基于小波分析和VMD的火电厂风机变频器故障识别方法

[摘 要]变频器是控制风机运转的重要设备，若其出现故障，会影响风机的正常运转。为解决这一问题，提出基于小波分析和变分模态分解（Variational mode decomposition，VMD）法的火电厂风机变频器故障识别方法。通过安装探测器，采集火电厂风机变频器故障信号数据；通过VMD法得到变频器最优模态分量个数，对信号进行去噪处理，滤除不相关的成分和噪声干扰；利用小波分析提取故障信号特征，并对故障区域进行识别。与其他变频器故障识别方法进行对比，对比试验结果表明，该方法识别故障的平均正确率可达96.53%，更具应用优势。

[关键词]小波分析；变分模态分解；变频器；故障识别

[中图分类号]TM621.2 [文献标志码]A [文章编号]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

在火电厂中应用高压变频器可提升电厂运行设备的安全稳定性，且高压变频器可根据机组实际运行的负荷要求向电动机提供变频电源，改变电机转速，并降低设备运行能耗，对火电厂节能运行具有重要作用。在实际应用过程中，由于火电厂高温、多粉尘、高腐蚀等环境影响，导致变频器易出现故障。为减少火电厂风机高压变频器的故障发生率，维护检修人员需做好日常维护及定期检修工作，熟悉火电厂风机变频器日常运行过程中变频器过流、外部通信、功率单元过电压/欠电压、变压器过热等常见故障的发生原因，掌握故障排除措施，实现对高压变频器的科学维护管理，提高其运行可靠性。因此，加强对火电厂风机高压变频器的定期维护，掌握故障排除流程及方法，可大幅降低其故障发生率，发挥其变频调速作用。

小波分析故障诊断方法被广泛应用，是信息处理方法中重要的一种。其以神经网络数据为基础，通过小窗口和神经网络数据进行对应，可发现变频器故障，并对此进行诊断分析。将小波分析技术应用到火电厂风机变频器故障诊断中既可获得更加精准的识别结果，又可提升识别效率。利用小波变换可对振动信号中的突发性信号进行有效辨识，可在狭小的局部空间内对振动频率进行分频，并可对不同尺度下的振动信号进行解析，从而获得不同尺度下的特征信息。因此，分析火电厂风机变频器故障原因，提出相应的故障处理措施，并对所提措施进行试验，确保高压变频器稳定运行，对火电厂机组运行具有重要意义。

1 变频器故障数据采集

火电厂风机变频器在出现故障时，可被采集的数据类型包括高频信号、变频超声波信号及特高频信号等。具体的采集方式为在火电厂风机变频器的某一位置处安装采集器，然后将探测器安装在采集器外表面上，通过特制电容器和探测器对变频器进行故障数据采集。采集一次后继续对变频器故障数据进行采集，如此循环，直至采集到火电厂风机变频器所有的故障数据参数时，停止采集。

2 利用VMD进行去噪处理

对火电厂风机故障数据采集完毕后，发现采集的故障数据中产生了噪声，故通过变分模态分解（VMD）法对所采集到的变频器故障数据进行优化，实现去噪。

VMD设计多项基本参数，包括火电厂风机变频器模态分量个数K、火电厂风机变频器惩罚因子α、火电厂风机变频器判别精度ε和火电厂风机变频器保真系数T。在这几项参数中，火电厂风机变频器判别精度ε和火电厂风机变频器保真系数T对VMD的分解去噪处理基本无效果影响，所以在文章研究时，选择了默认参数。剩下的变频器模态分量个数K和变频器惩罚因子α决定去噪处理的过程以及结果，文章将选取不同的数值进行设定 。

将通过VMD算法分解获取的IMF分量按照频率取值大小进行排序，但采用传统VMD算法进行去噪会导致故障数据的高频部分丢失，综合考虑，文章拟在小波分析的基础上，引入VMD分解评价系数，以此作为对 VMD分解评估系数进行更科学的选择，从而在实现最优化分析结果的同时又兼顾运行效果。

根据式（3）可得，Cal和Var之间呈正相关的关系，Cal与δ成反比；当得出的Cal越大时，VMD可对火电厂风机变频器分解的信号越精细，也就越接近最开始的信号数据，证明VMD分解将更好地去除故障数据中的噪声。所以，假设K是各不相同的数值时，可得到不同的Cal，选择这些数据中最大的数据，就能够确定火电厂风机变频器VMD最优模态分量个数K。通过一系列方法使变频器噪声信号变得明确，从而确定噪声，去噪步骤就此完成。

3 小波分析提取故障特征

利用小波分析提取火电厂风机变频器的故障特征。文章将结合实践经验，设置小波分解的层数为4，以此实现对故障信号特征的提取。具体执行的步骤如下。

（1）获取风机变频器存储的信号数据，采用j层小波包分解方式对第j层的特征量进行提取。需要注意的是，此时提取的特征量涵盖各种不同的频率段，由低频至高频均有涉及，通过这种方式保障后续故障诊断中对不同程度故障的准确识别。

（2）以小波分析提取的信号特征作为基础，构建包含二分支的最优小波包分解树，树的层级为4级。

通过上式得到最优小波分解树，由此变频器故障的特征提取完成，即火电厂风机变频器故障识别完成。

4 对比试验

4.1 试验环境设置

为验证基于小波分析和VMD的火电厂风机变频器故障识别方法的有效性，在相同的试验环境下选择文献[2]方法的风机变频器故障识别方法和文献[10]的风机变频器故障识别方法进行对比试验。在文献[2]中，使用极限学习机构建了一种分类器，用于火力发电厂风机变频器的故障识别，但未使用 PSO优化方法确定输入权重和隐含层偏差；文献[10]以SVM为基础，构建了一种基于SVM的火电厂风机变频器的故障识别分类器，并利用粗集理论对电力变压器的故障进行了特征提取。

4.2 试验样本数据

为测试火电厂风机变频器故障识别方法的通用性，选择5种类型的风机变频器故障作为试验对象，样本数据见表1。

为了避免偶然性，每种样本进行3次试验。

4.3 试验

试验阶段，在MATLAB模拟环境下，以三相桥型直流逆变器与三相桥型交流整流器为基础，构建1台电站用直流变频调速系统。由这两组变频器之间的相互作用组成变频器一次侧的回路，其相互影响的形式是交—直—交。对各种故障参数的设定，以控制波形为主。其中，一是调整火电厂风机整流侧输出波形变换变频器频率，二是调整火电厂风机另一侧的输出波形变换变频器电压。具体的结构设计部分是将二者进行结合，并结合其他部分后实现对变频器模型的构建，具体如图1所示。

结合图1所示的火电厂风机变频器模型结构可看出，文章构建的测试环境中共包含3个入口以供桥臂驱动电流交互，分别对应A，B，C相，同时设置了针对性的装置对A相对地电压进行测量，以此将处理后得到的信号作为正弦脉宽调制信号。

5 试验结果分析

对3种方法在火电厂风机变频器故障识别中应用时的正确识别故障次数进行了比较，得到了如图2所示的结果。

分析图2中的试验结果可知，在3种方法中，使用小波分析法与VMD法相结合得到的火电厂风机变频器故障辨识正确率最高，平均准确率为96.53%，文献[2]方法对变频器故障辨识平均准确率为92.63%，文献[10]方法对变频器故障辨识平均准确率为91.42%。通过上述数据可以看出，将小波分析法与VMD法相结合，可提高风机变频器故障辨识的准确率，充分发挥小波分析法与VMD法相结合在火电厂风机变频器中的优势。

6 结束语

文章提出的基于小波分析和VMD的火电厂风机变频器故障识别方法，通过采集火电厂风机变频故障数据，利用VMD方法进行优化从而获取火电厂风机变频器的最优系数，同时利用小波变换得到火电厂风机变频器的模态最大值，最后根据对比试验进行分析，得出将小波分析和VMD结合可实现对火电厂风机变频器故障识别的结论。

参考文献

[1] 刘凤刚，刘明亮.石油钻机变频器故障诊断方法研究[J].中国设备工程，2023（11）：161-163.

[2] 马新喜.火力发电厂锅炉风机变频器故障自动诊断技术研究[J].电工技术，2023（11）：222-224.

[3] 杨璞.英德拉二次雷达马达变频器接地短路故障测试与分析[J].民航学报，2023，7（3）：49-52.

[4] 艾志春，彭美霞.变频器在焦化干熄焦提升机上应用时的故障解析[J].电器工业，2023（5）：49-52.

[5] 齐健，刘军，刘艳群，等.起重用变频器速度监视故障机理分析与处理[J].起重运输机械，2023（3）：65-71.

[6] 王迪迪.2A空预器主变频器跳闸故障案例研究及防范措施[J].中国设备工程，2023（1）：139-141.

[7] 丛丽丽，刘志党.论变频器在工业中应用与常见故障处理[J].电气开关，2022，60（6）：122-124.

[8] 郑磊.变频器输出异常引起风机振动停机的故障分析[J].水泥技术，2022（6）：47-50.

[9] 牟泽睿，崔东旭.核电厂反应堆冷却剂泵变频器调试故障分析及风险评估[J].新型工业化，2022，12（11）：39-43，53.

[10] 周业春，耿海波.变频器在自动化控制系统中的应用及其故障研究[J].现代工业经济和信息化，2022，12（10）：120-122.