水电机组状态监测系统通过对机组各种参量的实时检测和监视，综合设备历史状况，能对机组作出故障诊断和趋势预报，及时评估设备性能，利于水电厂制定合理的设备检修维护制度，从而达到延长检修周期，缩短检修时间的目的。
1水电机组故障诊断特点
水电机组故障诊断主要包括水轮机诊断和发电机诊断，二者互为关联。
水轮机诊断包括：轴系、叶轮、叶片、导轴承、润滑系统、支撑系统、控制系统等部位故障的诊断。主要故障特征包括：油箱油位的升高和降低、油温的升高、轴瓦平均温度升高、轴瓦温度上升率、摆度升高、轴承振动升高、振动和摆度随转速、负荷变化的趋势、有无负荷的振动情况。
发电机诊断包括：定子线圈、定子磁心、转子、轴系等部位故障的诊断。定子线圈的诊断采用局部放电法（脉冲高频容量）用于检测线圈、线棒、线棒支撑的绝缘情况及线圈断路。定子铁芯和转子的诊断运用一组气隙测量传感器监测定子孔径和转子圆周、偏心所造成的动态气隙情况。
检测的参数一般有：机架振动、摆度、温度、电量、气隙、绝缘监测、气蚀、压力脉动等。
对于诊断导轴承、推力轴承以及其它一些复杂的故障，诊断系统要综合考虑分析各检测参数。
2故障诊断系统结构
机组故障诊断系统包括数据预处理和数据规范化、信息处理、故障诊断知识建模、故障检测、故障分离与估计、故障分类评价和决策、知识模型库、数据库、智能决策支持系统、人机对话界面、监控中心等。故障诊断系统构成见图1。
数据预处理和数据规范化模块对在线采样的可测变量先进行预处理以消除噪音，然后将其转化为规范数字信号输入数据库中。
信息处理、故障诊断知识建模模块将从机组录入的振摆、水压脉动等信号进行再处理并建成知识模型库。
知识模型库、数据库在故障检测、故障分离与估计、故障分类评价和决策模块实时起支撑性作用。 智能决策支持系统模块负责对机组不同的运行状态选择哪种或哪几种诊断方法，以及各诊断方法之间的集成，给出相应的故障处理方案，和优化运行决策与检修计划决策，并对知识模型库中的知识进行协调调用。
人机对话界面、监控中心分别负责机组信息的输入与输出，包括深层和浅层知识的录入、故障信息的输出，以及在判定故障时启动保护措施，通过执行机构去完成。另外还有数据的报表输出及打印等功能。
3知识模型库
如何具体实现故障诊断知识建模的功能，进行诊断知识模型的获取，形成知识模型库，从而实施在线故障检测、故障分离与估计、故障分类评价和决策模块的功能是系统的难点。
在文献［1］中，杨杰等提出了一种基于综合模型的故障诊断建模与推理的方法，即人工神经网、案例、规则和对象模型，来有效地进行诊断知识模型的获取。
水电机组的知识模型可由机组模型、诊断经验规则、诊断神经网模型、诊断案例4种方式来表示。
诊断知识模型由一般到特殊分四层组织：第一层描述最一般的诊断知识，由水轮机、发电机的机组模型组成。运行模型描述了机组正常工作时的形态，故障模型描述了机组在故障时的形态，它们被用于基于模型的诊断、真值维护和解释。第二层描述一般的诊断知识，由根据水电机组的技术标准、规程和专家诊断经验归纳出的诊断规则组成，用于基于规则的诊断。第三层是根据类似诊断事例经训练构造的人工神经网模型，用于基于神经网模型的诊断。第四层由案例－子案例等级框架表示组成，它描述各电厂机组或电厂各机组间的特殊诊断案例知识，用于基于案例的诊断。
3．1第一层
机组定量信息描述一般包括参数描述和状态描述两种。
参数描述指由机组参数的显著变化来描述故障的发生如温度量、电量等的量值越阈或突变。状态描述指由机组开、停机过程及机组运行状态来描述所包含的故障信息。
由机组定量信息描述形成的运行模型和故障模型，构成机组模型子库，形成模型知识库的第一层。由该层支持的基于机组模型的故障诊断方法有：参数估计诊断法和状态估计诊断法。
参数估计诊断法在进行故障检测、故障分离与估计、故障分类评价和决策时，诊断的过程参数为机组模型模拟量与机组实际运行参数的比较值，所得残余偏差为二者之间的相对变化值。在系列残余偏差中包含有各种故障信息，结合机组模型库中相应模型对基本残差序列采用统计检验法，检测机组的故障部位和原因，并进一步分离、估计与决策。
状态估计诊断法由根据水电生产过程的控制逻辑来判断机组是否有故障状态，可由机组监控系统直接支持。
3．2第二层
基于标准和经验归纳出的诊断规则，故障可分为确定性故障和不确定性故障两种。
对于确定性故障，也就是一般的产生式故障，可建立用于逻辑推理的知识模型库。而对于非确定性故障，一般采用模糊产生式规则来表示故障诊断知识，即用模糊关系矩阵来表示前提条件与结论之间的因果关系。
此外，还可采用可信度方法、概率方法等来描述其不确定性。可对这些方法进行充分收集，整理优化后形成一个较完整的诊断推理机制。
3．3第三层
根据类似故障诊断事例训练构造的人工神经网模型，其实质是一个故障分类和识别过程。人工神经网络在此作为一个自适应的模式识别技术，利用自身的学习机制，通过对案例样本的学习，自动形成相对应的决策区域。而且样本变化时，如案例增加时，神经网络训练所获得的映射关系可以自适应，达到对准确诊断的进一步逼近。
3．4第四层
该层知识由案例－子案例等级框架表示组成，形成了最特殊知识的诊断案例子库。
对机组在线状态的信息诊断同案例子库中的案例描述进行匹配，得出解策略。
以上四层次知识模型子库既有其独立性又紧密关联。当机组的新类型故障被诊断出来后，可对其进行描述，添加到案例－子案例等级框架中。新类型故障同框架内的原有相似故障可用于构造和训练新的神经网模型，加入到第三层的人工神经网络模型子库中去。
新类型故障同原有相似类型故障的诊断方法规则，加入到第二层的规则子库中去。
而以上三层的知识表示如可以采用定量信息表示，又可建模加入到第一层的机组模型库中。
4融合诊断推理
对于复杂故障的诊断，不能简单地仅通过某一种方法诊断出来，有效的方法是将各检测信息有效结合判断的融合诊断法。
文献［2］中，彭涛等提出一种基于信号处理的人工神经网络诊断方法，即基于小波变换的特征提取、基于遗传算法的特征选择和基于神经网络的状态识别理论。
该方法可将机组多个传感器信号，如振摆、气蚀、水压脉动信号等，用加权法实现信息的初级融合，按给定的小波函数进行小波变换，提取其特征成分，用遗传算法搜索选择输入参数中最为重要的特征参数，与已知目标特征信息一起作为训练样本，送神经网络训练，实现状态识别和故障诊断。 对某些复杂检测信息也采用小波变换法，如对于绝缘监测中所测局部放电数据的处理，针对其局放信号微弱、噪声大的特点，采用小波变换进行分析，可充分利用小波分析良好的时频分析特性。 理的策略，直至给出最佳处理方案，得出最精确的预测控制和诊断结果。
5结束语
水电机组的设计、制造、安装和大修中，都对机组各状态参数提出规定和要求，但由于水电机组在运行过程中存在不规则的水力干扰，不仅不同机型不同容量不同结构的机组，实际运行参数量值及其变化规律不一样，而且同一电站同一机型的几台机组，运行参数实际也难一致。如一般机组瓦温带满负荷时比空载时高3～5℃，而有的机组带负荷后温度并没有上升，甚至略有下降。又如有些机组上机架振动达1 mm而能长期运行，有的水导运行摆度达到0．8 mm，瓦温却正常，运行也稳定。因此，要在故障诊断推理系统内制定一个统一的标准，难度很大，而且到目前为止，尚未有一个国际性的状态监测标准。
从实际的大修内容看，主要是因空蚀、磨损、腐蚀、老化、疲劳引起的零部件损坏和构件松动，但要直接测量，尤其象橡胶密封老化程度的在线测量是十分困难的，甚至是不可能的。所以在故障诊断推理系统的监控中心中设置人工干预功能，适时补充案例层知识，实现人机结合、智能互补是必要的。而把人融合到整个系统中去，还可以根据各自机组的特点，对某些诊断进行重新设置或修正，形成针对机组特点的智能高效推理机制。以达到对各自机组故障的最精确预测和诊断。
