1.2.5 發電機故障診斷

大型發電機的監測與故障診斷是電工領域內一個重要的研究課題，最近幾十年世界很多國家開展了在線監測和診斷技術的研究，并逐步推廣應用。自20世紀80年代以來的國際大電網（CIGRE）歷屆年會中，發電機的故障檢測和診斷列為SC-11（旋轉電機）委員會的中心議題之一。

1. 發電機故障診斷的基本方法

1）電氣分析法 通過頻譜等信號分析方法對負載電流的波形進行檢測，從而診斷出發電機設備故障的原因和程度；檢測局部放電信號；對比外部施加脈沖信號的響應和標準響應等。

2）絕緣診斷法 利用各種電氣試驗裝置和診斷技術對發電機設備的絕緣結構和參數及工作性能是否存在缺陷做出判斷，并對絕緣壽命做出預測。

3）溫度檢測方法 采用各種溫度測量方法對發電機設備各個部位的溫升進行監測，發電機的溫升與各種故障現象相關。

4）振動與噪聲診斷法 通過對發電機設備振動與噪聲的檢測，并對獲取的信號進行處理，診斷出發電機產生故障的原因和部位，尤其是對機械損壞的診斷特別有效。

5）化學診斷的方法 可以檢測到絕緣材料和潤滑油劣化后的分解物以及一些軸承、密封件的磨損碎屑，通過對比其中一些化學成分的含量，可以判斷相關部位元件的破壞程度。

2. 發電機故障的現代分析方法

1）基于信號變換的診斷方法 發電機設備的許多故障信息是以調制的形式存在于所監測的電氣信號及振動信號之中，如果借助于某種變換對這些信號進行解調處理，就能方便地獲得故障特征信息，以確定發電機設備所發生的故障類型。常用的信號變換方法有希爾伯特變換和小波變換。基于信號變換的故障診斷方法在發電機設備故障診斷的實際應用中取得了很多成果；尤其是小波變換，很適合探測正常信號分析中夾帶的瞬態反常現象并展示其成分，在發電機設備機械故障診斷中占有重要地位。但基于信號變換的診斷方法缺乏學習功能。

發電機的故障與其征兆之間的關系錯綜復雜，具有不確定性及非線性，用人工智能方法恰好能發揮其優勢，已用于發電機故障診斷的人工智能技術主要有：模糊邏輯、專家系統、神經網絡等。

2）基于專家系統的診斷方法 該方法是根據專家以往經驗，將其歸納成規則，并運用經驗規則，通過規則推理進行故障診斷。基于專家系統的診斷方法具有診斷過程簡單、快速等優點，但也存在著局限性，基于專家系統的方法屬于反演推理，因而不是一種確保唯一性的推理方法，該方法存在著獲取知識的瓶頸。

3）基于人工神經網絡（Artificial Neural Network, ANN）的診斷方法 簡單處理單元廣泛連接而成的復雜的非線性系統，具有學習能力，自適應能力，非線性逼近能力等。故障診斷的任務從映射角度看就是從征兆到故障類型的映射。用ANN技術處理故障診斷問題，不僅能進行復雜故障診斷模式的識別，還能進行故障嚴重性評估和故障預測，由于ANN能自動獲取診斷知識，使診斷系統具有自適應能力。

4）基于集成型智能系統的診斷方法 隨著發電機設備系統越來越復雜，依靠單一的故障診斷技術已很難滿足復雜的發電機設備的故障診斷要求，因此上述各種診斷技術集成起來形成的集成智能診斷系統成為當前發電機設備故障診斷研究的熱點。

主要的集成技術有：基于規則的專家系統與ANN的結合，模糊邏輯與ANN的結合，混沌理論與ANN的結合，模糊神經網絡與專家系統的結合。

以上只是大致分類，一些方法既可用于發電機故障診斷，又可用于電動機故障診斷。