基于頻率加權能量算子與1.5維譜結合的發電機特征振動信號增強

何玉靈，孫 凱，王 濤，白 潔

基于頻率加權能量算子與1.5維譜結合的發電機特征振動信號增強

何玉靈，孫 凱，王 濤，白 潔

（華北電力大學機械工程系，河北 保定 071003）

針對多極發電機故障振動信號信噪比低，故障識別難度高的不足，本文提出了頻率加權能量算子（FWEO）與1.5維譜結合的方法來對發電機振動信號進行特征增強和濾噪。該方法應用頻率加權能量算子來提取瞬態沖擊特征和濾噪，應用1.5維譜來進行信號的二次特征增強和抑噪。對3對極發電機定子匝間短路故障前后定子振動數據的處理效果表明，本文所提方法能有效對發電機特征振動信號進行增強并實現有效濾噪，實現故障的快速識別；其處理效果不僅優于單一的頻率加權能量算子和單一的1.5維譜，而且與當前流行的最大相關峭度解卷積算法相比具有一定優越性。

多對極發電機；定子匝間短路；振動信號；頻率加權能量算子（FWEO）；1.5維譜

0 前言

發電機是電力生產的核心設備，保障發電機組的安全穩定運行對于社會經濟發展和關系國計民生行業的電力供應具有重要意義。

目前，普遍采用定、轉子電壓與電流變化特性、電磁轉矩波動特性、定轉子振動特性、繞組電感矩陣變化等參量來對各類故障進行監測與識別。這其中，振動信號由于包含豐富的故障信息，且傳感器安裝、信號測取方便，被方泛應用于工程實踐中[1]。

近年來，國內外學者對信號處理方法進行了許多研究，濾噪處理技術和模式識別技術都在不斷發展[2-8]，旋轉機械故障信號的提取技術取得了不斷突破[9-11]，能量算子在信號處理領域的應用也逐漸廣泛[12-15]。在現有成果中，研究人員主要針對的是滾動軸承的故障信號，對發電機振動信號的濾噪和增強檢測報道相對較少。相對而言，滾動軸承的振動信號的沖擊特性要較發電機振動信號更為明顯，這與軸承及電機的結構差異和運行方式有關。發電機的定轉子質量及結構尺寸較大，除風力發電機外，汽輪發電機和水輪發電機運轉相對平穩，系統等效阻尼也較滾動軸承要大得多，基于磁場作用的非接觸電磁激勵導致的機構振動響應在量級上也遠不如滾動軸承因機械式接觸產生的沖擊激勵直接產生的振動。

目前，一對極發電機的振動信號作快速傅里葉變換（FFT），或經常規簡單的濾波去噪處理后經FFT所得到的頻譜，其特征頻率成分相對明顯，基本可實現對故障類別的診斷與識別。但對于多極發電機，由于機械轉頻較低，作傅里葉變換后其頻譜包含的頻率成分也較一對極發電機要豐富得多，加上隨機噪聲和各類擾動信號的加成，所得到的特征頻率成分往往被噪聲信號所覆蓋。例如，文獻[16]中報道的定子匝間短路下的定轉子振動特征頻率成分（2、4、6）[17]對應的幅值就遠低于其他非特征頻率成分幅值，即特征成分無法突顯，特征信號被覆蓋，給故障的識別和診斷帶來了很大的困難。如何對多極發電機的特征振動信號進行有效增強，同時抑制環境噪聲等其他非特征信號，是當前領域內的重要課題。

本文采用頻率加權能量算子（Frequency Weighted Energy Operator, FWEO）與1.5維譜結合的方法對多極發電機的定子振動信號進行處理，增強發電機的特征振動信號，并和單一的頻率加權能量算子、單一的1.5維包絡譜以及文獻[18]中的最大相關峭度解卷積（MCKD）算法的處理結果進行對比。

1 頻率加權能量算子

1.1 Teager能量算子

Teager能量算子（Teager Energy Operator，TEO）最初是Teager在研究非線性語音建模時，對窄帶信號能量計算和追蹤時引入的算法[19]。

對于任意的連續信號()，Teager能量算子的表達式為：

式中，'()和'()分別代表()的一階導數和二階導數；[()]為動能和勢能的總和，即Teager能量算子。

相應地，離散能量算子的表達式為：

對于一組連續信號：

式中，代表幅值；代表瞬時頻率。

求導得：

將式（3）、式（4）和式（5）代入式（1）得到：

從式（6）中可以發現，Teager能量算子中信號的總能量由幅值和頻率共同決定。

聯立式（6）和式（7）可得信號的瞬時頻率和瞬時幅值：

Teager能量算子通過對原始信號、一階導數和二階導數進行非線性組合，可以估計信號中的瞬時能量波動，進而實現瞬態沖擊特征的提取。

1.2 頻率加權能量算子

因為Teager能量算子解調容易受到干擾信號的影響并存在沒有意義的負能量，所以Toole等人在滿足TEO的相類似性質的基礎上，選擇信號的導數函數作為加權濾波器，提出了頻率加權能量算子[20]。

連續信號頻率加權能量算子的表達式為：

對于連續信號式（3）可繼續得：

將式（4）和式（10）代入式（9）得：

由此可見，頻率加權能量算子具有同Teager能量算子相似的性質。

對比式（1）與式（9），Teager能量算子與頻率加權能量算子的第一部分是相同的，區別主要是在第二部分。這些差別在頻域上會表現得更加明顯，分別計算第二部分對應的傅里葉譜如下：

式中，()表示()的傅里葉譜；*表示卷積操作。

頻率加權能量算子是一種在傳統能量算子的基礎上對其頻率進行加權的新算法，不僅能實現對信號瞬態沖擊特征的提取，并且相對于Teager能量算子的魯棒性更好，誤差更小，抗噪性能也更加強大。

2 1.5維譜與本文算法流程

2.1 1.5維譜

對于任意的平穩隨機信號()，其三階累積量可以表示為：

式中：[ ]表示數學期望。

令1=2=，即得到信號()三階累積量的對角切片：

該對角切片的一維傅里葉變換即定義為信號()的1.5維譜()：

1.5維譜有一些很重要的性質，比如能夠抑制高斯白噪聲以及提取耦合諧波分量等[21]，廣泛的應用在非線性、非平穩信號的分析中。

2.2 本文算法流程

發電機運轉時產生的振動信號是一種能量的載體，這種能量會在機組動力傳動的過程中得以體現[22]。當發電機發生短路或者偏心等故障時，機組的一些零部件就會產生異常振動，而振動所傳遞的能量信息就會在時域或者頻域發生突變。

由前面的分析可以得知，頻率加權能量算子能夠實現對信號故障特征的提取和增強，1.5維譜分析過程中也存在抑制噪聲、提取耦合諧波分量的過程，兩者聯合，對故障特征振動信號進行二次抑噪及增強，實現本文的核心方法目的，對應的算法流程如圖1所示。

圖1 算法流程圖

3 實驗信號檢測與驗證

3.1 實驗設備與方法

實驗數據從新能源電力系統國家重點實驗室MJF-30-6型隱極動模發電機組上進行測試獲取，機組的基本參數見表1。

表1 MJF-30-6型隱極故障模擬發電機基本參數

實驗通過安裝在定子外圓面豎直方向的CD-21C型速度傳感器（北京測振儀器廠生產，靈敏度為30mV/mm/s）測取定子匝間短路故障前后的定子振動數據，如圖2所示，發電機定子和轉子繞組分布如圖3所示。

定子繞組匝間短路抽頭設置為：在B相第一條支路和C相第一條支路各引出5個抽頭，分別位于定子繞組相對中性點2%處（B11/C11）、5%處（B12/C12）、10%處（B13/C13）、20%處（B14/C14）、40%處（B15/C15）；在C相第二條支路引出3個抽頭，分別位于定子繞組相對中性點2%處（C21）、5%處（C22）、10%處（C23），共13個抽頭，如圖4所示。通過短接不同的短路抽頭可以對不同程度的定子匝間短故障進行模擬。

實驗中，發電機并網帶500W負載運行，首先測取正常運行情況下的振動數據1作為對比；然后將定子繞組的C相第二條支路的C21和C22處短路，模擬3%定子匝間短路，獲取故障數據2；再將定子繞組的C相第二條支路的C22和C23短路，模擬5%定子匝間短路，獲取故障數據3。

圖2 機組整體外觀與傳感器設置

圖3 發電機定子和轉子繞組分布

圖4 定子繞組匝間短路抽頭

3.2 定子振動信號分析

對采集到的定子正常振動信號、3%定子匝間短路和5%定子匝間短路信號分別用最大相關峭度解卷積（MCKD）算法、1.5維包絡譜、頻率加權能量算子（FWEO）以及本文提出的頻率加權能量算子結合1.5維譜的算法進行分析，原始信號以及經各算法處理后的結果分別如圖5~7所示。

從圖5（b）~圖7（b）中可以看出，原始的定子振動信號含有較多的毛刺，頻譜圖較為雜亂，定子匝間短路故障下發電機定子振動的特征頻率成分2、4、6完全被淹沒，無法對發電機所處的故障狀態進行診斷與識別。

圖5（c）~圖7（c）是對原始信號進行MCKD算法處理后的結果，處理過程中取值為100，優化后的取值為85，參數的詳細設置求解過程可見文獻[18]。由圖中可看出，經MCKD處理后的頻譜與原始信號相比有了較大改觀，特征頻率處的幅值有了一定的提升，說明MCKD算法可以有效增強多極電機的特征振動信號并達到濾噪效果。

圖5（d）~圖7（d）是對原始信號進行1.5維包絡譜處理后的結果，可以看出，此算法可以有效的抑制噪聲并增強各倍頻成分的幅值，但對于2、4、6幅值的增強效果相對較為微弱，因此，單獨采用1.5維譜達不到理想的增強效果。

圖5（e）~圖7（e）是對原始信號進行FWEO算法處理后的結果，頻譜圖中的譜線幅值在2、4、6這些故障特征頻率處達到了較高的水平，相比MCKD算法的增強效果更明顯，噪聲等干擾信號的衰減也達到了比較滿意的效果，因此，頻率加權能量算子用來增強信號的故障特征是有效的。

圖5（f）~圖7（f）是本文算法處理后的結果，由圖中可看出，本文算法最大程度地保留了原始信號的特征頻率，噪聲等干擾譜線很少，整個頻譜較為干凈利落，故障頻率特征也較為明顯。

對比文中提到的4種信號處理的方法可以看出，1.5維包絡譜的效果最差，MCKD算法、FWEO算法及本文提出的FWEO結合1.5維譜的算法都能夠實現對故障特征的增強，但是本文算法相比MCKD算法的特征頻率幅值提升明顯，相比FWEO算法的幅值也有一定的提升并且噪聲得到了進一步的抑制。

雖然本文是對定子振動信號進行分析，但由于轉子軸承座和定子固定在同一基礎上，轉子的振動會傳遞給定子，從而影響到定子的振動信號，例如轉子的基頻振動信號就會傳遞給定子，使得定子振動除了特征頻率二、四、六倍頻外在基頻處也有較大的振動幅值。另外，由于本文實驗的對象是三對極電機，受到諧波和電機齒槽效應的影響，導致了五倍頻和六倍頻處幅值較高[23]。處理后實驗數據的整體結果基本符合定子匝間短路故障下所對應的振動特性。

為了更直觀地將不同算法進行對比，將處理結果列表繪制成折線圖，結果見表2和圖8。因1.5維包絡譜處理結果較差，在此未予列出。

由表2和圖8可更直觀地看出，本文算法的處理效果較為明顯，特征頻率成分與未處理信號相比有較為可觀的增幅，與另外3種方法相比也有較明顯的優勢，說明本文所提出的頻率加權能量算子與1.5維譜結合的方法在多極發電機特征振動信號的增強檢測方面具有有效性和優越性。

圖5 定子正常信號時域波形及不同方法處理后的頻譜

圖6 3%定子匝間短路時域波形及不同方法處理后的頻譜

圖7 5%定子匝間短路時域波形及不同方法處理后的頻譜

表2 FWEO與MCKD算法處理結果對比

圖8 正常、3%和5%定子匝間短路故障的處理結果對比

4 結論

本文提出了頻率加權能量算子與1.5維譜結合的算法來處理多極發電機振動信號信噪比低、特征頻率信號被淹沒的工程問題。論文主要工作及分析結論如下：

（1）對多極發電機的原始振動信號進行了分析，發現未經特殊處理的多極發電機振動信號其頻譜中的特征頻率成分基本被淹沒在噪聲中，開發針對性的處理算法對多極發電機的特征振動信號進行有效增強并濾噪具有必要性。

（2）對三對極發電機定子匝間短路前后的定子振動信號分別進行了1.5維包絡譜分析、頻率加權能量算子（FWEO）算法分析和最大相關峭度解卷積（MCKD）算法分析，發現這些方法在一定程度上都能增強多極發電機的特征振動信號并達到濾噪的效果，綜合處理效果為頻率加權能量算子優于MCKD優于1.5維譜。

（3）采用本文提出的頻率加權能量算子與1.5維譜結合的算法對三對極發電機故障前后的振動數據進行了處理并與其他算法結果進行了對比，發現本文算法在特征振動信號的增強和綜合濾噪效果上要優于單一的頻率加權能量算子算法、單一的1.5維譜算法，以及最大相關峭度解卷積算法。本文算法可有效提取多極發電機的故障頻率特征，為故障識別與診斷提供便利。

[1] 何玉靈, 龐彬. 基于振動信號多尺度熵的發電機故障監測方法研究[J]. 電機與控制應用, 2015, 42(9): 43-46.

[2] 劉奎, 張冬梅, 于光, 等. 空氣耦合超聲信號的小波閾值濾噪試驗研究[J]. 機械工程學報, 2015, 51(20): 61-66.

[3] 孫萬麟, 山拜達拉拜. 多模噪聲背景下基于遺傳小波網絡的濾噪研究[J]. 機械設計與制造, 2013(6): 190-192.

[4] 王晅, 張小景, 馬進明, 等. Contourlet域中鄰域窗最優閾值濾噪算法[J]. 計算機工程, 2010, 36(5): 223-224+227.

[5] 王芳, 卓莉, 李繼紅, 等. 基于粗集均值濾波的Hyperion高光譜數據濾噪方法[J]. 地理與地理信息科學, 2006, 22(6): 30-33.

[6] 胡壽松, 周川, 王源, 等. 基于小波神經網絡的組合故障模式識別[J]. 自動化學報, 2002, 28(4): 540-543.

[7] 陸爽, 楊斌, 李萌, 等. 基于小波和徑向基函數神經網絡的滾動軸承故障模式識別[J]. 農業工程學報, 2004, 20(6): 102-105.

[8] 王冰, 李洪儒, 許葆華, 等. 基于數學形態學分段分形維數的電機滾動軸承故障模式識別[J]. 振動與沖擊, 2013, 32(19): 28-31+92.

[9] Yanxue Wang, Jiawei Xiang, Richard Markert, Ming Liang. Spectral kurtosis for fault detection, diagnosis and prognostics of rotating machines: A review with applications [J]. Mechanical Systems and Signal Processing, 2016(66-67): 679-698.

[10] Libin Liu, Xihui Liang, Ming J. Zuo. Vibration signal modeling of a planetary gear set with transmission path effect analysis [J]. Measurement, 2016, 85: 20-31.

[11] Wangpeng He, Yin Ding, Yanyang Zi, Ivan W. Selesnick. Sparsity-based algorithm for detecting faults in rotating machines [J]. Mechanical Systems and Signal Processing, 2014, 72-73: 46-64.

[12] 周洋, 向陽, 黃陳哲, 黃進安. 基于VMD-SVD能量標準譜-Teager能量算子的軸承故障診斷方法[J]. 噪聲與振動控制, 2019, 39(4): 212-217+253.

[13] 徐元博, 蔡宗琰, 丁凱. 復雜背景下對稱差分解析能量算子在軸承故障診斷中的應用[J]. 振動與沖擊, 2019, 38(8): 246-254.

[14] 安雪君, 郝如江, 史云林. 基于SK-CICA和Teager能量算子的滾動軸承故障診斷方法[J]. 軸承, 2018(10): 42-46.

[15] 馬本棟, 胡書舉, 孟巖峰, 宋斌, 吳濤. 基于多小波包-能量算子解調的滾動軸承復合故障診斷[J]. 噪聲與振動控制, 2018, 38(4): 154-158.

[16] 萬書亭, 李和明, 許兆鳳, 等. 定子繞組匝間短路對發電機定轉子徑向振動特性的影響[J]. 中國電機工程學報, 2004, 24(4): 157-161.

[17] 何玉靈, 蒙玉超, 唐貴基, 等. 基于正弦結構元素的自適應Top-Hat變換及發電機特征振動信號增強檢測[J]. 中國電機工程學報, 2016, 36(15): 4266-4273.

[18] 何玉靈, 王珂, 仲昊, 蒙玉超, 王曉龍, 唐貴基. 基于最大相關峭度解卷積算法的發電機特征振動信號增強檢測[J]. 華北電力大學學報(自然科學版), 2017, 44(3): 67-73+89.

[19] 向天堯. 基于改進能量算子的滾動軸承故障診斷方法[D]. 湖南大學, 2017.

[20] O'TOOLE J M, TEMKO A, STEVENSON N. Assessing instantaneous energy in the EEG: a non-negative, frequency-weighted energy operator [C]//2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway, NJ, USA: IEEE, 2014: 5333-5342.

[21] 陳略, 訾艷陽, 何正嘉, 袁靜. 噪聲協助的EMD-1.5維譜信號抗混分解與特征提取[J]. 振動與沖擊, 2010, 29(5): 26-30+237-238.

[22] 蒙玉超. 發電機故障的振動特征提取方法研究[D]. 華北電力大學, 2017.

[23] 王發林. 發電機氣隙偏心與定子短路復合故障的轉矩特性分析[D]. 華北電力大學, 2016.

Enhanced Characteristic Vibration Signal Detection of Generator based on Frequency Weighted Energy Operator and 1.5-Dimensional Spectrum

HE Yuling, SUN Kai, WANG Tao, BAI Jie

(Department of Mechanical Engineering, North China Electric Power University,Baoding 071003, China)

To overcome the shortage of low SNR (signal to noise ratio) of the multi-pole generator vibration signal which brings rigid difficulty to the fault diagnosis, a new method which combines the frequency weighted energy operator (FWEO) with the 1.5-dimentiaonal spectrum is proposed. This method uses FWEO to extract the shock features and remove the noise, while employs the 1.5-dimentional spectrum to enhance the characteristics vibration properties and filter the noise again. The application of this method to the 3 pole-pair generator before and after stator interturn short circuit fault validates the effectiveness of the method. Moreover, the comparison among the proposed method, the single FWEO, the single 1.5-dimentional spectrum, and the maximum correlation kurtosis deconvolution suggests that the proposed method is superior to these mentioned methods.

multi-pole generator; stator inter-turns short circuit (SISC); vibration signal; frequency weighted energy operator(FWEO); 1.5-dimensional spectrum

TM31

A

1000-3983(2021)01-0064-07

國家自然科學基金（51777074）；河北省自然科學基金（E2020502032）；中央高?；究蒲袠I務費專項基金（2020MS114，2018YQ03）；河北省青年拔尖人才支持計劃（[2018]-27）

2020-07-30

何玉靈（1984-），博士，研究方向大型發電機狀態監測與故障診斷，副教授，碩士生導師。