CN106772032A - 一种水轮发电机组的故障特征提取方法 - Google Patents

Abstract

本发明公开了一种水轮发电机组的故障特征提取方法，该方法基于二维经验模态分解和全矢谱分析，综合考虑经验模态分解方法的优缺点以及水轮发电机组的振动信号情况，解决了传统方法难以获取全面、准确的提取结果的问题。本发明方法能全面、准确地从水轮发电机组实测的复杂振动信号中检测出故障早期信号的特征频率。且诊断结果的可靠性较高，方便运行维护人员及时对此故障进行处理，避免事故的发生，从而保证整个***的安全经济高效运行。

Description

一种水轮发电机组的故障特征提取方法

技术领域

本发明属于故障诊断技术领域，具体涉及一种水轮发电机组的故障特征提取方法。

背景技术

随着我国水力行业的发展，水轮机组逐渐向着单机容量大、工况复杂的方向发展，其运行过程中故障的产生和发展包含大量的不确定性因素，且水轮机的振动信号往往表现为非线性、非平稳性的特点。水轮机组的振动信号能够反映水轮发电机组的运行状态，因此分析和研究水轮机组的振动信号意义重大。

但是由于水电机组故障的复杂性、多样性、耦联性和不确定性，一种故障可能存在多方面特征和征兆，多种故障因素之间相互影响和制约，致使机组故障振动信号内蕴含着相互混叠的故障特征信息，因此采用单一通道进行信号分析和特征提取往往达不到满意的效果，这是必须解决的问题。

在进行水轮机的故障诊断过程中，一般采用时频分析方法，如短时傅里叶变换、Wigner-Ville分布、小波变换和经验模态分解等方法。FFT、Wigner-Ville分布方法都是比较适用于线性信号，对处理这种非平稳信号而言就显得非常困难，不太适合处理水轮机组这种非线性信号。近几年，小波分析的提出以后，便得到广泛的认同和应用，但它也会带来一些问题，如小波基选择困难，参数敏感和平稳性假设等，对非线性信号的处理结果不是十分理想。经验模态分解是一种新的时频分析方法，由于它可以根据设定的尺度不同而进行自适应的分解，因而具有非常强的自适应性，特别适合对水轮机组这种非平稳信号进行分析和特征提取。但是经验模态分解只能处理一维信号，且存在端点效应、模态混叠等问题，因而提取效果往往不够理想。

发明内容

本发明的目的是提供一种水轮发电机组的故障特征提取方法，该方法基于二维经验模态分解和全矢谱分析，综合考虑经验模态分解方法的优缺点以及水轮发电机组的振动信号情况，解决了传统方法难以获取全面、准确的提取结果的问题。

本发明所采用的技术方案是，一种水轮发电机组的故障特征提取方法，包括以下步骤：

步骤1：利用水轮发电机组安装的振动传感器获得水平和垂直的原始信号x(t)，y(t)，从而得到一个复信号z(t)＝x(t)+iy(t)；

步骤2：确定投影方向

步骤3：将复信号z(t)投影到上，得到

步骤4：提取的局部最大值时所对应的时刻然后对集合进行插值，得到在方向上的极大值包络；

步骤5：计算各个方向上极大值包络线所对应的质心m(t)；

步骤6：计算S(t)＝z(t)-m(t)，并判断S(t)是否满足IMF的条件，如果满足，则令S_i(t)＝S(t)，转入步骤7；若不满足，则令z(t)＝S(t)，然后重复步骤3-6，直至满足条件；

步骤7：从信号中分离出第i个IMF分量；

m_i(t)＝z(t)-S_i(t)

判断m_i(t)是否为单调函数，如果是，则循环结束，得到n个满足条件的IMF分量；如果不是，则令z(t)＝m_i(t)，转到步骤3；

步骤8：将得到的各阶固有模态分量IMF_i(i＝1,2,…,n)分成实部IMF1_i(i＝1,2,…,n)和虚部IMF2_i(i＝1,2,…,n)，计算出各个模态分量与其对应的原始信号的互信息；

步骤9：对互信息做归一化处理；

步骤10：筛选模态分量。选取阈值，将模态分量与原信号的互信息小于阈值的作为虚假分量进行剔除，并将模态分量与原信号的互信息大于阈值的分量进行重构；

步骤11：将重构得到的序列组成一组复序列，并对构造的复序列进行Fourier变换；

步骤12：计算分析序列的全矢谱，通过全矢谱图得到水轮发电机组的故障特征。

本发明的特点还在于：

步骤8具体为：将得到的各阶固有模态分量IMF_i(i＝1,2,…,n)分成实部IMF1_i(i＝1,2,…,n)和虚部IMF2_i(i＝1,2,…,n)，计算分量IMF1_i和IMF2_i原始信号x(t)，y(t)的边缘概率分布p(IMF1_i)、p(IMF2_i)、p(x)、p(y)，计算实部分量IMF1_i与原始信号x(t)的联合概率分布分别为p(IMF1_i,x)，虚部分量IMF1_i与原始信号y(t)的联合概率p(IMF2_i,y)，从而得到各个模态分量与其对应的原始信号的互信息

本发明的有益效果是，本发明提出的水轮发电机组的故障特征提取方法，能全面、准确地从水轮发电机组实测的复杂振动信号中检测出故障早期信号的特征频率。且诊断结果的可靠性较高，方便运行维护人员及时对此故障进行处理，避免事故的发生，从而保证整个***的安全经济高效运行。

附图说明

图1为本发明中实测水轮发电机组转轮振动信号波形图；

图2为本发明实测振动信号X方向信号的频谱图；

图3为本发明实测振动信号Y方向信号的频谱图；

图4为本发明故障特征提取的方法流程图；

图5为本发明实测振动信号BEMD的分解结果；

图6为本发明实测振动信号X方向BEMD的分解结果；

图7为本发明实测振动信号Y方向BEMD的分解结果；

图8为本发明通过互信息筛选得到的重构信号的全矢谱。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的详细说明，但本发明并不限于这些实施方式。

下面以某水轮发电机组的故障特征提取为例。在该水轮发电机组灯泡体结构(安装在其他结构也可)同时安装水平和垂直两个振动传感器，两个传感器的采样长度为1024个点，采样频率为229HZ，水轮机组的额定转速为107.1r/min，最大水头为25.7m，额定水头16.1m，水轮机的功率为49MW。

首先利用水轮发电机组安装的振动传感器获得水平和垂直的原始信号x(t)，y(t)，两个方向上的原始信号如图1所示。然后对两个方向的原始信号进行傅里叶变换，得到图2和图3。图2中，转频与100Hz频率是机组本身所具有的特征频率，除此之外，还具有能量较高的10倍频和15倍频的信号。图3中转频与100HZ的频率具有较高的能量，这与图2反映的结果是一致的，并同时具有能量较高的15倍频，这与图2的结果也是一致的。与图2不同的是，图3中具有能量较高的低频信号，并且不具有10倍频信号。可见两个方向提取的信号特征是不一致，而信号特征提取的结果往往会影响对机组故障状态的判断。

由上述结果可看出，不同通道特征提取的结果不一致。因此采用本发明故障诊断方法对水轮发电机组进行诊断，如图4所示，在水轮发电机组正常运行过程中，通过以下步骤进行故障诊断。

步骤1：利用水轮发电机组安装的振动传感器获得水平和垂直的原始信号x(t)，y(t)，从而得到一个复信号z(t)＝x(t)+iy(t)。

步骤2：确定投影方向其中1≤k≤M，M为设定的投影方向数，该值越大，效果越理想，本文中设定M＝32。

步骤3：将复信号z(t)投影到上，得到

步骤4：提取的局部最大值时所对应的时刻然后对集合进行插值，得到在方向上的极大值包络

步骤5：计算各个方向上极大值包络线所对应的质心m(t)

步骤6：计算

S(t)＝z(t)-m(t) (3)

并判断S(t)是否满足IMF的条件，如果满足，则令S_i(t)＝S(t)，转入步骤7。若不满足，则令z(t)＝S(t)，然后重复步骤3-6，直至满足条件。这里判断是否满足IMF条件的方法是由Huang给出的类似于Cauchy收敛准则的标准，它定义了如下标准差：

通常将SD取值为0.2到0.3之间，即满足0.2<SD<0.3时筛分过程就结束。此标准的物理意义为：既要使得S_i(t)足够接近IMF的要求，又要控制筛分的次数从而使得所得到的IMF分量保留原始信号中幅值调制的信息。

步骤7：从信号中分离出第i个IMF分量；

m_i(t)＝z(t)-S_i(t) (5)

判断m_i(t)是否为单调函数，如果是，则循环结束；如果不是，则令z(t)＝m_i(t)

转到步骤3。

当循环结束时，得到了n个满足条件的IMF分量，这时令r_n＝m_n(t)，称为残余分量。这样可以得到分解结果为：

式中残余分量r_n代表了信号的平均趋势；而各IMF分量S₁(t),S₂(t),…,S_n(t)分别包含了信号从高到低不同频率段的成分，每一个频率段所包含的频率成分都是不同的，且随信号本身的变换而变化。

采用上述提到的从水轮机灯泡振动体采集到的信号进行分解，得到的结果如图5所示，其中实线代表实部分量，虚部代表虚部分量。该方法能够将两个方向的信号同时进行经验模态分解，X方向和Y方向信号的相位信息和同步性能够被很好的保留。并且在分解的过程中考虑到了X方向信号与Y方向信号之间的相互关系，因而分解结果能够较好的保留信号特征，并且具有良好的同步性。为了便于观察该方法的分解效果，将X和Y方向的分解结果分别放在不同的图中，分解结果见图6和图7。但是考虑到经验模态分解的结果往往具有虚假分量，本发明通过计算各个分量与原信号之间的互信息，通过设定阈值，筛选出互信息较大的分量。并对筛选出的分量进行信号的重构，得到一组新的复序列。

步骤8：将得到的各阶固有模态分量IMF1_i(i＝1,2,…,n)分成实部IMF1_i(i＝1,2,…,n)和虚部IMF2_i(i＝1,2,…,n)。计算分量IMF1_i和IMF2_i原始信号x(t)，y(t)的边缘概率分布p(IMF1_i)、p(IMF2_i)、p(x)、p(y)。计算实部分量IMF1_i与原始信号x(t)的联合概率分布分别为p(IMF1_i,x)，虚部分量IMF1_i与原始信号y(t)的联合概率p(IMF2_i,y)。从而得到各个模态分量与其对应的原始信号的互信息

步骤9：对互信息做归一化处理。

β＝MI_i/max(MI_i) (9)

步骤10：筛选模态分量。选取β的阈值为0.02，将模态分量与原信号的互信息小于阈值的作为虚假分量进行剔除。并将模态分量与原信号的互信息大于阈值的分量进行重构。得到重构信号和

式中IMF1′_i代表实部模态分量与原信号的互信息大于阈值的分量，IMF2′_i代表虚部模态分量与原信号的互信息大于阈值的分量。

步骤11：将重构得到的序列和构成一组复序列并对构造的复序列进行Fourier变换，得到频域复信号

从而得到

式中分别为序列X_ci的振幅和相位角；分别为序列Y_ci的振幅和相位角。i＝1,2,…,N/2-1，其中N代表采样长度。

步骤12：计算分析序列的全矢谱。设R_ai为椭圆的长轴或最大强度，定义为主振矢，R_bi为椭圆的短轴或最大强度的垂直方向，定义为副振矢，a_i为主振矢于X轴的夹角，φ_i为该频率下椭圆轨迹的初相位角。由式(13)得出

通过全矢谱图可以较好的反映信号的特征信息。上述实例数据的全矢谱图如图8所示。考虑到水轮机组信号的特点，保留全矢谱分析中的主振矢图与相位变化图。主振矢图除了能够反映信号本身的转频和100Hz频率外，还将两个方向提取不同的特征频率反映出来，此外，原来在不同频谱图能量都不突出的5倍频信号在此得到很好地反映。通过水轮机的故障机理可知，机组在实际运行中，机组以小负荷运行时，震动加剧、压力脉动加大的情况下，在尾水管附近产生涡带，涡带现象会造成轴承磨损，便会产生少量的5倍频信号，由于该信号本身比较微弱，且往往受到强背景噪声的影响，信号特征很难被提取出来，而本发明能够很好地将该信号特征反映出来。相位变化图可以用来确定故障的初始相位。由此可见，该方法能够有效地提取水轮机组信号的特征。该方法不仅在数值计算方面大大减少了计算量，同时在频谱分析中更加清晰准确，从而使工程技术人员更易判断出故障信息。

由此可见，相比于传统的方法，本文提出的二维经验模态分解和全矢谱分析的特征提取方法，可以更为全面、准确地检测到水轮发电机中的振动信号，且诊断结果更为真实可靠，能够有效地提取水轮机组信号的特征，为电气设备的故障特征提取提供了一种新的思路。

Claims (2)

1.一种水轮发电机组的故障特征提取方法，其特征在于，包括以下步骤：

步骤1：利用水轮发电机组安装的振动传感器获得水平和垂直的原始信号x(t)，y(t)，从而得到一个复信号z(t)＝x(t)+iy(t)；

步骤2：确定投影方向

步骤3：将复信号z(t)投影到上，得到

步骤4：提取的局部最大值时所对应的时刻然后对集合进行插值，得到在方向上的极大值包络；

步骤5：计算各个方向上极大值包络线所对应的质心m(t)；

步骤6：计算S(t)＝z(t)-m(t)，并判断S(t)是否满足IMF的条件，如果满足，则令S_i(t)＝S(t)，转入步骤7；若不满足，则令z(t)＝S(t)，然后重复步骤3-6，直至满足条件；

步骤7：从信号中分离出第i个IMF分量；

m_i(t)＝x(t)-S_i(t)

判断m_i(t)是否为单调函数，如果是，则循环结束，得到n个满足条件的IMF分量；如果不是，则令x(t)＝m_i(t)，转到步骤3；

步骤8：将得到的各阶固有模态分量IMF_i(i＝1,2,…,n)分成实部IMF1_i(i＝1,2,…,n)和虚部IMF2_i(i＝1,2,…,n)，计算出各个模态分量与其对应的原始信号的互信息；

步骤9：对互信息做归一化处理；

步骤10：筛选模态分量，选取阈值，将模态分量与原信号的互信息小于阈值的作为虚假分量进行剔除，并将模态分量与原信号的互信息大于阈值的分量进行重构；

步骤11：将重构得到的序列组成一组复序列，并对构造的复序列进行Fourier变换；

步骤12：计算分析序列的全矢谱，通过全矢谱图得到水轮发电机组的故障特征。

2.根据权利要求1所述的水轮发电机组的故障特征提取方法，其特征在于，所述步骤8具体为：

将得到的各阶固有模态分量IMF_i(i＝1,2,…,n)分成实部IMF1_i(i＝1,2,…,n)和虚部IMF2_i(i＝1,2,…,n)，计算分量IMF1_i和IMF2_i原始信号x(t)，y(t)的边缘概率分布p(IMF1_i)、p(IMF2_i)、p(x)、p(y)，计算实部分量IMF1_i与原始信号x(t)的联合概率分布分别为p(IMF1_i,x)，虚部分量IMF1_i与原始信号y(t)的联合概率p(IMF2_i,y)，从而得到各个模态分量与其对应的原始信号的互信息

$MI\left(IMF{1}_i,x\right)=\underset{IMF{1}_i}{\mathrm{\&Sigma;}}\underset{x}{\mathrm{\&Sigma;}}p\left(IMF{1}_i,x\right)\log \frac{p\left(IMF{1}_i,x\right)}{p\left(IMF{1}_i\right)p\left(x\right)}$

$MI(IMF{2}_i,y)=\underset{IMF{2}_i}{\&Sigma;}\underset{y}{\&Sigma;}p(IMF{2}_i,y)log\frac{p(IMF{2}_i,y)}{p\left(IMF{2}_i\right)p\left(y\right)}.$