基于水電機組振擺數據分析的下機架支撐松動故障

方云飛 蘇建江 盧喬 程林

摘要：隨著我國能源結構調整的逐步推進，風電、光伏發電等非穩定性電源快速發展，水輪發電機組在電網中承擔調峰、調頻的任務越來越多，這就要求水輪發電機組在其整個工況范圍內具有充分的可用性，這就對水輪發電機組故障診斷方面提出了更髙的要求。為了確保水輪發電機組安全穩定運行，本文以機組振動信號處理和運行工況分析為切入點，提取表征機組故障狀態的信號時頻分布特征和工況特征等多重特征向量，提高故障特征向量的準確度，進一步構建基于多重特征向呈相融合的水輪發電機組智能故障診斷體系，實現水輪發電機姐故障的準確診斷與預測。傳統水輪發電機組故障診斷方法絕大多數是基于振動信號的時頻特征進行故障分析，忽略水輪發電機組運行工況對振動信號時頻特征的影響，降低了診斷的準確率。針對上述問題，本文引入基于工況的三維組態模型，分別對水輪發電機組各種工況過程中的振動變化和工況參數進行融合建模，引入神經網絡方法，提取在各種工況下振擺數據的特征值、緩變量預測故障的發展趨勢。

關鍵詞：水電機組，三維組態模型，神經網絡，故障診斷;

ABSTRACT： With the gradual progress of energy structure adjustment in China and the rapid development of unstable power sources such as wind power and photovoltaic power generation， more and more hydro generator units are undertaking the tasks of peak load regulation and frequency modulation in the power grid， which requires that the hydro generator units have full availability in the whole working range， which puts forward higher requirements for fault diagnosis of hydro generator units. In order to ensure the safe and stable operation of the hydroelectric generating unit， this paper takes the vibration signal processing and operation condition analysis of the unit as the starting point， extracts the multiple eigenvectors such as the time-frequency distribution characteristics and operation condition characteristics， improves the accuracy of the fault eigenvectors， and further constructs the intelligent fault diagnosis system of the hydroelectric generating unit based on the fusion of multiple eigenvectors To realize the accurate diagnosis and prediction of hydro generator faults.Most of the traditional fault diagnosis methods are based on the time-frequency characteristics of the vibration signal， ignoring the influence of the operation conditions of the turbine generator on the time-frequency characteristics of the vibration signal， which reduces the accuracy of the diagnosis. In view of the above problems， this paper introduces the three-dimensional configuration model based on the working conditions， respectively， to integrate the vibration changes and working conditions parameters in the process of various working conditions of the hydraulic turbine generator unit， and introduces the neural network method to extract the eigenvalues of the data of shimmy under various working conditions， and to predict the development trend of the fault with slow variables..

KEY WORDS：Hydropower unit， three-dimensional configuration model， neural network， fault diagnosis;

0? 緒論

水電機組狀態監測是開展狀態檢修的基礎，其通過對機組的實時運行情況進行跟蹤，保證其運行在健康狀態，主要包括穩定性監測、壓力脈動監測、空化監測與局放監測等，其中較為常見的是振動信號分析為主的穩定性監測。機組運行時由于受強背景噪聲與復雜電磁干擾的影響，導致監測到的振動信號特征頻帶易被背景噪聲煙沒，難以反映出機組真實的運行狀態。通過先進的信號處理方法對監測信號進行降噪分析，有助于準確獲取信號的時、頻特征，進而及時發現機組運行異常。

故障診斷作為電站智能化建設的重要組成部分，即在監測系統全面采集機組運行數據的基礎上，綜合運用信號處理與神經網絡技術，分析機組運行健康狀態并診斷出可能存在的故障，最后給出決策建議，為狀態檢修提供指導和依據，進而避免發生重大運行事故。水電機組故障診斷在流程上包括三維模型的建立，特征值提取和緩變量預測三步。其中特征值提取是提升故障準確率的關鍵，因而如何從監測信號中提取能充分表征機組運行狀態的特征信息一直是備受關注的熱點問題。由于水電機組變工況與啟、停頻繁，且在運行時受多重激勵因素耦合作用，導致監測到的振動信號具有明顯的非平穩性、非線性與非高斯性等特點。針對此類信號，探索能深刻反映水電機組這一復雜大型動力系統所蘊含變化規律的特征提取新方法，具有重要的理論與實際意義。此外由于水電機組設備的特殊性，診斷時常面臨樣本分布不均勻與數量傾斜的情況。因此急需針對此類問題發展新的診斷方法，提升故障預測的準確度。實現對水電機組狀態趨勢的準確預測，不僅有助于及時發現機組早期運行異常，更有助于科學合理地制定狀態檢修計劃，進而提升電站綜合經濟效益。

1? 水電機組振動故障機理分析

由于設計、制造方面的原因，及安裝與運行方面的因巧，導致水電機組在實際運行中無法避免地存在振動現象，同時振動故障也是水電機組最常見的故障類型。因此為提升故障診斷水平，促進機組安全穩定，有必要深入了解機組振動故障機理，掌握不同振源激勵下的故障表現。從振源激勵因素的角度，機組振動故障的激勵源主要包括水力、機械和電磁等。

2.1水力激勵振動

水力激勵是指引起水電機組振動的主要因素為水力因素。機組在理想狀態下運行時，過流部件處流態平穩，水力激勵影響較小。然而在實際運行中，水流在流經導葉時，常難以遵循最佳的流向，導致流場分布不均勻，由此產生的擾動力激勵作用在機組上，就會使機組產生機械應力及振動，甚至引發功率擺動。當激勵頻率與機組的某部件或整機的固有振動頻率相近時，會引發共振，嚴重危害機組安全。水力激勵振動的主要特點為其隨工況變化而變化。按照引發原因的不同來分，水力激勵主要包括：尾水管禍帶、卡門渦列與水力不平衡等。

2.2機械激勵振動

機械激勵振動是指由機組的自身機械原因產生的激勵力，導致機組不穩定運行。水電機組作為大型旋轉機械，部件眾多，結構復雜，只有保證各機械部件的可靠性才能保證機組整體運行穩定。在設計、鑄造、安裝、檢修過程中，如果沒有對各部件按相關標準嚴格執行操作，將在運行時產生機械干擾力并導致機組振動。機械激勵振動的主要特點為其振動頻率多為轉頻或轉頻的倍數，主要激勵源包括：機組軸線不正或對中不良、轉子質量不平衡、動靜碰摩等。

2.3電磁激勵振動

由電磁方面原因而引發的振動即為電磁激勵振動。在水能到電能的轉換過程中，機組除受水力與機械激勵，還受電磁激勵作用。電磁激勵振動的主要特點為其振動強度隨電流大小而變化，主要包括：負序電流、定子鐵芯沖片松動、磁拉力不平衡等。

水輪發電機組故障成因眾多，多振動源激勵因素耦合關系復雜，從故障特征的角度對水輪發電機組故障原因進行分析，水輪發電機組故障成因分為：振動信號的頻譜特征、軸心軌跡形狀特征和工況過程的曲線特征，本節主要分析振動信號的頻譜特征對下機架支撐松動故障的研究。

2? 故障診斷研究思路

如上所述，分析振動信號的頻譜特征是研究下機架支撐松動故障主要方向。下機架支撐松動出現故障會引起下機架松動、斷裂等重大事故故障，而主要造成故障的原因是下機架各部螺栓松動，下導油槽基礎螺栓松動等。為了更準確的預測以及確定下機架支撐松動故障，需要分析在不同工況下下機架振動頻譜的特征值。運用已有的算法計算需要的特征量，具體就算過程如下：

（1）中間量算法，使用振動波形算法模板（以下機架X、Y方向的波形，使用傅里葉變換），計算出下機架水平振動（峰峰值）、下機架水平振動倍頻（1倍頻）。

（2）三維模型算法，將第一步計算出來的下機架水平振動峰峰值、下機架水平振動倍頻值作為三維的Z 軸，用水頭和導葉開度作為X、Y軸，進入三維模型算法中進行收斂計算。

（3）指標算法，將三維模型中收斂出來的擺度影響量進行圈點，選擇額定水頭附近、開度50%以上的特征、緩變信號進行提取，作為特征值、緩變量輸出。

（4）閾值算法，對從三維模型中提取出來的特征值、緩變量進行預警配置。

（5）故障診斷算法，使用故障診斷算法模板，將提取的下機架水平振動特征值、緩變量以及下機架水平振動倍頻特征值、緩變量進入故障那個診斷算法中計算。。

3 基于健康樣本的故障診斷的計算

水輪發電機組故障與機組運行工況密切相關，機組振動幅值與轉速、開度和勵磁電流等工況參數間的關聯曲線是反映機組健康狀態一種有效表現形式。因此，對水輪發電機組工況過程進行監測，不僅可以為水輪發電機組穩定性分析提供可靠地信號資源，而且可以為機組故障原因分析提供一種有效的判斷依據。反而，如果忽略運行工況對機組監測量的影響，僅僅孤立的采用水輪發電機組振動信號分析技術進行機組健康樣本的提取，可能會導致分析結果不準確。為此，我們在以前特征值提取方式下，詳細分析不同工況下監測量的曲線特征值;通過融合水輪發電機組工況與監測量信號，提取了特征量與工況的關聯規則;采用監測量與水頭、導葉開度、負荷等工況參數作為健康樣本特征值的提取，有效提升了特征量的代表性。

（1）使用中間算法，計算出下機架水平振動、下機架水平振動倍頻值。下面以某電廠1號機下機架水平振動、下機架水平振動倍頻值。下圖3-1為某電廠1號機組2019年3月1日到2019年3月8日期間的下機架水平振動、下機架水平振動倍頻值，從圖中可以看出，由于機組結構復雜、工況轉換頻繁，使得其下機架水平振動、下機架水平振動倍頻值參數時間序列非常復雜，難以從圖中準確地分析其實際運行狀態。

如圖3-2所示，機組在該時段的水頭、導葉開度、下機架水平振動、倍頻之間的關系。從圖中可以看出，在該時間段內該機組水頭在[42，52]區間波動;下機架水平振動、倍頻值波動較大時導葉開度集中在[0，48]，下機架水平振動、倍頻值穩態是導葉開度集中在[50，68]。機組在發電工況下、導葉開度、工作水頭對機組運行參數有重要影響，由于機組工作水頭及運行工況的不斷轉換，使得下機架水平振動、倍頻值變化及其復雜，不能從振動數據中直接獲取機組的真實狀態。

（2）特征值的提取，為實時獲取水電機組的真實運行狀態，需要對其建立導葉開度-水頭-下機架水平振動、倍頻狀態三維模型，獲取健康狀態下的樣本，下圖3-3、圖3-4是下機架水平振動、下機架水平振動倍頻三維模型。

建立好三維模型后，采用機組振動值穩定的狀態下無故障的數據，建立機組健康狀態下振動頻域特征和時域特征，提取具有代表性的、健康的特征量樣本。下圖3-5、圖3-6是1號機組2019年2月25日到2019年3月8日期間的下機架水平振動、下機架水平振動倍頻值原始樣本和健康樣本的趨勢比較圖，從中可以看出，健康樣本趨勢剔除了暫態、剔除噪聲干擾等其他狀態下的數據，只保留健康樣本的數據，可以有效的分析機組在實際運行工況下機組的健康狀況。

（3）故障診斷算法，健康樣本建立后，引入人工智能的數據算法模型，例如神經網絡、線性回歸機器學習等，具體計算過程如下圖3-7所示：

4? 結束語

現有的故障診斷理念是基于故障征兆，利用狀態監測得到的參數與故障知識中的故障征兆進行分類、比對等手段，識別設備故障，判斷設備故障發生部位、故障性質和程度及產生原因等，進一步預測設備故障的發展趨勢。由于水電機組的特殊性，其“故障”表現可能多種多樣，現階段根本無法健全故障樣本，基于水電機組故障特征和故障樣本的診斷方法，很難在短期內取得實用成果。本文從研究機組正常運行狀態的特征參數入手，以概率論與數理統計理論為基礎，提出了建立特征量健康樣本的理論方法，并結合實例對機組運行狀態進行健康評估和性能退化預測。

（1）以電站實際監測量為例，分析討論了機組運行條件對監測參數特征量的影響。如果在建立健康樣本時，不考慮機組運行條件的話，會導致樣本分散，標準偏差較大，使得建立的健康樣本界限過寬，不利于機組運行狀態的健康評估。本文提出以控制機組在穩定工況下，按運行條件分別建立特征量健康樣本的理論方法，可建立比較理想的健康樣本。

（2）根據水電機組監測量特征指標的時間序列特性，建立了基于時間序列變化分解的水電機組特征量趨勢預測模型，提出了基于時間序列分解模型的趨勢預測和性能退化預測的算法。采用電站實際監測數據對分解模型和算法進行了驗證，結果表明，預測趨勢與實際監測趨勢具有很好的吻合性，可滿足水電機組監測特征量的定量趨勢預測和性能退化預測，對早期預警機組潛在異常，具有很好的實用性和應用前景。

參 考 文 獻

[1]? ?劉娟，潘羅平 ，桂中華，等.國內水電機組狀態監測和故障診斷技術現狀[ J ]大電機技術，2010：45-49。

[2]安學利，潘羅平，桂中華，周葉抽水蓄能電站機組異常狀態檢測模型研宄水電能源科學，2013，31（1）：157-160。

[3]高梁，張禮達 . 基于專家系統的水輪機組故障診斷研究 [J]. 水 力發電，2006，32（12）：49-51.

[4]劉曉亭，馮輔周水電機組運行設備監測診斷技術及應用北京，中國水利水電出版社，2010.12：10-15.