水電機(jī)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(shí)代。一方面，常規(guī)水電和抽水蓄能迎來新的發(fā)展機(jī)遇，裝機(jī)規(guī)模快速增長；另一方面，為消納風(fēng)電、太陽能、海洋能等新能源并網(wǎng)時(shí)給電網(wǎng)帶來的沖擊，水電能源將承擔(dān)更多的調(diào)峰、調(diào)頻任務(wù)，同時(shí)，為切實(shí)解決新能源背景下的棄風(fēng)、棄水、棄光等問題，對水電的運(yùn)行與管理提出了更高的要求。而水電機(jī)組作為水電能源轉(zhuǎn)換的關(guān)鍵設(shè)備，正朝復(fù)雜化、巨型化方向不斷發(fā)展，各部件間的耦合作用更加強(qiáng)烈，由此帶來機(jī)組

2、振動信號的非線性與非平穩(wěn)性不斷增強(qiáng)，尤其是故障與征兆間的映射關(guān)系更為復(fù)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(jī)組運(yùn)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(jī)組實(shí)際運(yùn)行數(shù)據(jù)基礎(chǔ)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(jìn)而提升機(jī)組的運(yùn)行穩(wěn)定性。為此，本文針對工程實(shí)際中水電機(jī)組振動信號分析與故障診斷的若干關(guān)鍵科學(xué)問題，以非平穩(wěn)振動信號處理為切入點(diǎn)，引入先進(jìn)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(shí)序模型參數(shù)盲辨識的故障特征提取方法，同時(shí)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(xué)習(xí)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(yīng)閾值決策規(guī)則的故障診斷新方法，進(jìn)一步為在故障發(fā)展早期及時(shí)捕捉到相關(guān)前兆，建立基于聚合集成經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）與支持向量回歸的預(yù)測模型，以實(shí)現(xiàn)對水電機(jī)組狀態(tài)趨勢的準(zhǔn)

4、確預(yù)測。論文主要研究工作與創(chuàng)新成果如下：
　?。?）強(qiáng)背景噪聲與復(fù)雜電磁干擾影響下，表征故障信息的水電機(jī)組振動特征頻帶易被全頻帶的背景噪聲湮沒，導(dǎo)致振動監(jiān)測信號難以準(zhǔn)確反映機(jī)組真實(shí)運(yùn)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(yīng)信號處理能力，提出了一種基于二次分解和相關(guān)分析的水電機(jī)組振動信號降噪方法。該方法包含前置濾波和相關(guān)去噪兩階段，首先對振動信號進(jìn)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(gòu)信號以濾除一定的背景噪聲。前置濾波后對重構(gòu)信號進(jìn)行變分模態(tài)分解，再結(jié)合定義的歸一化自相關(guān)函數(shù)能量集中度指標(biāo)選擇有效模態(tài)分量，并由此重構(gòu)信號以完成相關(guān)去噪。將所提方法用于帶噪聲振動仿真信號的降噪試驗(yàn)，并基于相關(guān)系數(shù)與信噪比對降噪效果進(jìn)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(shí)測水電機(jī)組振動信號的降噪分析，驗(yàn)證了所提方法的工程應(yīng)用效果。
　?。?）水電機(jī)組變工況頻繁且受多重激勵(lì)耦合作用，使其故障類別與征兆間的復(fù)

6、雜映射關(guān)系難以精確描述，制約了故障診斷精度的進(jìn)一步提升。為實(shí)現(xiàn)機(jī)組故障的準(zhǔn)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(shí)間序列模型在處理復(fù)雜動力系統(tǒng)參數(shù)盲辨識時(shí)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(bǔ)回歸模型在處理非線性、非平穩(wěn)信號時(shí)的不足，該方法先對原始信號進(jìn)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(gòu)成故障特征向量。該向量有效反映了動態(tài)

7、系統(tǒng)所蘊(yùn)含的數(shù)學(xué)模型在結(jié)構(gòu)和參數(shù)上的變化規(guī)律，可充分表征機(jī)組故障信息。在試驗(yàn)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(jī)進(jìn)行故障模式識別，試驗(yàn)結(jié)果驗(yàn)證了該方法的有效性，最后以白山2＃機(jī)空蝕信號的特征提取實(shí)例驗(yàn)證了其工程實(shí)用價(jià)值。
　?。?）針對水電機(jī)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(quán)支持向量數(shù)據(jù)描述與模糊自適應(yīng)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(xùn)練階段對支持向量數(shù)據(jù)描述的影響，所提模型在訓(xùn)練時(shí)引入樣本權(quán)重以體現(xiàn)不同樣本的重要程度，先采用K近鄰方法計(jì)算局部密度權(quán)重，并與樣本規(guī)模權(quán)重一起組成復(fù)合權(quán)重。同時(shí)，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(gòu)建基于相對距離模糊閾值和KNN的決策規(guī)則，進(jìn)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(jī)組故障診斷實(shí)例表明，所提模型具有較好的分類診斷效果。
　?。?）水電機(jī)組運(yùn)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(shí)捕捉相關(guān)征兆則是故障診斷的前提。為此，本文在水電機(jī)組狀態(tài)趨勢預(yù)測可行性分析的基礎(chǔ)上，提出了一種基于聚合EEMD與支持向量回歸的預(yù)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(jìn)行頻率與能量分析，然后構(gòu)建基于頻率與能量相似性的聚合策略以實(shí)現(xiàn)分量聚合，再對聚合后的各分量分別進(jìn)行相空間重構(gòu)并建立最優(yōu)支持向量回歸預(yù)測模型，最后由所有聚合分量的預(yù)測結(jié)果累加得到最終趨勢值。預(yù)測時(shí)通過所提策略對EEMD