李國儉，吳海軍，王范華，韓冰，趙作飛

（1.國家電投集團內(nèi)蒙古能源有限公司，內(nèi)蒙古通遼 028011；2.內(nèi)蒙古察哈爾新能源有限公司，內(nèi)蒙古烏蘭察布 011800）

在智能風機中，轉(zhuǎn)動失速及失效是一種普遍現(xiàn)象。在工作負荷量較高的情況下，通道中的氣體很可能發(fā)生離析，導致流體不穩(wěn)，使得機械管道和管道中空氣壓力產(chǎn)生波動，從而導致設(shè)備受到一定損害。針對該問題，文獻[1]提出了基于正交模態(tài)的失速辨識方法。對不穩(wěn)定流場進行分解，識別出各種階次的干擾模式，重建各個階段模式的故障信號，通過傅立葉轉(zhuǎn)換獲得相應(yīng)的頻譜，識別出失速故障；文獻[2]提出了基于M 序列的辨識方法。對某一變換器的兩個輸入、一個輸出的轉(zhuǎn)移方程進行了建模，并對建模結(jié)果進行了離散處理。利用二次測量信號與M系列三相位序列進行相位激勵，獲取相關(guān)的辨識結(jié)果。智能風機失速狀態(tài)變化難以捕捉，影響到了故障辨識精度，因此提出基于數(shù)據(jù)驅(qū)動模型的智能風機失速故障辨識方法。

1 智能風機失速故障特征提取

通過對風機壓力-流量特征進行分析，建立了局部失速與全失速判別函數(shù)，計算出固定流量系數(shù)、壓力系數(shù)，通過不同故障模式空間映射分析風機失速狀態(tài)的變化[3]。采用小波閾值降噪方法對重構(gòu)信號進行小波包分解，結(jié)合小波包能量分析方法實現(xiàn)故障特征提取。

1.1 失速狀態(tài)變化

當風機發(fā)生轉(zhuǎn)動失速時，在葉輪的凹槽周圍會產(chǎn)生渦旋漩渦。在不同的速度條件下，壓力-流量特征群出現(xiàn)大量喘振流量點，連接這些點就會得到一個振蕩邊界線[4]。而在較高轉(zhuǎn)速下，最大流量屬于阻塞流量，能夠在一個狹窄空間內(nèi)產(chǎn)生失速與喘振。失速判斷公式如下：

式中，Sa、S總分別表示失速渦橫截面積和總橫截面積。設(shè)失速極限值為δ′，如果δ＜δ′，那么風機部分失速；如果δ≥δ′，那么風機全失速[5]。無論是部分失速還是全失速，均存在固定流量系數(shù)和壓力系數(shù)，分別用下述公式計算得出：

式中，ε部分失速、ε全失速分別表示部分失速和全失速流量系數(shù)；?部分失速、?全失速分別表示部分失速和全失速壓力系數(shù)。智能風機失速故障喘振特征致使無法對失速故障特征進行精準辨識[6]。因此結(jié)合小波包分解提取故障特征。

1.2 故障特征提取

小波包分解是將小波分解成各層次的高頻成分，其結(jié)果與小波相比具有更高的精度，能夠在任意頻率下對各頻率進行分析[7-8]?；谛〔ò纸獾墓收咸卣魈崛×鞒虨椋?/p>

步驟一：在特征提取模型中輸入正常數(shù)據(jù)矩陣E，該矩陣的數(shù)據(jù)窗口大小為2n，其中n表示多元變量維數(shù)。

步驟二：利用小波包變換處理數(shù)據(jù)矩陣中的數(shù)據(jù)變量，通過小波包分解獲取變量分解結(jié)果，計算不同分解尺度下各個分量小波包能量值，結(jié)果如下[9]：

式中，t表示時間序列；Z表示一個非零實數(shù)；h(t)表示脈沖響應(yīng)函數(shù)；αm表示第m個小波包分解層的分解結(jié)果。

步驟三：通過對每個子小波包主元進行了主成分分析，得到主元數(shù)目以及控制界參量[10]。

步驟四：將智能風機實時在線監(jiān)測信號的輸入和各成分進行小波閾值去噪處理，采用步驟二進行小波包分解[11]。

步驟五：計算每一個分量的小波包能量，結(jié)果如下：

式中，k表示尺度參數(shù)。

通過將原始信號與相應(yīng)的小波包信號進行比較，得到信號的小波包能差值，結(jié)果為：

式中，E′k表示離線數(shù)據(jù)小波包能量。

步驟六：選取故障分量，采用與步驟三一樣的方法建立主元模型，根據(jù)已知的控制限值進行故障特征劃分[12]。

步驟七：在每個分量下，反復計算故障特征參量，并重復步驟四-步驟六，即確定部分失速和全失速故障特征參量，實現(xiàn)風機失速故障特征提取。

2 基于數(shù)據(jù)驅(qū)動模型的故障辨識

以故障特征提取結(jié)果為基礎(chǔ)，利用數(shù)據(jù)驅(qū)動模型進行智能風機失速故障辨識，該過程是一個空間特征分析與映射的過程，如圖1 所示。

圖1 基于數(shù)據(jù)驅(qū)動的故障辨識

由圖1 可知，基于數(shù)據(jù)驅(qū)動的故障辨識架構(gòu)由數(shù)據(jù)空間、特征空間、趨勢空間和故障模式空間組成，其中數(shù)據(jù)空間的各種數(shù)據(jù)通過數(shù)據(jù)融合后映射到數(shù)據(jù)空間中，數(shù)據(jù)空間將各種特征再映射到趨勢空間，而趨勢空間通過整合各種趨勢映射到故障模式空間，以此實現(xiàn)智能風機失速故障辨識[13]。

數(shù)據(jù)空間到特征空間T1、特征空間到趨勢空間T2、趨勢空間到故障模式空間T3映射關(guān)系式如下所示：

式中，S1、S2、S3分別表示三個映射關(guān)系的融合單元；x1、x2、x3分別表示三個映射關(guān)系的輸入變量；μ1、μ2、μ3分別表示三個映射關(guān)系的融合算子；y1、y2、y3分別表示三個映射關(guān)系的輸出變量[14-15]。在風機失速故障特征明顯的情況下，通過特征空間的映射將其轉(zhuǎn)化為故障辨識模型參量進行故障辨識[16]。在風機失速故障特征不明顯的情況下，從趨勢空間中進行失速故障趨勢辨識，獲取故障趨勢特征矢量，通過映射傳遞給故障模式空間，獲取智能風機失速故障辨識結(jié)果。

3 故障辨識實驗

3.1 風機選取

3.1.1 低壓軸流送風機

低壓風機壓力-流量特性曲線如圖2 所示。

圖2 低壓風機壓力-流量特性曲線

由圖2 可知，從D點開始減小風機流量，當壓力達到極大值C點后，再逐漸減小，當壓力達到極小值B點后，再逐漸增大直至A點完全閉合為止。

3.1.2 高壓軸流送風機

高壓風機壓力-流量特性曲線如圖3 所示。

圖3 高壓風機壓力-流量特性曲線

由圖3 可知，當流量從D點降低至接近臨界值時，由于局部停滯區(qū)的增大，壓力-流量特征曲線趨于平穩(wěn)，當流量達到點B值時，在失速渦的作用下，流量突然跳至B1點，然后逐步升高至完全關(guān)閉狀態(tài)A點。當完全關(guān)閉時，流量不會突然跳至B點，而會向C1 方向移動到達C點，這就是失速機制的雙重特征。

3.2 失速信號頻譜分析

通過實地考察，兩臺機組自開機到故障停止周期均比較短暫，前期運轉(zhuǎn)較為順利，但隨著時間的增加，其振動幅度逐步增加，可以明顯感受到機架的振動加重及噪聲增加。選擇低壓、高壓風機兩組數(shù)據(jù)進行頻譜分析。由于風機失速過程出現(xiàn)數(shù)據(jù)較多，選擇0～120 s 數(shù)據(jù)為參考對象，統(tǒng)計實際故障頻譜數(shù)據(jù)，如表1 所示。

表1 頻譜實際數(shù)據(jù)統(tǒng)計

由表1 可知，低壓風機失速比高壓風機失速頻譜變化范圍要小，將此數(shù)據(jù)作為標準數(shù)據(jù)進行對比分析，以此保證實驗結(jié)果具有科學性和可靠性。

3.3 故障辨識結(jié)果分析

分別使用基于正交模態(tài)的失速辨識方法、基于M 序列的辨識方法和基于數(shù)據(jù)驅(qū)動模型辨識方法，對比分析低壓風機失速故障辨識結(jié)果，如圖4所示。

圖4 不同方法低壓風機失速故障辨識結(jié)果

由圖4 可知，使用基于正交模態(tài)的失速辨識方法頻譜波動范圍是690～4 600 Hz，使用基于M 序列的辨識方法頻譜波動范圍是0～4 000 Hz，使用基于數(shù)據(jù)驅(qū)動模型辨識方法頻譜波動范圍是0～1 100 Hz。只有使用所研究方法與表1 實際數(shù)據(jù)變化一致。對于高壓風機失速故障辨識結(jié)果，如圖5 所示。

圖5 不同方法高壓風機失速故障辨識結(jié)果

由圖5 可知，分別使用基于正交模態(tài)的失速辨識方法、基于M 序列的辨識方法和基于數(shù)據(jù)驅(qū)動模型辨識方法，頻譜波動范圍分別是200～12 000 Hz、200～9 000 Hz、0～4 200 Hz，只有使用所研究方法與表1 實際數(shù)據(jù)變化一致。

通過上述兩組數(shù)據(jù)分析結(jié)果可知，所研究方法應(yīng)用下的頻譜變化數(shù)據(jù)與實際統(tǒng)計數(shù)據(jù)一致，說明該方法的故障辨識結(jié)果更為精準。

4 結(jié)束語

為了提升智能風機失速故障辨識精度，將數(shù)據(jù)驅(qū)動模型應(yīng)用于實際低壓、高壓風機失速故障辨識過程中，以期為風機失速的精準辨識奠定堅實的基礎(chǔ)。通過對機組的失速事故的研究，揭示了其失效機理及特點，通過合理地分析可以發(fā)現(xiàn)故障位置與原因，并針對其進行處理，從而防止故障再度發(fā)生，保證智能風機的安全穩(wěn)定運行。