任繼順，崔 悅，汪 洋，張民威，趙連輝

（1.北京中元瑞訊科技有限公司，北京市 100085；2.松花江水力發(fā)電有限公司吉林白山發(fā)電廠，吉林省吉林市 132013）

1 概述

在水輪機(jī)組故障中，不平衡類(lèi)故障是最為常見(jiàn)的故障類(lèi)型，包括轉(zhuǎn)子質(zhì)量不平衡、轉(zhuǎn)輪質(zhì)量不平衡、電磁拉力不平衡、水力不平衡等，上述類(lèi)型故障是引起機(jī)組振動(dòng)最為主要的原因[1][2]。傳統(tǒng)的水電機(jī)組故障診斷系統(tǒng)，以在線監(jiān)測(cè)系統(tǒng)采集的數(shù)據(jù)為基礎(chǔ)，通過(guò)人為啟動(dòng)分析機(jī)組是否存在該類(lèi)故障，僅僅適合于故障發(fā)生后的確認(rèn)定位，很難在故障發(fā)展早期實(shí)現(xiàn)異常告知，起不到早期預(yù)警的作用。另外，從目前在線監(jiān)測(cè)系統(tǒng)的發(fā)展水平看，其提供的趨勢(shì)預(yù)警功能也僅僅局限于對(duì)機(jī)組振動(dòng)、擺度等常規(guī)特征的發(fā)展趨勢(shì)分析[1]，而當(dāng)故障特征并不能在機(jī)組的振動(dòng)、擺度明顯反映出來(lái)時(shí)，在線監(jiān)測(cè)系統(tǒng)提供的趨勢(shì)預(yù)警功能也將失效。

因此，有必要探索基于故障基于模型的早期預(yù)警技術(shù)，這就是本文提出的故障預(yù)警技術(shù)。其邏輯框圖如圖1所示。

圖1 基于大數(shù)據(jù)挖掘的故障預(yù)警模型Fig.1 Fault early warning model based on big data mining

首先，需要根據(jù)在線監(jiān)測(cè)的歷史數(shù)據(jù)，依據(jù)故障機(jī)理模型進(jìn)行故障特征指標(biāo)計(jì)算，對(duì)歷史特征指標(biāo)集采用大數(shù)據(jù)分析技術(shù)[如多元線性回歸分析、支持向量機(jī)（SVM）]等進(jìn)行訓(xùn)練，建立故障預(yù)測(cè)模型[4]。

然后，將訓(xùn)練后的預(yù)測(cè)模型應(yīng)用于實(shí)時(shí)的故障特征異常檢測(cè)，即根據(jù)監(jiān)測(cè)數(shù)據(jù)的實(shí)時(shí)數(shù)據(jù)，進(jìn)行故障特征指標(biāo)的實(shí)時(shí)計(jì)算，根據(jù)預(yù)測(cè)模型的計(jì)算結(jié)果和實(shí)際計(jì)算結(jié)果進(jìn)行比對(duì)，用以檢測(cè)故障特征指標(biāo)是否發(fā)生變化。當(dāng)預(yù)警系統(tǒng)檢測(cè)到特征指標(biāo)發(fā)生變化時(shí)則發(fā)出告警信息，并輸出告警分析報(bào)告。

本文案例中使用的數(shù)據(jù)全部來(lái)自于北京中元瑞訊有限公司所研制的GMH550型水力機(jī)組狀態(tài)監(jiān)測(cè)系統(tǒng)的測(cè)量數(shù)據(jù)，故障特征指標(biāo)提取也依據(jù)該在線監(jiān)測(cè)系統(tǒng)完成。

2 不平衡類(lèi)故障的特征指標(biāo)集

2.1 質(zhì)量不平衡故障的特征指標(biāo)集

一個(gè)剛性單盤(pán)子結(jié)構(gòu)的轉(zhuǎn)子系統(tǒng)，旋轉(zhuǎn)機(jī)械的不平衡力是指其轉(zhuǎn)動(dòng)部分的機(jī)械不平衡力，是由旋轉(zhuǎn)機(jī)械轉(zhuǎn)動(dòng)部分質(zhì)量分布不對(duì)稱(chēng)造成的不對(duì)稱(chēng)離心力，它遵守下列離心力關(guān)系：

式中Fl——離心力；

m——不平衡質(zhì)量；

ω——旋轉(zhuǎn)角速度；

e——不平衡質(zhì)量的偏心距。

式（1）說(shuō)明，單純由質(zhì)量分布不對(duì)稱(chēng)引起的機(jī)械不平衡力和轉(zhuǎn)速頻率的平方成比例，和不平衡質(zhì)量及不平衡質(zhì)量的位置半徑呈線性關(guān)系。對(duì)于水輪發(fā)電機(jī)組而言，由質(zhì)量不平衡引起的擺度、振動(dòng)變化與轉(zhuǎn)速的平方接近正比關(guān)系，而其變化成分的頻率必定是轉(zhuǎn)速頻率（1X）。

一般來(lái)說(shuō)，對(duì)于水輪發(fā)電機(jī)組而言，轉(zhuǎn)子質(zhì)量不平衡故障主要通過(guò)在靠近轉(zhuǎn)子的機(jī)組擺度測(cè)點(diǎn)（比如上導(dǎo)擺度）和機(jī)架振動(dòng)的1X分量（上機(jī)架振動(dòng)、下機(jī)架振動(dòng)）的特征辨識(shí)[3]。

根據(jù)上述故障機(jī)理，建立判斷轉(zhuǎn)子質(zhì)量不平衡故障的特征指標(biāo)集，如表1所示。

表1 質(zhì)量不平衡故障特征指標(biāo)集Tab.1 Mass-unbalance fault characteristic indexes

2.2 電磁拉力不平衡故障的特征指標(biāo)集

電磁不平衡力主要由發(fā)電機(jī)轉(zhuǎn)子不圓、轉(zhuǎn)子幾何中心與旋轉(zhuǎn)中心不一致等原因所引起，其明顯特征是不平衡力與勵(lì)磁電流成正比，發(fā)電機(jī)空載時(shí)電磁不平衡力達(dá)到最大。

一般說(shuō)來(lái)，轉(zhuǎn)子偏心和轉(zhuǎn)子不圓都會(huì)引起上導(dǎo)擺度、下導(dǎo)擺度、上機(jī)架振動(dòng)、下機(jī)架振動(dòng)、定子鐵芯振動(dòng)、定子基座振動(dòng)的改變，而轉(zhuǎn)子偏心主要引起上述測(cè)點(diǎn)的1X頻率分量的改變，轉(zhuǎn)子不圓則主要引起上述測(cè)點(diǎn)的2X、3X甚至更高頻率分量的改變。定子不圓及定轉(zhuǎn)子相對(duì)偏心則主要引起上導(dǎo)、下導(dǎo)部位徑向軸位移發(fā)生變化，在測(cè)試分析時(shí)主要觀察擺度的間隙值是否發(fā)生改變。定子合縫松動(dòng)則主要引起定子鐵芯振動(dòng)、定子機(jī)架振動(dòng)的100Hz分量的改變[3]。

根據(jù)上述故障機(jī)理，建立判斷電磁拉力不平衡故障的特征指標(biāo)集，如表2所示。

表2 電磁拉力不平衡故障特征指標(biāo)集Tab.2 Electromagnetic unbalance fault characteristic indexes

2.3 水力不平衡故障的特征指標(biāo)集

水輪機(jī)組水力因素引起的水力不平衡是最復(fù)雜的一種不平衡力，水力不平衡力產(chǎn)生的機(jī)理是：過(guò)流部件中所流過(guò)的水流對(duì)機(jī)組轉(zhuǎn)輪中心分布不均勻、不對(duì)稱(chēng)，即流量沿圓周分布不均勻。其主要現(xiàn)象表現(xiàn)為機(jī)組的振擺幅值與機(jī)組流量呈線性關(guān)系：

式中A——振動(dòng)幅值；

Q——過(guò)機(jī)流量，m3/h。

根據(jù)式（1）可得：

式中P——機(jī)組負(fù)荷；

γ——水的重率；

H——機(jī)組水頭。

從式（3）可以看出，機(jī)組流量與機(jī)組負(fù)荷成正比，與機(jī)組工作水頭成反比，因此水力不平衡現(xiàn)象在機(jī)組運(yùn)行過(guò)程中通常表現(xiàn)為機(jī)組水導(dǎo)處的振擺幅值主要是隨著機(jī)組負(fù)荷的增加而增大，會(huì)隨著機(jī)組水頭的增大而減小。對(duì)于水力不平衡而言，引起流量沿圓周分布不均勻的原因有葉道不一致、葉型不一致、葉端間隙不一致、葉片接力器行程不一致等[5][6]。

根據(jù)上述故障機(jī)理，建立判斷水力不平衡故障的特征指標(biāo)集，如表3所示。

3 基于大數(shù)據(jù)挖掘的故障預(yù)測(cè)方法

3.1 多元回歸預(yù)測(cè)模型

一元線性回歸模型表示用一個(gè)自變量X來(lái)預(yù)測(cè)因變量之間的數(shù)據(jù)關(guān)系?？杀硎緸椋?/p>

然而，在實(shí)際的物理對(duì)象中，往往一種現(xiàn)象常常是與多個(gè)因素相聯(lián)系的，由多個(gè)自變量的最優(yōu)組合共同來(lái)預(yù)測(cè)或估計(jì)因變量，比只用一個(gè)自變量進(jìn)行預(yù)測(cè)或估計(jì)更有效，更符合實(shí)際，這就是多元線性回歸模型[4]。多元線性回歸算法的數(shù)學(xué)模型為：

也就是說(shuō)，因變量Y可以近似地表示為自變量X1、X2、…、Xn的線性函數(shù)。其中：β0為常數(shù)項(xiàng)，β1、β2、…、βn為偏回歸系數(shù)。e是隨機(jī)誤差（殘差）。而上述β0、β1、β2、…、βn、e則可利用歷史測(cè)量數(shù)據(jù)，采用最小二乘法等求得一個(gè)近似的估計(jì)么可采用以下模型對(duì)Y進(jìn)行預(yù)測(cè)：

另外，除了采用線性回歸模型之外，也可以采用多元高次回歸模型對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)。

具體到本系統(tǒng)，采用多元回歸模型，通過(guò)歷史的挖掘，構(gòu)建各個(gè)特征參數(shù)之間的回歸模型，從而發(fā)現(xiàn)各建立各類(lèi)隱含的關(guān)聯(lián)規(guī)律（尤其地，建立機(jī)組振動(dòng)、擺度等與機(jī)組負(fù)荷、溫度、工作水頭等邊界參數(shù)之間的回歸模型），就可以用來(lái)進(jìn)行性趨勢(shì)預(yù)測(cè)和數(shù)據(jù)異常檢測(cè)。對(duì)于質(zhì)量不平衡故障、電磁拉力不平衡故障而言，機(jī)組溫度會(huì)直接影響特征指標(biāo)的計(jì)算結(jié)果，而水力不平衡故障的特征與機(jī)組負(fù)荷、工作水頭有直接關(guān)系。

因此，在本文的研究中，選取如下的應(yīng)變量Y矢量以及自變量X矢量：

其中，P為機(jī)組負(fù)荷，H為機(jī)組工作水頭，Ti為各導(dǎo)軸承溫度以及鐵芯溫度等。則回歸預(yù)測(cè)模型可表示為：

其中，A為偏回歸系數(shù)矩陣，B為隨機(jī)誤差矢量。A和B可通過(guò)歷史數(shù)據(jù)進(jìn)行訓(xùn)練獲得。

3.2 算例分析

某軸流轉(zhuǎn)槳式機(jī)組在2015-08-28運(yùn)行期間，發(fā)生了轉(zhuǎn)輪室的內(nèi)襯脫落故障。為了驗(yàn)證本預(yù)警技術(shù)研究的有效性，以本文提出的模型為基礎(chǔ)，利用該軸流轉(zhuǎn)槳式機(jī)組進(jìn)2015年以前的監(jiān)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練，得到多元回歸預(yù)測(cè)模型偏回歸系數(shù)矩陣A以及隨機(jī)誤差矢量B，利用A和B，對(duì)2015-8-1到2015-8-28之間的在線監(jiān)測(cè)數(shù)據(jù)僅行特征進(jìn)算和預(yù)測(cè)，最終比對(duì)結(jié)果如表4所示。

從上述數(shù)據(jù)可以看出，機(jī)組水力不平衡葉片頻率分量HAbX早在2015-8-15已經(jīng)發(fā)生明顯改變，這個(gè)時(shí)間比事故發(fā)生提前了約13天，證明是可以通過(guò)本預(yù)警技術(shù)實(shí)現(xiàn)提前預(yù)警的。同時(shí)，通過(guò)HAbX的變化也可以直接證明是機(jī)組的水力不平衡故障產(chǎn)生，而且是葉片的通過(guò)頻率發(fā)生較大變化，這對(duì)于快速確定故障性質(zhì)和快速定位故障提供有力證據(jù)。

表4 水力不平衡故障指標(biāo)預(yù)測(cè)結(jié)果和實(shí)測(cè)結(jié)果對(duì)比表Tab.4 Predictive value of hydraulic imbalance fault characteristic indexes and measured results comparision table

圖2 某軸流轉(zhuǎn)槳式機(jī)組水力不平衡葉片頻率分量回歸預(yù)測(cè)值與實(shí)際計(jì)算值的對(duì)比Fig.2 Regression predictive value of hydraulic imbalance fault sharacteristic indexes and measured results comparision graph

4 結(jié)束語(yǔ)

本文研究了基于大數(shù)據(jù)技術(shù)的水電機(jī)組不平衡類(lèi)故障的故障警模型及其預(yù)警技術(shù)，通過(guò)實(shí)際數(shù)據(jù)的對(duì)比分析證明了該方法的有效性和使用價(jià)值。從實(shí)際意義來(lái)說(shuō)，不僅不平衡類(lèi)故障可以采用上述技術(shù)進(jìn)行早期故障預(yù)警，其他類(lèi)型的故障如軸線彎曲、軸瓦不同心、定轉(zhuǎn)子變形等各類(lèi)故障都可以采用上述預(yù)測(cè)方法進(jìn)行預(yù)警。但是采用大數(shù)據(jù)預(yù)測(cè)模型需要逐一對(duì)各類(lèi)故障進(jìn)行故障建模、提取故障特征指標(biāo)集，并利用歷史指標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練，結(jié)合機(jī)組運(yùn)行工況數(shù)據(jù)才能獲得預(yù)測(cè)模型。另外，除多元回歸分析方法之外，支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)等多種大數(shù)據(jù)分析方法可以用于水電機(jī)組的故障預(yù)警分析。因此，研究大數(shù)據(jù)分析技術(shù)在水電機(jī)組的故障診斷和故障預(yù)警方面的應(yīng)用，具有一定的理論意義和使用價(jià)值。