基于小波包分析的水电机组振动故障诊断研究

摘 要：机组振动是水电站运行中的主要故障，水电机组振动故障诊断对于水电站安全运行具有十分重大的意义。本文提出了一种小波包技术，用于水电机组振动信号去噪和提取机组的振动故障特征，并构建了小波神经网络的水电机组振动故障诊断方法。以实际水电机组振动故障为例，进行了应用检验。结果表明，该方法简单有效、并具良好的鲁棒性，适合水电机组振动故障的诊断。

关键词：水电机组；小波包分析；振动；故障诊断

DOI：10.16640/j.cnki.37-1222/t.2017.01.227

0 引言

水电机组状态检修一种预防性维修方式，它以水电机组的运行状态为基础，通过机组状态监测和故障诊断系统提供的相关信息，经过分析处理，对机组的整体和局部的劣化程度进行判断，以期在故障发生之前进行有效的维修，进而提高水电机组运行的安全性，机组检修周期得以延长，机组检修费用得以下降。而要将机组状态检修运用于水电站的实际检修工作中，首先需要加强设备状态监测和故障诊断技术研究工作。目前，国内外诸多学着对状态监测技术开展了大量研究工作，虽然取得了一些成果，但其实质基本还停留在理论研究当中，实际应用成果较少，少量成果出现为机组局部故障诊断和单一的故障诊断，缺乏以整个机组作为一个系统进行诊断的手段，未能形成对状态检修起指导作用的成熟的故障诊断系统。

因此，根据现代信号处理技术，提出水电机组振动信号的信噪分离方法，提取水电机组振动故障的特征，并提出适合于水电机组振动故障在线诊断的智能诊断方法。这对于改善水电机组的安全性和可靠性，提高我国水电机组故障诊断水平具有十分重大的意义。

1 小波包分析在水电机组振动信号处理技术的应用

1.1 小波包分析

小波包分析在小波分析基础上的一种延伸，其核心思想是集中信息能量，通过细节处理，找到其中的有序性，将其规律筛选出来，得到一种更加精细的信号处理方式。小波包分析通过多层次的频带划分，对于那些没有细分的高频部分信号，能够进一步分解。通过对分解后的信号特性进一步分析，使得被分析信号按照其特征自适应选择其相应频带，并使之与信号频谱相匹配，进而提高时—频分辨率[1]。目前，小波包分析已被广泛的应用于电力系统故障诊断中[2-3] ，在故障诊断领域的应用已取得了较大的成功。此外，小波包分析还可以在低信噪比的信号中检测到故障信号，而且能够进行去噪，信号得以复原，应用价值很高。因此，小波包分析是水电机组振动信号处理方式的较优选择。

1.2 小波包分析的应用

传统的信号分析方法（FFT）是对信号整个的历时过程而言的，缺乏分析信号局部特性的能力，只适用于平稳信号的分析。而伴随有强烈背景噪声的水电机组振动信号是一个非平稳信号，要同时使用时间和频率来进行描述，对其进行分析必须依靠信号的局部变换。本文采用 “sym4”小波进行消噪处理，振动信号采集于国内某水电站水轮机顶盖振动信号，实测信号的采样频率为60Hz，检测系统采样点数为7000点。本文选用其中700点进行分析。消噪后信号占原信号能量的98.66%，实现了水电机组振动信号的信噪分离，具体见图1、2。

从图中不难看出，小波包分析去噪计算速度较快，去噪效果理想。

1.3 故障特征量的提取

大量的研究显示，在水电机组发生故障时，它在机组振动信号中所对应的频率成分将会明显增强，在该频段内信号的能量也会明显增强，相反，那些处在振动幅值偏小的频段内的信号能量则相对较弱。因此，在不同频率成分信号的能量中，实际包含着大量的故障信息。也就是说通过诊断实测振动信号，就能提取其故障特征量。对去噪后的振动信号，采用‘db1信号进行3尺度小波包分解，根据奈奎斯特定律可将机组振动频率分析上限定为500Hz，对小波包分解系数进行重构，可以得到各个频段上的重构信号，分析其频谱图（如图3），得到频率段特征向量。由于高频段信号对整个振动信号影响较小，可对特征向量进一步的整理归一为[0.81 0.29 0.06 0.03 0.02]。

2 水电机组故障诊断研究

2.1 小波神经网络的故障诊断模型的构建

针对水力机组故障信号的特殊性，通过选取合适的小波包分析消噪方法来处理特定信号，从而得到了既能保护信号的奇异性特征，又可以取得较好信噪比的信号去噪方法，并通过真实电站数据去检验其效果，然后又通过适合水电机组振动信号的小波包分解提取能量的方法提取故障特征，最后本文拟通过BP建立水轮机组振动故障诊断的神经网络模型。

小波神经网络的故障诊断模型结构如下图4。

2.2 仿真实验

本文通过查阅相关文献，并在国内某水电站进行实际现场调研获取相关实验数据，找出该水电站水电机组最常见的2种故障（涡带偏心和转子不平衡），针对该两类故障分别选取了4组实测频谱值，构成对应2类故障的8组学习样本和正常状态的2组学习样本，定义输出值0.9代表故障程度严重，0.1代表故障不存在，0代表故障程度未知。故障诊断学习样本如表1。

网络的输入节点数为5个，因为采用的特征量是5个，而输出节点数代表故障集合，故输出节点数应为4个。网络训练完成后，输入第二部分所得到的归一化特征向量，输出结果为[0.9016 0.1062 0.0953 0.0976]。根据计算分析和表1中所示，涡带偏心所造成的振动正是实测数据所代表的故障原因。

对其频率特征进行分析，机组顶盖、推力机架径向振动和摆度的主频为转频，机组顶盖振动频率较大，含有7.7Hz频率，7.7Hz为叶片数与转频的乘积。在蜗壳和尾水锥管中都含有7.7Hz的脉动频率，负荷越大7.7Hz频率的振动分量越明显。这也说明机组在大负荷区较大摆度的激振力来源于水力不平衡。该电厂三号机大修中，在对轮叶开口测量时发现：轮叶#3-#4、#4-#5、#5-#6的开口比轮叶#6-#1、#1-#2、#2-#3开口要小，这也进一步印证了水力不平衡力的存在，与本文故障诊断分析结果一致，故而验证了故障诊断模型的有效性。

3 结论

（1）本文提出了以小波包分析作为水电机组振动故障信号信号去的方法，并对故障的频谱特征提取进行了研究。

（2）提出了基于 BP神经网络的故障诊断方法。该方法具有很强的鲁棒性，对小样本有很强的泛化能力。

（3）通过实际电站数据进行仿真实验，基于小波包分析水电机组故障诊断方法，是一种良好的水电机组振动故障智能诊断方法。

参考文献：

[1]Hong Ye，Li Guohong，Cai Weiyou，et al.Fault diagnosis of hydro- generator unit vibration based on wavelet packet analysis[J].Engineering Journal of Wuhan University，2002，35（01）：65-68.

[2]赵刚，周波.基于小波包分析的双凸极无刷直流发电机系统故障诊断[J].中国电机工程学报，2008，28（08）：121-126.

[3]范立莉，梁平小波包分析在汽轮机转子振动故障诊断中的应用[J].广东电力，2007，20（11）：1-5.

作者简介：李均（1980-），男，海南万宁人，本科，高级工程师，主要从事电站运行管理工作。