基于EMD的水輪機故障識別

李俊嶺

(中國南方電網調峰調頻發電公司天生橋水力發電總廠，貴州 興義 562400)

基于EMD的水輪機故障識別

李俊嶺

(中國南方電網調峰調頻發電公司天生橋水力發電總廠，貴州 興義 562400)

利用EMD方法可依據信號本身固有特性進行分解的特征，對水力發電機組振動測試信號進行分析，并與傅里葉變換等方法進行比較。研究表明：基于EMD方法可以得到機組振動信號的IMF分量，能量占據主導地位的IMF分量與機組運行狀態密切相關，該IMF分量直接由故障源誘發，因而采用EMD方法能夠準確地捕捉到機組振動信號中所蘊含的真實物理意義，準確識別機組運行狀態。

水輪機；經驗模態分解；故障識別；HHT

0 引 言

水電機組故障類型，往往與其振動信號密切相連，通過對振動信號進行分析可以有效的識別水輪機故障類型，但是由于實測振動信號往往具有非線性、非平穩特征，信號的頻率呈現時變特點，而傳統的水輪機振動識別方法，比如傅里葉變換及其改進型、小波分析及小波包分析等方法[1]，或者無法同時進行頻域和時域分析，或者時頻分析效果不佳，難以正確的提取水輪機振動信號特征向量，直接影響到水輪機故障模式識別的準確度。為此，文中基于經驗模態分解(EMD)方法，對水輪機實測振動信號進行分析，探索有效解決水輪機振動特征提取乃至故障模式識別的方法，這對于提高水電機組經濟、安全運行有著重要的使用價值和學術價值。

1 EMD方法基本原理

1998年，美國人NordenE.Huang認為信號中蘊含著一系列固有特性，可以通過經驗模式分解(EMD)將信號分解成一系列固有模式函數(IMF)的組合，然后在對每一個IMF分量求取其瞬時頻率和瞬時幅值，最終獲得信號的Hilbert頻譜，進而可以完成對信號特征的提取和識別。由于EMD分解完全取決于根據信號本身數據特征，是一種自適應的分解過程，完全不需要考慮信號的先驗知識，在具有較高頻域分辨率的同時，也保證了時域分辨率，克服了傅里葉變換等方法的不足，該方法一經提出就引起廣大科技工作者的關注，被廣泛地應用于科學界和工程界相關領域內[2-3]。

EMD方法是通過數據的向量特征與時間維度來獲得相對成型的函數，再通過得到函數去處理數據。用這個方法分析先是需找依次交替出現的極大、極小值點及零點值，并記錄其相應的時間間隔(即特征尺度)。由于局部極值及零點值總是呈現交替的特性，提取一組波動之后，信號剩余部分仍呈現波動狀態，按照信號特征尺度逐步提取這些波動數組，就達到了EMD分解的目的。信號EMD分解的過程如下：

(1)

令h=s(t)-m

(2)

如果h符合IMF條件，則h可以作為一個IMF，記為C1。但是，由于難以準確構建信號理論上的上、下包絡線函數，而在采用插值方法近似時，任何細小的拐點都可能使得信號提取過程中轉換成新的極值點，而這些人為產生的極值點仍然具有與前一次提取過程相同的特征尺度，這就造成初次提取獲得的h不滿足IMF條件。這種情況下，應對h再次提取，通過反復的提取，最終使得h滿足IMF條件[4-5]。對于這種反復提取的現象，Huang提出了仿柯西收斂準則，即定義兩次提取出的h1(k-1)(t)和h1k(t)的標準差SD為：

(3)

式中：T為信號的時間序列長度，當SD的值小于某一設定值ε時，篩選即停止。

令

R1=s(t)-C1

(4)

2 基于EMD的水輪機振動信號模態分解

某水電機組額定出力10MW，額定轉速=5rad/s，設計水頭51.2m，針對該實測信號，采用EMD方法進行分解，結果如圖1所示。圖1表明，實測信號做EMD分解一共可以分為10層IMF，其各層的振動頻率有明顯差異，其中，第3層和第4層IMF分量的頻率基本集中在主頻附近，歸一化能量為0.76，占據主要地位，可視此IMF分量為實測信號的特征值，代表了實測信號的內在物理意義，參考水輪機經典故障集，可分析此時水輪機處于轉子不平衡故障中。

圖1 實測信號EMD分解結果

若將第3層和第4層IMF分量組合獲取無干擾振動信號，并對其進行HHT變換提取信號特征，其結果如圖2(a)所示，若直接對原始測試信號進行HHT變換提取信號特征， 其結果如圖2(b)所示。圖2表明，EMD分解后信號的振動頻率集中在轉頻附近，而且隨著時間的推移，轉頻附近的振動強度并沒有較大的變換；但是在原始信號的時頻分析中，主要振源雖然不僅出現轉頻附近，在二倍頻和1/2倍頻等附近也出現了，同時信號振動強度隨著時間的推移有明顯的變化，因此在時頻圖中存在著頻率分散現象。顯然，由于實測信號在測量過程中受到大量干擾因素影響，即便是采用相對較好的HHT信號處理方法也難以有效的提取振動特征，這將直接影響到水輪機故障識別的可靠性。

圖2 EMD分解信號與原始信號對比圖

在此基礎上,對該水電機組不同運行時期振動實測信號取100組進行EMD故障識別，以歸一化值高于0.1的IMF分層作為有效信號進行信號重構，進而開展HHT信號特征提取，其結果見表1，信號有效識別率達到100%，信號識別成功率遠高于其他方法。

表1 不同方法水輪機故障識別成功率比較

3 結束語

文中利用EMD方法可依據信號本身固有特性進行分解的特征，對機組振動測試信號進行分析，得到機組振動信號的IMF分量，進而分析出其相應的物理意義，即在機組低速運轉的振動信號中，高頻IMF分量往往對應與噪聲干擾，低頻IMF分量則對應于機組運行中存在的趨勢項，其他頻率則與機組運行機理相對應。采用EMD方法能夠準確的捕捉到機組振動信號中所蘊含的真實物理意義，準確識別機組運行狀態，這不僅為機組振動信號分析提供了新方法，也為下一步進行振動信號故障診斷奠定了基礎。

[1] 韓 捷,張瑞林．旋轉機械故障機理及故障診斷技術[M]．北京：機械工業出版社，1997．

[2] 孫 暉. 經驗模態分解理論與應用研究LD].杭州，浙江大學，2005．

[3] 皇甫堪,陳建文,樓生強．現代數字信號處理[M]．北京：電子工業出版社，2003．

[4] 黃永平．Hllbert～Huang變換及其若干改進研究[D].哈爾濱，哈爾濱工程大學，2007．

[5] 蓋 強,張海勇,徐曉剛．Hilbert～Huang變換的自適應頻率多分辨分析研究[J]．電子學報，2005，33(3)：563-566．

The Research on Faults Recognitions of Turbine Based on EMD

LI Jun-ling

(Tianshengqiao Hydropower Plant of China Southern Power Grid Frequency and Amplitude Modulation Power Company，Xingyi 562400, Guizhou Province, China)

According to the intrinsic mode of testing signals, the vibration characteristics of signals is analyzed based on EMD, and the results is compared with that of other methods. And the research show that the IMF of signals is result of multi-band EMD filtering, and the dominate IMF is closely related to the running state of hydraulic unit, so using EMD method can capture the physical meaning of vibration signals to identify the running type of unit.

Turbine; Empirical Mode Decomposition; Faults recognitions; HHT

2015-03-10

2015-03-21

李俊嶺(1985-)，男，吉林四平人，本科，主要水電廠水輪發電機組運行維護工作。

10.3969/j.issn.1009-3230.2015.04.002

TV741

B

1009-3230(2015)04-0005-03