水電機組振動信號分析與智能故障診斷方法研究.pdf

1、隨著我國能源戰(zhàn)略的不斷調(diào)整，現(xiàn)代能源體系正邁入安全、清潔、高效的低碳時代。一方面，常規(guī)水電和抽水蓄能迎來新的發(fā)展機遇，裝機規(guī)模快速增長；另一方面，為消納風電、太陽能、海洋能等新能源并網(wǎng)時給電網(wǎng)帶來的沖擊，水電能源將承擔更多的調(diào)峰、調(diào)頻任務，同時，為切實解決新能源背景下的棄風、棄水、棄光等問題，對水電的運行與管理提出了更高的要求。而水電機組作為水電能源轉(zhuǎn)換的關鍵設備，正朝復雜化、巨型化方向不斷發(fā)展，各部件間的耦合作用更加強烈，由此帶來機組

2、振動信號的非線性與非平穩(wěn)性不斷增強，尤其是故障與征兆間的映射關系更為復雜。對此，傳統(tǒng)的狀態(tài)監(jiān)測與故障診斷方法已難以很好地滿足新形勢下的水電機組運行分析需求，迫切需要研究新的理論與方法，譬如在監(jiān)測系統(tǒng)采集到的機組實際運行數(shù)據(jù)基礎上，探索新的信號分析與故障診斷方法，以提高狀態(tài)監(jiān)測與故障診斷的分析精度，進而提升機組的運行穩(wěn)定性。為此，本文針對工程實際中水電機組振動信號分析與故障診斷的若干關鍵科學問題，以非平穩(wěn)振動信號處理為切入點，引入先進的信

3、號處理方法，以提取湮沒在背景噪聲中的故障特征頻率成分，并為提升不同故障征兆的可辨識性，研究基于時序模型參數(shù)盲辨識的故障特征提取方法，同時為解決不均勻、不平衡樣本分布下傳統(tǒng)診斷方法易出現(xiàn)過學習的問題，借鑒支持向量數(shù)據(jù)描述的分類能力與K近鄰方法的鄰域刻畫優(yōu)勢，提出基于模糊自適應閾值決策規(guī)則的故障診斷新方法，進一步為在故障發(fā)展早期及時捕捉到相關前兆，建立基于聚合集成經(jīng)驗模態(tài)分解（EEMD）與支持向量回歸的預測模型，以實現(xiàn)對水電機組狀態(tài)趨勢的準

4、確預測。論文主要研究工作與創(chuàng)新成果如下：
　　（1）強背景噪聲與復雜電磁干擾影響下，表征故障信息的水電機組振動特征頻帶易被全頻帶的背景噪聲湮沒，導致振動監(jiān)測信號難以準確反映機組真實運行狀態(tài)。為此，研究工作結(jié)合奇異值分解的高頻噪聲抑制與變分模態(tài)分解的自適應信號處理能力，提出了一種基于二次分解和相關分析的水電機組振動信號降噪方法。該方法包含前置濾波和相關去噪兩階段，首先對振動信號進行奇異值分解，并基于均值濾波策略選擇有效奇異值，從而重

5、構信號以濾除一定的背景噪聲。前置濾波后對重構信號進行變分模態(tài)分解，再結(jié)合定義的歸一化自相關函數(shù)能量集中度指標選擇有效模態(tài)分量，并由此重構信號以完成相關去噪。將所提方法用于帶噪聲振動仿真信號的降噪試驗，并基于相關系數(shù)與信噪比對降噪效果進行量化分析，結(jié)果表明該方法能有效濾除信號中的噪聲成分。最后通過實測水電機組振動信號的降噪分析，驗證了所提方法的工程應用效果。
　?。?）水電機組變工況頻繁且受多重激勵耦合作用，使其故障類別與征兆間的復

6、雜映射關系難以精確描述，制約了故障診斷精度的進一步提升。為實現(xiàn)機組故障的準確表征，本研究融合變分模態(tài)分解的非平穩(wěn)信號處理能力與時間序列模型在處理復雜動力系統(tǒng)參數(shù)盲辨識時的優(yōu)勢，提出了一種基于模態(tài)分量多元自回歸模型參數(shù)盲辨識的非平穩(wěn)故障特征提取方法。為彌補回歸模型在處理非線性、非平穩(wěn)信號時的不足，該方法先對原始信號進行變分模態(tài)分解，繼而由分解得到的所有模態(tài)分量建立多元自回歸模型，并將辨識得到的模型參數(shù)構成故障特征向量。該向量有效反映了動態(tài)

7、系統(tǒng)所蘊含的數(shù)學模型在結(jié)構和參數(shù)上的變化規(guī)律，可充分表征機組故障信息。在試驗研究中，用所提方法提取振動故障信號特征，并結(jié)合支持向量機進行故障模式識別，試驗結(jié)果驗證了該方法的有效性，最后以白山2＃機空蝕信號的特征提取實例驗證了其工程實用價值。
　?。?）針對水電機組故障診斷面臨的樣本分布不均勻與數(shù)量傾斜問題，本文將支持向量數(shù)據(jù)描述與K近鄰理論相結(jié)合，提出了基于加權支持向量數(shù)據(jù)描述與模糊自適應閾值決策的故障模式識別方法。為減小樣本分布

8、情況在訓練階段對支持向量數(shù)據(jù)描述的影響，所提模型在訓練時引入樣本權重以體現(xiàn)不同樣本的重要程度，先采用K近鄰方法計算局部密度權重，并與樣本規(guī)模權重一起組成復合權重。同時，針對不均勻樣本下或多類超球模糊識別區(qū)分類精度低的情況，構建基于相對距離模糊閾值和KNN的決策規(guī)則，進一步提升支持向量數(shù)據(jù)描述的分類能力。數(shù)值仿真和機組故障診斷實例表明，所提模型具有較好的分類診斷效果。
　?。?）水電機組運行狀態(tài)變化過程中，伴隨著由量變到質(zhì)變的故障演

9、化，而在故障發(fā)展早期及時捕捉相關征兆則是故障診斷的前提。為此，本文在水電機組狀態(tài)趨勢預測可行性分析的基礎上，提出了一種基于聚合EEMD與支持向量回歸的預測方法。該方法先采用EEMD分解狀態(tài)變量序列，并對分解得到的各模態(tài)分量進行頻率與能量分析，然后構建基于頻率與能量相似性的聚合策略以實現(xiàn)分量聚合，再對聚合后的各分量分別進行相空間重構并建立最優(yōu)支持向量回歸預測模型，最后由所有聚合分量的預測結(jié)果累加得到最終趨勢值。預測時通過所提策略對EEMD