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(jī)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(jī)組逐漸向著單機(jī)容量大、工況復(fù)雜的方向發(fā)展，其運(yùn)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(jī)的振動(dòng)信號(hào)往往表現(xiàn)為非線性、非平穩(wěn)性的特點(diǎn)。水輪機(jī)組的振動(dòng)信號(hào)能夠反映水輪發(fā)電機(jī)組的運(yùn)行狀態(tài)，因此分析和研究水輪機(jī)組的振動(dòng)信號(hào)意義重大。

但是由于水電機(jī)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(jī)組故障振動(dòng)信號(hào)內(nèi)蘊(yùn)含著相互混疊的故障特征信息，因此采用單一通道進(jìn)行信號(hào)分析和特征提取往往達(dá)不到滿意的效果，這是必須解決的問題。

在進(jìn)行水輪機(jī)的故障診斷過程中，一般采用時(shí)頻分析方法，如短時(shí)傅里葉變換、Wigner-Ville分布、小波變換和經(jīng)驗(yàn)?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(hào)，對(duì)處理這種非平穩(wěn)信號(hào)而言就顯得非常困難，不太適合處理水輪機(jī)組這種非線性信號(hào)。近幾年，小波分析的提出以后，便得到廣泛的認(rèn)同和應(yīng)用，但它也會(huì)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(duì)非線性信號(hào)的處理結(jié)果不是十分理想。經(jīng)驗(yàn)?zāi)B(tài)分解是一種新的時(shí)頻分析方法，由于它可以根據(jù)設(shè)定的尺度不同而進(jìn)行自適應(yīng)的分解，因而具有非常強(qiáng)的自適應(yīng)性，特別適合對(duì)水輪機(jī)組這種非平穩(wěn)信號(hào)進(jìn)行分析和特征提取。但是經(jīng)驗(yàn)?zāi)B(tài)分解只能處理一維信號(hào)，且存在端點(diǎn)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(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種水輪發(fā)電機(jī)組的故障特征提取方法，該方法基于二維經(jīng)驗(yàn)?zāi)B(tài)分解和全矢譜分析，綜合考慮經(jīng)驗(yàn)?zāi)B(tài)分解方法的優(yōu)缺點(diǎn)以及水輪發(fā)電機(jī)組的振動(dòng)信號(hào)情況，解決了傳統(tǒng)方法難以獲取全面、準(zhǔn)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(jī)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(jī)組安裝的振動(dòng)傳感器獲得水平和垂直的原始信號(hào)x(t)，y(t)，從而得到一個(gè)復(fù)信號(hào)z(t)＝x(t)+iy(t)；

步驟2：確定投影方向

步驟3：將復(fù)信號(hào)z(t)投影到上，得到

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

步驟5：計(jì)算各個(gè)方向上極大值包絡(luò)線所對(duì)應(yīng)的質(zhì)心m(t)；

步驟6：計(jì)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(hào)中分離出第i個(gè)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(gè)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(shí)部IMF1_i(i＝1,2,…,n)和虛部IMF2_i(i＝1,2,…,n)，計(jì)算出各個(gè)模態(tài)分量與其對(duì)應(yīng)的原始信號(hào)的互信息；

步驟9：對(duì)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(hào)的互信息小于閾值的作為虛假分量進(jìn)行剔除，并將模態(tài)分量與原信號(hào)的互信息大于閾值的分量進(jìn)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(duì)構(gòu)造的復(fù)序列進(jìn)行Fourier變換；

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

本發(fā)明的特點(diǎn)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(shí)部IMF1_i(i＝1,2,…,n)和虛部IMF2_i(i＝1,2,…,n)，計(jì)算分量IMF1_i和IMF2_i原始信號(hào)x(t)，y(t)的邊緣概率分布p(IMF1_i)、p(IMF2_i)、p(x)、p(y)，計(jì)算實(shí)部分量IMF1_i與原始信號(hào)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(hào)y(t)的聯(lián)合概率p(IMF2_i,y)，從而得到各個(gè)模態(tài)分量與其對(duì)應(yīng)的原始信號(hào)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(jī)組的故障特征提取方法，能全面、準(zhǔn)確地從水輪發(fā)電機(jī)組實(shí)測(cè)的復(fù)雜振動(dòng)信號(hào)中檢測(cè)出故障早期信號(hào)的特征頻率。且診斷結(jié)果的可靠性較高，方便運(yùn)行維護(hù)人員及時(shí)對(duì)此故障進(jìn)行處理，避免事故的發(fā)生，從而保證整個(gè)系統(tǒng)的安全經(jīng)濟(jì)高效運(yùn)行。

附圖說明

圖1為本發(fā)明中實(shí)測(cè)水輪發(fā)電機(jī)組轉(zhuǎn)輪振動(dòng)信號(hào)波形圖；

圖2為本發(fā)明實(shí)測(cè)振動(dòng)信號(hào)X方向信號(hào)的頻譜圖；

圖3為本發(fā)明實(shí)測(cè)振動(dòng)信號(hào)Y方向信號(hào)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(shí)測(cè)振動(dòng)信號(hào)BEMD的分解結(jié)果；

圖6為本發(fā)明實(shí)測(cè)振動(dòng)信號(hào)X方向BEMD的分解結(jié)果；

圖7為本發(fā)明實(shí)測(cè)振動(dòng)信號(hào)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(hào)的全矢譜。

具體實(shí)施方式

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

下面以某水輪發(fā)電機(jī)組的故障特征提取為例。在該水輪發(fā)電機(jī)組燈泡體結(jié)構(gòu)(安裝在其他結(jié)構(gòu)也可)同時(shí)安裝水平和垂直兩個(gè)振動(dòng)傳感器，兩個(gè)傳感器的采樣長度為1024個(gè)點(diǎn)，采樣頻率為229HZ，水輪機(jī)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(jī)的功率為49MW。

首先利用水輪發(fā)電機(jī)組安裝的振動(dòng)傳感器獲得水平和垂直的原始信號(hào)x(t)，y(t)，兩個(gè)方向上的原始信號(hào)如圖1所示。然后對(duì)兩個(gè)方向的原始信號(hào)進(jìn)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(jī)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(hào)。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(shí)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(hào)，并且不具有10倍頻信號(hào)?？梢妰蓚€(gè)方向提取的信號(hào)特征是不一致，而信號(hào)特征提取的結(jié)果往往會(huì)影響對(duì)機(jī)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(duì)水輪發(fā)電機(jī)組進(jìn)行診斷，如圖4所示，在水輪發(fā)電機(jī)組正常運(yùn)行過程中，通過以下步驟進(jìn)行故障診斷。

步驟1：利用水輪發(fā)電機(jī)組安裝的振動(dòng)傳感器獲得水平和垂直的原始信號(hào)x(t)，y(t)，從而得到一個(gè)復(fù)信號(hào)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(hào)z(t)投影到上，得到

步驟4：提取的局部最大值時(shí)所對(duì)應(yīng)的時(shí)刻然后對(duì)集合進(jìn)行插值，得到在方向上的極大值包絡(luò)

步驟5：計(jì)算各個(gè)方向上極大值包絡(luò)線所對(duì)應(yīng)的質(zhì)心m(t)

步驟6：計(jì)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(zhǔn)則的標(biāo)準(zhǔn)，它定義了如下標(biāo)準(zhǔn)差：

通常將SD取值為0.2到0.3之間，即滿足0.2<SD<0.3時(shí)篩分過程就結(jié)束。此標(biāo)準(zhǔn)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(hào)中幅值調(diào)制的信息。

步驟7：從信號(hào)中分離出第i個(gè)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(dāng)循環(huán)結(jié)束時(shí)，得到了n個(gè)滿足條件的IMF分量，這時(shí)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(hào)的平均趨勢(shì)；而各IMF分量S₁(t),S₂(t),…,S_n(t)分別包含了信號(hào)從高到低不同頻率段的成分，每一個(gè)頻率段所包含的頻率成分都是不同的，且隨信號(hào)本身的變換而變化。

采用上述提到的從水輪機(jī)燈泡振動(dòng)體采集到的信號(hào)進(jìn)行分解，得到的結(jié)果如圖5所示，其中實(shí)線代表實(shí)部分量，虛部代表虛部分量。該方法能夠?qū)蓚€(gè)方向的信號(hào)同時(shí)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，X方向和Y方向信號(hào)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(hào)與Y方向信號(hào)之間的相互關(guān)系，因而分解結(jié)果能夠較好的保留信號(hào)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(yàn)?zāi)B(tài)分解的結(jié)果往往具有虛假分量，本發(fā)明通過計(jì)算各個(gè)分量與原信號(hào)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(duì)篩選出的分量進(jìn)行信號(hào)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(shí)部IMF1_i(i＝1,2,…,n)和虛部IMF2_i(i＝1,2,…,n)。計(jì)算分量IMF1_i和IMF2_i原始信號(hào)x(t)，y(t)的邊緣概率分布p(IMF1_i)、p(IMF2_i)、p(x)、p(y)。計(jì)算實(shí)部分量IMF1_i與原始信號(hào)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(hào)y(t)的聯(lián)合概率p(IMF2_i,y)。從而得到各個(gè)模態(tài)分量與其對(duì)應(yīng)的原始信號(hào)的互信息

步驟9：對(duì)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(hào)的互信息小于閾值的作為虛假分量進(jìn)行剔除。并將模態(tài)分量與原信號(hào)的互信息大于閾值的分量進(jìn)行重構(gòu)。得到重構(gòu)信號(hào)和

式中IMF1′_i代表實(shí)部模態(tài)分量與原信號(hào)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(hào)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(duì)構(gòu)造的復(fù)序列進(jìn)行Fourier變換，得到頻域復(fù)信號(hào)

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(jì)算分析序列的全矢譜。設(shè)R_ai為橢圓的長軸或最大強(qiáng)度，定義為主振矢，R_bi為橢圓的短軸或最大強(qiáng)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(hào)的特征信息。上述實(shí)例數(shù)據(jù)的全矢譜圖如圖8所示?？紤]到水輪機(jī)組信號(hào)的特點(diǎn)，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(hào)本身的轉(zhuǎn)頻和100Hz頻率外，還將兩個(gè)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(hào)在此得到很好地反映。通過水輪機(jī)的故障機(jī)理可知，機(jī)組在實(shí)際運(yùn)行中，機(jī)組以小負(fù)荷運(yùn)行時(shí)，震動(dòng)加劇、壓力脈動(dòng)加大的情況下，在尾水管附近產(chǎn)生渦帶，渦帶現(xiàn)象會(huì)造成軸承磨損，便會(huì)產(chǎn)生少量的5倍頻信號(hào)，由于該信號(hào)本身比較微弱，且往往受到強(qiáng)背景噪聲的影響，信號(hào)特征很難被提取出來，而本發(fā)明能夠很好地將該信號(hào)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(jī)組信號(hào)的特征。該方法不僅在數(shù)值計(jì)算方面大大減少了計(jì)算量，同時(shí)在頻譜分析中更加清晰準(zhǔn)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(yàn)?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(zhǔn)確地檢測(cè)到水輪發(fā)電機(jī)中的振動(dòng)信號(hào)，且診斷結(jié)果更為真實(shí)可靠，能夠有效地提取水輪機(jī)組信號(hào)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。