摘 要：機(jī)組振動(dòng)是水電站運(yùn)行中的主要故障，水電機(jī)組振動(dòng)故障診斷對(duì)于水電站安全運(yùn)行具有十分重大的意義。本文提出了一種小波包技術(shù)，用于水電機(jī)組振動(dòng)信號(hào)去噪和提取機(jī)組的振動(dòng)故障特征，并構(gòu)建了小波神經(jīng)網(wǎng)絡(luò)的水電機(jī)組振動(dòng)故障診斷方法。以實(shí)際水電機(jī)組振動(dòng)故障為例，進(jìn)行了應(yīng)用檢驗(yàn)。結(jié)果表明，該方法簡單有效、并具良好的魯棒性，適合水電機(jī)組振動(dòng)故障的診斷。

關(guān)鍵詞：水電機(jī)組；小波包分析；振動(dòng)；故障診斷

DOI：10.16640/j.cnki.37-1222/t.2017.01.227

0 引言

水電機(jī)組狀態(tài)檢修一種預(yù)防性維修方式，它以水電機(jī)組的運(yùn)行狀態(tài)為基礎(chǔ)，通過機(jī)組狀態(tài)監(jiān)測和故障診斷系統(tǒng)提供的相關(guān)信息，經(jīng)過分析處理，對(duì)機(jī)組的整體和局部的劣化程度進(jìn)行判斷，以期在故障發(fā)生之前進(jìn)行有效的維修，進(jìn)而提高水電機(jī)組運(yùn)行的安全性，機(jī)組檢修周期得以延長，機(jī)組檢修費(fèi)用得以下降。而要將機(jī)組狀態(tài)檢修運(yùn)用于水電站的實(shí)際檢修工作中，首先需要加強(qiáng)設(shè)備狀態(tài)監(jiān)測和故障診斷技術(shù)研究工作。目前，國內(nèi)外諸多學(xué)著對(duì)狀態(tài)監(jiān)測技術(shù)開展了大量研究工作，雖然取得了一些成果，但其實(shí)質(zhì)基本還停留在理論研究當(dāng)中，實(shí)際應(yīng)用成果較少，少量成果出現(xiàn)為機(jī)組局部故障診斷和單一的故障診斷，缺乏以整個(gè)機(jī)組作為一個(gè)系統(tǒng)進(jìn)行診斷的手段，未能形成對(duì)狀態(tài)檢修起指導(dǎo)作用的成熟的故障診斷系統(tǒng)。

因此，根據(jù)現(xiàn)代信號(hào)處理技術(shù)，提出水電機(jī)組振動(dòng)信號(hào)的信噪分離方法，提取水電機(jī)組振動(dòng)故障的特征，并提出適合于水電機(jī)組振動(dòng)故障在線診斷的智能診斷方法。這對(duì)于改善水電機(jī)組的安全性和可靠性，提高我國水電機(jī)組故障診斷水平具有十分重大的意義。

1 小波包分析在水電機(jī)組振動(dòng)信號(hào)處理技術(shù)的應(yīng)用

1.1 小波包分析

小波包分析在小波分析基礎(chǔ)上的一種延伸，其核心思想是集中信息能量，通過細(xì)節(jié)處理，找到其中的有序性，將其規(guī)律篩選出來，得到一種更加精細(xì)的信號(hào)處理方式。小波包分析通過多層次的頻帶劃分，對(duì)于那些沒有細(xì)分的高頻部分信號(hào)，能夠進(jìn)一步分解。通過對(duì)分解后的信號(hào)特性進(jìn)一步分析，使得被分析信號(hào)按照其特征自適應(yīng)選擇其相應(yīng)頻帶，并使之與信號(hào)頻譜相匹配，進(jìn)而提高時(shí)—頻分辨率[1]。目前，小波包分析已被廣泛的應(yīng)用于電力系統(tǒng)故障診斷中[2-3] ，在故障診斷領(lǐng)域的應(yīng)用已取得了較大的成功。此外，小波包分析還可以在低信噪比的信號(hào)中檢測到故障信號(hào)，而且能夠進(jìn)行去噪，信號(hào)得以復(fù)原，應(yīng)用價(jià)值很高。因此，小波包分析是水電機(jī)組振動(dòng)信號(hào)處理方式的較優(yōu)選擇。

1.2 小波包分析的應(yīng)用

傳統(tǒng)的信號(hào)分析方法（FFT）是對(duì)信號(hào)整個(gè)的歷時(shí)過程而言的，缺乏分析信號(hào)局部特性的能力，只適用于平穩(wěn)信號(hào)的分析。而伴隨有強(qiáng)烈背景噪聲的水電機(jī)組振動(dòng)信號(hào)是一個(gè)非平穩(wěn)信號(hào)，要同時(shí)使用時(shí)間和頻率來進(jìn)行描述，對(duì)其進(jìn)行分析必須依靠信號(hào)的局部變換。本文采用 “sym4”小波進(jìn)行消噪處理，振動(dòng)信號(hào)采集于國內(nèi)某水電站水輪機(jī)頂蓋振動(dòng)信號(hào)，實(shí)測信號(hào)的采樣頻率為60Hz，檢測系統(tǒng)采樣點(diǎn)數(shù)為7000點(diǎn)。本文選用其中700點(diǎn)進(jìn)行分析。消噪后信號(hào)占原信號(hào)能量的98.66%，實(shí)現(xiàn)了水電機(jī)組振動(dòng)信號(hào)的信噪分離，具體見圖1、2。

從圖中不難看出，小波包分析去噪計(jì)算速度較快，去噪效果理想。

1.3 故障特征量的提取

大量的研究顯示，在水電機(jī)組發(fā)生故障時(shí)，它在機(jī)組振動(dòng)信號(hào)中所對(duì)應(yīng)的頻率成分將會(huì)明顯增強(qiáng)，在該頻段內(nèi)信號(hào)的能量也會(huì)明顯增強(qiáng)，相反，那些處在振動(dòng)幅值偏小的頻段內(nèi)的信號(hào)能量則相對(duì)較弱。因此，在不同頻率成分信號(hào)的能量中，實(shí)際包含著大量的故障信息。也就是說通過診斷實(shí)測振動(dòng)信號(hào)，就能提取其故障特征量。對(duì)去噪后的振動(dòng)信號(hào)，采用‘db1信號(hào)進(jìn)行3尺度小波包分解，根據(jù)奈奎斯特定律可將機(jī)組振動(dòng)頻率分析上限定為500Hz，對(duì)小波包分解系數(shù)進(jìn)行重構(gòu)，可以得到各個(gè)頻段上的重構(gòu)信號(hào)，分析其頻譜圖（如圖3），得到頻率段特征向量。由于高頻段信號(hào)對(duì)整個(gè)振動(dòng)信號(hào)影響較小，可對(duì)特征向量進(jìn)一步的整理歸一為[0.81 0.29 0.06 0.03 0.02]。

2 水電機(jī)組故障診斷研究

2.1 小波神經(jīng)網(wǎng)絡(luò)的故障診斷模型的構(gòu)建

針對(duì)水力機(jī)組故障信號(hào)的特殊性，通過選取合適的小波包分析消噪方法來處理特定信號(hào)，從而得到了既能保護(hù)信號(hào)的奇異性特征，又可以取得較好信噪比的信號(hào)去噪方法，并通過真實(shí)電站數(shù)據(jù)去檢驗(yàn)其效果，然后又通過適合水電機(jī)組振動(dòng)信號(hào)的小波包分解提取能量的方法提取故障特征，最后本文擬通過BP建立水輪機(jī)組振動(dòng)故障診斷的神經(jīng)網(wǎng)絡(luò)模型。

小波神經(jīng)網(wǎng)絡(luò)的故障診斷模型結(jié)構(gòu)如下圖4。

2.2 仿真實(shí)驗(yàn)

本文通過查閱相關(guān)文獻(xiàn)，并在國內(nèi)某水電站進(jìn)行實(shí)際現(xiàn)場調(diào)研獲取相關(guān)實(shí)驗(yàn)數(shù)據(jù)，找出該水電站水電機(jī)組最常見的2種故障（渦帶偏心和轉(zhuǎn)子不平衡），針對(duì)該兩類故障分別選取了4組實(shí)測頻譜值，構(gòu)成對(duì)應(yīng)2類故障的8組學(xué)習(xí)樣本和正常狀態(tài)的2組學(xué)習(xí)樣本，定義輸出值0.9代表故障程度嚴(yán)重，0.1代表故障不存在，0代表故障程度未知。故障診斷學(xué)習(xí)樣本如表1。

網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為5個(gè)，因?yàn)椴捎玫奶卣髁渴?個(gè)，而輸出節(jié)點(diǎn)數(shù)代表故障集合，故輸出節(jié)點(diǎn)數(shù)應(yīng)為4個(gè)。網(wǎng)絡(luò)訓(xùn)練完成后，輸入第二部分所得到的歸一化特征向量，輸出結(jié)果為[0.9016 0.1062 0.0953 0.0976]。根據(jù)計(jì)算分析和表1中所示，渦帶偏心所造成的振動(dòng)正是實(shí)測數(shù)據(jù)所代表的故障原因。

對(duì)其頻率特征進(jìn)行分析，機(jī)組頂蓋、推力機(jī)架徑向振動(dòng)和擺度的主頻為轉(zhuǎn)頻，機(jī)組頂蓋振動(dòng)頻率較大，含有7.7Hz頻率，7.7Hz為葉片數(shù)與轉(zhuǎn)頻的乘積。在蝸殼和尾水錐管中都含有7.7Hz的脈動(dòng)頻率，負(fù)荷越大7.7Hz頻率的振動(dòng)分量越明顯。這也說明機(jī)組在大負(fù)荷區(qū)較大擺度的激振力來源于水力不平衡。該電廠三號(hào)機(jī)大修中，在對(duì)輪葉開口測量時(shí)發(fā)現(xiàn)：輪葉#3-#4、#4-#5、#5-#6的開口比輪葉#6-#1、#1-#2、#2-#3開口要小，這也進(jìn)一步印證了水力不平衡力的存在，與本文故障診斷分析結(jié)果一致，故而驗(yàn)證了故障診斷模型的有效性。

3 結(jié)論

（1）本文提出了以小波包分析作為水電機(jī)組振動(dòng)故障信號(hào)信號(hào)去的方法，并對(duì)故障的頻譜特征提取進(jìn)行了研究。

（2）提出了基于 BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法。該方法具有很強(qiáng)的魯棒性，對(duì)小樣本有很強(qiáng)的泛化能力。

（3）通過實(shí)際電站數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，基于小波包分析水電機(jī)組故障診斷方法，是一種良好的水電機(jī)組振動(dòng)故障智能診斷方法。

參考文獻(xiàn)：

[1]Hong Ye，Li Guohong，Cai Weiyou，et al.Fault diagnosis of hydro- generator unit vibration based on wavelet packet analysis[J].Engineering Journal of Wuhan University，2002，35（01）：65-68.

[2]趙剛，周波.基于小波包分析的雙凸極無刷直流發(fā)電機(jī)系統(tǒng)故障診斷[J].中國電機(jī)工程學(xué)報(bào)，2008，28（08）：121-126.

[3]范立莉，梁平小波包分析在汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷中的應(yīng)用[J].廣東電力，2007，20（11）：1-5.

作者簡介：李均（1980-），男，海南萬寧人，本科，高級(jí)工程師，主要從事電站運(yùn)行管理工作。