论文部分内容阅读
水电机组作为水力与电力能源转换的核心设备,确保它的运行稳定性十分关键,一旦水电机组的稳定运行环境遭到破坏,电能输送质量和电网频率都将被影响,造成不必要的经济损失甚至会威胁到人身安全。水电机组振动信号是反映机组故障的一个重要信息,基于对振动信号的处理和分析可以实时掌握机组的运行状况,对提高机组的稳定性运行有着重大意义。随着水电机组结构愈发复杂,内部结构间的机械、电磁等激励耦合作用变的更加强烈,同时伴随着水力激励的影响,使得振动信号的非平稳性和非线性不断增强,表征故障信息的振动特征频带被湮没在大量的背景噪声中。为识别机组真实的运行状态,准确提取信号中的特征量,必须对振动信号进行降噪处理。本文围绕提升水电机组振动信号降噪性能、优化降噪效果展开研究。首先,本文概述了现有的信号降噪技术,总结了水电机组振动信号特征及其常用的分析处理方法。其次,本文针对水电机组振动信号的非平稳性和非线性,介绍了两种基于模态分解的信号处理手段经验模态分解(Empirical Mode Decomposition,EMD)和变分模态分解(Variational Mode Decomposition,VMD)的基本原理和具体实现过程,应用了基于模态分解与自相关分析的振动信号降噪方法。EMD和VMD将目标信号分解成一系列频率成分不同的本征模态函数(Intrinsic Mode Function,IMF),通过自相关分析筛选表征信号特征的有效IMF分量进行信号重构,完成降噪。仿真降噪试验表明:EMD和VMD均适用于信号的降噪处理;VMD方法克服了EMD中存在的端点效应和模态混叠问题,一定程度上抑制了振动信号降噪后波形失真现象。再次,为保证降噪效果的可靠和稳定,引入了近似熵理论,根据其特性将其做为筛选有效IMF分量的重要指标,并制定了筛选有效IMF分量的基本准则。计算目标信号经过模态分解后所得一系列IMF分量的近似熵,通过与给定的近似熵阈值比较,筛选表征信号特征的有效IMF分量用于信号重构,完成降噪。仿真降噪试验表明:基于近似熵理论制定的有效模态分量筛分准则有效可行,可准确高效的甄别噪声信号分量和振动信号分量,适用于信号降噪分析;基于模态分解与近似熵的振动信号降噪方法取得了较好的降噪效果。最后,为更加准确的提取信号中的特征频段,优化降噪效果,结合EMD和VMD在信号处理方面各自的优点,提出了基于二次分解与近似熵的水电机组振动信号降噪方法。先对振动信号做EMD分解即一次分解,剔除IMF分量中明显的强高频分量,滤除大部分的背景噪声,累加保留的IMF分量,得到一次降噪后的信号,实现低频段信号增强;对一次降噪后的信号做VMD分解即二次分解,利用近似熵筛选有效IMF分量进行信号重构,得到最终降噪后的振动信号。仿真对比试验和工程实例分析表明:所提方法降噪效果较好,降噪性能优越,减少了确定VMD算法中分解尺度K值的试验次数,简化了K值的确定过程,提升了VMD对周期信号的特征提取能力,可为水电机组状态检修和健康管理提供一定依据。