基于數據驅動模型的智能風機失速故障辨識方法

李國儉，吳海軍，王范華，韓冰，趙作飛

（1.國家電投集團內蒙古能源有限公司，內蒙古通遼 028011；2.內蒙古察哈爾新能源有限公司，內蒙古烏蘭察布 011800）

在智能風機中，轉動失速及失效是一種普遍現象。在工作負荷量較高的情況下，通道中的氣體很可能發生離析，導致流體不穩，使得機械管道和管道中空氣壓力產生波動，從而導致設備受到一定損害。針對該問題，文獻[1]提出了基于正交模態的失速辨識方法。對不穩定流場進行分解，識別出各種階次的干擾模式，重建各個階段模式的故障信號，通過傅立葉轉換獲得相應的頻譜，識別出失速故障；文獻[2]提出了基于M 序列的辨識方法。對某一變換器的兩個輸入、一個輸出的轉移方程進行了建模，并對建模結果進行了離散處理。利用二次測量信號與M系列三相位序列進行相位激勵，獲取相關的辨識結果。智能風機失速狀態變化難以捕捉，影響到了故障辨識精度，因此提出基于數據驅動模型的智能風機失速故障辨識方法。

1 智能風機失速故障特征提取

通過對風機壓力-流量特征進行分析，建立了局部失速與全失速判別函數，計算出固定流量系數、壓力系數，通過不同故障模式空間映射分析風機失速狀態的變化[3]。采用小波閾值降噪方法對重構信號進行小波包分解，結合小波包能量分析方法實現故障特征提取。

1.1 失速狀態變化

當風機發生轉動失速時，在葉輪的凹槽周圍會產生渦旋漩渦。在不同的速度條件下，壓力-流量特征群出現大量喘振流量點，連接這些點就會得到一個振蕩邊界線[4]。而在較高轉速下，最大流量屬于阻塞流量，能夠在一個狹窄空間內產生失速與喘振。失速判斷公式如下：

式中，Sa、S總分別表示失速渦橫截面積和總橫截面積。設失速極限值為δ′，如果δ＜δ′，那么風機部分失速；如果δ≥δ′，那么風機全失速[5]。無論是部分失速還是全失速，均存在固定流量系數和壓力系數，分別用下述公式計算得出：

式中，ε部分失速、ε全失速分別表示部分失速和全失速流量系數；?部分失速、?全失速分別表示部分失速和全失速壓力系數。智能風機失速故障喘振特征致使無法對失速故障特征進行精準辨識[6]。因此結合小波包分解提取故障特征。

1.2 故障特征提取

小波包分解是將小波分解成各層次的高頻成分，其結果與小波相比具有更高的精度，能夠在任意頻率下對各頻率進行分析[7-8]。基于小波包分解的故障特征提取流程為：

步驟一：在特征提取模型中輸入正常數據矩陣E，該矩陣的數據窗口大小為2n，其中n表示多元變量維數。

步驟二：利用小波包變換處理數據矩陣中的數據變量，通過小波包分解獲取變量分解結果，計算不同分解尺度下各個分量小波包能量值，結果如下[9]：

式中，t表示時間序列；Z表示一個非零實數；h(t)表示脈沖響應函數；αm表示第m個小波包分解層的分解結果。

步驟三：通過對每個子小波包主元進行了主成分分析，得到主元數目以及控制界參量[10]。

步驟四：將智能風機實時在線監測信號的輸入和各成分進行小波閾值去噪處理，采用步驟二進行小波包分解[11]。

步驟五：計算每一個分量的小波包能量，結果如下：

式中，k表示尺度參數。

通過將原始信號與相應的小波包信號進行比較，得到信號的小波包能差值，結果為：

式中，E′k表示離線數據小波包能量。

步驟六：選取故障分量，采用與步驟三一樣的方法建立主元模型，根據已知的控制限值進行故障特征劃分[12]。

步驟七：在每個分量下，反復計算故障特征參量，并重復步驟四-步驟六，即確定部分失速和全失速故障特征參量，實現風機失速故障特征提取。

2 基于數據驅動模型的故障辨識

以故障特征提取結果為基礎，利用數據驅動模型進行智能風機失速故障辨識，該過程是一個空間特征分析與映射的過程，如圖1 所示。

圖1 基于數據驅動的故障辨識

由圖1 可知，基于數據驅動的故障辨識架構由數據空間、特征空間、趨勢空間和故障模式空間組成，其中數據空間的各種數據通過數據融合后映射到數據空間中，數據空間將各種特征再映射到趨勢空間，而趨勢空間通過整合各種趨勢映射到故障模式空間，以此實現智能風機失速故障辨識[13]。

數據空間到特征空間T1、特征空間到趨勢空間T2、趨勢空間到故障模式空間T3映射關系式如下所示：

式中，S1、S2、S3分別表示三個映射關系的融合單元；x1、x2、x3分別表示三個映射關系的輸入變量；μ1、μ2、μ3分別表示三個映射關系的融合算子；y1、y2、y3分別表示三個映射關系的輸出變量[14-15]。在風機失速故障特征明顯的情況下，通過特征空間的映射將其轉化為故障辨識模型參量進行故障辨識[16]。在風機失速故障特征不明顯的情況下，從趨勢空間中進行失速故障趨勢辨識，獲取故障趨勢特征矢量，通過映射傳遞給故障模式空間，獲取智能風機失速故障辨識結果。

3 故障辨識實驗

3.1 風機選取

3.1.1 低壓軸流送風機

低壓風機壓力-流量特性曲線如圖2 所示。

圖2 低壓風機壓力-流量特性曲線

由圖2 可知，從D點開始減小風機流量，當壓力達到極大值C點后，再逐漸減小，當壓力達到極小值B點后，再逐漸增大直至A點完全閉合為止。

3.1.2 高壓軸流送風機

高壓風機壓力-流量特性曲線如圖3 所示。

圖3 高壓風機壓力-流量特性曲線

由圖3 可知，當流量從D點降低至接近臨界值時，由于局部停滯區的增大，壓力-流量特征曲線趨于平穩，當流量達到點B值時，在失速渦的作用下，流量突然跳至B1點，然后逐步升高至完全關閉狀態A點。當完全關閉時，流量不會突然跳至B點，而會向C1 方向移動到達C點，這就是失速機制的雙重特征。

3.2 失速信號頻譜分析

通過實地考察，兩臺機組自開機到故障停止周期均比較短暫，前期運轉較為順利，但隨著時間的增加，其振動幅度逐步增加，可以明顯感受到機架的振動加重及噪聲增加。選擇低壓、高壓風機兩組數據進行頻譜分析。由于風機失速過程出現數據較多，選擇0～120 s 數據為參考對象，統計實際故障頻譜數據，如表1 所示。

表1 頻譜實際數據統計

由表1 可知，低壓風機失速比高壓風機失速頻譜變化范圍要小，將此數據作為標準數據進行對比分析，以此保證實驗結果具有科學性和可靠性。

3.3 故障辨識結果分析

分別使用基于正交模態的失速辨識方法、基于M 序列的辨識方法和基于數據驅動模型辨識方法，對比分析低壓風機失速故障辨識結果，如圖4所示。

圖4 不同方法低壓風機失速故障辨識結果

由圖4 可知，使用基于正交模態的失速辨識方法頻譜波動范圍是690～4 600 Hz，使用基于M 序列的辨識方法頻譜波動范圍是0～4 000 Hz，使用基于數據驅動模型辨識方法頻譜波動范圍是0～1 100 Hz。只有使用所研究方法與表1 實際數據變化一致。對于高壓風機失速故障辨識結果，如圖5 所示。

圖5 不同方法高壓風機失速故障辨識結果

由圖5 可知，分別使用基于正交模態的失速辨識方法、基于M 序列的辨識方法和基于數據驅動模型辨識方法，頻譜波動范圍分別是200～12 000 Hz、200～9 000 Hz、0～4 200 Hz，只有使用所研究方法與表1 實際數據變化一致。

通過上述兩組數據分析結果可知，所研究方法應用下的頻譜變化數據與實際統計數據一致，說明該方法的故障辨識結果更為精準。

4 結束語

為了提升智能風機失速故障辨識精度，將數據驅動模型應用于實際低壓、高壓風機失速故障辨識過程中，以期為風機失速的精準辨識奠定堅實的基礎。通過對機組的失速事故的研究，揭示了其失效機理及特點，通過合理地分析可以發現故障位置與原因，并針對其進行處理，從而防止故障再度發生，保證智能風機的安全穩定運行。