基于大數據的水電機組不平衡故障預警技術研究

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.松花江水力發電有限公司吉林白山發電廠，吉林省吉林市 132013）

1 概述

在水輪機組故障中，不平衡類故障是最為常見的故障類型，包括轉子質量不平衡、轉輪質量不平衡、電磁拉力不平衡、水力不平衡等，上述類型故障是引起機組振動最為主要的原因[1][2]。傳統的水電機組故障診斷系統，以在線監測系統采集的數據為基礎，通過人為啟動分析機組是否存在該類故障，僅僅適合于故障發生后的確認定位，很難在故障發展早期實現異常告知，起不到早期預警的作用。另外，從目前在線監測系統的發展水平看，其提供的趨勢預警功能也僅僅局限于對機組振動、擺度等常規特征的發展趨勢分析[1]，而當故障特征并不能在機組的振動、擺度明顯反映出來時，在線監測系統提供的趨勢預警功能也將失效。

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

圖1 基于大數據挖掘的故障預警模型Fig.1 Fault early warning model based on big data mining

首先，需要根據在線監測的歷史數據，依據故障機理模型進行故障特征指標計算，對歷史特征指標集采用大數據分析技術[如多元線性回歸分析、支持向量機（SVM）]等進行訓練，建立故障預測模型[4]。

然后，將訓練后的預測模型應用于實時的故障特征異常檢測，即根據監測數據的實時數據，進行故障特征指標的實時計算，根據預測模型的計算結果和實際計算結果進行比對，用以檢測故障特征指標是否發生變化。當預警系統檢測到特征指標發生變化時則發出告警信息，并輸出告警分析報告。

本文案例中使用的數據全部來自于北京中元瑞訊有限公司所研制的GMH550型水力機組狀態監測系統的測量數據，故障特征指標提取也依據該在線監測系統完成。

2 不平衡類故障的特征指標集

2.1 質量不平衡故障的特征指標集

一個剛性單盤子結構的轉子系統，旋轉機械的不平衡力是指其轉動部分的機械不平衡力，是由旋轉機械轉動部分質量分布不對稱造成的不對稱離心力，它遵守下列離心力關系：

式中Fl——離心力；

m——不平衡質量；

ω——旋轉角速度；

e——不平衡質量的偏心距。

式（1）說明，單純由質量分布不對稱引起的機械不平衡力和轉速頻率的平方成比例，和不平衡質量及不平衡質量的位置半徑呈線性關系。對于水輪發電機組而言，由質量不平衡引起的擺度、振動變化與轉速的平方接近正比關系，而其變化成分的頻率必定是轉速頻率（1X）。

一般來說，對于水輪發電機組而言，轉子質量不平衡故障主要通過在靠近轉子的機組擺度測點（比如上導擺度）和機架振動的1X分量（上機架振動、下機架振動）的特征辨識[3]。

根據上述故障機理，建立判斷轉子質量不平衡故障的特征指標集，如表1所示。

表1 質量不平衡故障特征指標集Tab.1 Mass-unbalance fault characteristic indexes

2.2 電磁拉力不平衡故障的特征指標集

電磁不平衡力主要由發電機轉子不圓、轉子幾何中心與旋轉中心不一致等原因所引起，其明顯特征是不平衡力與勵磁電流成正比，發電機空載時電磁不平衡力達到最大。

一般說來，轉子偏心和轉子不圓都會引起上導擺度、下導擺度、上機架振動、下機架振動、定子鐵芯振動、定子基座振動的改變，而轉子偏心主要引起上述測點的1X頻率分量的改變，轉子不圓則主要引起上述測點的2X、3X甚至更高頻率分量的改變。定子不圓及定轉子相對偏心則主要引起上導、下導部位徑向軸位移發生變化，在測試分析時主要觀察擺度的間隙值是否發生改變。定子合縫松動則主要引起定子鐵芯振動、定子機架振動的100Hz分量的改變[3]。

根據上述故障機理，建立判斷電磁拉力不平衡故障的特征指標集，如表2所示。

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

2.3 水力不平衡故障的特征指標集

水輪機組水力因素引起的水力不平衡是最復雜的一種不平衡力，水力不平衡力產生的機理是：過流部件中所流過的水流對機組轉輪中心分布不均勻、不對稱，即流量沿圓周分布不均勻。其主要現象表現為機組的振擺幅值與機組流量呈線性關系：

式中A——振動幅值；

Q——過機流量，m3/h。

根據式（1）可得：

式中P——機組負荷；

γ——水的重率；

H——機組水頭。

從式（3）可以看出，機組流量與機組負荷成正比，與機組工作水頭成反比，因此水力不平衡現象在機組運行過程中通常表現為機組水導處的振擺幅值主要是隨著機組負荷的增加而增大，會隨著機組水頭的增大而減小。對于水力不平衡而言，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]。

根據上述故障機理，建立判斷水力不平衡故障的特征指標集，如表3所示。

3 基于大數據挖掘的故障預測方法

3.1 多元回歸預測模型

一元線性回歸模型表示用一個自變量X來預測因變量之間的數據關系。可表示為：

然而，在實際的物理對象中，往往一種現象常常是與多個因素相聯系的，由多個自變量的最優組合共同來預測或估計因變量，比只用一個自變量進行預測或估計更有效，更符合實際，這就是多元線性回歸模型[4]。多元線性回歸算法的數學模型為：

也就是說，因變量Y可以近似地表示為自變量X1、X2、…、Xn的線性函數。其中：β0為常數項，β1、β2、…、βn為偏回歸系數。e是隨機誤差（殘差）。而上述β0、β1、β2、…、βn、e則可利用歷史測量數據，采用最小二乘法等求得一個近似的估計么可采用以下模型對Y進行預測：

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歷史數據進行預測。

具體到本系統，采用多元回歸模型，通過歷史的挖掘，構建各個特征參數之間的回歸模型，從而發現各建立各類隱含的關聯規律（尤其地，建立機組振動、擺度等與機組負荷、溫度、工作水頭等邊界參數之間的回歸模型），就可以用來進行性趨勢預測和數據異常檢測。對于質量不平衡故障、電磁拉力不平衡故障而言，機組溫度會直接影響特征指標的計算結果，而水力不平衡故障的特征與機組負荷、工作水頭有直接關系。

因此，在本文的研究中，選取如下的應變量Y矢量以及自變量X矢量：

其中，P為機組負荷，H為機組工作水頭，Ti為各導軸承溫度以及鐵芯溫度等。則回歸預測模型可表示為：

其中，A為偏回歸系數矩陣，B為隨機誤差矢量。A和B可通過歷史數據進行訓練獲得。

3.2 算例分析

某軸流轉槳式機組在2015-08-28運行期間，發生了轉輪室的內襯脫落故障。為了驗證本預警技術研究的有效性，以本文提出的模型為基礎，利用該軸流轉槳式機組進2015年以前的監測數據進行訓練，得到多元回歸預測模型偏回歸系數矩陣A以及隨機誤差矢量B，利用A和B，對2015-8-1到2015-8-28之間的在線監測數據僅行特征進算和預測，最終比對結果如表4所示。

從上述數據可以看出，機組水力不平衡葉片頻率分量HAbX早在2015-8-15已經發生明顯改變，這個時間比事故發生提前了約13天，證明是可以通過本預警技術實現提前預警的。同時，通過HAbX的變化也可以直接證明是機組的水力不平衡故障產生，而且是葉片的通過頻率發生較大變化，這對于快速確定故障性質和快速定位故障提供有力證據。

表4 水力不平衡故障指標預測結果和實測結果對比表Tab.4 Predictive value of hydraulic imbalance fault characteristic indexes and measured results comparision table

圖2 某軸流轉槳式機組水力不平衡葉片頻率分量回歸預測值與實際計算值的對比Fig.2 Regression predictive value of hydraulic imbalance fault sharacteristic indexes and measured results comparision graph

4 結束語

本文研究了基于大數據技術的水電機組不平衡類故障的故障警模型及其預警技術，通過實際數據的對比分析證明了該方法的有效性和使用價值。從實際意義來說，不僅不平衡類故障可以采用上述技術進行早期故障預警，其他類型的故障如軸線彎曲、軸瓦不同心、定轉子變形等各類故障都可以采用上述預測方法進行預警。但是采用大數據預測模型需要逐一對各類故障進行故障建模、提取故障特征指標集，并利用歷史指標數據進行訓練，結合機組運行工況數據才能獲得預測模型。另外，除多元回歸分析方法之外，支持向量機（SVM）、神經網絡等多種大數據分析方法可以用于水電機組的故障預警分析。因此，研究大數據分析技術在水電機組的故障診斷和故障預警方面的應用，具有一定的理論意義和使用價值。