水电机组振动信号特征提取

李明桥，王子瑞，刘 君，刘国峰，白 亮

(1.中国电建集团西北勘测设计研究院有限公司 ,西安 710065；2.西安理工大学,西安 710048)

文章编号：1006—2610(2015)02—0063—04

水电机组振动信号特征提取

李明桥1，王子瑞1，刘 君1，刘国峰1，白 亮2

(1.中国电建集团西北勘测设计研究院有限公司 ,西安 710065；2.西安理工大学,西安 710048)

水轮发电机组在线监测与故障诊断中，信号特征提取是故障诊断前的关键步骤，在信号处理和模式识别之间起着承上启下的作用，构造的特征向量能否真实反映机组运行特性，直接影响到故障诊断结果的准确性。在水轮发电机组振动信号前处理基础上，结合信号自身特点与信息熵理论，实现固有模态函数能量熵特征提取，对机组当前运行状态做出判断，结果表明该方法简单有效，切实可用。

模态分解；信息熵；模态函数；特征向量

Abstract:During online monitoring and failure diagnose of the turbine-generator unit, abstraction of the signal characteristics is one key step before failure is diagnosed. It connects to the signal handling and model identification. Whether the characteristic vector of structure can truly reflect the unit operation characteristics directly impacts the accuracy of the failure diagnosing results. Based on the pre-handling of the vibration of the Unit and in combination of the characteristics of the signal itself and information entropy theory, the energy entropy characteristics of the natural model function is abstracted. And the current operation statues of the Unit is judged. The practice shows that this method is simple, effective and practical.

0 前 言

振动是水轮发电机组运行中最为常见的故障之一，强烈的振动将直接危及到机组乃至电力系统的安全运行。开展机组振动故障诊断研究，对保障机组稳定运行具有重要意义。水电机组振动同时受水力、电磁、机械3方面因素影响，机组振动信号为典型的非线性、非平稳信号[1]。精确监测获得的机组振动信号，包含大量机组运行的状态信息，选用一定信号处理方法和模式识别方法，即可对机组当前工作状态和未来故障情况作出准确预测和判断。

水轮发电机组在线监测与故障诊断中，原始信号前处理后的信号特征提取是故障诊断的关键步骤，提取的信号特征在信号处理和故障诊断之间起着承上启下的作用，信号特征向量能否真实反映机组运行特性，直接影响到故障诊断结果的精度。水电机组振动信号是由多种成分调制共同作用的结果，表现形式千变万化，设备出现故障的特征信号隐于其中，根据信号自身特点选择适宜的信号特征提取方法十分重要。

信号分析过程中，时间尺度和随时间分布的能量是2个主要参数，系统故障振动信号和正常运行振动信号相比，相同频带内信号能量会有较大差别，信号各个频率成分的能量反映了当前系统运行状态，某种或几种频率成分能量的改变就可能代表一种故障类型。

1 传统信号特征指标

传统的用于故障诊断的信号特征参数有6种。

(1) 波形指标

(1)

(2) 峰值指标

(2)

(3) 脉冲指标

(3)

(4) 裕度指标

(4)

(5) 歪 度

(5)

(6) 峭度指标

(6)

上述参数中，峭度、裕度指标和脉冲指标对冲击脉冲类故障较为敏感，特别是故障早期，这几个参数会有明显增加，但到一定时间，随着故障的继续发展，参数变化会逐渐下降，故这3个参数对早期故障诊断有较高敏感性，稳定性差；歪度指标α反映概率密度函数P(x)对于纵坐标的不对称性，α值越大，则函数关于纵轴越不对称。传统信号特征参数在平稳信号的故障识别中取得了较好效果，但不适宜非线性、非平稳信号的故障诊断。

2 信息熵概念及其基本性质

信息论中，信源是指所研究的客观事物，通常以符号或信号的形式发出信息。若信源中某一事物(状态)出现的先验概率较小，那么它一旦发生，监测数据中包含的信息量就大。比如某台机器正常工作和机器故障2种运行状态，正常工作状态概率是P(x1)=0.95，机器故障状态概率为P(x2)=0.05，可以认为此台机器大多时间是正常工作的。然而一旦故障发生，就是一件受多种因素影响值得分析研究的事件。

综上所述，事件是否出现的不确定性和事件出现的概率密切相关。事件发生的概率越大，人们可以推测发生这件事情(或出现某种状态)的可能性就越大，不确定性就越小；反之，事件发生的概率越小，人们推测它是否发生的困难度就越大。特列对于发生概率为1的必然事件，就不存在不确定性，故某事件发生所含有的信息量，与该事件出现的先验概率有关。则有：

I(xi)=f[P(xi)]

(7)

式中:P(xi)是事件xi出现的先验概率;I(xi)为事件xi含有的信息量。依据客观事实以及人们的经验判断，函数f[P(xi)]须符合以下条件：

(1) I(xi)是先验概率P(xi)的递减函数，P(xi)越大，I(xi)越小；

(2) 当P(xi)=1时，I(xi)=0，必然事件包含信息量为0；

(3) 当P(xi)=0时，I(xi)=+∞，不可能发生的事件发生，信息量无穷大;

(4) 2个相互独立事件联合信息量等于两事件各自信息量总和。

分析可知：满足上述条件中的(1)、(2)、(3)时，信息量I(xi)应为先验概率P(xi)的倒数，满足条件(4)时，可采用对数来定义信息量。

因此，满足条件(4)，I(xi)函数的形式应该为对数形式，具体表达如下：

(8)

式(8)定量描述了事件xi发生时，此事件所含有的信息量，I(xi)代表了2种含义：① 当事件xi发生以前，表示事件xi发生的不确定性；② 当事件xi发生以后，表示事件xi所含有(或蕴藏)的信息量。物理系统内不同事件发生时，所包含的信息量不同，故自信息I(xi)是一个随机变量，不能用来作为整个系统信息的一种度量。

Shannon定义自信息的数学期望为信息熵，即信源的平均信息量：

(9)

信息熵的物理含义为：总体的平均不确定性的一种度量。表征了信源整体的统计特征，对某个特定信息，信息熵只有一个，由于统计特性的不同，不同信源信息熵也不同[2]。下面对信息熵的基本性质做以简单介绍，信息熵是信源概率空间：

(10)

(11)

(1) 对称性：概率空间中P(x1), P(x2),…顺序任意互换时，熵函数值不变。

(2) 确定性：如果信源的输出只有一个状态是必然的，或：P(x1)=1，P(x2)= P(x3)= …，…=0，则有信源熵为：

(12)

此性质说明，信源的输出虽然有很多种状态，但如果其中一种是必然事件，其它状态几乎不可能出现，那么，该信源即为确知信源，其熵等于0。

(3) 非负性：即H(X) ≥0，随机变量X取值概率分布为 0≤P(xi)≤1，当所取对数底数大于1时，logP(xi)≤0，而 -P(xi)logP(xi)≥0 ，则求得的信源熵是正值，只有随机变量为确知信源，信息熵才等于0。

(4) 可加性：独立信源X和Y的联合信源熵等于它们各自信源熵之和，设有2个信源X和Y，它们彼此是相互独立的。

X概率分布

[P(x1),P(x2), … ,P(xi), … ,P(xn)]

Y概率分布

[P(y1),P(y2), …,P(yi), … ,P(yn)]

(5)极值性：当信源各个状态等概率分布时，熵的值最大，等于信源输出符号(状态数)，因为：P(x1)=P(x2)= …,…=P(xn)=1/n时

(13)

即H[(P(x1),P(x2), …,P(xn))]

极值性表明：对于具有n个状态的离散信源，只有在n个信源符号等概率出现的情况下，信源熵达到最大。这说明，等概率分布信源的平均不确定性最大，称为最大离散熵定理。

3 固有模态函数能量熵特征提取

3.1 固有模态函数能量熵

首先采用经验模态分解(EMD)方法对水电机组振动信号x(t)进行前处理，分解后得到n个固有模态函数(IMF)分量[3-5]：c1(t), c2(t), … , cn(t)和一个残余分量rn。其中n个IMF分量的能量分别为E1，E2，…，En，由于EMD分解的正交性，忽略残余量rn，n个IMF分量的能量之和等于原始信号的总能量。每个IMF分量包含了不同的频率成分，所以E={E1,E2,…,En}形成了水电机组振动信号能量在频域内的一种自动划分，相应的固有模态函数熵定义为：

(14)

3.2 基于固有模态函数能量熵的模式识别

不同工作状态、不同故障类型，水电机组振动信号固有模态函数能量熵值有明显差异。随着故障的发生、发展和终止，各固有模态函数的能量会随之发生变化。以固有模态函数能量构造特征向量实现故障诊断的流程见图1。

图1 基于固有模态函数熵的故障诊断框图

(1) 获取原始信号

在水电机组主轴上安装2只互相垂直的振动传感器，来实时监测获取振动信号。

(2)EMD分解

通过EMD分解对数据进行平稳化和线性处理，该分解过程是自适应，能很好保留和反映信号本质信息，得到一些列IMF分量。

(3) 计算IMF分量能量值Ei

(15)

(4) 以求得的各IMF分量能量值为基本元素构造特征向量T

T=[E1,E2,…,En]

(16)

考虑到能量数值较大，不便于计算和后续分析，故对T进行向量归一化处理

令 ：

(17)

则有：

(18)

(5) 特征向量T′构造完成后，选择设计适当的分类器，将T′输入即可实现故障诊断，对系统当前运行状态做出判断和预估。

4 水电机组振动信号分析

某水电站是一座以发电为主兼顾防洪、航运、养殖等效益的大型综合水利枢纽工程，在当地电网中起调峰、调频作用，电厂基本参数和机组在线监测测点布置，见表1、2。

本文选用支持向量机(SVM)[6]模式识别分类器，信号特征向量T′作为SVM的输入，不同工作状态(故障类型)作为输出，分析过程如下：

表1 电厂基本参数表

表2 选用的水电厂3号机组信号测点表

开机工况下(暂态工况)，转速变化范围0～107.2r/s，有功功率变化范围-0.593～135.06MW,励磁电流-5.875～852.55A,励磁电压-1.121～789.1V，发电机出口开关(1个)关闭，数据采集间隔时间0.5s，监测历时88s。获量机组上导摆度X原始信号如图2。

图2 上导摆度X(um)原始信号图

图2可以看出，开机后第4秒，机组(上导摆度X)摆度突然增大至峰值(X值约为276um，大于稳定负荷允许值175um)，持续峰值约4.5s，陡然回落；第13秒以后，摆度值围绕80um上下浮动，直至趋于平缓。按照文中第3章节内容对原始信号进行处理构造特征向量，结果如表3所示。

表3 开机工况下上导摆度X信号特征矢量表

5 结 语

文中讲到水轮发电机组出现振动异常一般受机械、水力、电气3方面因素的影响。过渡过程中系统负荷和水轮机流量时刻发生变化，可促使蜗壳、转轮、压力水管和尾水管等发生相应振动，正常情况下，摆度值变化范围应在规范中的允许范围内。机组由静止状态向运行状态过渡对结构振动影响最为明显。分析开机工况上导摆度X信号可知该水电厂3号机组为不正常开机，剧烈振动发生在刚启动时，此时并无励磁电流投入，也没有带负荷，可排除电气方面因素；曾怀疑推力瓦干磨擦引起振动及声音异常，后机组检修发现推力瓦表面光洁，无明显磨蚀，未发生烧瓦，这一因素也被排除；机组主轴密封用的是机械式弹簧自动调整端面密封，密封镜板和密封支承体之间相互磨擦也可能引起振动，检查镜板与相邻密封支承体，没有磨擦痕迹，因此机组振动和主轴密封装置系统无关；后测量各导轴承与迷宫间隙值，发现间隙值过大有可能是导致该电厂3号机开机时剧烈振动并伴有异响这一问题的根本原因，软件输出结果与实测结果对比基本一致，说明上述方法有效可行。

[1] 彭文季, 罗兴锜.基于粗糙集和支持向量机的水电机组振动故障诊断[J].电工技术学报, 2006, 21(10): 17-122.

[2] 黄佳庆.信息论基础[M].北京: 电子工业出版社, 1986.

[3] 钟佑明.希尔伯特-黄变换局瞬信号分析理论的研究[D].重庆大学, 2002.

[4] Huang N E,Wu M L.Application of Hilbert-Huang transform to non-stationary financial time series analysis[J].Applied Stochastic Models in Business and Industry, 2003,19 (6): 245-268.

[5] Gloersen P,Huang N E.Comparison of interannual intrinsic mode in hemispheric sea ice covers and other geophysical Parameters[J].IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(5): 1062-1074.

[6] 杨宇.基于EMD和支持向量机的旋转机械故障诊断方法研究[D].长沙: 湖南大学,2005.

[7] 范春学.水轮发电机组故障机理研究及专家系统[D].武汉: 华中科技大学, 2003.

ion of Characteristics of Signals for Hydraulic Unit Vibration

LI Ming-qiao1, WANG Zi-rui1, LIU Jun1, LIU Guo-feng1, BAI Liang2

(1. POWERCHINA Xibei Engineering Co., Ltd., Xi'an 710065,China;2. Xi'an University of Technology, Xi'an 710048,China)

mode decomposition ; information entropy; model function; characteristic vector

2014-11-06

李明桥(1987- ),男,陕西省安康市人,助理工程师,主要从事水利机械设计工作.

TM312

A

10.3969/j.issn.1006-2610.2015.02.016