水電機組振動信號特征提取

李明橋，王子瑞，劉 君，劉國峰，白 亮

(1.中國電建集團西北勘測設計研究院有限公司 ,西安 710065；2.西安理工大學,西安 710048)

文章編號：1006—2610(2015)02—0063—04

水電機組振動信號特征提取

李明橋1，王子瑞1，劉 君1，劉國峰1，白 亮2

(1.中國電建集團西北勘測設計研究院有限公司 ,西安 710065；2.西安理工大學,西安 710048)

水輪發電機組在線監測與故障診斷中，信號特征提取是故障診斷前的關鍵步驟，在信號處理和模式識別之間起著承上啟下的作用，構造的特征向量能否真實反映機組運行特性，直接影響到故障診斷結果的準確性。在水輪發電機組振動信號前處理基礎上，結合信號自身特點與信息熵理論，實現固有模態函數能量熵特征提取，對機組當前運行狀態做出判斷，結果表明該方法簡單有效，切實可用。

模態分解；信息熵；模態函數；特征向量

Abstract:During online monitoring and failure diagnose of the turbine-generator unit, abstraction of the signal characteristics is one key step before failure is diagnosed. It connects to the signal handling and model identification. Whether the characteristic vector of structure can truly reflect the unit operation characteristics directly impacts the accuracy of the failure diagnosing results. Based on the pre-handling of the vibration of the Unit and in combination of the characteristics of the signal itself and information entropy theory, the energy entropy characteristics of the natural model function is abstracted. And the current operation statues of the Unit is judged. The practice shows that this method is simple, effective and practical.

0 前 言

振動是水輪發電機組運行中最為常見的故障之一，強烈的振動將直接危及到機組乃至電力系統的安全運行。開展機組振動故障診斷研究，對保障機組穩定運行具有重要意義。水電機組振動同時受水力、電磁、機械3方面因素影響，機組振動信號為典型的非線性、非平穩信號[1]。精確監測獲得的機組振動信號，包含大量機組運行的狀態信息，選用一定信號處理方法和模式識別方法，即可對機組當前工作狀態和未來故障情況作出準確預測和判斷。

水輪發電機組在線監測與故障診斷中，原始信號前處理后的信號特征提取是故障診斷的關鍵步驟，提取的信號特征在信號處理和故障診斷之間起著承上啟下的作用，信號特征向量能否真實反映機組運行特性，直接影響到故障診斷結果的精度。水電機組振動信號是由多種成分調制共同作用的結果，表現形式千變萬化，設備出現故障的特征信號隱于其中，根據信號自身特點選擇適宜的信號特征提取方法十分重要。

信號分析過程中，時間尺度和隨時間分布的能量是2個主要參數，系統故障振動信號和正常運行振動信號相比，相同頻帶內信號能量會有較大差別，信號各個頻率成分的能量反映了當前系統運行狀態，某種或幾種頻率成分能量的改變就可能代表一種故障類型。

1 傳統信號特征指標

傳統的用于故障診斷的信號特征參數有6種。

(1) 波形指標

(1)

(2) 峰值指標

(2)

(3) 脈沖指標

(3)

(4) 裕度指標

(4)

(5) 歪 度

(5)

(6) 峭度指標

(6)

上述參數中，峭度、裕度指標和脈沖指標對沖擊脈沖類故障較為敏感，特別是故障早期，這幾個參數會有明顯增加，但到一定時間，隨著故障的繼續發展，參數變化會逐漸下降，故這3個參數對早期故障診斷有較高敏感性，穩定性差；歪度指標α反映概率密度函數P(x)對于縱坐標的不對稱性，α值越大，則函數關于縱軸越不對稱。傳統信號特征參數在平穩信號的故障識別中取得了較好效果，但不適宜非線性、非平穩信號的故障診斷。

2 信息熵概念及其基本性質

信息論中，信源是指所研究的客觀事物，通常以符號或信號的形式發出信息。若信源中某一事物(狀態)出現的先驗概率較小，那么它一旦發生，監測數據中包含的信息量就大。比如某臺機器正常工作和機器故障2種運行狀態，正常工作狀態概率是P(x1)=0.95，機器故障狀態概率為P(x2)=0.05，可以認為此臺機器大多時間是正常工作的。然而一旦故障發生，就是一件受多種因素影響值得分析研究的事件。

綜上所述，事件是否出現的不確定性和事件出現的概率密切相關。事件發生的概率越大，人們可以推測發生這件事情(或出現某種狀態)的可能性就越大，不確定性就越小；反之，事件發生的概率越小，人們推測它是否發生的困難度就越大。特列對于發生概率為1的必然事件，就不存在不確定性，故某事件發生所含有的信息量，與該事件出現的先驗概率有關。則有：

I(xi)=f[P(xi)]

(7)

式中:P(xi)是事件xi出現的先驗概率;I(xi)為事件xi含有的信息量。依據客觀事實以及人們的經驗判斷，函數f[P(xi)]須符合以下條件：

(1) I(xi)是先驗概率P(xi)的遞減函數，P(xi)越大，I(xi)越小；

(2) 當P(xi)=1時，I(xi)=0，必然事件包含信息量為0；

(3) 當P(xi)=0時，I(xi)=+∞，不可能發生的事件發生，信息量無窮大;

(4) 2個相互獨立事件聯合信息量等于兩事件各自信息量總和。

分析可知：滿足上述條件中的(1)、(2)、(3)時，信息量I(xi)應為先驗概率P(xi)的倒數，滿足條件(4)時，可采用對數來定義信息量。

因此，滿足條件(4)，I(xi)函數的形式應該為對數形式，具體表達如下：

(8)

式(8)定量描述了事件xi發生時，此事件所含有的信息量，I(xi)代表了2種含義：① 當事件xi發生以前，表示事件xi發生的不確定性；② 當事件xi發生以后，表示事件xi所含有(或蘊藏)的信息量。物理系統內不同事件發生時，所包含的信息量不同，故自信息I(xi)是一個隨機變量，不能用來作為整個系統信息的一種度量。

Shannon定義自信息的數學期望為信息熵，即信源的平均信息量：

(9)

信息熵的物理含義為：總體的平均不確定性的一種度量。表征了信源整體的統計特征，對某個特定信息，信息熵只有一個，由于統計特性的不同，不同信源信息熵也不同[2]。下面對信息熵的基本性質做以簡單介紹，信息熵是信源概率空間：

(10)

(11)

(1) 對稱性：概率空間中P(x1), P(x2),…順序任意互換時，熵函數值不變。

(2) 確定性：如果信源的輸出只有一個狀態是必然的，或：P(x1)=1，P(x2)= P(x3)= …，…=0，則有信源熵為：

(12)

此性質說明，信源的輸出雖然有很多種狀態，但如果其中一種是必然事件，其它狀態幾乎不可能出現，那么，該信源即為確知信源，其熵等于0。

(3) 非負性：即H(X) ≥0，隨機變量X取值概率分布為 0≤P(xi)≤1，當所取對數底數大于1時，logP(xi)≤0，而 -P(xi)logP(xi)≥0 ，則求得的信源熵是正值，只有隨機變量為確知信源，信息熵才等于0。

(4) 可加性：獨立信源X和Y的聯合信源熵等于它們各自信源熵之和，設有2個信源X和Y，它們彼此是相互獨立的。

X概率分布

[P(x1),P(x2), … ,P(xi), … ,P(xn)]

Y概率分布

[P(y1),P(y2), …,P(yi), … ,P(yn)]

(5)極值性：當信源各個狀態等概率分布時，熵的值最大，等于信源輸出符號(狀態數)，因為：P(x1)=P(x2)= …,…=P(xn)=1/n時

(13)

即H[(P(x1),P(x2), …,P(xn))]

極值性表明：對于具有n個狀態的離散信源，只有在n個信源符號等概率出現的情況下，信源熵達到最大。這說明，等概率分布信源的平均不確定性最大，稱為最大離散熵定理。

3 固有模態函數能量熵特征提取

3.1 固有模態函數能量熵

首先采用經驗模態分解(EMD)方法對水電機組振動信號x(t)進行前處理，分解后得到n個固有模態函數(IMF)分量[3-5]：c1(t), c2(t), … , cn(t)和一個殘余分量rn。其中n個IMF分量的能量分別為E1，E2，…，En，由于EMD分解的正交性，忽略殘余量rn，n個IMF分量的能量之和等于原始信號的總能量。每個IMF分量包含了不同的頻率成分，所以E={E1,E2,…,En}形成了水電機組振動信號能量在頻域內的一種自動劃分，相應的固有模態函數熵定義為：

(14)

3.2 基于固有模態函數能量熵的模式識別

不同工作狀態、不同故障類型，水電機組振動信號固有模態函數能量熵值有明顯差異。隨著故障的發生、發展和終止，各固有模態函數的能量會隨之發生變化。以固有模態函數能量構造特征向量實現故障診斷的流程見圖1。

圖1 基于固有模態函數熵的故障診斷框圖

(1) 獲取原始信號

在水電機組主軸上安裝2只互相垂直的振動傳感器，來實時監測獲取振動信號。

(2)EMD分解

通過EMD分解對數據進行平穩化和線性處理，該分解過程是自適應，能很好保留和反映信號本質信息，得到一些列IMF分量。

(3) 計算IMF分量能量值Ei

(15)

(4) 以求得的各IMF分量能量值為基本元素構造特征向量T

T=[E1,E2,…,En]

(16)

考慮到能量數值較大，不便于計算和后續分析，故對T進行向量歸一化處理

令 ：

(17)

則有：

(18)

(5) 特征向量T′構造完成后，選擇設計適當的分類器，將T′輸入即可實現故障診斷，對系統當前運行狀態做出判斷和預估。

4 水電機組振動信號分析

某水電站是一座以發電為主兼顧防洪、航運、養殖等效益的大型綜合水利樞紐工程，在當地電網中起調峰、調頻作用，電廠基本參數和機組在線監測測點布置，見表1、2。

本文選用支持向量機(SVM)[6]模式識別分類器，信號特征向量T′作為SVM的輸入，不同工作狀態(故障類型)作為輸出，分析過程如下：

表1 電廠基本參數表

表2 選用的水電廠3號機組信號測點表

開機工況下(暫態工況)，轉速變化范圍0～107.2r/s，有功功率變化范圍-0.593～135.06MW,勵磁電流-5.875～852.55A,勵磁電壓-1.121～789.1V，發電機出口開關(1個)關閉，數據采集間隔時間0.5s，監測歷時88s。獲量機組上導擺度X原始信號如圖2。

圖2 上導擺度X(um)原始信號圖

圖2可以看出，開機后第4秒，機組(上導擺度X)擺度突然增大至峰值(X值約為276um，大于穩定負荷允許值175um)，持續峰值約4.5s，陡然回落；第13秒以后，擺度值圍繞80um上下浮動，直至趨于平緩。按照文中第3章節內容對原始信號進行處理構造特征向量，結果如表3所示。

表3 開機工況下上導擺度X信號特征矢量表

5 結 語

文中講到水輪發電機組出現振動異常一般受機械、水力、電氣3方面因素的影響。過渡過程中系統負荷和水輪機流量時刻發生變化，可促使蝸殼、轉輪、壓力水管和尾水管等發生相應振動，正常情況下，擺度值變化范圍應在規范中的允許范圍內。機組由靜止狀態向運行狀態過渡對結構振動影響最為明顯。分析開機工況上導擺度X信號可知該水電廠3號機組為不正常開機，劇烈振動發生在剛啟動時，此時并無勵磁電流投入，也沒有帶負荷，可排除電氣方面因素；曾懷疑推力瓦干磨擦引起振動及聲音異常，后機組檢修發現推力瓦表面光潔，無明顯磨蝕，未發生燒瓦，這一因素也被排除；機組主軸密封用的是機械式彈簧自動調整端面密封，密封鏡板和密封支承體之間相互磨擦也可能引起振動，檢查鏡板與相鄰密封支承體，沒有磨擦痕跡，因此機組振動和主軸密封裝置系統無關；后測量各導軸承與迷宮間隙值，發現間隙值過大有可能是導致該電廠3號機開機時劇烈振動并伴有異響這一問題的根本原因，軟件輸出結果與實測結果對比基本一致，說明上述方法有效可行。

[1] 彭文季, 羅興锜.基于粗糙集和支持向量機的水電機組振動故障診斷[J].電工技術學報, 2006, 21(10): 17-122.

[2] 黃佳慶.信息論基礎[M].北京: 電子工業出版社, 1986.

[3] 鐘佑明.希爾伯特-黃變換局瞬信號分析理論的研究[D].重慶大學, 2002.

[4] Huang N E,Wu M L.Application of Hilbert-Huang transform to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry, 2003,19 (6): 245-268.

[5] Gloersen P,Huang N E.Comparison of interannual intrinsic mode in hemispheric sea ice covers and other geophysical Parameters[J].IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(5): 1062-1074.

[6] 楊宇.基于EMD和支持向量機的旋轉機械故障診斷方法研究[D].長沙: 湖南大學,2005.

[7] 范春學.水輪發電機組故障機理研究及專家系統[D].武漢: 華中科技大學, 2003.

ion of Characteristics of Signals for Hydraulic Unit Vibration

LI Ming-qiao1, WANG Zi-rui1, LIU Jun1, LIU Guo-feng1, BAI Liang2

(1. POWERCHINA Xibei Engineering Co., Ltd., Xi'an 710065,China;2. Xi'an University of Technology, Xi'an 710048,China)

mode decomposition ; information entropy; model function; characteristic vector

2014-11-06

李明橋(1987- ),男,陜西省安康市人,助理工程師,主要從事水利機械設計工作.

TM312

A

10.3969/j.issn.1006-2610.2015.02.016