本發(fā)明屬于故障診斷技術(shù)領(lǐng)域，具體涉及一種水輪發(fā)電機組的故障特征提取方法。

背景技術(shù)：

隨著我國水力行業(yè)的發(fā)展，水輪機組逐漸向著單機容量大、工況復(fù)雜的方向發(fā)展，其運行過程中故障的產(chǎn)生和發(fā)展包含大量的不確定性因素，且水輪機的振動信號往往表現(xiàn)為非線性、非平穩(wěn)性的特點。水輪機組的振動信號能夠反映水輪發(fā)電機組的運行狀態(tài)，因此分析和研究水輪機組的振動信號意義重大。

但是由于水電機組故障的復(fù)雜性、多樣性、耦聯(lián)性和不確定性，一種故障可能存在多方面特征和征兆，多種故障因素之間相互影響和制約，致使機組故障振動信號內(nèi)蘊含著相互混疊的故障特征信息，因此采用單一通道進行信號分析和特征提取往往達不到滿意的效果，這是必須解決的問題。

在進行水輪機的故障診斷過程中，一般采用時頻分析方法，如短時傅里葉變換、Wigner-Ville分布、小波變換和經(jīng)驗?zāi)B(tài)分解等方法。FFT、Wigner-Ville分布方法都是比較適用于線性信號，對處理這種非平穩(wěn)信號而言就顯得非常困難，不太適合處理水輪機組這種非線性信號。近幾年，小波分析的提出以后，便得到廣泛的認同和應(yīng)用，但它也會帶來一些問題，如小波基選擇困難，參數(shù)敏感和平穩(wěn)性假設(shè)等，對非線性信號的處理結(jié)果不是十分理想。經(jīng)驗?zāi)B(tài)分解是一種新的時頻分析方法，由于它可以根據(jù)設(shè)定的尺度不同而進行自適應(yīng)的分解，因而具有非常強的自適應(yīng)性，特別適合對水輪機組這種非平穩(wěn)信號進行分析和特征提取。但是經(jīng)驗?zāi)B(tài)分解只能處理一維信號，且存在端點效應(yīng)、模態(tài)混疊等問題，因而提取效果往往不夠理想。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種水輪發(fā)電機組的故障特征提取方法，該方法基于二維經(jīng)驗?zāi)B(tài)分解和全矢譜分析，綜合考慮經(jīng)驗?zāi)B(tài)分解方法的優(yōu)缺點以及水輪發(fā)電機組的振動信號情況，解決了傳統(tǒng)方法難以獲取全面、準確的提取結(jié)果的問題。

本發(fā)明所采用的技術(shù)方案是，一種水輪發(fā)電機組的故障特征提取方法，包括以下步驟：

步驟1：利用水輪發(fā)電機組安裝的振動傳感器獲得水平和垂直的原始信號x(t)，y(t)，從而得到一個復(fù)信號z(t)＝x(t)+iy(t)；

步驟2：確定投影方向

步驟3：將復(fù)信號z(t)投影到上，得到

步驟4：提取的局部最大值時所對應(yīng)的時刻然后對集合進行插值，得到在方向上的極大值包絡(luò)；

步驟5：計算各個方向上極大值包絡(luò)線所對應(yīng)的質(zhì)心m(t)；

步驟6：計算S(t)＝z(t)-m(t)，并判斷S(t)是否滿足IMF的條件，如果滿足，則令S_i(t)＝S(t)，轉(zhuǎn)入步驟7；若不滿足，則令z(t)＝S(t)，然后重復(fù)步驟3-6，直至滿足條件；

步驟7：從信號中分離出第i個IMF分量；

m_i(t)＝z(t)-S_i(t)

判斷m_i(t)是否為單調(diào)函數(shù)，如果是，則循環(huán)結(jié)束，得到n個滿足條件的IMF分量；如果不是，則令z(t)＝m_i(t)，轉(zhuǎn)到步驟3；

步驟8：將得到的各階固有模態(tài)分量IMF_i(i＝1,2,…,n)分成實部IMF1_i(i＝1,2,…,n)和虛部IMF2_i(i＝1,2,…,n)，計算出各個模態(tài)分量與其對應(yīng)的原始信號的互信息；

步驟9：對互信息做歸一化處理；

步驟10：篩選模態(tài)分量。選取閾值，將模態(tài)分量與原信號的互信息小于閾值的作為虛假分量進行剔除，并將模態(tài)分量與原信號的互信息大于閾值的分量進行重構(gòu)；

步驟11：將重構(gòu)得到的序列組成一組復(fù)序列，并對構(gòu)造的復(fù)序列進行Fourier變換；

步驟12：計算分析序列的全矢譜，通過全矢譜圖得到水輪發(fā)電機組的故障特征。

本發(fā)明的特點還在于：

步驟8具體為：將得到的各階固有模態(tài)分量IMF_i(i＝1,2,…,n)分成實部IMF1_i(i＝1,2,…,n)和虛部IMF2_i(i＝1,2,…,n)，計算分量IMF1_i和IMF2_i原始信號x(t)，y(t)的邊緣概率分布p(IMF1_i)、p(IMF2_i)、p(x)、p(y)，計算實部分量IMF1_i與原始信號x(t)的聯(lián)合概率分布分別為p(IMF1_i,x)，虛部分量IMF1_i與原始信號y(t)的聯(lián)合概率p(IMF2_i,y)，從而得到各個模態(tài)分量與其對應(yīng)的原始信號的互信息

本發(fā)明的有益效果是，本發(fā)明提出的水輪發(fā)電機組的故障特征提取方法，能全面、準確地從水輪發(fā)電機組實測的復(fù)雜振動信號中檢測出故障早期信號的特征頻率。且診斷結(jié)果的可靠性較高，方便運行維護人員及時對此故障進行處理，避免事故的發(fā)生，從而保證整個系統(tǒng)的安全經(jīng)濟高效運行。

附圖說明

圖1為本發(fā)明中實測水輪發(fā)電機組轉(zhuǎn)輪振動信號波形圖；

圖2為本發(fā)明實測振動信號X方向信號的頻譜圖；

圖3為本發(fā)明實測振動信號Y方向信號的頻譜圖；

圖4為本發(fā)明故障特征提取的方法流程圖；

圖5為本發(fā)明實測振動信號BEMD的分解結(jié)果；

圖6為本發(fā)明實測振動信號X方向BEMD的分解結(jié)果；

圖7為本發(fā)明實測振動信號Y方向BEMD的分解結(jié)果；

圖8為本發(fā)明通過互信息篩選得到的重構(gòu)信號的全矢譜。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步的詳細說明，但本發(fā)明并不限于這些實施方式。

下面以某水輪發(fā)電機組的故障特征提取為例。在該水輪發(fā)電機組燈泡體結(jié)構(gòu)(安裝在其他結(jié)構(gòu)也可)同時安裝水平和垂直兩個振動傳感器，兩個傳感器的采樣長度為1024個點，采樣頻率為229HZ，水輪機組的額定轉(zhuǎn)速為107.1r/min，最大水頭為25.7m，額定水頭16.1m，水輪機的功率為49MW。

首先利用水輪發(fā)電機組安裝的振動傳感器獲得水平和垂直的原始信號x(t)，y(t)，兩個方向上的原始信號如圖1所示。然后對兩個方向的原始信號進行傅里葉變換，得到圖2和圖3。圖2中，轉(zhuǎn)頻與100Hz頻率是機組本身所具有的特征頻率，除此之外，還具有能量較高的10倍頻和15倍頻的信號。圖3中轉(zhuǎn)頻與100HZ的頻率具有較高的能量，這與圖2反映的結(jié)果是一致的，并同時具有能量較高的15倍頻，這與圖2的結(jié)果也是一致的。與圖2不同的是，圖3中具有能量較高的低頻信號，并且不具有10倍頻信號?？梢妰蓚€方向提取的信號特征是不一致，而信號特征提取的結(jié)果往往會影響對機組故障狀態(tài)的判斷。

由上述結(jié)果可看出，不同通道特征提取的結(jié)果不一致。因此采用本發(fā)明故障診斷方法對水輪發(fā)電機組進行診斷，如圖4所示，在水輪發(fā)電機組正常運行過程中，通過以下步驟進行故障診斷。

步驟1：利用水輪發(fā)電機組安裝的振動傳感器獲得水平和垂直的原始信號x(t)，y(t)，從而得到一個復(fù)信號z(t)＝x(t)+iy(t)。

步驟2：確定投影方向其中1≤k≤M，M為設(shè)定的投影方向數(shù)，該值越大，效果越理想，本文中設(shè)定M＝32。

步驟3：將復(fù)信號z(t)投影到上，得到

步驟4：提取的局部最大值時所對應(yīng)的時刻然后對集合進行插值，得到在方向上的極大值包絡(luò)

步驟5：計算各個方向上極大值包絡(luò)線所對應(yīng)的質(zhì)心m(t)

步驟6：計算

S(t)＝z(t)-m(t) (3)

并判斷S(t)是否滿足IMF的條件，如果滿足，則令S_i(t)＝S(t)，轉(zhuǎn)入步驟7。若不滿足，則令z(t)＝S(t)，然后重復(fù)步驟3-6，直至滿足條件。這里判斷是否滿足IMF條件的方法是由Huang給出的類似于Cauchy收斂準則的標準，它定義了如下標準差：

通常將SD取值為0.2到0.3之間，即滿足0.2<SD<0.3時篩分過程就結(jié)束。此標準的物理意義為：既要使得S_i(t)足夠接近IMF的要求，又要控制篩分的次數(shù)從而使得所得到的IMF分量保留原始信號中幅值調(diào)制的信息。

步驟7：從信號中分離出第i個IMF分量；

m_i(t)＝z(t)-S_i(t) (5)

判斷m_i(t)是否為單調(diào)函數(shù)，如果是，則循環(huán)結(jié)束；如果不是，則令z(t)＝m_i(t)

轉(zhuǎn)到步驟3。

當循環(huán)結(jié)束時，得到了n個滿足條件的IMF分量，這時令r_n＝m_n(t)，稱為殘余分量。這樣可以得到分解結(jié)果為：

式中殘余分量r_n代表了信號的平均趨勢；而各IMF分量S₁(t),S₂(t),…,S_n(t)分別包含了信號從高到低不同頻率段的成分，每一個頻率段所包含的頻率成分都是不同的，且隨信號本身的變換而變化。

采用上述提到的從水輪機燈泡振動體采集到的信號進行分解，得到的結(jié)果如圖5所示，其中實線代表實部分量，虛部代表虛部分量。該方法能夠?qū)蓚€方向的信號同時進行經(jīng)驗?zāi)B(tài)分解，X方向和Y方向信號的相位信息和同步性能夠被很好的保留。并且在分解的過程中考慮到了X方向信號與Y方向信號之間的相互關(guān)系，因而分解結(jié)果能夠較好的保留信號特征，并且具有良好的同步性。為了便于觀察該方法的分解效果，將X和Y方向的分解結(jié)果分別放在不同的圖中，分解結(jié)果見圖6和圖7。但是考慮到經(jīng)驗?zāi)B(tài)分解的結(jié)果往往具有虛假分量，本發(fā)明通過計算各個分量與原信號之間的互信息，通過設(shè)定閾值，篩選出互信息較大的分量。并對篩選出的分量進行信號的重構(gòu)，得到一組新的復(fù)序列。

步驟8：將得到的各階固有模態(tài)分量IMF1_i(i＝1,2,…,n)分成實部IMF1_i(i＝1,2,…,n)和虛部IMF2_i(i＝1,2,…,n)。計算分量IMF1_i和IMF2_i原始信號x(t)，y(t)的邊緣概率分布p(IMF1_i)、p(IMF2_i)、p(x)、p(y)。計算實部分量IMF1_i與原始信號x(t)的聯(lián)合概率分布分別為p(IMF1_i,x)，虛部分量IMF1_i與原始信號y(t)的聯(lián)合概率p(IMF2_i,y)。從而得到各個模態(tài)分量與其對應(yīng)的原始信號的互信息

步驟9：對互信息做歸一化處理。

β＝MI_i/max(MI_i) (9)

步驟10：篩選模態(tài)分量。選取β的閾值為0.02，將模態(tài)分量與原信號的互信息小于閾值的作為虛假分量進行剔除。并將模態(tài)分量與原信號的互信息大于閾值的分量進行重構(gòu)。得到重構(gòu)信號和

式中IMF1′_i代表實部模態(tài)分量與原信號的互信息大于閾值的分量，IMF2′_i代表虛部模態(tài)分量與原信號的互信息大于閾值的分量。

步驟11：將重構(gòu)得到的序列和構(gòu)成一組復(fù)序列并對構(gòu)造的復(fù)序列進行Fourier變換，得到頻域復(fù)信號

從而得到

式中分別為序列X_ci的振幅和相位角；分別為序列Y_ci的振幅和相位角。i＝1,2,…,N/2-1，其中N代表采樣長度。

步驟12：計算分析序列的全矢譜。設(shè)R_ai為橢圓的長軸或最大強度，定義為主振矢，R_bi為橢圓的短軸或最大強度的垂直方向，定義為副振矢，a_i為主振矢于X軸的夾角，φ_i為該頻率下橢圓軌跡的初相位角。由式(13)得出

通過全矢譜圖可以較好的反映信號的特征信息。上述實例數(shù)據(jù)的全矢譜圖如圖8所示?？紤]到水輪機組信號的特點，保留全矢譜分析中的主振矢圖與相位變化圖。主振矢圖除了能夠反映信號本身的轉(zhuǎn)頻和100Hz頻率外，還將兩個方向提取不同的特征頻率反映出來，此外，原來在不同頻譜圖能量都不突出的5倍頻信號在此得到很好地反映。通過水輪機的故障機理可知，機組在實際運行中，機組以小負荷運行時，震動加劇、壓力脈動加大的情況下，在尾水管附近產(chǎn)生渦帶，渦帶現(xiàn)象會造成軸承磨損，便會產(chǎn)生少量的5倍頻信號，由于該信號本身比較微弱，且往往受到強背景噪聲的影響，信號特征很難被提取出來，而本發(fā)明能夠很好地將該信號特征反映出來。相位變化圖可以用來確定故障的初始相位。由此可見，該方法能夠有效地提取水輪機組信號的特征。該方法不僅在數(shù)值計算方面大大減少了計算量，同時在頻譜分析中更加清晰準確，從而使工程技術(shù)人員更易判斷出故障信息。

由此可見，相比于傳統(tǒng)的方法，本文提出的二維經(jīng)驗?zāi)B(tài)分解和全矢譜分析的特征提取方法，可以更為全面、準確地檢測到水輪發(fā)電機中的振動信號，且診斷結(jié)果更為真實可靠，能夠有效地提取水輪機組信號的特征，為電氣設(shè)備的故障特征提取提供了一種新的思路。