水電機(jī)組振動(dòng)信號(hào)特征提取

李明橋，王子瑞，劉 君，劉國(guó)峰，白 亮

(1.中國(guó)電建集團(tuán)西北勘測(cè)設(shè)計(jì)研究院有限公司 ,西安 710065；2.西安理工大學(xué),西安 710048)

文章編號(hào)：1006—2610(2015)02—0063—04

水電機(jī)組振動(dòng)信號(hào)特征提取

李明橋1，王子瑞1，劉 君1，劉國(guó)峰1，白 亮2

(1.中國(guó)電建集團(tuán)西北勘測(cè)設(shè)計(jì)研究院有限公司 ,西安 710065；2.西安理工大學(xué),西安 710048)

水輪發(fā)電機(jī)組在線監(jiān)測(cè)與故障診斷中，信號(hào)特征提取是故障診斷前的關(guān)鍵步驟，在信號(hào)處理和模式識(shí)別之間起著承上啟下的作用，構(gòu)造的特征向量能否真實(shí)反映機(jī)組運(yùn)行特性，直接影響到故障診斷結(jié)果的準(zhǔn)確性。在水輪發(fā)電機(jī)組振動(dòng)信號(hào)前處理基礎(chǔ)上，結(jié)合信號(hào)自身特點(diǎn)與信息熵理論，實(shí)現(xiàn)固有模態(tài)函數(shù)能量熵特征提取，對(duì)機(jī)組當(dāng)前運(yùn)行狀態(tài)做出判斷，結(jié)果表明該方法簡(jiǎn)單有效，切實(shí)可用。

模態(tài)分解；信息熵；模態(tài)函數(shù)；特征向量

Abstract:During online monitoring and failure diagnose of the turbine-generator unit, abstraction of the signal characteristics is one key step before failure is diagnosed. It connects to the signal handling and model identification. Whether the characteristic vector of structure can truly reflect the unit operation characteristics directly impacts the accuracy of the failure diagnosing results. Based on the pre-handling of the vibration of the Unit and in combination of the characteristics of the signal itself and information entropy theory, the energy entropy characteristics of the natural model function is abstracted. And the current operation statues of the Unit is judged. The practice shows that this method is simple, effective and practical.

0 前 言

振動(dòng)是水輪發(fā)電機(jī)組運(yùn)行中最為常見的故障之一，強(qiáng)烈的振動(dòng)將直接危及到機(jī)組乃至電力系統(tǒng)的安全運(yùn)行。開展機(jī)組振動(dòng)故障診斷研究，對(duì)保障機(jī)組穩(wěn)定運(yùn)行具有重要意義。水電機(jī)組振動(dòng)同時(shí)受水力、電磁、機(jī)械3方面因素影響，機(jī)組振動(dòng)信號(hào)為典型的非線性、非平穩(wěn)信號(hào)[1]。精確監(jiān)測(cè)獲得的機(jī)組振動(dòng)信號(hào)，包含大量機(jī)組運(yùn)行的狀態(tài)信息，選用一定信號(hào)處理方法和模式識(shí)別方法，即可對(duì)機(jī)組當(dāng)前工作狀態(tài)和未來(lái)故障情況作出準(zhǔn)確預(yù)測(cè)和判斷。

水輪發(fā)電機(jī)組在線監(jiān)測(cè)與故障診斷中，原始信號(hào)前處理后的信號(hào)特征提取是故障診斷的關(guān)鍵步驟，提取的信號(hào)特征在信號(hào)處理和故障診斷之間起著承上啟下的作用，信號(hào)特征向量能否真實(shí)反映機(jī)組運(yùn)行特性，直接影響到故障診斷結(jié)果的精度。水電機(jī)組振動(dòng)信號(hào)是由多種成分調(diào)制共同作用的結(jié)果，表現(xiàn)形式千變?nèi)f化，設(shè)備出現(xiàn)故障的特征信號(hào)隱于其中，根據(jù)信號(hào)自身特點(diǎn)選擇適宜的信號(hào)特征提取方法十分重要。

信號(hào)分析過(guò)程中，時(shí)間尺度和隨時(shí)間分布的能量是2個(gè)主要參數(shù)，系統(tǒng)故障振動(dòng)信號(hào)和正常運(yùn)行振動(dòng)信號(hào)相比，相同頻帶內(nèi)信號(hào)能量會(huì)有較大差別，信號(hào)各個(gè)頻率成分的能量反映了當(dāng)前系統(tǒng)運(yùn)行狀態(tài)，某種或幾種頻率成分能量的改變就可能代表一種故障類型。

1 傳統(tǒng)信號(hào)特征指標(biāo)

傳統(tǒng)的用于故障診斷的信號(hào)特征參數(shù)有6種。

(1) 波形指標(biāo)

(1)

(2) 峰值指標(biāo)

(2)

(3) 脈沖指標(biāo)

(3)

(4) 裕度指標(biāo)

(4)

(5) 歪 度

(5)

(6) 峭度指標(biāo)

(6)

上述參數(shù)中，峭度、裕度指標(biāo)和脈沖指標(biāo)對(duì)沖擊脈沖類故障較為敏感，特別是故障早期，這幾個(gè)參數(shù)會(huì)有明顯增加，但到一定時(shí)間，隨著故障的繼續(xù)發(fā)展，參數(shù)變化會(huì)逐漸下降，故這3個(gè)參數(shù)對(duì)早期故障診斷有較高敏感性，穩(wěn)定性差；歪度指標(biāo)α反映概率密度函數(shù)P(x)對(duì)于縱坐標(biāo)的不對(duì)稱性，α值越大，則函數(shù)關(guān)于縱軸越不對(duì)稱。傳統(tǒng)信號(hào)特征參數(shù)在平穩(wěn)信號(hào)的故障識(shí)別中取得了較好效果，但不適宜非線性、非平穩(wěn)信號(hào)的故障診斷。

2 信息熵概念及其基本性質(zhì)

信息論中，信源是指所研究的客觀事物，通常以符號(hào)或信號(hào)的形式發(fā)出信息。若信源中某一事物(狀態(tài))出現(xiàn)的先驗(yàn)概率較小，那么它一旦發(fā)生，監(jiān)測(cè)數(shù)據(jù)中包含的信息量就大。比如某臺(tái)機(jī)器正常工作和機(jī)器故障2種運(yùn)行狀態(tài)，正常工作狀態(tài)概率是P(x1)=0.95，機(jī)器故障狀態(tài)概率為P(x2)=0.05，可以認(rèn)為此臺(tái)機(jī)器大多時(shí)間是正常工作的。然而一旦故障發(fā)生，就是一件受多種因素影響值得分析研究的事件。

綜上所述，事件是否出現(xiàn)的不確定性和事件出現(xiàn)的概率密切相關(guān)。事件發(fā)生的概率越大，人們可以推測(cè)發(fā)生這件事情(或出現(xiàn)某種狀態(tài))的可能性就越大，不確定性就越??；反之，事件發(fā)生的概率越小，人們推測(cè)它是否發(fā)生的困難度就越大。特列對(duì)于發(fā)生概率為1的必然事件，就不存在不確定性，故某事件發(fā)生所含有的信息量，與該事件出現(xiàn)的先驗(yàn)概率有關(guān)。則有：

I(xi)=f[P(xi)]

(7)

式中:P(xi)是事件xi出現(xiàn)的先驗(yàn)概率;I(xi)為事件xi含有的信息量。依據(jù)客觀事實(shí)以及人們的經(jīng)驗(yàn)判斷，函數(shù)f[P(xi)]須符合以下條件：

(1) I(xi)是先驗(yàn)概率P(xi)的遞減函數(shù)，P(xi)越大，I(xi)越??；

(2) 當(dāng)P(xi)=1時(shí)，I(xi)=0，必然事件包含信息量為0；

(3) 當(dāng)P(xi)=0時(shí)，I(xi)=+∞，不可能發(fā)生的事件發(fā)生，信息量無(wú)窮大;

(4) 2個(gè)相互獨(dú)立事件聯(lián)合信息量等于兩事件各自信息量總和。

分析可知：滿足上述條件中的(1)、(2)、(3)時(shí)，信息量I(xi)應(yīng)為先驗(yàn)概率P(xi)的倒數(shù)，滿足條件(4)時(shí)，可采用對(duì)數(shù)來(lái)定義信息量。

因此，滿足條件(4)，I(xi)函數(shù)的形式應(yīng)該為對(duì)數(shù)形式，具體表達(dá)如下：

(8)

式(8)定量描述了事件xi發(fā)生時(shí)，此事件所含有的信息量，I(xi)代表了2種含義：① 當(dāng)事件xi發(fā)生以前，表示事件xi發(fā)生的不確定性；② 當(dāng)事件xi發(fā)生以后，表示事件xi所含有(或蘊(yùn)藏)的信息量。物理系統(tǒng)內(nèi)不同事件發(fā)生時(shí)，所包含的信息量不同，故自信息I(xi)是一個(gè)隨機(jī)變量，不能用來(lái)作為整個(gè)系統(tǒng)信息的一種度量。

Shannon定義自信息的數(shù)學(xué)期望為信息熵，即信源的平均信息量：

(9)

信息熵的物理含義為：總體的平均不確定性的一種度量。表征了信源整體的統(tǒng)計(jì)特征，對(duì)某個(gè)特定信息，信息熵只有一個(gè)，由于統(tǒng)計(jì)特性的不同，不同信源信息熵也不同[2]。下面對(duì)信息熵的基本性質(zhì)做以簡(jiǎn)單介紹，信息熵是信源概率空間：

(10)

(11)

(1) 對(duì)稱性：概率空間中P(x1), P(x2),…順序任意互換時(shí)，熵函數(shù)值不變。

(2) 確定性：如果信源的輸出只有一個(gè)狀態(tài)是必然的，或：P(x1)=1，P(x2)= P(x3)= …，…=0，則有信源熵為：

(12)

此性質(zhì)說(shuō)明，信源的輸出雖然有很多種狀態(tài)，但如果其中一種是必然事件，其它狀態(tài)幾乎不可能出現(xiàn)，那么，該信源即為確知信源，其熵等于0。

(3) 非負(fù)性：即H(X) ≥0，隨機(jī)變量X取值概率分布為 0≤P(xi)≤1，當(dāng)所取對(duì)數(shù)底數(shù)大于1時(shí)，logP(xi)≤0，而 -P(xi)logP(xi)≥0 ，則求得的信源熵是正值，只有隨機(jī)變量為確知信源，信息熵才等于0。

(4) 可加性：獨(dú)立信源X和Y的聯(lián)合信源熵等于它們各自信源熵之和，設(shè)有2個(gè)信源X和Y，它們彼此是相互獨(dú)立的。

X概率分布

[P(x1),P(x2), … ,P(xi), … ,P(xn)]

Y概率分布

[P(y1),P(y2), …,P(yi), … ,P(yn)]

(5)極值性：當(dāng)信源各個(gè)狀態(tài)等概率分布時(shí)，熵的值最大，等于信源輸出符號(hào)(狀態(tài)數(shù))，因?yàn)椋篜(x1)=P(x2)= …,…=P(xn)=1/n時(shí)

(13)

即H[(P(x1),P(x2), …,P(xn))]

極值性表明：對(duì)于具有n個(gè)狀態(tài)的離散信源，只有在n個(gè)信源符號(hào)等概率出現(xiàn)的情況下，信源熵達(dá)到最大。這說(shuō)明，等概率分布信源的平均不確定性最大，稱為最大離散熵定理。

3 固有模態(tài)函數(shù)能量熵特征提取

3.1 固有模態(tài)函數(shù)能量熵

首先采用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)方法對(duì)水電機(jī)組振動(dòng)信號(hào)x(t)進(jìn)行前處理，分解后得到n個(gè)固有模態(tài)函數(shù)(IMF)分量[3-5]：c1(t), c2(t), … , cn(t)和一個(gè)殘余分量rn。其中n個(gè)IMF分量的能量分別為E1，E2，…，En，由于EMD分解的正交性，忽略殘余量rn，n個(gè)IMF分量的能量之和等于原始信號(hào)的總能量。每個(gè)IMF分量包含了不同的頻率成分，所以E={E1,E2,…,En}形成了水電機(jī)組振動(dòng)信號(hào)能量在頻域內(nèi)的一種自動(dòng)劃分，相應(yīng)的固有模態(tài)函數(shù)熵定義為：

(14)

3.2 基于固有模態(tài)函數(shù)能量熵的模式識(shí)別

不同工作狀態(tài)、不同故障類型，水電機(jī)組振動(dòng)信號(hào)固有模態(tài)函數(shù)能量熵值有明顯差異。隨著故障的發(fā)生、發(fā)展和終止，各固有模態(tài)函數(shù)的能量會(huì)隨之發(fā)生變化。以固有模態(tài)函數(shù)能量構(gòu)造特征向量實(shí)現(xiàn)故障診斷的流程見圖1。

圖1 基于固有模態(tài)函數(shù)熵的故障診斷框圖

(1) 獲取原始信號(hào)

在水電機(jī)組主軸上安裝2只互相垂直的振動(dòng)傳感器，來(lái)實(shí)時(shí)監(jiān)測(cè)獲取振動(dòng)信號(hào)。

(2)EMD分解

通過(guò)EMD分解對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)化和線性處理，該分解過(guò)程是自適應(yīng)，能很好保留和反映信號(hào)本質(zhì)信息，得到一些列IMF分量。

(3) 計(jì)算IMF分量能量值Ei

(15)

(4) 以求得的各IMF分量能量值為基本元素構(gòu)造特征向量T

T=[E1,E2,…,En]

(16)

考慮到能量數(shù)值較大，不便于計(jì)算和后續(xù)分析，故對(duì)T進(jìn)行向量歸一化處理

令 ：

(17)

則有：

(18)

(5) 特征向量T′構(gòu)造完成后，選擇設(shè)計(jì)適當(dāng)?shù)姆诸惼?，將T′輸入即可實(shí)現(xiàn)故障診斷，對(duì)系統(tǒng)當(dāng)前運(yùn)行狀態(tài)做出判斷和預(yù)估。

4 水電機(jī)組振動(dòng)信號(hào)分析

某水電站是一座以發(fā)電為主兼顧防洪、航運(yùn)、養(yǎng)殖等效益的大型綜合水利樞紐工程，在當(dāng)?shù)仉娋W(wǎng)中起調(diào)峰、調(diào)頻作用，電廠基本參數(shù)和機(jī)組在線監(jiān)測(cè)測(cè)點(diǎn)布置，見表1、2。

本文選用支持向量機(jī)(SVM)[6]模式識(shí)別分類器，信號(hào)特征向量T′作為SVM的輸入，不同工作狀態(tài)(故障類型)作為輸出，分析過(guò)程如下：

表1 電廠基本參數(shù)表

表2 選用的水電廠3號(hào)機(jī)組信號(hào)測(cè)點(diǎn)表

開機(jī)工況下(暫態(tài)工況)，轉(zhuǎn)速變化范圍0～107.2r/s，有功功率變化范圍-0.593～135.06MW,勵(lì)磁電流-5.875～852.55A,勵(lì)磁電壓-1.121～789.1V，發(fā)電機(jī)出口開關(guān)(1個(gè))關(guān)閉，數(shù)據(jù)采集間隔時(shí)間0.5s，監(jiān)測(cè)歷時(shí)88s。獲量機(jī)組上導(dǎo)擺度X原始信號(hào)如圖2。

圖2 上導(dǎo)擺度X(um)原始信號(hào)圖

圖2可以看出，開機(jī)后第4秒，機(jī)組(上導(dǎo)擺度X)擺度突然增大至峰值(X值約為276um，大于穩(wěn)定負(fù)荷允許值175um)，持續(xù)峰值約4.5s，陡然回落；第13秒以后，擺度值圍繞80um上下浮動(dòng)，直至趨于平緩。按照文中第3章節(jié)內(nèi)容對(duì)原始信號(hào)進(jìn)行處理構(gòu)造特征向量，結(jié)果如表3所示。

表3 開機(jī)工況下上導(dǎo)擺度X信號(hào)特征矢量表

5 結(jié) 語(yǔ)

文中講到水輪發(fā)電機(jī)組出現(xiàn)振動(dòng)異常一般受機(jī)械、水力、電氣3方面因素的影響。過(guò)渡過(guò)程中系統(tǒng)負(fù)荷和水輪機(jī)流量時(shí)刻發(fā)生變化，可促使蝸殼、轉(zhuǎn)輪、壓力水管和尾水管等發(fā)生相應(yīng)振動(dòng)，正常情況下，擺度值變化范圍應(yīng)在規(guī)范中的允許范圍內(nèi)。機(jī)組由靜止?fàn)顟B(tài)向運(yùn)行狀態(tài)過(guò)渡對(duì)結(jié)構(gòu)振動(dòng)影響最為明顯。分析開機(jī)工況上導(dǎo)擺度X信號(hào)可知該水電廠3號(hào)機(jī)組為不正常開機(jī)，劇烈振動(dòng)發(fā)生在剛啟動(dòng)時(shí)，此時(shí)并無(wú)勵(lì)磁電流投入，也沒有帶負(fù)荷，可排除電氣方面因素；曾懷疑推力瓦干磨擦引起振動(dòng)及聲音異常，后機(jī)組檢修發(fā)現(xiàn)推力瓦表面光潔，無(wú)明顯磨蝕，未發(fā)生燒瓦，這一因素也被排除；機(jī)組主軸密封用的是機(jī)械式彈簧自動(dòng)調(diào)整端面密封，密封鏡板和密封支承體之間相互磨擦也可能引起振動(dòng)，檢查鏡板與相鄰密封支承體，沒有磨擦痕跡，因此機(jī)組振動(dòng)和主軸密封裝置系統(tǒng)無(wú)關(guān)；后測(cè)量各導(dǎo)軸承與迷宮間隙值，發(fā)現(xiàn)間隙值過(guò)大有可能是導(dǎo)致該電廠3號(hào)機(jī)開機(jī)時(shí)劇烈振動(dòng)并伴有異響這一問(wèn)題的根本原因，軟件輸出結(jié)果與實(shí)測(cè)結(jié)果對(duì)比基本一致，說(shuō)明上述方法有效可行。

[1] 彭文季, 羅興锜.基于粗糙集和支持向量機(jī)的水電機(jī)組振動(dòng)故障診斷[J].電工技術(shù)學(xué)報(bào), 2006, 21(10): 17-122.

[2] 黃佳慶.信息論基礎(chǔ)[M].北京: 電子工業(yè)出版社, 1986.

[3] 鐘佑明.希爾伯特-黃變換局瞬信號(hào)分析理論的研究[D].重慶大學(xué), 2002.

[4] Huang N E,Wu M L.Application of Hilbert-Huang transform to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry, 2003,19 (6): 245-268.

[5] Gloersen P,Huang N E.Comparison of interannual intrinsic mode in hemispheric sea ice covers and other geophysical Parameters[J].IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(5): 1062-1074.

[6] 楊宇.基于EMD和支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷方法研究[D].長(zhǎng)沙: 湖南大學(xué),2005.

[7] 范春學(xué).水輪發(fā)電機(jī)組故障機(jī)理研究及專家系統(tǒng)[D].武漢: 華中科技大學(xué), 2003.

ion of Characteristics of Signals for Hydraulic Unit Vibration

LI Ming-qiao1, WANG Zi-rui1, LIU Jun1, LIU Guo-feng1, BAI Liang2

(1. POWERCHINA Xibei Engineering Co., Ltd., Xi'an 710065,China;2. Xi'an University of Technology, Xi'an 710048,China)

mode decomposition ; information entropy; model function; characteristic vector

2014-11-06

李明橋(1987- ),男,陜西省安康市人,助理工程師,主要從事水利機(jī)械設(shè)計(jì)工作.

TM312

A

10.3969/j.issn.1006-2610.2015.02.016