊分四層組織：第一層描述最一般的診斷知識，由水輪機、發電機的機組模型組成。運行模型描述了機組正常工作時的形態，故障模型描述了機組在故障時的形態，它們被用于基于模型的診斷、真值維護和解釋。第二層描述一般的診斷知識，由根據水電機組的技術標準、規程和專家診斷經驗歸納出的診斷規則組成，用于基于規則的診斷。第三層是根據類似診斷事例經訓練構造的人工神經網模型，用于基于神經網模型的診斷。第四層由案例－子案例等級框架表示組成，它描述各電廠機組或電廠各機組間的特殊診斷案例知識，用于基于案例的診斷。 　　3．1第一層 　　機組定量信息描述一般包括參數描述和狀態描述兩種。 　　參數描述指由機組參數的顯著變化來描述故障的發生如溫度量、電量等的量值越閾或突變。狀態描述指由機組開、停機過程及機組運行狀態來描述所包含的故障信息。 　　由機組定量信息描述形成的運行模型和故障模型，構成機組模型子庫，形成模型知識庫的第一層。由該層支持的基于機組模型的故障診斷方法有：參數估計診斷法和狀態估計診斷法。 　　參數估計診斷法在進行故障檢測、故障分離與估計、故障分類評價和決策時，診斷的過程參數為機組模型模擬量與機組實際運行參數的比較值，所得殘余偏差為二者之間的相對變化值。在系列殘余偏差中包含有各種故障信息，結合機組模型庫中相應模型對基本殘差序列采用統計檢驗法，檢測機組的故障部位和原因，并進一步分離、估計與決策。 　　狀態估計診斷法由根據水電生產過程的控制邏輯來判斷機組是否有故障狀態，可由機組監控系統直接支持。 　　3．2第二層 　　基于標準和經驗歸納出的診斷規則，故障可分為確定性故障和不確定性故障兩種。 　　對于確定性故障，也就是一般的產生式故障，可建立用于邏輯推理的知識模型庫。而對于非確定性故障，一般采用模糊產生式規則來表示故障診斷知識，即用模糊關系矩陣來表示前提條件與結論之間的因果關系。 　　此外，還可采用可信度方法、概率方法等來描述其不確定性。可對這些方法進行充分收集，整理優化后形成一個較完整的診斷推理機制。 　　3．3第三層 　　根據類似故障診斷事例訓練構造的人工神經網模型，其實質是一個故障分類和識別過程。人工神經網絡在此作為一個自適應的模式識別技術，利用自身的學習機制，通過對案例樣本的學習，自動形成相對應的決策區域。而且樣本變化時，如案例增加時，神經網絡訓練所獲得的映射關系可以自適應，達到對準確診斷的進一步逼近。 　　3．4第四層 　　該層知識由案例－子案例等級框架表示組成，形成了最特殊知識的診斷案例子庫。 　　對機組在線狀態的信息診斷同案例子庫中的案例描述進行匹配，得出解策略。 　　以上四層次知識模型子庫既有其獨立性又緊密關聯。當機組的新類型故障被診斷出來后，可對其進行描述，添加到案例－子案例等級框架中。新類型故障同框架內的原有相似故障可用于構造和訓練新的神經網模型，加入到第三層的人工神經網絡模型子庫中去。 　　新類型故障同原有相似類型故障的診斷方法規則，加入到第二層的規則子庫中去。 　　而以上三層的知識表示如可以采用定量信息表示，又可建模加入到第一層的機組模型庫中。 [b]4融合診斷推理 [/b]　　對于復雜故障的診斷，不能簡單地僅通過某一種方法診斷出來，有效的方法是將各檢測信息有效結合判斷的融合診斷法。 　　文獻［2］中，彭濤等提出一種基于信號處理的人工神經網絡診斷方法，即基于小波變換的特征提取、基于遺傳算法的特征選擇和基于神經網絡的狀態識別理論。 　　該方法可將機組多個傳感器信號，如振擺、氣蝕、水壓脈動信號等，用加權法實現信息的初級融合，按給定的小波函數進行小波變換，提取其特征成分，用遺傳算法搜索選擇輸入參數中最為重要的特征參數，與已知目標特征信息一起作為訓練樣本，送神經網絡訓練，實現狀態識別和故障診斷。 　　對某些復雜檢測信息也采用小波變換法，如對于絕緣監測中所測局部放電數據的處理，針對其局放信號微弱、噪聲大的特點，采用小波變換進行分析，可充分利用小波分析良好的時頻分析特性。 理的策略，直至給出最佳處理方案，得出最精確的預測控制和診斷結果。 [b]5結束語 [/b]　　水電機組的設計、制造、安裝和大修中，都對機組各狀態參數提出規定和要求，但由于水電機組在運行過程中存在不規則的水力干擾，不僅不同機型不同容量不同結構的機組，實際運行參數量值及其變化規律不一樣，而且同一電站同一機型的幾臺機組，運行參數實際也難一致。如一般機組瓦溫帶滿負荷時比空載時高3～5℃，而有的機組帶負荷后溫度并沒有上升，甚至略有下降。又如有些機組上機架振動達1 mm而能長期運行，有的水導運行擺度達到0．8 mm，瓦溫卻正常，運行也穩定。因此，要在故障診斷推理系統內制定一個統一的標準，難度很大，而且到目前為止，尚未有一個國際性的狀態監測標準。 　　從實際的大修內容看，主要是因空蝕、磨損、腐蝕、老化、疲勞引起的零部件損壞和構件松動，但要直接測量，尤其象橡膠密封老化程度的在線測量是十分困難的，甚至是不可能的。所以在故障診斷推理系統的監控中心中設置人工干預功能，適時補充案例層知識，實現人機結合、智能互補是必要的。而把人融合到整個系統中去，還可以根據各自機組的特點，對某些診斷進行重新設置或修正，形成針對機組特點的智能高效推理機制。以達到對各自機組故障的最精確預測和診斷。