基于小波包分析的水電機組振動故障診斷研究

摘 要：機組振動是水電站運行中的主要故障，水電機組振動故障診斷對于水電站安全運行具有十分重大的意義。本文提出了一種小波包技術，用于水電機組振動信號去噪和提取機組的振動故障特征，并構建了小波神經網絡的水電機組振動故障診斷方法。以實際水電機組振動故障為例，進行了應用檢驗。結果表明，該方法簡單有效、并具良好的魯棒性，適合水電機組振動故障的診斷。

關鍵詞：水電機組；小波包分析；振動；故障診斷

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

0 引言

水電機組狀態檢修一種預防性維修方式，它以水電機組的運行狀態為基礎，通過機組狀態監測和故障診斷系統提供的相關信息，經過分析處理，對機組的整體和局部的劣化程度進行判斷，以期在故障發生之前進行有效的維修，進而提高水電機組運行的安全性，機組檢修周期得以延長，機組檢修費用得以下降。而要將機組狀態檢修運用于水電站的實際檢修工作中，首先需要加強設備狀態監測和故障診斷技術研究工作。目前，國內外諸多學著對狀態監測技術開展了大量研究工作，雖然取得了一些成果，但其實質基本還停留在理論研究當中，實際應用成果較少，少量成果出現為機組局部故障診斷和單一的故障診斷，缺乏以整個機組作為一個系統進行診斷的手段，未能形成對狀態檢修起指導作用的成熟的故障診斷系統。

因此，根據現代信號處理技術，提出水電機組振動信號的信噪分離方法，提取水電機組振動故障的特征，并提出適合于水電機組振動故障在線診斷的智能診斷方法。這對于改善水電機組的安全性和可靠性，提高我國水電機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組振動信號處理技術的應用

1.1 小波包分析

小波包分析在小波分析基礎上的一種延伸，其核心思想是集中信息能量，通過細節處理，找到其中的有序性，將其規律篩選出來，得到一種更加精細的信號處理方式。小波包分析通過多層次的頻帶劃分，對于那些沒有細分的高頻部分信號，能夠進一步分解。通過對分解后的信號特性進一步分析，使得被分析信號按照其特征自適應選擇其相應頻帶，并使之與信號頻譜相匹配，進而提高時—頻分辨率[1]。目前，小波包分析已被廣泛的應用于電力系統故障診斷中[2-3] ，在故障診斷領域的應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中檢測到故障信號，而且能夠進行去噪，信號得以復原，應用價值很高。因此，小波包分析是水電機組振動信號處理方式的較優選擇。

1.2 小波包分析的應用

傳統的信號分析方法（FFT）是對信號整個的歷時過程而言的，缺乏分析信號局部特性的能力，只適用于平穩信號的分析。而伴隨有強烈背景噪聲的水電機組振動信號是一個非平穩信號，要同時使用時間和頻率來進行描述，對其進行分析必須依靠信號的局部變換。本文采用 “sym4”小波進行消噪處理，振動信號采集于國內某水電站水輪機頂蓋振動信號，實測信號的采樣頻率為60Hz，檢測系統采樣點數為7000點。本文選用其中700點進行分析。消噪后信號占原信號能量的98.66%，實現了水電機組振動信號的信噪分離，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，在水電機組發生故障時，它在機組振動信號中所對應的頻率成分將會明顯增強，在該頻段內信號的能量也會明顯增強，相反，那些處在振動幅值偏小的頻段內的信號能量則相對較弱。因此，在不同頻率成分信號的能量中，實際包含著大量的故障信息。也就是說通過診斷實測振動信號，就能提取其故障特征量。對去噪后的振動信號，采用‘db1信號進行3尺度小波包分解，根據奈奎斯特定律可將機組振動頻率分析上限定為500Hz，對小波包分解系數進行重構，可以得到各個頻段上的重構信號，分析其頻譜圖（如圖3），得到頻率段特征向量。由于高頻段信號對整個振動信號影響較小，可對特征向量進一步的整理歸一為[0.81 0.29 0.06 0.03 0.02]。

2 水電機組故障診斷研究

2.1 小波神經網絡的故障診斷模型的構建

針對水力機組故障信號的特殊性，通過選取合適的小波包分析消噪方法來處理特定信號，從而得到了既能保護信號的奇異性特征，又可以取得較好信噪比的信號去噪方法，并通過真實電站數據去檢驗其效果，然后又通過適合水電機組振動信號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建立水輪機組振動故障診斷的神經網絡模型。

小波神經網絡的故障診斷模型結構如下圖4。

2.2 仿真實驗

本文通過查閱相關文獻，并在國內某水電站進行實際現場調研獲取相關實驗數據，找出該水電站水電機組最常見的2種故障（渦帶偏心和轉子不平衡），針對該兩類故障分別選取了4組實測頻譜值，構成對應2類故障的8組學習樣本和正常狀態的2組學習樣本，定義輸出值0.9代表故障程度嚴重，0.1代表故障不存在，0代表故障程度未知。故障診斷學習樣本如表1。

網絡的輸入節點數為5個，因為采用的特征量是5個，而輸出節點數代表故障集合，故輸出節點數應為4個。網絡訓練完成后，輸入第二部分所得到的歸一化特征向量，輸出結果為[0.9016 0.1062 0.0953 0.0976]。根據計算分析和表1中所示，渦帶偏心所造成的振動正是實測數據所代表的故障原因。

對其頻率特征進行分析，機組頂蓋、推力機架徑向振動和擺度的主頻為轉頻，機組頂蓋振動頻率較大，含有7.7Hz頻率，7.7Hz為葉片數與轉頻的乘積。在蝸殼和尾水錐管中都含有7.7Hz的脈動頻率，負荷越大7.7Hz頻率的振動分量越明顯。這也說明機組在大負荷區較大擺度的激振力來源于水力不平衡。該電廠三號機大修中，在對輪葉開口測量時發現：輪葉#3-#4、#4-#5、#5-#6的開口比輪葉#6-#1、#1-#2、#2-#3開口要小，這也進一步印證了水力不平衡力的存在，與本文故障診斷分析結果一致，故而驗證了故障診斷模型的有效性。

3 結論

（1）本文提出了以小波包分析作為水電機組振動故障信號信號去的方法，并對故障的頻譜特征提取進行了研究。

（2）提出了基于 BP神經網絡的故障診斷方法。該方法具有很強的魯棒性，對小樣本有很強的泛化能力。

（3）通過實際電站數據進行仿真實驗，基于小波包分析水電機組故障診斷方法，是一種良好的水電機組振動故障智能診斷方法。

參考文獻：

[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電機系統故障診斷[J].中國電機工程學報，2008，28（08）：121-126.

[3]范立莉，梁平小波包分析在汽輪機轉子振動故障診斷中的應用[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，高級工程師，主要從事電站運行管理工作。