基于KNN的水电站水轮机监控系统研究

摘要：针对大型水轮机轴承故障诊断和预警准确率低，导致抽水蓄能电站存在状态监测与运维管理效果不佳的问题，提出一种大型水轮机轴承润滑油液在线监测系统。利用电涡流传感器对轴承油液数据采集，采用改进的K最近邻算法对轴承故障进行准确分类与诊断。结果表明，通过改进KNN算法，得到新故障与集合A中故障识别球的相似度最大值为0.478 7，低于相似度匹配阀值0.6，说明改进KNN算法可实现新故障类型的准确识别，具备一定的自适应性和可扩展性；实际应用也进一步证明该算法可满足对水轮机轴承的状态监测、故障诊断和预警需求，实现水电站的准确监测和智能化运维管理。

关键词：抽水蓄能电站；水轮机组；在线油液监测；K近邻算法；故障诊断

中图分类号：TP392文献标识码：A文章编号：1001-5922（2025）01-0193-04

Design of intelligent monitoring system for hydraulic turbinefaults with improved K-proximity calculation and improvedK-proximity algorithm

XIE Kejun，SONG Shankun，HU Ting，YAO Juan，ZHANgLiyi

（Anhui Jiyuan Software Co.，Ltd.，Hefei 230061，China）

Abstract：In response to the low accuracy of fault diagnosis and early warning of large water turbine bearings，which leads to poor monitoring and operation management of pumped storage power stations，a large water turbine bearing lubricating oil online monitoring system was designed.The eddy current sensor was used to collect the bear-ing oil data，and the improved K-nearest neighbor algorithm was used to accurately classify and diagnose the bear-ingfaults.The results showed that the maximum similarity between the new fault and the fault identification ball in ensemble A was 0.478 7，which was lower than the similarity matching threshold of 0.6，indicating that the im-proved KNN algorithm can achieve accurate identification of new fault types，and has certain adaptability and scal-ability.The practical application further proves that the algorithm can meet the requirements of condition monitor-ing，fault diagnosis and early warning of hydraulic turbine bearings，and realize accurate monitoring and intelligent operation and maintenance management of hydropower stations.

Key words：pumped storage power station；water turbine unit；online oil monitoring；K-nearest neighbor algorithm；fault diagnosis

随着水电装机容量和水轮机组单机容量的增长，给抽水蓄能电站的安全性和带来极大压力。因此，对大型水轮机组的推力轴承进行故障诊断和实时监测具备至关重要。对此，如为实现水轮机组轴承的实时监测，提出了基于K最邻近（KNN）分类算法进行数据挖掘和分类，从而为轴承故障诊断提供了有效的数据支撑[1]；为保证抽水蓄能电站的运维，提出了基于概率神经网络对水轮机组水力的振动信号进行分析，在一定程度上提升了故障诊断精度，但实时性较低[2]；以大型水轮机组为研究对象，提出了将核主成分分析KPCA与粒子群优化算法PSO和支持向量机SVM相结合，通过融合算法实现了水轮机组故障准确检测和分类[3]。基于此，本研究提出一种水电站状态监测和智能化运维系统系统，并对该系统的可行性进行验证。

1在线监测系统整体设计

为实现水电站中的大型水轮机轴承的有效监控，搭建轴承润滑状态在线监测系统，主要由信号采集模块、数据传输模块、上位机和中央智能诊断中心组成[4]。信号采集模块由油液密度、含水量和电涡流位移等在线传感器组成，通过多个传感器的相互配合和通力协作可实现系统油液粘度、密度、颗粒数量和油膜厚度的实时采集[5-6]。

数据传输部分通过数据采集模块和信号传输线进行实现[7]；上位机通过互联网将数据传输至中央智能诊断中心。智能诊断中心可实现接收数据的状态监测、故障预警、故障识别、寿命预测和趋势分析。

2水电站水轮机轴承故障诊断

2.1特征提取

大型水轮机组的油液在线监测可理解为实时等间隔的采集轴承运行时的油液参数。每个监测参数可看做一个时间序列，通过向量组合的方式表示该时刻的油液监测特征。若任一时刻表示为t；采集的监测参数为m个；t时刻第i个监测参数的变量值表示为xit；t时刻的油液监测特征表示为采用ft[8-10]。向量化处理监测参数变量后，可获得油液检测特征为：

为提升时间序列模型的训练速度和精度，提出对采集的原始数据进行标准化处理。具体处理表达式为：

式中：1 i m ，μxi和σxi分别表示变量 xi 的均值和方差[11] 。

对大型水轮机组进行受力监测，可获得大量的监测数据，但大部分监测数据存在维度高的问题，使得异常值的干扰性较强，进行时间序列分类时，极易出现过拟合现象。为解决监测数据的拟合问题，提出提取针对此问题，提出提取受力监测参数特征，以降低采集数据维度和干扰性。若Wt = é ë ù û L （1） t L （2） t L （24） t 表示 t 时刻的受力监测参数；L （i） t 表示 t 时刻第i块瓦的抗重螺栓受力，将其进行特征量提取后，可得到：

基于式（3）进行参数转化后，可将转化后的W′ i与 ft 进行连接，从而得到新的特征向量[12] 。

以上提取特征向量，通过欧式距离对2个特征间的相关性进行表示。相似度越高，为同类的可能性越高；反之为同类的可能性越低。其中，2个特征间的相似度计算公式可表示为：

式中：fp和fq分别为 p 、q 时刻监测到的故障数据； D（ fp fq） 和 r（ fp fq） 分别为2个监测特征fp、fq间的欧式距离和相似度，r（ fp fq） 的取值控制在0～1。

通过以上公式即可实现不同故障数据的准确分类和诊断，从而为后续抽水蓄能电站的智能运维提供有效的数据支撑。

2.2 基于遗传算法的K近邻算法的故障诊断

故障诊断即将采集的故障数据分为训练集和测试集2个部分，分别用于分类模型训练和测试。机器学习中，较为常用且成熟的故障分类算法为K最近邻（KNN）分类算法。此方法的基本原理为在某一特征空间内，若一个样本附近的k个最近样本大部分属于某个类别，则此样本也属于该类别。KNN分类算法虽然可实现数据准确分类，但其在分类过程中存在参数计算量大、K值无法准确确定的问题，提出定义一个故障识别球数据集 A = {at } 。对集合A中的每个故障识别球进行相似度计算即可实现故障类别判断，从而提升计算速度。每种类型故障识别球的空间表达效果如图1所示；图中，·为集合A中的某一类故障识别球；×为同类故障数据；圆圈为该故障识别球可识别的故障范围。

由图1可知，将收集的故障数据集生成集合A，可得到生成故障识别球集合A的训练流程为：

（1）任意生成集合A，设置故障识别球的个数为st，s和t分别为数据集中的类别数和初始化每种类别故障识别球的个数。对集合A进行定义剔除后，可得到训练集D和空数据集M。

（2）基于训练集中每个特征数据fiD，计算fi与集合A间的相似度，选出相似度最高的n个故障识别球，标记为集合B[14]。

（3）对集合B数据进行克隆、变异和选择操作。克隆操作基于集合B与fi的距离相似度进行实现。克隆数量与相似度呈正相关关系。针对集合B中的故障识别球b，可采用式（6）进行克隆数量计算：

式中：α和nb分别表示克隆因子和集合B中特征数据b的克隆数量。

变异操作的变异幅度与相似度呈负相关关系。基于克隆体c的变异操作公式可表示为：

基于以上方式进行克隆和变异后，实现了集合B的有效扩充。然后计算集合B与为fi二者间的相似度。

（4）对集合B参数进行优化，去除冗余数据。提出在该集合内，计算同类别故障识别球间的相似度。并分别采用ε和ζ作为故障识别球删除和克隆变异选择操作的阀值。之后将集合B并入集合M中，即MMU B。

（5）再次选择训练数据，并重新回到步骤（2）进行相似度计算和集合B构建，完成训练数据点全部遍历。

（6）优化集合M并去除冗余。

（7）将优化集合M并入A。重新进行迭代计算，直到迭代次数N取得算法终止要求，即可结束算法[15]。

3实验结果与分析

3.1实验环境

为验证提出的算法的故障诊断效果，实验以水轮机轴承中的巴氏合金为研究对象，搭建一个实验测量平台，并通过电涡流位移传感器进行数据采集。实验平台如图2所示。

该实验平台主要分为4个部分，分别为实验台架、电涡流传感器、被测金属巴氏合金和千分尺。系统软件采用Python+QtCreator进实现，此软件系统可达到后台数据处理、功能、界面的实现和开发，采用MySQL数据库对水轮机轴承润滑状态进行实时监测和数据存储。

3.2实验数据

基于以上搭建的试验平台，涡流位移传感器从0开始进行测量，每隔0.01 mm测量一个读数，直至传感器输出电压保持稳定状态。最终采集到数据共计600条。数据类型为6种，每种类型数量各100条。实验选择瓦面默算故障作为新故障不进行训练。其余每种类型数据分别按照7∶3的分配比例作为训练集和测试集。

数据特征参数为黏度、水分、密度、颗粒数等共计39维。模型训练时，将集合A的s和t均设置为5，迭代次数N设置为50；将最大相似度的数据个数m设置为8；克隆系数α、选择比例系数β分别设置为10和60；优化系数ε、ζ分别设置为0.8和0.2；相似度匹配阀值η设置为0.6。

3.3算法验证

在改进的算法中输入磨损数据，计算出其与集合A中的相似度，具体如表1所示。

由表1可知，新故障与集合A中故障识别球的最大相似度取值为0.478 7，低于相似度匹配阀值0.6。由此说明，在K邻近算法中加入故障识别球进行数据构建后，可实现新故障类型的准确识别，从而提升了K近邻算法的可扩展性，可通过此算法实现水轮机组轴承运行变化的自适应。

3.4系统验证

为验证设计的在线监测系统是否有效，实验将对该系统的监测信息界面和故障诊断界面进行测试。实验选择对某抽水蓄能电站2019年4月20～25日5 d时间内的1号大型水轮机组的推力轴承润滑状态进行在线监测，得到部分故障诊断报告如图3所示。

由图3的故障诊断报告结果可知，设计的系统可实现大型水轮机轴承的实时在线监测和故障诊断，进一步验证了设计的系统功能模块完善，采用改进的K近邻算法能够提升系统故障诊断准确率和精度。

4结语

提出的基于改进K近邻算法的大型水轮机轴承故障诊断方法具备可行性和有效性。此算法可提升大型水轮机轴承故障诊断和预警准确率，从而进一步增强了大型水轮机组润滑油液在线监测系统的在线监测效果和故障诊断效率。实验发现，对某大型水轮机轴承的故障特点和故障机理进行分析后，可获取常见故障类型与润滑油特征参数的相关性。在传统的K近邻算法基础上引入故障识别球集合后，能够显著提升机组推力故障识别准确率和计算速度。相较于传统的K近邻算法，提出的改进后的K近邻算法对测试集中的故障数据的诊断准确度明显更高。由此说明，设计的系统功能模块完善，基于提出的改进算法能够实现故障检测与诊断，降低了故障发生概率，为抽水蓄能电站中的水轮机轴承检修和维护决策提供了有效的支撑，从而进一步提升抽水蓄能电站的智能化运维和管理效果，对电力系统领域的发展和稳定运行具有实际应用意义和参考价值。

【参考文献】

[1]杨铭轩，于亚雄，李青，等.基于KNN的水轮机组轴承监测与故障诊断[J].自动化与仪器仪表，2023（4）：66-70.

[2]苏立，毛成，沈春和，等.基于概率神经网络的水轮机组水力振动故障诊断[J].河北水利电力学院学报，2023，33（1）：19-23.

[3]黎梓昕，林海军，徐雄，等.基于KPCA-PSO-SVM的水轮机组故障检测方法[J].排灌机械工程学报，2023，41（5）：467-474.

[4]邰朋，宋苗苗，王波，等.基于t-SNE降维和KNN算法的波浪传感器故障诊断方法[J].山东科学，2023，36（4）：1-9.

[5]李晓波，贾斌，云杰，等.300 MW可逆式抽水蓄能水轮机组摆度大原因分析与处理[J].电气应用，2023，42（5）：72-75.

[6]李文华，牛国波，刘羽佳.基于遗传算法优化BP神经网络的液压系统故障诊断[J].机床与液压，2023，51（8）：159-164.

[7]朱婧玮，彭汝嘉，韩霖飞，等.拉西瓦700 MW大型水轮机组自动发电控制（AGC）调节性能提升分析[J].西北水电，2023（3）：94-98.

[8]任岩，黄今，胡雷鸣，等.基于傅里叶分解与排列熵的水轮机组去噪方法研究[J].水力发电，2020，46（10）：96-99.

[9]冯伟，李美威，贺石中，等.大型水轮机组推力轴承油膜厚度在线监测研究[J].工程设计学报，2019，26（6）：652-657.

[10]令狐克诚.水电站水轮机组远程监测系统设计与实现[J].科技创新与应用，2022，12（23）：117-121.

[11]陈德海，朱正坤，王超.基于模糊神经网络PID的水轮机组频率控制[J].现代电子技术，2020，43（23）：99-102.

[12]廖清阳，陈晓，王军，等.基于改进花授粉算法的配网继电保护整定优化方法[J].粘接，2023，50（9）：183-186.

[13]张兴斌，黄安国，孙勇.高坝洲水电厂轴流转桨式水轮机组调速器抽动故障研究分析[J].水电与新能源，2020，34（5）：46-50.

[14]蒋志松，李奇艳，罗周维，等.水轮机组诊断性试验与状态趋势预测[J].水电站机电技术，2022，45（10）：34-36.

[15]吾买尔·吐尔逊，穆哈西，夏庆成.基于小波分析算法的水轮机组振动故障诊断[J].自动化技术与应用，2022，41（3）：27-29.

[16]陈瑞，杨春曦，翟持，等.特征加权的高斯加权K近邻-支持向量机的水泵故障诊断方法[J].机械科学与技术，2022，41（3）：349-356.

[17]齐敬先，吴迪，叶海峰，等.面向复杂环境的输电线路覆冰预测研究[J].粘接，2022，49（11）：151-155.

[18]赵荣欣，贾鹏飞.基于特征提取和机器学习的异常数据识别算法[J].城市道桥与防洪，2023（8）：250-252.

[19]邰朋，宋苗苗，王波，等.基于t-SNE降维和KNN算法的波浪传感器故障诊断方法[J].山东科学，2023，36（4）：1-9.

[20]朱恪瑄，黎敏.基于k近邻的快速和参数自适应训练的稀疏子空间聚类[J].南昌工程学院学报，2023，42（3）：102-107.

（责任编辑：苏幔，平海）