陳茗 胡邊 李靖

摘要：

水電機(jī)組在非平穩(wěn)工況及異常運(yùn)行狀態(tài)下，會(huì)產(chǎn)生劇烈的振動(dòng)并發(fā)出刺耳的噪聲。針對(duì)上述振動(dòng)和音頻信號(hào)，以燈泡貫流式水電機(jī)組為研究對(duì)象，通過布置高精度的加速度和音頻傳感器，對(duì)機(jī)組各部位的振動(dòng)和噪聲進(jìn)行實(shí)時(shí)監(jiān)測(cè)，采集振動(dòng)和音頻的多源融合信號(hào)。采用核主元分析法（KPCA）與改進(jìn)的K-Means聚類算法提取多源融合信號(hào)頻率幅值均方根參數(shù)，得到水輪機(jī)槳葉碰磨、本體敲擊及發(fā)電機(jī)局放等故障的能量分布與特征值，構(gòu)建了能夠反映機(jī)組狀態(tài)的六維特征向量模型?，F(xiàn)場(chǎng)故障模擬試驗(yàn)表明，該模型能準(zhǔn)確識(shí)別出對(duì)應(yīng)故障，為機(jī)組檢修維護(hù)提供了有力支撐。

關(guān) 鍵 詞：

多源信號(hào)融合； 故障特征； 燈泡貫流式機(jī)組； 核主元分析法（KPCA）； K均值

中圖法分類號(hào)： TM622；TK733+.3

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2023.08.026

0 引 言

水電機(jī)組運(yùn)行過程中，水力、機(jī)械、電磁等因素的相互耦合，使得機(jī)組往往呈現(xiàn)非平穩(wěn)、非線性和時(shí)變等特性，導(dǎo)致故障的誘因很難確定［1］。故障特征提取大多采用現(xiàn)代時(shí)域分析與其他檢測(cè)指標(biāo)相結(jié)合的方法。胡曉等［2］采用VMD方法分解水電機(jī)組振動(dòng)信號(hào)，得到若干本征模態(tài)函數(shù)（IMF），再利用IMF構(gòu)造二維圖譜，輸入CNN中，挖掘圖譜中蘊(yùn)含的故障特征并實(shí)現(xiàn)水電機(jī)組的故障診斷；蔣文君等［3］采用EEMD算法分解水電機(jī)組振動(dòng)信號(hào)得到一系列IMF分量，計(jì)算篩選分量的近似熵值構(gòu)成多維特征向量，輸入PNN進(jìn)行模式識(shí)別，從而提取水電機(jī)組振動(dòng)信號(hào)的特征；張飛等［4］認(rèn)為基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)組振動(dòng)預(yù)測(cè)方法可以作為水電機(jī)組狀態(tài)監(jiān)測(cè)的推薦模型；Wu等［5］利用灰色關(guān)聯(lián)分析（GRA）和向量回歸相結(jié)合的預(yù)測(cè)方法預(yù)測(cè)水電機(jī)組的振動(dòng)，驗(yàn)證了該方法的準(zhǔn)確性。目前，水電機(jī)組在線故障診斷大都只關(guān)注振動(dòng)擺度數(shù)據(jù)，而采用振動(dòng)診斷技術(shù)，存在速度慢、測(cè)量頻率范圍低、高頻信號(hào)難以識(shí)別等弊端。

水電機(jī)組振動(dòng)時(shí)會(huì)產(chǎn)生大量的聲音，這些聲音信號(hào)中蘊(yùn)含的信息是設(shè)備正常、異?；蚬收闲畔⒌妮d體［6］。若能夠真實(shí)、充分地采集到足夠數(shù)量且能客觀反映機(jī)組健康狀態(tài)的聲音信號(hào)，并融合振動(dòng)信息進(jìn)行特征提取，可大幅提高水電機(jī)組故障診斷的準(zhǔn)確率。

本文以燈泡貫流式機(jī)組為研究對(duì)象，在燈泡頭、燈泡體、轉(zhuǎn)輪室等部位布置加速度和音頻傳感器，開展現(xiàn)場(chǎng)故障模擬試驗(yàn)，在線采集振動(dòng)和音頻多源融合信號(hào)。由于需將同一部位的多個(gè)傳感器得到的特征進(jìn)行串聯(lián)，各特征彼此孤立且維數(shù)又較多，給故障識(shí)別帶來了困難［7-9］。在進(jìn)行故障分類前先將原始故障樣本通過核主元分析法（KPCA）進(jìn)行降維特征融合，再利用改進(jìn)的K-Means聚類方法識(shí)別機(jī)組水輪機(jī)槳葉碰磨、本體敲擊、發(fā)電機(jī)局放等故障。

1 振動(dòng)與音頻多源信號(hào)的融合方法

燈泡貫流式機(jī)組的振動(dòng)音頻信號(hào)中除基頻成分外，還存在其它干擾成分［10］。為有效抑制干擾，增強(qiáng)基頻信號(hào)，本文提出了振動(dòng)與音頻的多源信號(hào)融合方法。該方法利用互相關(guān)原理增強(qiáng)振動(dòng)音頻信號(hào)中的同頻分量，解決機(jī)組全頻帶振動(dòng)與音頻信號(hào)的時(shí)頻特征匹配難題，實(shí)現(xiàn)燈泡貫流式機(jī)組故障特征的準(zhǔn)確提取。一般情況下，在振動(dòng)信號(hào)和音頻信號(hào)傳播的過程中，兩種信號(hào)中引入的干擾成分通常是不同的，也就是說，振動(dòng)信號(hào)和音頻信號(hào)有著相同的基頻和不同的干擾頻率［11］。

多源融合信號(hào)是由振動(dòng)頻率的基頻信號(hào)、干擾信號(hào)和白噪聲線性疊加而成的［12］，根據(jù)互相關(guān)與傅里葉變換的性質(zhì)，為了表達(dá)的簡(jiǎn)潔，將互相關(guān)序列分成3個(gè)部分，如式（1）所示。

2.3 故障特征提取

針對(duì)燈泡貫流式機(jī)組目前已有故障樣本量稀少，不利于完成故障識(shí)別模型訓(xùn)練等問題，通過在線多源融合信號(hào)累積的海量數(shù)據(jù)與在線特征提取所積累的特征庫，對(duì)正常工況和異常工況的樣本特征向量進(jìn)行聚類分析。基于KPCA算法得到故障特征向量與在線多源信號(hào)融合監(jiān)測(cè)系統(tǒng)所采集的振動(dòng)與聲頻數(shù)據(jù)之間的映射關(guān)系。結(jié)合改進(jìn)的K-Means聚類算法，利用充足的特征樣本數(shù)據(jù)完善故障模型并逐步實(shí)現(xiàn)水電機(jī)組故障類型的準(zhǔn)確識(shí)別。故障特征提取流程如圖1所示。

3 試驗(yàn)研究

3.1 振動(dòng)、音頻傳感器布置

以單機(jī)容量450 MW的燈泡貫流式水電機(jī)組為研究對(duì)象，其最大水頭為29 m，轉(zhuǎn)輪重49.6 t，槳葉長(zhǎng)1.93 m，主要由燈泡頭（發(fā)電機(jī)）、燈泡體（軸承）、轉(zhuǎn)輪室（水輪機(jī)）、大軸、導(dǎo)葉等組成，如圖2所示。水流繞燈泡體推動(dòng)轉(zhuǎn)輪旋轉(zhuǎn)，從而帶動(dòng)發(fā)電機(jī)發(fā)電。

在水電機(jī)組振擺系統(tǒng)已有的振動(dòng)傳感器基礎(chǔ)上增設(shè)相關(guān)振動(dòng)（加速度）傳感器，并安裝音頻傳感器。傳感器測(cè)點(diǎn)布置如表1所列。

振動(dòng)傳感器型號(hào)為CT1010LC，電壓靈敏度101.6 mV/g，頻率范圍1～2 000 Hz。音頻傳感器型號(hào)為HY205，動(dòng)態(tài)上限146 dB，靈敏度50 mV/Pa，頻率響應(yīng)范圍20～10 kHz。數(shù)據(jù)采集卡型號(hào)為EM9118B，最高采樣頻率450 kHz，16位分辨率。

3.2 故障模擬試驗(yàn)

燈泡貫流式機(jī)組在不同部件發(fā)生不同故障時(shí)具有不同頻率、幅值、相位的振動(dòng)和音頻信號(hào)，因此，可以通過分析振動(dòng)音頻融合信號(hào)各個(gè)頻段的參數(shù)來提取相應(yīng)故障特征。分別在轉(zhuǎn)輪室、燈泡體、燈泡頭等位置模擬水輪機(jī)槳葉碰磨、本體敲擊、發(fā)電機(jī)局放等故障。通過在不同工況下對(duì)幾種故障進(jìn)行音頻信號(hào)和振動(dòng)信號(hào)的模擬，來驗(yàn)證故障特征提取與識(shí)別的效果。

3.2.1 水輪機(jī)槳葉碰磨

在轉(zhuǎn)輪室模擬水輪機(jī)槳葉碰磨故障，通過分析采集的多源融合信號(hào)時(shí)頻特性可知，與正常工況相比，槳葉碰磨時(shí)在700～1 400 Hz附近出現(xiàn)頻率帶。因?yàn)楣收咸卣黝l率分布較廣，為有效識(shí)別水輪機(jī)槳葉碰磨，提取700～1 400 Hz特征頻率帶的頻率幅值均方根為1.6×10-3，正常工況為1.8×10-4，表明可以區(qū)分出兩種不同的工況。

3.2.2 本體敲擊

在燈泡體進(jìn)行本體敲擊的故障模擬，在分析采集的多源融合信號(hào)時(shí)頻特性時(shí)，會(huì)出現(xiàn)一條條的頻率帶，頻率帶的主要能量分布在1 000～2 000 Hz。提取1 000～2 000 Hz頻率范圍的頻率幅值的均方根作為故障特征，本體敲擊故障特征值大約為2.3×10-3，遠(yuǎn)大于正常工況下的4.5×10-4，可以將其作為判別本體敲擊的特征。

3.2.3 發(fā)電機(jī)局放

在燈泡頭模擬發(fā)電機(jī)局放故障，通過分析采集的多源融合信號(hào)時(shí)頻特性可知，頻率在2 000～3 000 Hz有明顯的能量分布，正常工況下該頻率范圍沒有能量分布。通過提取2 000～3 000 Hz頻率范圍的頻率幅值均方根值，兩者的特征值存在較大差異，發(fā)電機(jī)局放特征值最大值為0.04左右，正常工況下特征值為3×10-4。

上述3種模擬故障的主要特征頻率范圍及提取參數(shù)如表2所列。

3.3 故障特征識(shí)別

對(duì)多源融合數(shù)據(jù)每隔0.2 s作一次特征提取，并將計(jì)算出的值計(jì)作一個(gè)特征數(shù)據(jù)點(diǎn)，在整個(gè)采集時(shí)間內(nèi)，得到若干個(gè)特征數(shù)據(jù)點(diǎn)。根據(jù)改進(jìn)的K-Means算法，將這些特征數(shù)據(jù)點(diǎn)進(jìn)行在線聚類，得出故障特征的識(shí)別結(jié)果。

3.3.1 水輪機(jī)槳葉碰磨

采用KPCA對(duì)水輪機(jī)槳葉碰磨多源融合數(shù)據(jù)進(jìn)行提取，所得的6維特征值變化情況如圖3（a）所示。由結(jié)果可知，在轉(zhuǎn)輪室處發(fā)生槳葉碰磨時(shí)，融合特征2、融合特征3和融合特征4會(huì)出現(xiàn)變化，明顯大于正常值，其余特征無明顯變化。對(duì)采集的故障數(shù)據(jù)特征點(diǎn)進(jìn)行補(bǔ)充然后作改進(jìn)K-Means聚類。當(dāng)?shù)? 998個(gè)數(shù)據(jù)在線輸入，算法經(jīng)1 829次迭代后，識(shí)別結(jié)果趨于穩(wěn)定，得到的聚類分析結(jié)果如圖3（b）所示。圖中藍(lán)色區(qū)域判定為正常，紅色區(qū)域識(shí)別為發(fā)生水輪機(jī)槳葉碰磨，兩者的時(shí)間與現(xiàn)場(chǎng)試驗(yàn)時(shí)間標(biāo)簽一致，說明改進(jìn)的K-Means算法能有效識(shí)別水輪機(jī)槳葉碰磨故障。

3.3.2 本體敲擊

采用KPCA對(duì)燈泡體本體敲擊多源融合數(shù)據(jù)進(jìn)行提取，所得的6維特征值變化情況如圖4（a）所示。在燈泡體發(fā)生本體敲擊時(shí)，融合特征1、融合特征2、融合特征3、融合特征4和能量特征2會(huì)出現(xiàn)變化，明顯大于正常值，其中融合特征1和能量特征2的幅值變化最為劇烈，能量特征1的值無明顯變化。對(duì)采集的故障數(shù)據(jù)特征點(diǎn)進(jìn)行補(bǔ)充，用1 848特征點(diǎn)作改進(jìn)K-Means聚類，當(dāng)?shù)? 848個(gè)數(shù)據(jù)在線輸入，算法經(jīng)1 727次迭代后，識(shí)別結(jié)果趨于穩(wěn)定，得到的聚類分析結(jié)果如圖4（b）所示。圖中藍(lán)色區(qū)域判定為正常，紅色區(qū)域識(shí)別為發(fā)生本體敲擊故障，兩者的時(shí)間與現(xiàn)場(chǎng)試驗(yàn)時(shí)間標(biāo)簽一致，說明改進(jìn)的K-Means算法能有效識(shí)別燈泡體發(fā)生本體敲擊故障。

3.3.3 發(fā)電機(jī)局放

采用KPCA對(duì)發(fā)電機(jī)局放多源融合數(shù)據(jù)進(jìn)行提取，所得的六維特征值變化情況如圖5（a）所示。在燈泡頭處發(fā)生發(fā)電機(jī)局放時(shí)，融合特征2和融合特征3會(huì)出現(xiàn)變化，明顯的大于正常值，其余4個(gè)特征值無明顯變化。對(duì)采集的故障數(shù)據(jù)特征點(diǎn)進(jìn)行補(bǔ)充，用1 498個(gè)特征點(diǎn)作改進(jìn)K-Means聚類。當(dāng)?shù)? 498個(gè)數(shù)據(jù)在線輸入，算法經(jīng)1 299次迭代后，識(shí)別結(jié)果趨于穩(wěn)定，得到的聚類分析結(jié)果如圖5（b）所示。圖中藍(lán)色區(qū)域判定為正常，紅色區(qū)域識(shí)別為發(fā)生發(fā)電機(jī)局放故障，兩者的時(shí)間與現(xiàn)場(chǎng)試驗(yàn)時(shí)間標(biāo)簽一致，說明改進(jìn)的K-Means算法能有效識(shí)別燈泡體發(fā)生本體敲擊故障。

4 結(jié) 論

本文基于采集的振動(dòng)和音頻多源融合信號(hào)，采用KPCA算法提取了能夠反映機(jī)組狀態(tài)的六維特征值，應(yīng)用改進(jìn)的K-Means聚類算法實(shí)現(xiàn)了對(duì)燈泡貫流式機(jī)組水輪機(jī)槳葉碰磨、本體敲擊、發(fā)電機(jī)局放等故障特征的準(zhǔn)確識(shí)別，建立了水電機(jī)組多源融合信號(hào)特征與機(jī)組運(yùn)行狀態(tài)的對(duì)應(yīng)關(guān)系及故障模型庫。該模型能及時(shí)對(duì)潛在故障進(jìn)行預(yù)警，進(jìn)一步完善了水輪發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)體系，為水電設(shè)備安全穩(wěn)定運(yùn)行提供了有力保障，具有極大的推廣應(yīng)用價(jià)值。通過長(zhǎng)期對(duì)多源融合信號(hào)進(jìn)行故障特征分析，能豐富故障種類，提高故障診斷準(zhǔn)確率，為狀態(tài)檢修提供決策支持。

參考文獻(xiàn)：

［1］ 吳道平，溫欽鈺，戴勇峰.混流式水輪機(jī)振動(dòng)噪聲測(cè)試分析及處理措施：以上猶江水電站為例［J］.人民長(zhǎng)江，2020，51（7）：218-224，235.

［2］ 胡曉，肖志懷，劉東，等.基于VMD-CNN的水電機(jī)組故障診斷［J］.水電能源科學(xué)，2020，38（8）：137-141.

［3］ 蔣文君，胡曉，張培，等.基于EEMD近似熵的水電機(jī)組振動(dòng)信號(hào)特征提?。跩］.水力發(fā)電學(xué)報(bào)，2020，39（6）：18-27.

［4］ 張飛，潘羅平.基于人工神經(jīng)網(wǎng)絡(luò)的水輪發(fā)電機(jī)組振動(dòng)預(yù)測(cè)研究［J］.人民長(zhǎng)江，2011，42（13）：48-50，106.

［5］ WU Y，ZHENG B，F(xiàn)ENG Z，et al.The vibration prediction of hydro-generating units based grey relational analysis and fuzzy support vector regression［C］∥2019 4th International Conference on Intelligent Green Building and Smart Grid（IGBSG），IEEE，2019.

［6］ 胡潤志.水電機(jī)組非平穩(wěn)信息特征提取及其振動(dòng)預(yù)測(cè)［D］.邯鄲：河北工程大學(xué)，2021.

［7］ 唐擁軍，周喜軍，張飛.噪聲分析在水電機(jī)組故障診斷中的應(yīng)用［J］.中國農(nóng)村水利水電，2017（8）：206-208.

［8］ 徐雄，林海軍，劉悠勇，等.融合PCA與自適應(yīng)K-Means聚類的水電機(jī)組故障檢測(cè)在線方法［J］.電子測(cè)量與儀器學(xué)報(bào)，2022，36（3）：260-267.

［9］ 高揚(yáng).水力發(fā)電機(jī)振動(dòng)和噪聲監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與研究［D］.北京：中國礦業(yè)大學(xué)，2021.

［10］ 譚丕成，萬元，朱紅平，等.多源信息融合的水輪機(jī)組振動(dòng)測(cè)量方法［J］.中國測(cè)試，2021，47（9）：94-100.

［11］ 胡邊，譚丕成，葉源，等.基于聲學(xué)特性的燈泡貫流式水輪發(fā)電機(jī)組噪聲信號(hào)采集系統(tǒng)設(shè)計(jì)［J］.中國測(cè)試，2021，47（3）：139-143.

［12］ OPPENHEIM A V，WILLSKY A S.Signals and systems［M］.New Jersey：Prentice Hall，1983.

［13］ SHAN X，TANG L，WEN H，et al.Analysis of vibration and acoustic signals for noncontact measurement of engine rotation speed［J］.Sensors，2020，20（3）：683.

［14］ 吳天昊，劉韜，施海寧，等.基于核主元分析法的核電廠設(shè)備狀態(tài)監(jiān)測(cè)技術(shù)研究［J］.核動(dòng)力工程，2020，41（5）：132-137.

［15］ 郭永坤，章新友，劉莉萍，等.優(yōu)化初始聚類中心的K-means聚類算法［J］.計(jì)算機(jī)工程與應(yīng)用，2020，56（15）：172-178.

［16］ 李海濤，劉奎芹.基于最小二乘橢圓擬合改進(jìn)算法的磁力計(jì)校正［J］.電子測(cè)量技術(shù)，2018，41（15）：145-148.

（編輯：鄭 毅）

Abstract：

When a hydroelectric unit operates under non-steady working and abnormal conditions，it will produce violent vibration and harsh noises.In order to ensure the safe and reliable operation of a unit，a bulb tubular hydropower unit is taken as the research object，the vibration and noise of each unit part were monitored in real time by arranging high-precision acceleration and audio sensors，and multi-source fusion signals of vibration and audio were collected.The Kernel Principal Component Analysis （KPCA） and the improved K-Means clustering algorithm are used to extract the root mean square parameter of the frequency and amplitude of the multi-source fusion signal，and the energy distribution，eigenvalues of faults such as the turbine blade collision，body knock and generator partial discharge are obtained.Based on the energy distribution and eigenvalues，a six-dimensional eigenvector that can reflect the state of a unit is constructed.Combined with the on-site fault simulation test，the corresponding fault can be accurately identified by the extraction method.The research results can provide strong support for the maintenance of the units.

Key words：

multi-source signal fusion；fault feature；bulb tubular units；Kernel Principal Component Analysis （KPCA）；K-Means