水电能源作为一种清洁可再生能源在我国整个能源结构中占有重要的地位。水电机组作为水电站能源转换的关键核心设备,积极开展水电机组的故障诊断与振动趋势预测研究,有助于降低机组故障事故风险,保障机组安全稳定运行。由于水电机组的结构复杂,各部件相互耦合相互作用以及多种激励的共同影响,在一定程度上增加了水电机组故障诊断与振动趋势预测的难度。本文围绕着水电机组非平稳信号分析处理、故障特征提取、故障特征筛选、故障诊断模型优化和振动趋势预测分析等研究内容,以经验小波变换、最大相关峭度反卷积、混合引力搜索算法、极限学习机等为理论基础,融合非平稳信号处理方法和滤波方法有效地提取出水电机组的故障特征;采用混合的引力搜索算法从特征筛选和极限学习机参数优化两个方面提高故障诊断的准确度;构建了Gram-Schmidt正交法和极限学习机相结合的水电机组振动趋势预测模型。本文的主要研究内容如下所示:(1)水电机组在运行过程中会受到机械,水力和电磁等激励的共同作用,导致机组的振动信号具有非平稳性和强背景噪声性。为了从水电机组的振动信号中提取出故障特征,对原始信号进行滤波降噪,采用经验小波变换将原始振动信号分解成一系列的单一成分模态,依照相关系数和峭度指标筛选具有故障特性的模态进行重构,最大相关峭度反卷积被用于重构信号的二次滤波。通过对滤波信号的频谱分析和包络谱分析可以有效提取水电机组的故障频率特征。(2)为提高水电机组故障诊断模型的诊断精度,采用混合引力搜索算法同时进行故障特征筛选和极限学习机参数优化。经验小波变换将故障信号分解成一系列的单一成分模态,提取模态矩阵的奇异值特征和能量特征,融合从原始信号提取的时域、频域统计特征组合成混合特征子集。为降低混合特征子集中冗余特征对故障诊断的干扰,使用二进制引力搜索算法进行特征的筛选。同时,采用实数的引力算法对极限学习机的输入层权值和阈值进行优化。最后通过测试数据验证了所提故障诊断方法具有很高的诊断准确度。(3)水电机组振动信号分析和水电机组故障诊断均为事后决策分析,在机组出现故障后对机组的检修提供支持。为弥补事后分析的不足,提出一种能够预测机组运行状态趋势的方法,根据机组运行趋势的预测结果及时地对机组进行维护,避免机组进一步恶化演变为机组故障。以水电机组非平稳振动信号分析处理为基础,采用Gram-Schmidt正交法和极限学习机构建水电机组振动信号的趋势预测方法。该方法将水电机组振动信号时间序列采用经验小波变换分解成一系列单一成分的模态,对每个模态构建输入输出,采用Gram-Schmidt正交法对输入特征进行筛选去除冗余的特征,选用引力算法优化的极限学习机作为预测模型。通过实测水电机组振动数据的试验,验证了本文所提预测方法能够准确地预测水电机组的振动趋势。