近年来,我国水电机组的单机容量、装机容量都保持着高速增长,水电发展规模日益增大。大约80%的水电机组故障都反映于振动信号中,异常的振动轻则对设备正常运行产生影响,重则可能造成设备的破坏,直接影响水电机组的安全稳定运行,甚至可能引发厂房事故,造成严重的经济损失。
因此有必要研究水轮发电机组的振动特性、运行状态和故障防护,使机组在发生故障时能够迅速而准确地做出诊断,以减少停机维修时间,同时也促进水电站向无人值守的自动化方向发展,获得巨大的经济效益和社会效益。
水电机组的故障诊断通常基于振动信号进行分析。首先,采集水轮发电机组一个或多个测点的振动信号,然后处理信号,并提取能够表征信号的特征量,评估水电机组的运行状态,最后对异常的运行工况进行故障诊断,判断故障发生的部位、原因和严重程度。具体流程图如图1所示。
图1 水轮机组振动故障诊断流程图
水电机组设备庞大、机理复杂,水力振动、电磁振动及机械振动是其运行过程中产生振动的主要因素,下面展开具体说明。
水轮机中水流与设备之间相互作用产生的动水压力导致了水力振动。影响水力振动的主要因素有:尾水管压力脉动、水力不平衡、卡门涡列、水封间隙不均匀、空腔气蚀、水流不均匀等。其频率特性主要表现为:涡带频率和类转频频率。
电动机设备内部的电磁力导致了电磁振动,主要因素包括:不平衡的三相电流,定、转子间气隙不均,定子铁心松动等。一般来说,电磁振动的频率特性表现为:极频及其整数倍频。
水轮机组机械部件的摩擦力、惯性力和其他力导致了机械振动。影响机械振动的主要因素包括:轴线不对中或对中不良,导轴承缺陷,旋转部件质量不平衡等。在机械振动中,其频率特性主要表现为:转频及其整数倍频。
由此可知,水力、机械、电磁三种因素互相影响、共同作用于机组,使得机组的振动信号包含信息众多,故障发生时往往难以确定故障原因。因此,对于故障的前兆与类别之间的不确定信息乃至二者复杂的映射关系,还需要进行深入地研究与实践。
对于非线性非平稳的水电机组振动信号的处理,主要通过提取信号的有效特征量,使故障征兆从嘈杂的噪声中突显出来,作为故障诊断的输入。到目前为止,时域、频域、时频域、轴心轨迹分析法等是水电机组提取故障特征量的重要方法。
2.1 基于时域分析的特征提取方法
时域分析方法,是通过获取振动信号波形中各种时域参数和指标并进行分析,从而提取时域特征量的方法。迄今为止,在时域中应用较为广泛的参数及其指标主要包括峰值、方差、均值、峭度、脉冲值、相角、裕度因子等。
文献[7]提出了一种典型谱相关峭度图算法,用相关峭度指标代替峭度指标,既反映了信号中的瞬态信息,同时满足相关系数,有利于快速定位故障信号所在的频率区间,提高算法的鲁棒性。
时域分析计算简单,且能直观反映特征信息,随着机组故障的出现,大多时域特征参量会发生改变。但对于不同故障类型及严重程度,时域分析统计参量则难以做出具体判断,也无法有效反映信号的频率变化。
2.2 基于频域分析的特征提取方法
由于水电机组振动信号在频域内具有明显的分布特征,因此频域分析方法在故障特征量提取中应用较为广泛。频域分析方法以傅里叶变换(fast Fourier transform, FFT)为基础,通过对振动信号进行谱分析,提取频率特征作为故障特征量。常用的频域分析方法主要包括:功率谱、幅值谱、包络谱、倒频谱、全息谱分析等。
文献[8]分解并重构了水轮机转动部分同一切面上两个互相垂直的传感器采集的数据,得到二维全息谱图。信号的相位信息和幅频信息都包含在谱图中,能够直接看出最大幅值、旋转方向、轨迹的形状等。根据二维谱图中的形状,可以从已有的案例中,初步得出造成机组振动的主要原因。
在上述影响振动因素的相互作用下,水电机组振动信号通常展现出非平稳、非线性的特性。由于傅里叶变换是建立在信号全局上的变换,无法对非平稳、非线性信号进行局部分析,同时纯频域分析方法在时域上不具备分辨能力。因此以傅里叶变换为基础的频域分析方法存在一定的局限性。
2.3 基于时频分析的特征提取方法
为了更好地体现非平稳、非线性振动信号的局部特性,获得相对于频率和时间的信号变化规律,引入基于时频分析的特征提取方法。目前常见的时频分析方法有小波变换(wavelet transform, WT)、希尔伯特黄变换(Hilbert-Huang transform, HHT)、Cohen类分布等。
1)WT
WT是用一组宽度不断变化的基函数对信号进行分析的时频分析方法,通过多分辨率分析将振动信号变换到不同频段和时段进行局部分析,从而得到信号异常部分的细节特征。文献[9]中,通过对振动信号使用小波变换,选择合适的小波分解尺度和类型,获得了能够反映振动特征的系数图。同时结合灰度矩,将其数值作为判断振动信号强度的定量指标。
文献[10]利用小波包分析,根据故障发生时各频带能量发生的变化,建立振动故障与能量的映射关系,通过频带的能量谱图,实现了故障信号特征量的提取。文献[11]用图像拟合了连续小波变换的模极大值与尺度的对数关系,用Lispschitz指数的大小表征机组故障程度,在实际故障诊断分析中效果显著。
WT同时兼顾了时间分辨率和频率分辨率,使其结果在两个域内都具有良好的局部特性,但实际应用中需要解决小波基的选择问题,不具有自适应性。
2)HHT
HHT在振动信号分析中应用非常广泛,其分析过程主要包括两部分:经验模态分解(empirical mode decomposition, EMD)和希尔伯特变换(Hilbert transform)。HHT可以自适应地将信号分解为若干出自信号本身的本征模式函数且获得相对应信号的Hilbert谱以反映原信号的时频属性。
文献[12]将HHT运用于水电机组空化信号特征的提取,得到不同空化状态所对应的频带特征,快速准确地反映了机组的空化程度。文献[13-14]利用EMD、变分模态分解(variational mode decomposition, VMD)方法于水轮机压力波动信号分析中,准确描述了压力波动信号中的低频分量,成功提取了尾水管的涡带特征。文献[15]采用EMD分解振动信号波形,获得信号的不同特征尺度序列,并求取不同故障下的EMD近似系数作为主要趋势曲线,以描述每一类故障信号的能量特性。
HHT具有自适应性、正交性和完备性的特点,且避开了基函数的特定选取,克服了时域分析方法和小波变换的不足。于此同时,HHT也存在着诸如模态混叠、端点效应等问题,仍需进行深入研究。
2.4 其他方法
1)轴心轨迹分析
轴心轨迹分析常应用于水电机组特别是轴承运行状态的监测。轴心轨迹不仅可以显示转子轴径相对滑动轴承的位移,还可以监测转子径向受力的变化、轴承的对中程度,从而判断轴的状态。
文献[16]在不同负荷情况下,确定了混流式水电机组的大轴摆度和尾水管涡带部位轴心轨迹的变化趋势,为水轮机故障诊断提供了理论基础;文献[17]研究了水轮机组不同运行工况下的轴心轨迹分析,并结合支持向量机对几种典型故障状态进行识别。
2)分形理论
分形理论是由分形几何学衍生的一种数学方法,可以将难以定量的复杂系统分析解构成简单的局部表征,为能够全面掌握复杂和不规则的振动信号的特性,可采用分形维数作为评价指标。文献[18]对去噪后的电动机轴承信号进行维数分解,并在轴承不同运行情况下,计算出这一信号的关联维数值,从全局上定性、定量地描述轴承故障前后的情况变化,并通过实例证明了这一理论在实际运用中的有效性。
基于振动信号的故障诊断方法有很多,目前应用于水电机组的大致可分为两类:一类是基于检测数据处理的传统方法,包括故障树分析法、贝叶斯理论等;另一类是基于专家经验和知识处理的智能诊断,包括模糊理论、粗糙集、神经网络、支持向量机等方法。
3.1 传统故障诊断方法
1)贝叶斯理论
贝叶斯理论是一种统计模型决策方法,通过概率推理对部分未知状态进行估计,利用贝叶斯公式更新概率信息,从而实现对不完整、不确定信息的诊断决策[19]。文献[20]采用Noisy Or模型与贝叶斯网络结合的方法对水轮发电机组进行故障诊断,在保证诊断效果的前提下,提高了诊断速度和效率。
2)故障树分析
故障树分析作为一种直观、明了的逻辑关系分析方法,其诊断过程从故障状态切入,对系统故障模式及其部件进行逐级的分析推理,直到得出故障发生的原因。文献[21]利用故障树图进行诊断系统的建模和可靠性分析,从上至下地挖掘与故障相关的可能因素,结合专家系统判断,清晰可靠地表达了潜在的故障因素。
贝叶斯网络和故障树分析二者都是在给出随机变量因果的条件下进行诊断,其模型的建立都需要本领域专家和工程师的参与,在实际应用时具有局限性。
3.2 基于人工智能的故障诊断方法
1)模糊数学
模糊数学一个是描述人脑思维处理模糊信息的方法,在处理不确定性、不精确性问题上具有很好的适应性。文献[22]建立了状态论域与征兆论域的模糊关系矩阵,并对故障状态下的关系矩阵进行模糊推理,判别滚动轴承故障情况。文献[23]对故障程度对应的振动强度进行了分级描述,针对不同水电机组建立了多个模糊矩阵模式,成功诊断了某水电站的水轮机故障,验证了模糊诊断的有效性。
模糊数学在水轮机组故障诊断中有良好的效果,但该方法需要经验知识的参与,比如对故障程度的描述、核心隶属度函数的确定等。
2)粗糙集理论
粗糙集理论是一种处理不精确、不确定与不完全数据的分析理论,通过对数据进行分析和推理,挖掘数据的潜在信息。文献[24]提取了水电机组振动的重叠故障模式,先用粗糙集定义每种故障类别的上下近似,再与重叠故障模式进行比较,最后结合支持向量机计算故障模式属于某一种故障类别的可能性。
文献[25]采用粗糙集建立规则提取数据决策表,并引入聚类算法和粒子群算法改进粗糙集属性约简方法,对故障信息进行约简,提取能表征故障类别的信息,作为神经网络的输入。该方法降低了数据维度并提高了诊断精度。
尽管粗糙集理论在处理不精确、不完备信息方面效果显著且具有较好的鲁棒性,但仍存在一些理论上的问题,例如与非标准分析、和非参数化统计等之间的关系等。
3)神经网络
神经网络是模拟生物神经系统建立的一种自学习方法,通过对大量已知样本故障数据进行网络层间学习,建立故障征兆和故障类别之间的映射关系,并将待诊断样本输送至已训练好的网络进行故障判定。
文献[26]利用多小波在正交性、对称性等方面的良好特性,选择其尺度函数,作为神经网络的核函数,对三种故障的特征集进行训练。通过对比简单神经网络,验证了该方法对训练初始参数有较低的敏感度,同时具有较好的收敛性和收敛速度,能更准确、及时地判别故障。
文献[27]结合集合经验模态(EEMD)和奇异谱分解对振动波形去噪并得到奇异谱熵,将其作为特征量输入SOM(self-organzing map)神经网络进行训练和诊断,提高了识别精度和计算速度。
由于神经网络的训练依靠大量已知样本,且故障诊断的效果与样本数据的准确性和完备性密切相关。因此如何获得大批量故障样本数据,是目前基于神经网络的故障诊断急需解决的问题。
4)支持向量机
支持向量机作为一种监督学习方法,具有较强的分类能力,在解决小样本、高维非线性决策问题方面有很大优势。文献[28]采用支持向量数据描述方法以便提取不平衡故障样本域的边界支持向量样本,并构建了基于模糊阈值和K近邻决策规则的故障诊断模型,解决了样本稀缺且分布不均匀的问题。
文献[29]对振动信号进行VMD分解,计算故障时各模态分量的能量作为特征,再结合遗传算法对支持向量机加以优化,在样本量不丰富的情况下,对故障特征进行识别与诊断,成功识别出水电机组低频涡带故障、水力脉动故障以及水力不平衡三种故障。
支持向量机虽然应用广泛,但也存在核参数单一、样本参数的选择、只支持二分类等缺点,对故障诊断的准确性有一定影响。
从国内外水轮发电机组故障诊断的研究及应用情况来看,现有的方法能够较好地实现特征提取和故障类型识别。但从上文的介绍可以了解到,目前故障诊断方法还存有自身的局限性。对于水电机组,未来其故障诊断方法可能存在以下几个发展趋势:
1)强噪声背景下的故障特征提取。水电机组在实际工作中存在着大量噪声干扰,在故障早期阶段,有效的振动特征微弱。目前对微弱故障特征的提取工作已有一些成果,但仍需要深入研究和不断充实。
2)故障诊断方法的融合。由上文可知,目前每一种单独的诊断方法都存在各自的优缺点。对于水电机组而言,新型的故障诊断系统需要融合不同方法,利用每种方法的自身优势、克服缺陷,建立集成专家系统,以确保故障诊断的智能性、准确性。
3)随着故障诊断技术的不断发展,基于人工智能、物联网技术等新型的诊断方法逐渐代替传统诊断方法成为首选,但是这些诊断算法通常在诊断过程中依赖于大量数据和训练样本。因此,建立实时在线的故障诊断系统,充分利用在线系统中丰富的样本量,使算法可以摆脱对历史数据的依赖,减少训练时间,真正实现在线故障诊断,也是水电机组故障诊断未来的发展趋势之一。
本文从水电机组的振动特性出发,介绍了常见的故障特征提取方法,总结了当下的水电机组振动故障诊断方法,包括传统故障诊断方法和基于人工智能的故障诊断方法,并着重分析了各类方法的适用性、优越性和各自的局限性。最后对水电机组今后的故障诊断趋势进行了展望,未来这一技术的发展还有待进一步研究。