摘要：針對大型水輪機軸承故障診斷和預(yù)警準確率低，導(dǎo)致抽水蓄能電站存在狀態(tài)監(jiān)測與運維管理效果不佳的問題，提出一種大型水輪機軸承潤滑油液在線監(jiān)測系統(tǒng)。利用電渦流傳感器對軸承油液數(shù)據(jù)采集，采用改進的K最近鄰算法對軸承故障進行準確分類與診斷。結(jié)果表明，通過改進KNN算法，得到新故障與集合A中故障識別球的相似度最大值為0.478 7，低于相似度匹配閥值0.6，說明改進KNN算法可實現(xiàn)新故障類型的準確識別，具備一定的自適應(yīng)性和可擴展性；實際應(yīng)用也進一步證明該算法可滿足對水輪機軸承的狀態(tài)監(jiān)測、故障診斷和預(yù)警需求，實現(xiàn)水電站的準確監(jiān)測和智能化運維管理。

關(guān)鍵詞：抽水蓄能電站；水輪機組；在線油液監(jiān)測；K近鄰算法；故障診斷

中圖分類號：TP392文獻標識碼：A文章編號：1001-5922（2025）01-0193-04

Design of intelligent monitoring system for hydraulic turbinefaults with improved K-proximity calculation and improvedK-proximity algorithm

XIE Kejun，SONG Shankun，HU Ting，YAO Juan，ZHANgLiyi

（Anhui Jiyuan Software Co.，Ltd.，Hefei 230061，China）

Abstract：In response to the low accuracy of fault diagnosis and early warning of large water turbine bearings，which leads to poor monitoring and operation management of pumped storage power stations，a large water turbine bearing lubricating oil online monitoring system was designed.The eddy current sensor was used to collect the bear-ing oil data，and the improved K-nearest neighbor algorithm was used to accurately classify and diagnose the bear-ingfaults.The results showed that the maximum similarity between the new fault and the fault identification ball in ensemble A was 0.478 7，which was lower than the similarity matching threshold of 0.6，indicating that the im-proved KNN algorithm can achieve accurate identification of new fault types，and has certain adaptability and scal-ability.The practical application further proves that the algorithm can meet the requirements of condition monitor-ing，fault diagnosis and early warning of hydraulic turbine bearings，and realize accurate monitoring and intelligent operation and maintenance management of hydropower stations.

Key words：pumped storage power station；water turbine unit；online oil monitoring；K-nearest neighbor algorithm；fault diagnosis

隨著水電裝機容量和水輪機組單機容量的增長，給抽水蓄能電站的安全性和帶來極大壓力。因此，對大型水輪機組的推力軸承進行故障診斷和實時監(jiān)測具備至關(guān)重要。對此，如為實現(xiàn)水輪機組軸承的實時監(jiān)測，提出了基于K最鄰近（KNN）分類算法進行數(shù)據(jù)挖掘和分類，從而為軸承故障診斷提供了有效的數(shù)據(jù)支撐[1]；為保證抽水蓄能電站的運維，提出了基于概率神經(jīng)網(wǎng)絡(luò)對水輪機組水力的振動信號進行分析，在一定程度上提升了故障診斷精度，但實時性較低[2]；以大型水輪機組為研究對象，提出了將核主成分分析KPCA與粒子群優(yōu)化算法PSO和支持向量機SVM相結(jié)合，通過融合算法實現(xiàn)了水輪機組故障準確檢測和分類[3]。基于此，本研究提出一種水電站狀態(tài)監(jiān)測和智能化運維系統(tǒng)系統(tǒng)，并對該系統(tǒng)的可行性進行驗證。

1在線監(jiān)測系統(tǒng)整體設(shè)計

為實現(xiàn)水電站中的大型水輪機軸承的有效監(jiān)控，搭建軸承潤滑狀態(tài)在線監(jiān)測系統(tǒng)，主要由信號采集模塊、數(shù)據(jù)傳輸模塊、上位機和中央智能診斷中心組成[4]。信號采集模塊由油液密度、含水量和電渦流位移等在線傳感器組成，通過多個傳感器的相互配合和通力協(xié)作可實現(xiàn)系統(tǒng)油液粘度、密度、顆粒數(shù)量和油膜厚度的實時采集[5-6]。

數(shù)據(jù)傳輸部分通過數(shù)據(jù)采集模塊和信號傳輸線進行實現(xiàn)[7]；上位機通過互聯(lián)網(wǎng)將數(shù)據(jù)傳輸至中央智能診斷中心。智能診斷中心可實現(xiàn)接收數(shù)據(jù)的狀態(tài)監(jiān)測、故障預(yù)警、故障識別、壽命預(yù)測和趨勢分析。

2水電站水輪機軸承故障診斷

2.1特征提取

大型水輪機組的油液在線監(jiān)測可理解為實時等間隔的采集軸承運行時的油液參數(shù)。每個監(jiān)測參數(shù)可看做一個時間序列，通過向量組合的方式表示該時刻的油液監(jiān)測特征。若任一時刻表示為t；采集的監(jiān)測參數(shù)為m個；t時刻第i個監(jiān)測參數(shù)的變量值表示為xit；t時刻的油液監(jiān)測特征表示為采用ft[8-10]。向量化處理監(jiān)測參數(shù)變量后，可獲得油液檢測特征為：

為提升時間序列模型的訓(xùn)練速度和精度，提出對采集的原始數(shù)據(jù)進行標準化處理。具體處理表達式為：

式中：1 i m ，μxi和σxi分別表示變量 xi 的均值和方差[11] 。

對大型水輪機組進行受力監(jiān)測，可獲得大量的監(jiān)測數(shù)據(jù)，但大部分監(jiān)測數(shù)據(jù)存在維度高的問題，使得異常值的干擾性較強，進行時間序列分類時，極易出現(xiàn)過擬合現(xiàn)象。為解決監(jiān)測數(shù)據(jù)的擬合問題，提出提取針對此問題，提出提取受力監(jiān)測參數(shù)特征，以降低采集數(shù)據(jù)維度和干擾性。若Wt = é ? ù ? L （1） t L （2） t L （24） t 表示 t 時刻的受力監(jiān)測參數(shù)；L （i） t 表示 t 時刻第i塊瓦的抗重螺栓受力，將其進行特征量提取后，可得到：

基于式（3）進行參數(shù)轉(zhuǎn)化后，可將轉(zhuǎn)化后的W′ i與 ft 進行連接，從而得到新的特征向量[12] 。

以上提取特征向量，通過歐式距離對2個特征間的相關(guān)性進行表示。相似度越高，為同類的可能性越高；反之為同類的可能性越低。其中，2個特征間的相似度計算公式可表示為：

式中：fp和fq分別為 p 、q 時刻監(jiān)測到的故障數(shù)據(jù)； D（ fp fq） 和 r（ fp fq） 分別為2個監(jiān)測特征fp、fq間的歐式距離和相似度，r（ fp fq） 的取值控制在0～1。

通過以上公式即可實現(xiàn)不同故障數(shù)據(jù)的準確分類和診斷，從而為后續(xù)抽水蓄能電站的智能運維提供有效的數(shù)據(jù)支撐。

2.2 基于遺傳算法的K近鄰算法的故障診斷

故障診斷即將采集的故障數(shù)據(jù)分為訓(xùn)練集和測試集2個部分，分別用于分類模型訓(xùn)練和測試。機器學(xué)習(xí)中，較為常用且成熟的故障分類算法為K最近鄰（KNN）分類算法。此方法的基本原理為在某一特征空間內(nèi)，若一個樣本附近的k個最近樣本大部分屬于某個類別，則此樣本也屬于該類別。KNN分類算法雖然可實現(xiàn)數(shù)據(jù)準確分類，但其在分類過程中存在參數(shù)計算量大、K值無法準確確定的問題，提出定義一個故障識別球數(shù)據(jù)集 A = {at } 。對集合A中的每個故障識別球進行相似度計算即可實現(xiàn)故障類別判斷，從而提升計算速度。每種類型故障識別球的空間表達效果如圖1所示；圖中，·為集合A中的某一類故障識別球；×為同類故障數(shù)據(jù)；圓圈為該故障識別球可識別的故障范圍。

由圖1可知，將收集的故障數(shù)據(jù)集生成集合A，可得到生成故障識別球集合A的訓(xùn)練流程為：

（1）任意生成集合A，設(shè)置故障識別球的個數(shù)為st，s和t分別為數(shù)據(jù)集中的類別數(shù)和初始化每種類別故障識別球的個數(shù)。對集合A進行定義剔除后，可得到訓(xùn)練集D和空數(shù)據(jù)集M。

（2）基于訓(xùn)練集中每個特征數(shù)據(jù)fiD，計算fi與集合A間的相似度，選出相似度最高的n個故障識別球，標記為集合B[14]。

（3）對集合B數(shù)據(jù)進行克隆、變異和選擇操作?？寺〔僮骰诩螧與fi的距離相似度進行實現(xiàn)。克隆數(shù)量與相似度呈正相關(guān)關(guān)系。針對集合B中的故障識別球b，可采用式（6）進行克隆數(shù)量計算：

式中：α和nb分別表示克隆因子和集合B中特征數(shù)據(jù)b的克隆數(shù)量。

變異操作的變異幅度與相似度呈負相關(guān)關(guān)系。基于克隆體c的變異操作公式可表示為：

基于以上方式進行克隆和變異后，實現(xiàn)了集合B的有效擴充。然后計算集合B與為fi二者間的相似度。

（4）對集合B參數(shù)進行優(yōu)化，去除冗余數(shù)據(jù)。提出在該集合內(nèi)，計算同類別故障識別球間的相似度。并分別采用ε和ζ作為故障識別球刪除和克隆變異選擇操作的閥值。之后將集合B并入集合M中，即MMU B。

（5）再次選擇訓(xùn)練數(shù)據(jù)，并重新回到步驟（2）進行相似度計算和集合B構(gòu)建，完成訓(xùn)練數(shù)據(jù)點全部遍歷。

（6）優(yōu)化集合M并去除冗余。

（7）將優(yōu)化集合M并入A。重新進行迭代計算，直到迭代次數(shù)N取得算法終止要求，即可結(jié)束算法[15]。

3實驗結(jié)果與分析

3.1實驗環(huán)境

為驗證提出的算法的故障診斷效果，實驗以水輪機軸承中的巴氏合金為研究對象，搭建一個實驗測量平臺，并通過電渦流位移傳感器進行數(shù)據(jù)采集。實驗平臺如圖2所示。

該實驗平臺主要分為4個部分，分別為實驗臺架、電渦流傳感器、被測金屬巴氏合金和千分尺。系統(tǒng)軟件采用Python+QtCreator進實現(xiàn)，此軟件系統(tǒng)可達到后臺數(shù)據(jù)處理、功能、界面的實現(xiàn)和開發(fā)，采用MySQL數(shù)據(jù)庫對水輪機軸承潤滑狀態(tài)進行實時監(jiān)測和數(shù)據(jù)存儲。

3.2實驗數(shù)據(jù)

基于以上搭建的試驗平臺，渦流位移傳感器從0開始進行測量，每隔0.01 mm測量一個讀數(shù)，直至傳感器輸出電壓保持穩(wěn)定狀態(tài)。最終采集到數(shù)據(jù)共計600條。數(shù)據(jù)類型為6種，每種類型數(shù)量各100條。實驗選擇瓦面默算故障作為新故障不進行訓(xùn)練。其余每種類型數(shù)據(jù)分別按照7∶3的分配比例作為訓(xùn)練集和測試集。

數(shù)據(jù)特征參數(shù)為黏度、水分、密度、顆粒數(shù)等共計39維。模型訓(xùn)練時，將集合A的s和t均設(shè)置為5，迭代次數(shù)N設(shè)置為50；將最大相似度的數(shù)據(jù)個數(shù)m設(shè)置為8；克隆系數(shù)α、選擇比例系數(shù)β分別設(shè)置為10和60；優(yōu)化系數(shù)ε、ζ分別設(shè)置為0.8和0.2；相似度匹配閥值η設(shè)置為0.6。

3.3算法驗證

在改進的算法中輸入磨損數(shù)據(jù)，計算出其與集合A中的相似度，具體如表1所示。

由表1可知，新故障與集合A中故障識別球的最大相似度取值為0.478 7，低于相似度匹配閥值0.6。由此說明，在K鄰近算法中加入故障識別球進行數(shù)據(jù)構(gòu)建后，可實現(xiàn)新故障類型的準確識別，從而提升了K近鄰算法的可擴展性，可通過此算法實現(xiàn)水輪機組軸承運行變化的自適應(yīng)。

3.4系統(tǒng)驗證

為驗證設(shè)計的在線監(jiān)測系統(tǒng)是否有效，實驗將對該系統(tǒng)的監(jiān)測信息界面和故障診斷界面進行測試。實驗選擇對某抽水蓄能電站2019年4月20～25日5 d時間內(nèi)的1號大型水輪機組的推力軸承潤滑狀態(tài)進行在線監(jiān)測，得到部分故障診斷報告如圖3所示。

由圖3的故障診斷報告結(jié)果可知，設(shè)計的系統(tǒng)可實現(xiàn)大型水輪機軸承的實時在線監(jiān)測和故障診斷，進一步驗證了設(shè)計的系統(tǒng)功能模塊完善，采用改進的K近鄰算法能夠提升系統(tǒng)故障診斷準確率和精度。

4結(jié)語

提出的基于改進K近鄰算法的大型水輪機軸承故障診斷方法具備可行性和有效性。此算法可提升大型水輪機軸承故障診斷和預(yù)警準確率，從而進一步增強了大型水輪機組潤滑油液在線監(jiān)測系統(tǒng)的在線監(jiān)測效果和故障診斷效率。實驗發(fā)現(xiàn)，對某大型水輪機軸承的故障特點和故障機理進行分析后，可獲取常見故障類型與潤滑油特征參數(shù)的相關(guān)性。在傳統(tǒng)的K近鄰算法基礎(chǔ)上引入故障識別球集合后，能夠顯著提升機組推力故障識別準確率和計算速度。相較于傳統(tǒng)的K近鄰算法，提出的改進后的K近鄰算法對測試集中的故障數(shù)據(jù)的診斷準確度明顯更高。由此說明，設(shè)計的系統(tǒng)功能模塊完善，基于提出的改進算法能夠?qū)崿F(xiàn)故障檢測與診斷，降低了故障發(fā)生概率，為抽水蓄能電站中的水輪機軸承檢修和維護決策提供了有效的支撐，從而進一步提升抽水蓄能電站的智能化運維和管理效果，對電力系統(tǒng)領(lǐng)域的發(fā)展和穩(wěn)定運行具有實際應(yīng)用意義和參考價值。

【參考文獻】

[1]楊銘軒，于亞雄，李青，等.基于KNN的水輪機組軸承監(jiān)測與故障診斷[J].自動化與儀器儀表，2023（4）：66-70.

[2]蘇立，毛成，沈春和，等.基于概率神經(jīng)網(wǎng)絡(luò)的水輪機組水力振動故障診斷[J].河北水利電力學(xué)院學(xué)報，2023，33（1）：19-23.

[3]黎梓昕，林海軍，徐雄，等.基于KPCA-PSO-SVM的水輪機組故障檢測方法[J].排灌機械工程學(xué)報，2023，41（5）：467-474.

[4]邰朋，宋苗苗，王波，等.基于t-SNE降維和KNN算法的波浪傳感器故障診斷方法[J].山東科學(xué)，2023，36（4）：1-9.

[5]李曉波，賈斌，云杰，等.300 MW可逆式抽水蓄能水輪機組擺度大原因分析與處理[J].電氣應(yīng)用，2023，42（5）：72-75.

[6]李文華，牛國波，劉羽佳.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)故障診斷[J].機床與液壓，2023，51（8）：159-164.

[7]朱婧瑋，彭汝嘉，韓霖飛，等.拉西瓦700 MW大型水輪機組自動發(fā)電控制（AGC）調(diào)節(jié)性能提升分析[J].西北水電，2023（3）：94-98.

[8]任巖，黃今，胡雷鳴，等.基于傅里葉分解與排列熵的水輪機組去噪方法研究[J].水力發(fā)電，2020，46（10）：96-99.

[9]馮偉，李美威，賀石中，等.大型水輪機組推力軸承油膜厚度在線監(jiān)測研究[J].工程設(shè)計學(xué)報，2019，26（6）：652-657.

[10]令狐克誠.水電站水輪機組遠程監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)[J].科技創(chuàng)新與應(yīng)用，2022，12（23）：117-121.

[11]陳德海，朱正坤，王超.基于模糊神經(jīng)網(wǎng)絡(luò)PID的水輪機組頻率控制[J].現(xiàn)代電子技術(shù)，2020，43（23）：99-102.

[12]廖清陽，陳曉，王軍，等.基于改進花授粉算法的配網(wǎng)繼電保護整定優(yōu)化方法[J].粘接，2023，50（9）：183-186.

[13]張興斌，黃安國，孫勇.高壩洲水電廠軸流轉(zhuǎn)槳式水輪機組調(diào)速器抽動故障研究分析[J].水電與新能源，2020，34（5）：46-50.

[14]蔣志松，李奇艷，羅周維，等.水輪機組診斷性試驗與狀態(tài)趨勢預(yù)測[J].水電站機電技術(shù)，2022，45（10）：34-36.

[15]吾買爾·吐爾遜，穆哈西，夏慶成.基于小波分析算法的水輪機組振動故障診斷[J].自動化技術(shù)與應(yīng)用，2022，41（3）：27-29.

[16]陳瑞，楊春曦，翟持，等.特征加權(quán)的高斯加權(quán)K近鄰-支持向量機的水泵故障診斷方法[J].機械科學(xué)與技術(shù)，2022，41（3）：349-356.

[17]齊敬先，吳迪，葉海峰，等.面向復(fù)雜環(huán)境的輸電線路覆冰預(yù)測研究[J].粘接，2022，49（11）：151-155.

[18]趙榮欣，賈鵬飛.基于特征提取和機器學(xué)習(xí)的異常數(shù)據(jù)識別算法[J].城市道橋與防洪，2023（8）：250-252.

[19]邰朋，宋苗苗，王波，等.基于t-SNE降維和KNN算法的波浪傳感器故障診斷方法[J].山東科學(xué)，2023，36（4）：1-9.

[20]朱恪瑄，黎敏.基于k近鄰的快速和參數(shù)自適應(yīng)訓(xùn)練的稀疏子空間聚類[J].南昌工程學(xué)院學(xué)報，2023，42（3）：102-107.

（責(zé)任編輯：蘇幔，平海）