典型文献
基于GRU模型的发电机转子绕组匝间短路故障诊断
文献摘要：
针对发电机转子绕组匝间短路早期故障不易检测的问题,本文提出了一种基于门控循环单元(Gated Recurrent Unit,GRU)的深度学习网络模型来进行发电机转子匝间短路故障诊断方法.发电机在发生匝间短路故障时会形成不平衡的电磁脉冲力,使发电机产生振动;采用振动特性方法分析绕组匝间短路故障时气隙磁势、励磁电流、气隙磁密等电气参数的变化,计算出使发电机产生振动的电磁脉冲力大小.并以某250 MW燃气发电机组为例进行了匝间短路故障检测试验,试验数据由发电机正常状态、匝间短路状态、其他故障状态的振动数据组成,共计900组,数据处理采用深度学习中的GRU神经网络模型,提取振动信号中的故障特征与时间序列特征,进而实现发电机转子绕组匝间短路故障的诊断.结果表明,绕组匝间短路故障时会产生f、2f、3f、4f、5f倍频的振动,其中2f倍频振动相对较大,符合理论分析结果;利用GRU神经网络模型对发电机转子绕组匝间短路故障进行诊断,准确率达到95.14％,高于AlexNet、VGG16等其他深度学习方法.通过试验可知,GRU模型可有效对发电机转子绕组匝间短路故障进行诊断.该研究可以在故障初期通过振动信号发现发电机匝间短路故障,为绕组匝间短路故障诊断提供了新思路.
文献关键词：
发电机;匝间短路;故障诊断;振动分析
中图分类号：
作者姓名：
马高海;刘大炜;杨宏宇;史宗辉
作者机构：
国能浙江余姚燃气发电有限责任公司, 浙江 宁波 315400;上海博英信息科技有限公司,上海 110006;沈阳工业大学机械工程学院, 辽宁 沈阳 110870
文献出处：
引用格式：
[1]马高海;刘大炜;杨宏宇;史宗辉-.基于GRU模型的发电机转子绕组匝间短路故障诊断)[J].电力科技与环保,2022(06):467-474
A类：
B类：
GRU,发电机转子,转子绕组匝间短路,匝间短路故障,早期故障,门控循环单元,Gated,Recurrent,Unit,深度学习网络,转子匝间短路,故障诊断方法,电磁脉冲,冲力,振动特性,时气,磁势,励磁电流,气隙磁密,电气参数,出使,MW,燃气发电机组,故障检测,检测试验,正常状态,故障状态,振动信号,故障特征,时间序列特征,2f,3f,4f,5f,倍频,AlexNet,VGG16,深度学习方法,振动分析
AB值：
0.200428
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
