论文部分内容阅读
摘要：随着我国能源结构调整的逐步推进，风电、光伏发电等非稳定性电源快速发展，水轮发电机组在电网中承担调峰、调频的任务越来越多，这就要求水轮发电机组在其整个工况范围内具有充分的可用性，这就对水轮发电机组故障诊断方面提出了更髙的要求。为了确保水轮发电机组安全稳定运行，本文以机组振动信号处理和运行工况分析为切入点，提取表征机组故障状态的信号时频分布特征和工况特征等多重特征向量，提高故障特征向量的准确度，进一步构建基于多重特征向呈相融合的水轮发电机组智能故障诊断体系，实现水轮发电机姐故障的准确诊断与预测。传统水轮发电机组故障诊断方法绝大多数是基于振动信号的时频特征进行故障分析，忽略水轮发电机组运行工况对振动信号时频特征的影响，降低了诊断的准确率。针对上述问题，本文引入基于工况的三维组态模型，分别对水轮发电机组各种工况过程中的振动变化和工况参数进行融合建模，引入神经网络方法，提取在各种工况下振摆数据的特征值、缓变量预测故障的发展趋势。
关键词：水电机组，三维组态模型，神经网络，故障诊断;
ABSTRACT： With the gradual progress of energy structure adjustment in China and the rapid development of unstable power sources such as wind power and photovoltaic power generation， more and more hydro generator units are undertaking the tasks of peak load regulation and frequency modulation in the power grid， which requires that the hydro generator units have full availability in the whole working range， which puts forward higher requirements for fault diagnosis of hydro generator units. In order to ensure the safe and stable operation of the hydroelectric generating unit， this paper takes the vibration signal processing and operation condition analysis of the unit as the starting point， extracts the multiple eigenvectors such as the time-frequency distribution characteristics and operation condition characteristics， improves the accuracy of the fault eigenvectors， and further constructs the intelligent fault diagnosis system of the hydroelectric generating unit based on the fusion of multiple eigenvectors To realize the accurate diagnosis and prediction of hydro generator faults.Most of the traditional fault diagnosis methods are based on the time-frequency characteristics of the vibration signal， ignoring the influence of the operation conditions of the turbine generator on the time-frequency characteristics of the vibration signal， which reduces the accuracy of the diagnosis. In view of the above problems， this paper introduces the three-dimensional configuration model based on the working conditions， respectively， to integrate the vibration changes and working conditions parameters in the process of various working conditions of the hydraulic turbine generator unit， and introduces the neural network method to extract the eigenvalues of the data of shimmy under various working conditions， and to predict the development trend of the fault with slow variables..
KEY WORDS：Hydropower unit， three-dimensional configuration model， neural network， fault diagnosis;
0 緒论
水电机组状态监测是开展状态检修的基础，其通过对机组的实时运行情况进行跟踪，保证其运行在健康状态，主要包括稳定性监测、压力脉动监测、空化监测与局放监测等，其中较为常见的是振动信号分析为主的稳定性监测。机组运行时由于受强背景噪声与复杂电磁干扰的影响，导致监测到的振动信号特征频带易被背景噪声煙没，难以反映出机组真实的运行状态。通过先进的信号处理方法对监测信号进行降噪分析，有助于准确获取信号的时、频特征，进而及时发现机组运行异常。 故障诊断作为电站智能化建设的重要组成部分，即在监测系统全面采集机组运行数据的基础上，综合运用信号处理与神经网络技术，分析机组运行健康状态并诊断出可能存在的故障，最后给出决策建议，为状态检修提供指导和依据，进而避免发生重大运行事故。水电机组故障诊断在流程上包括三维模型的建立，特征值提取和缓变量预测三步。其中特征值提取是提升故障准确率的关键，因而如何从监测信号中提取能充分表征机组运行状态的特征信息一直是备受关注的热点问题。由于水电机组变工况与启、停频繁，且在运行时受多重激励因素耦合作用，导致监测到的振动信号具有明显的非平稳性、非线性与非高斯性等特点。针对此类信号，探索能深刻反映水电机组这一复杂大型动力系统所蕴含变化规律的特征提取新方法，具有重要的理论与实际意义。此外由于水电机组设备的特殊性，诊断时常面临样本分布不均匀与数量倾斜的情况。因此急需针对此类问题发展新的诊断方法，提升故障预测的准确度。实现对水电机组状态趋势的准确预测，不仅有助于及时发现机组早期运行异常，更有助于科学合理地制定状态检修计划，进而提升电站综合经济效益。
1 水电机组振动故障机理分析
由于设计、制造方面的原因，及安装与运行方面的因巧，导致水电机组在实际运行中无法避免地存在振动现象，同时振动故障也是水电机组最常见的故障类型。因此为提升故障诊断水平，促进机组安全稳定，有必要深入了解机组振动故障机理，掌握不同振源激励下的故障表现。从振源激励因素的角度，机组振动故障的激励源主要包括水力、机械和电磁等。
2.1水力激励振动
水力激励是指引起水电机组振动的主要因素为水力因素。机组在理想状态下运行时，过流部件处流态平稳，水力激励影响较小。然而在实际运行中，水流在流经导叶时，常难以遵循最佳的流向，导致流场分布不均匀，由此产生的扰动力激励作用在机组上，就会使机组产生机械应力及振动，甚至引发功率摆动。当激励频率与机组的某部件或整机的固有振动频率相近时，会引发共振，严重危害机组安全。水力激励振动的主要特点为其随工况变化而变化。按照引发原因的不同来分，水力激励主要包括：尾水管祸带、卡门涡列与水力不平衡等。
2.2机械激励振动
机械激励振动是指由机组的自身机械原因产生的激励力，导致机组不稳定运行。水电机组作为大型旋转机械，部件众多，结构复杂，只有保证各机械部件的可靠性才能保证机组整体运行稳定。在设计、铸造、安装、检修过程中，如果没有对各部件按相关标准严格执行操作，将在运行时产生机械干扰力并导致机组振动。机械激励振动的主要特点为其振动频率多为转频或转频的倍数，主要激励源包括：机组轴线不正或对中不良、转子质量不平衡、动静碰摩等。
2.3电磁激励振动
由电磁方面原因而引发的振动即为电磁激励振动。在水能到电能的转换过程中，机组除受水力与机械激励，还受电磁激励作用。电磁激励振动的主要特点为其振动强度随电流大小而变化，主要包括：负序电流、定子铁芯冲片松动、磁拉力不平衡等。
水轮发电机组故障成因众多，多振动源激励因素耦合关系复杂，从故障特征的角度对水轮发电机组故障原因进行分析，水轮发电机组故障成因分为：振动信号的频谱特征、轴心轨迹形状特征和工况过程的曲线特征，本节主要分析振动信号的频谱特征对下机架支撑松动故障的研究。
2 故障诊断研究思路
如上所述，分析振动信号的频谱特征是研究下机架支撑松动故障主要方向。下机架支撑松动出现故障会引起下机架松动、断裂等重大事故故障，而主要造成故障的原因是下机架各部螺栓松动，下导油槽基础螺栓松动等。为了更准确的预测以及确定下机架支撑松动故障，需要分析在不同工况下下机架振动频谱的特征值。运用已有的算法计算需要的特征量，具体就算过程如下：
（1）中间量算法，使用振动波形算法模板（以下机架X、Y方向的波形，使用傅里叶变换），计算出下机架水平振动（峰峰值）、下机架水平振动倍频（1倍频）。
（2）三维模型算法，将第一步计算出来的下机架水平振动峰峰值、下机架水平振动倍频值作为三维的Z 轴，用水头和导叶开度作为X、Y轴，进入三维模型算法中进行收敛计算。
（3）指标算法，将三维模型中收敛出来的摆度影响量进行圈点，选择额定水头附近、开度50%以上的特征、缓变信号进行提取，作为特征值、缓变量输出。
（4）阈值算法，对从三维模型中提取出来的特征值、缓变量进行预警配置。
（5）故障诊断算法，使用故障诊断算法模板，将提取的下机架水平振动特征值、缓变量以及下机架水平振动倍频特征值、缓变量进入故障那个诊断算法中计算。。
3 基于健康样本的故障诊断的计算
水轮发电机组故障与机组运行工况密切相关，机组振动幅值与转速、开度和励磁电流等工况参数间的关联曲线是反映机组健康状态一种有效表现形式。因此，对水轮发电机组工况过程进行监测，不仅可以为水轮发电机组稳定性分析提供可靠地信号资源，而且可以为机组故障原因分析提供一种有效的判断依据。反而，如果忽略运行工况对机组监测量的影响，仅仅孤立的采用水轮发电机组振动信号分析技术进行机组健康样本的提取，可能会导致分析结果不准确。为此，我们在以前特征值提取方式下，详细分析不同工况下监测量的曲线特征值;通过融合水轮发电机组工况与监测量信号，提取了特征量與工况的关联规则;采用监测量与水头、导叶开度、负荷等工况参数作为健康样本特征值的提取，有效提升了特征量的代表性。
（1）使用中间算法，计算出下机架水平振动、下机架水平振动倍频值。下面以某电厂1号机下机架水平振动、下机架水平振动倍频值。下图3-1为某电厂1号机组2019年3月1日到2019年3月8日期间的下机架水平振动、下机架水平振动倍频值，从图中可以看出，由于机组结构复杂、工况转换频繁，使得其下机架水平振动、下机架水平振动倍频值参数时间序列非常复杂，难以从图中准确地分析其实际运行状态。 如图3-2所示，机组在该时段的水头、导叶开度、下机架水平振动、倍频之间的关系。从图中可以看出，在该时间段内该机组水头在[42，52]区间波动;下机架水平振动、倍频值波动较大时导叶开度集中在[0，48]，下机架水平振动、倍频值稳态是导叶开度集中在[50，68]。机组在发电工况下、导叶开度、工作水头对机组运行参数有重要影响，由于机组工作水头及运行工况的不断转换，使得下机架水平振动、倍频值变化及其复杂，不能从振动数据中直接获取机组的真实状态。
（2）特征值的提取，为实时获取水电机组的真实运行状态，需要对其建立导叶开度-水头-下机架水平振动、倍频状态三维模型，获取健康状态下的样本，下图3-3、图3-4是下机架水平振动、下机架水平振动倍频三维模型。
建立好三维模型后，采用机组振动值稳定的状态下无故障的数据，建立机组健康状态下振动频域特征和时域特征，提取具有代表性的、健康的特征量样本。下图3-5、图3-6是1号机组2019年2月25日到2019年3月8日期间的下机架水平振动、下机架水平振动倍频值原始样本和健康样本的趋势比较图，从中可以看出，健康样本趋势剔除了暂态、剔除噪声干扰等其他状态下的数据，只保留健康样本的数据，可以有效的分析机组在实际运行工况下机组的健康状况。
（3）故障诊断算法，健康样本建立后，引入人工智能的数据算法模型，例如神经网络、线性回归机器学习等，具体计算过程如下图3-7所示：
4 结束语
现有的故障诊断理念是基于故障征兆，利用状态监测得到的参数与故障知识中的故障征兆进行分类、比对等手段，识别设备故障，判断设备故障发生部位、故障性质和程度及产生原因等，进一步预测设备故障的发展趋势。由于水电机组的特殊性，其“故障”表现可能多种多样，现阶段根本无法健全故障样本，基于水电机组故障特征和故障样本的诊断方法，很难在短期内取得实用成果。本文从研究机组正常运行状态的特征参数入手，以概率论与数理统计理论为基础，提出了建立特征量健康样本的理论方法，并结合实例对机组运行状态进行健康评估和性能退化预测。
（1）以电站实际监测量为例，分析讨论了机组运行条件对监测参数特征量的影响。如果在建立健康样本时，不考虑机组运行条件的话，会导致样本分散，标准偏差较大，使得建立的健康样本界限过宽，不利于机组运行状态的健康评估。本文提出以控制机组在稳定工况下，按运行条件分别建立特征量健康样本的理论方法，可建立比较理想的健康样本。
（2）根据水电机组监测量特征指标的时间序列特性，建立了基于时间序列变化分解的水电机组特征量趋势预测模型，提出了基于时间序列分解模型的趋势预测和性能退化预测的算法。采用电站实际监测数据对分解模型和算法进行了验证，结果表明，预测趋势与实际监测趋势具有很好的吻合性，可满足水电机组监测特征量的定量趋势预测和性能退化预测，对早期预警机组潜在异常，具有很好的实用性和应用前景。
参 考 文 献
[1] 刘娟，潘罗平 ，桂中华，等.国内水电机组状态监测和故障诊断技术现状[ J ]大电机技术，2010：45-49。
[2] 安学利，潘罗平，桂中华，周叶抽水蓄能电站机组异常状态检测模型研宄水电能源科學，2013，31（1）：157-160。
[3] 高梁，张礼达 . 基于专家系统的水轮机组故障诊断研究 [J]. 水 力发电，2006，32（12）：49-51.
[4] 刘晓亭，冯辅周水电机组运行设备监测诊断技术及应用北京，中国水利水电出版社，2010.12：10-15.
关键词：水电机组，三维组态模型，神经网络，故障诊断;
ABSTRACT： With the gradual progress of energy structure adjustment in China and the rapid development of unstable power sources such as wind power and photovoltaic power generation， more and more hydro generator units are undertaking the tasks of peak load regulation and frequency modulation in the power grid， which requires that the hydro generator units have full availability in the whole working range， which puts forward higher requirements for fault diagnosis of hydro generator units. In order to ensure the safe and stable operation of the hydroelectric generating unit， this paper takes the vibration signal processing and operation condition analysis of the unit as the starting point， extracts the multiple eigenvectors such as the time-frequency distribution characteristics and operation condition characteristics， improves the accuracy of the fault eigenvectors， and further constructs the intelligent fault diagnosis system of the hydroelectric generating unit based on the fusion of multiple eigenvectors To realize the accurate diagnosis and prediction of hydro generator faults.Most of the traditional fault diagnosis methods are based on the time-frequency characteristics of the vibration signal， ignoring the influence of the operation conditions of the turbine generator on the time-frequency characteristics of the vibration signal， which reduces the accuracy of the diagnosis. In view of the above problems， this paper introduces the three-dimensional configuration model based on the working conditions， respectively， to integrate the vibration changes and working conditions parameters in the process of various working conditions of the hydraulic turbine generator unit， and introduces the neural network method to extract the eigenvalues of the data of shimmy under various working conditions， and to predict the development trend of the fault with slow variables..
KEY WORDS：Hydropower unit， three-dimensional configuration model， neural network， fault diagnosis;
0 緒论
水电机组状态监测是开展状态检修的基础，其通过对机组的实时运行情况进行跟踪，保证其运行在健康状态，主要包括稳定性监测、压力脉动监测、空化监测与局放监测等，其中较为常见的是振动信号分析为主的稳定性监测。机组运行时由于受强背景噪声与复杂电磁干扰的影响，导致监测到的振动信号特征频带易被背景噪声煙没，难以反映出机组真实的运行状态。通过先进的信号处理方法对监测信号进行降噪分析，有助于准确获取信号的时、频特征，进而及时发现机组运行异常。 故障诊断作为电站智能化建设的重要组成部分，即在监测系统全面采集机组运行数据的基础上，综合运用信号处理与神经网络技术，分析机组运行健康状态并诊断出可能存在的故障，最后给出决策建议，为状态检修提供指导和依据，进而避免发生重大运行事故。水电机组故障诊断在流程上包括三维模型的建立，特征值提取和缓变量预测三步。其中特征值提取是提升故障准确率的关键，因而如何从监测信号中提取能充分表征机组运行状态的特征信息一直是备受关注的热点问题。由于水电机组变工况与启、停频繁，且在运行时受多重激励因素耦合作用，导致监测到的振动信号具有明显的非平稳性、非线性与非高斯性等特点。针对此类信号，探索能深刻反映水电机组这一复杂大型动力系统所蕴含变化规律的特征提取新方法，具有重要的理论与实际意义。此外由于水电机组设备的特殊性，诊断时常面临样本分布不均匀与数量倾斜的情况。因此急需针对此类问题发展新的诊断方法，提升故障预测的准确度。实现对水电机组状态趋势的准确预测，不仅有助于及时发现机组早期运行异常，更有助于科学合理地制定状态检修计划，进而提升电站综合经济效益。
1 水电机组振动故障机理分析
由于设计、制造方面的原因，及安装与运行方面的因巧，导致水电机组在实际运行中无法避免地存在振动现象，同时振动故障也是水电机组最常见的故障类型。因此为提升故障诊断水平，促进机组安全稳定，有必要深入了解机组振动故障机理，掌握不同振源激励下的故障表现。从振源激励因素的角度，机组振动故障的激励源主要包括水力、机械和电磁等。
2.1水力激励振动
水力激励是指引起水电机组振动的主要因素为水力因素。机组在理想状态下运行时，过流部件处流态平稳，水力激励影响较小。然而在实际运行中，水流在流经导叶时，常难以遵循最佳的流向，导致流场分布不均匀，由此产生的扰动力激励作用在机组上，就会使机组产生机械应力及振动，甚至引发功率摆动。当激励频率与机组的某部件或整机的固有振动频率相近时，会引发共振，严重危害机组安全。水力激励振动的主要特点为其随工况变化而变化。按照引发原因的不同来分，水力激励主要包括：尾水管祸带、卡门涡列与水力不平衡等。
2.2机械激励振动
机械激励振动是指由机组的自身机械原因产生的激励力，导致机组不稳定运行。水电机组作为大型旋转机械，部件众多，结构复杂，只有保证各机械部件的可靠性才能保证机组整体运行稳定。在设计、铸造、安装、检修过程中，如果没有对各部件按相关标准严格执行操作，将在运行时产生机械干扰力并导致机组振动。机械激励振动的主要特点为其振动频率多为转频或转频的倍数，主要激励源包括：机组轴线不正或对中不良、转子质量不平衡、动静碰摩等。
2.3电磁激励振动
由电磁方面原因而引发的振动即为电磁激励振动。在水能到电能的转换过程中，机组除受水力与机械激励，还受电磁激励作用。电磁激励振动的主要特点为其振动强度随电流大小而变化，主要包括：负序电流、定子铁芯冲片松动、磁拉力不平衡等。
水轮发电机组故障成因众多，多振动源激励因素耦合关系复杂，从故障特征的角度对水轮发电机组故障原因进行分析，水轮发电机组故障成因分为：振动信号的频谱特征、轴心轨迹形状特征和工况过程的曲线特征，本节主要分析振动信号的频谱特征对下机架支撑松动故障的研究。
2 故障诊断研究思路
如上所述，分析振动信号的频谱特征是研究下机架支撑松动故障主要方向。下机架支撑松动出现故障会引起下机架松动、断裂等重大事故故障，而主要造成故障的原因是下机架各部螺栓松动，下导油槽基础螺栓松动等。为了更准确的预测以及确定下机架支撑松动故障，需要分析在不同工况下下机架振动频谱的特征值。运用已有的算法计算需要的特征量，具体就算过程如下：
（1）中间量算法，使用振动波形算法模板（以下机架X、Y方向的波形，使用傅里叶变换），计算出下机架水平振动（峰峰值）、下机架水平振动倍频（1倍频）。
（2）三维模型算法，将第一步计算出来的下机架水平振动峰峰值、下机架水平振动倍频值作为三维的Z 轴，用水头和导叶开度作为X、Y轴，进入三维模型算法中进行收敛计算。
（3）指标算法，将三维模型中收敛出来的摆度影响量进行圈点，选择额定水头附近、开度50%以上的特征、缓变信号进行提取，作为特征值、缓变量输出。
（4）阈值算法，对从三维模型中提取出来的特征值、缓变量进行预警配置。
（5）故障诊断算法，使用故障诊断算法模板，将提取的下机架水平振动特征值、缓变量以及下机架水平振动倍频特征值、缓变量进入故障那个诊断算法中计算。。
3 基于健康样本的故障诊断的计算
水轮发电机组故障与机组运行工况密切相关，机组振动幅值与转速、开度和励磁电流等工况参数间的关联曲线是反映机组健康状态一种有效表现形式。因此，对水轮发电机组工况过程进行监测，不仅可以为水轮发电机组稳定性分析提供可靠地信号资源，而且可以为机组故障原因分析提供一种有效的判断依据。反而，如果忽略运行工况对机组监测量的影响，仅仅孤立的采用水轮发电机组振动信号分析技术进行机组健康样本的提取，可能会导致分析结果不准确。为此，我们在以前特征值提取方式下，详细分析不同工况下监测量的曲线特征值;通过融合水轮发电机组工况与监测量信号，提取了特征量與工况的关联规则;采用监测量与水头、导叶开度、负荷等工况参数作为健康样本特征值的提取，有效提升了特征量的代表性。
（1）使用中间算法，计算出下机架水平振动、下机架水平振动倍频值。下面以某电厂1号机下机架水平振动、下机架水平振动倍频值。下图3-1为某电厂1号机组2019年3月1日到2019年3月8日期间的下机架水平振动、下机架水平振动倍频值，从图中可以看出，由于机组结构复杂、工况转换频繁，使得其下机架水平振动、下机架水平振动倍频值参数时间序列非常复杂，难以从图中准确地分析其实际运行状态。 如图3-2所示，机组在该时段的水头、导叶开度、下机架水平振动、倍频之间的关系。从图中可以看出，在该时间段内该机组水头在[42，52]区间波动;下机架水平振动、倍频值波动较大时导叶开度集中在[0，48]，下机架水平振动、倍频值稳态是导叶开度集中在[50，68]。机组在发电工况下、导叶开度、工作水头对机组运行参数有重要影响，由于机组工作水头及运行工况的不断转换，使得下机架水平振动、倍频值变化及其复杂，不能从振动数据中直接获取机组的真实状态。
（2）特征值的提取，为实时获取水电机组的真实运行状态，需要对其建立导叶开度-水头-下机架水平振动、倍频状态三维模型，获取健康状态下的样本，下图3-3、图3-4是下机架水平振动、下机架水平振动倍频三维模型。
建立好三维模型后，采用机组振动值稳定的状态下无故障的数据，建立机组健康状态下振动频域特征和时域特征，提取具有代表性的、健康的特征量样本。下图3-5、图3-6是1号机组2019年2月25日到2019年3月8日期间的下机架水平振动、下机架水平振动倍频值原始样本和健康样本的趋势比较图，从中可以看出，健康样本趋势剔除了暂态、剔除噪声干扰等其他状态下的数据，只保留健康样本的数据，可以有效的分析机组在实际运行工况下机组的健康状况。
（3）故障诊断算法，健康样本建立后，引入人工智能的数据算法模型，例如神经网络、线性回归机器学习等，具体计算过程如下图3-7所示：
4 结束语
现有的故障诊断理念是基于故障征兆，利用状态监测得到的参数与故障知识中的故障征兆进行分类、比对等手段，识别设备故障，判断设备故障发生部位、故障性质和程度及产生原因等，进一步预测设备故障的发展趋势。由于水电机组的特殊性，其“故障”表现可能多种多样，现阶段根本无法健全故障样本，基于水电机组故障特征和故障样本的诊断方法，很难在短期内取得实用成果。本文从研究机组正常运行状态的特征参数入手，以概率论与数理统计理论为基础，提出了建立特征量健康样本的理论方法，并结合实例对机组运行状态进行健康评估和性能退化预测。
（1）以电站实际监测量为例，分析讨论了机组运行条件对监测参数特征量的影响。如果在建立健康样本时，不考虑机组运行条件的话，会导致样本分散，标准偏差较大，使得建立的健康样本界限过宽，不利于机组运行状态的健康评估。本文提出以控制机组在稳定工况下，按运行条件分别建立特征量健康样本的理论方法，可建立比较理想的健康样本。
（2）根据水电机组监测量特征指标的时间序列特性，建立了基于时间序列变化分解的水电机组特征量趋势预测模型，提出了基于时间序列分解模型的趋势预测和性能退化预测的算法。采用电站实际监测数据对分解模型和算法进行了验证，结果表明，预测趋势与实际监测趋势具有很好的吻合性，可满足水电机组监测特征量的定量趋势预测和性能退化预测，对早期预警机组潜在异常，具有很好的实用性和应用前景。
参 考 文 献
[1] 刘娟，潘罗平 ，桂中华，等.国内水电机组状态监测和故障诊断技术现状[ J ]大电机技术，2010：45-49。
[2] 安学利，潘罗平，桂中华，周叶抽水蓄能电站机组异常状态检测模型研宄水电能源科學，2013，31（1）：157-160。
[3] 高梁，张礼达 . 基于专家系统的水轮机组故障诊断研究 [J]. 水 力发电，2006，32（12）：49-51.
[4] 刘晓亭，冯辅周水电机组运行设备监测诊断技术及应用北京，中国水利水电出版社，2010.12：10-15.