基于小波分析和VMD的火電廠風機變頻器故障識別方法

[摘 要]變頻器是控制風機運轉的重要設備，若其出現故障，會影響風機的正常運轉。為解決這一問題，提出基于小波分析和變分模態(tài)分解（Variational mode decomposition，VMD）法的火電廠風機變頻器故障識別方法。通過安裝探測器，采集火電廠風機變頻器故障信號數據；通過VMD法得到變頻器最優(yōu)模態(tài)分量個數，對信號進行去噪處理，濾除不相關的成分和噪聲干擾；利用小波分析提取故障信號特征，并對故障區(qū)域進行識別。與其他變頻器故障識別方法進行對比，對比試驗結果表明，該方法識別故障的平均正確率可達96.53%，更具應用優(yōu)勢。

[關鍵詞]小波分析；變分模態(tài)分解；變頻器；故障識別

[中圖分類號]TM621.2 [文獻標志碼]A [文章編號]2095–6487（2024）06–0096–03

Fault Identification Method For Wind Turbine Frequency Converters in Thermal Power Plants Based on Wavelet Analysis and VMD

HAO Baoqian

[Abstract]The frequency converter is an important equipment to control the operation of the fan. If it fails， it will affect the normal operation of the fan. To solve this problem， a fault identification method of fan converter based on wavelet analysis and Variational mode decomposition （VMD） is proposed. By installing detector， the fault signal data of fan converter in thermal power plant is collected. The optimal modal component number of frequency converter is obtained by VMD method， and the signal is denoised to filter out the irrelevant components and noise interference. The feature of fault signal is extracted by wavelet analysis， and the fault area is identified. Compared with other inverter fault identification methods， the experimental results show that the average accuracy of this method is up to 96.53%， which is more advantageous in application.

[Keywords]wavelet analysis； variational mode decomposition； frequency converter； fault identification

在火電廠中應用高壓變頻器可提升電廠運行設備的安全穩(wěn)定性，且高壓變頻器可根據機組實際運行的負荷要求向電動機提供變頻電源，改變電機轉速，并降低設備運行能耗，對火電廠節(jié)能運行具有重要作用。在實際應用過程中，由于火電廠高溫、多粉塵、高腐蝕等環(huán)境影響，導致變頻器易出現故障。為減少火電廠風機高壓變頻器的故障發(fā)生率，維護檢修人員需做好日常維護及定期檢修工作，熟悉火電廠風機變頻器日常運行過程中變頻器過流、外部通信、功率單元過電壓/欠電壓、變壓器過熱等常見故障的發(fā)生原因，掌握故障排除措施，實現對高壓變頻器的科學維護管理，提高其運行可靠性。因此，加強對火電廠風機高壓變頻器的定期維護，掌握故障排除流程及方法，可大幅降低其故障發(fā)生率，發(fā)揮其變頻調速作用。

小波分析故障診斷方法被廣泛應用，是信息處理方法中重要的一種。其以神經網絡數據為基礎，通過小窗口和神經網絡數據進行對應，可發(fā)現變頻器故障，并對此進行診斷分析。將小波分析技術應用到火電廠風機變頻器故障診斷中既可獲得更加精準的識別結果，又可提升識別效率。利用小波變換可對振動信號中的突發(fā)性信號進行有效辨識，可在狹小的局部空間內對振動頻率進行分頻，并可對不同尺度下的振動信號進行解析，從而獲得不同尺度下的特征信息。因此，分析火電廠風機變頻器故障原因，提出相應的故障處理措施，并對所提措施進行試驗，確保高壓變頻器穩(wěn)定運行，對火電廠機組運行具有重要意義。

1 變頻器故障數據采集

火電廠風機變頻器在出現故障時，可被采集的數據類型包括高頻信號、變頻超聲波信號及特高頻信號等。具體的采集方式為在火電廠風機變頻器的某一位置處安裝采集器，然后將探測器安裝在采集器外表面上，通過特制電容器和探測器對變頻器進行故障數據采集。采集一次后繼續(xù)對變頻器故障數據進行采集，如此循環(huán)，直至采集到火電廠風機變頻器所有的故障數據參數時，停止采集。

2 利用VMD進行去噪處理

對火電廠風機故障數據采集完畢后，發(fā)現采集的故障數據中產生了噪聲，故通過變分模態(tài)分解（VMD）法對所采集到的變頻器故障數據進行優(yōu)化，實現去噪。

VMD設計多項基本參數，包括火電廠風機變頻器模態(tài)分量個數K、火電廠風機變頻器懲罰因子α、火電廠風機變頻器判別精度ε和火電廠風機變頻器保真系數T。在這幾項參數中，火電廠風機變頻器判別精度ε和火電廠風機變頻器保真系數T對VMD的分解去噪處理基本無效果影響，所以在文章研究時，選擇了默認參數。剩下的變頻器模態(tài)分量個數K和變頻器懲罰因子α決定去噪處理的過程以及結果，文章將選取不同的數值進行設定 。

將通過VMD算法分解獲取的IMF分量按照頻率取值大小進行排序，但采用傳統(tǒng)VMD算法進行去噪會導致故障數據的高頻部分丟失，綜合考慮，文章擬在小波分析的基礎上，引入VMD分解評價系數，以此作為對 VMD分解評估系數進行更科學的選擇，從而在實現最優(yōu)化分析結果的同時又兼顧運行效果。

根據式（3）可得，Cal和Var之間呈正相關的關系，Cal與δ成反比；當得出的Cal越大時，VMD可對火電廠風機變頻器分解的信號越精細，也就越接近最開始的信號數據，證明VMD分解將更好地去除故障數據中的噪聲。所以，假設K是各不相同的數值時，可得到不同的Cal，選擇這些數據中最大的數據，就能夠確定火電廠風機變頻器VMD最優(yōu)模態(tài)分量個數K。通過一系列方法使變頻器噪聲信號變得明確，從而確定噪聲，去噪步驟就此完成。

3 小波分析提取故障特征

利用小波分析提取火電廠風機變頻器的故障特征。文章將結合實踐經驗，設置小波分解的層數為4，以此實現對故障信號特征的提取。具體執(zhí)行的步驟如下。

（1）獲取風機變頻器存儲的信號數據，采用j層小波包分解方式對第j層的特征量進行提取。需要注意的是，此時提取的特征量涵蓋各種不同的頻率段，由低頻至高頻均有涉及，通過這種方式保障后續(xù)故障診斷中對不同程度故障的準確識別。

（2）以小波分析提取的信號特征作為基礎，構建包含二分支的最優(yōu)小波包分解樹，樹的層級為4級。

通過上式得到最優(yōu)小波分解樹，由此變頻器故障的特征提取完成，即火電廠風機變頻器故障識別完成。

4 對比試驗

4.1 試驗環(huán)境設置

為驗證基于小波分析和VMD的火電廠風機變頻器故障識別方法的有效性，在相同的試驗環(huán)境下選擇文獻[2]方法的風機變頻器故障識別方法和文獻[10]的風機變頻器故障識別方法進行對比試驗。在文獻[2]中，使用極限學習機構建了一種分類器，用于火力發(fā)電廠風機變頻器的故障識別，但未使用 PSO優(yōu)化方法確定輸入權重和隱含層偏差；文獻[10]以SVM為基礎，構建了一種基于SVM的火電廠風機變頻器的故障識別分類器，并利用粗集理論對電力變壓器的故障進行了特征提取。

4.2 試驗樣本數據

為測試火電廠風機變頻器故障識別方法的通用性，選擇5種類型的風機變頻器故障作為試驗對象，樣本數據見表1。

為了避免偶然性，每種樣本進行3次試驗。

4.3 試驗

試驗階段，在MATLAB模擬環(huán)境下，以三相橋型直流逆變器與三相橋型交流整流器為基礎，構建1臺電站用直流變頻調速系統(tǒng)。由這兩組變頻器之間的相互作用組成變頻器一次側的回路，其相互影響的形式是交—直—交。對各種故障參數的設定，以控制波形為主。其中，一是調整火電廠風機整流側輸出波形變換變頻器頻率，二是調整火電廠風機另一側的輸出波形變換變頻器電壓。具體的結構設計部分是將二者進行結合，并結合其他部分后實現對變頻器模型的構建，具體如圖1所示。

結合圖1所示的火電廠風機變頻器模型結構可看出，文章構建的測試環(huán)境中共包含3個入口以供橋臂驅動電流交互，分別對應A，B，C相，同時設置了針對性的裝置對A相對地電壓進行測量，以此將處理后得到的信號作為正弦脈寬調制信號。

5 試驗結果分析

對3種方法在火電廠風機變頻器故障識別中應用時的正確識別故障次數進行了比較，得到了如圖2所示的結果。

分析圖2中的試驗結果可知，在3種方法中，使用小波分析法與VMD法相結合得到的火電廠風機變頻器故障辨識正確率最高，平均準確率為96.53%，文獻[2]方法對變頻器故障辨識平均準確率為92.63%，文獻[10]方法對變頻器故障辨識平均準確率為91.42%。通過上述數據可以看出，將小波分析法與VMD法相結合，可提高風機變頻器故障辨識的準確率，充分發(fā)揮小波分析法與VMD法相結合在火電廠風機變頻器中的優(yōu)勢。

6 結束語

文章提出的基于小波分析和VMD的火電廠風機變頻器故障識別方法，通過采集火電廠風機變頻故障數據，利用VMD方法進行優(yōu)化從而獲取火電廠風機變頻器的最優(yōu)系數，同時利用小波變換得到火電廠風機變頻器的模態(tài)最大值，最后根據對比試驗進行分析，得出將小波分析和VMD結合可實現對火電廠風機變頻器故障識別的結論。

參考文獻

[1] 劉鳳剛，劉明亮.石油鉆機變頻器故障診斷方法研究[J].中國設備工程，2023（11）：161-163.

[2] 馬新喜.火力發(fā)電廠鍋爐風機變頻器故障自動診斷技術研究[J].電工技術，2023（11）：222-224.

[3] 楊璞.英德拉二次雷達馬達變頻器接地短路故障測試與分析[J].民航學報，2023，7（3）：49-52.

[4] 艾志春，彭美霞.變頻器在焦化干熄焦提升機上應用時的故障解析[J].電器工業(yè)，2023（5）：49-52.

[5] 齊健，劉軍，劉艷群，等.起重用變頻器速度監(jiān)視故障機理分析與處理[J].起重運輸機械，2023（3）：65-71.

[6] 王迪迪.2A空預器主變頻器跳閘故障案例研究及防范措施[J].中國設備工程，2023（1）：139-141.

[7] 叢麗麗，劉志黨.論變頻器在工業(yè)中應用與常見故障處理[J].電氣開關，2022，60（6）：122-124.

[8] 鄭磊.變頻器輸出異常引起風機振動停機的故障分析[J].水泥技術，2022（6）：47-50.

[9] 牟澤睿，崔東旭.核電廠反應堆冷卻劑泵變頻器調試故障分析及風險評估[J].新型工業(yè)化，2022，12（11）：39-43，53.

[10] 周業(yè)春，耿海波.變頻器在自動化控制系統(tǒng)中的應用及其故障研究[J].現代工業(yè)經濟和信息化，2022，12（10）：120-122.