基于RBF神經網絡算法的水電站發電機組振動故障監測方法

季 軍

(四川槽漁灘水電股份有限公司，四川 洪雅 620360)

發電機組作為水電站能源轉換的重要核心設備，對水電站的高效運行具有直接影響。發電機組在水電站運行中，主要起到了能源轉換的作用，能夠根據水電站的運行情況與需求，將其他形式的能源轉換為符合條件的電能，輸出到用電設備上供其使用[1]。通常情況下，發電機組是由能夠提供動能的發電機設備、能夠產生電流的發電機設備以及控制系統共同組成[2]。由于水電站自然條件存在一定的差異，發電機組的轉速變化與容量變化范圍也不同[3]。發電機組運行過程中，受到水電站自然條件、水力、電磁、機械等多項耦合因素的影響，設備存在不同程度的異常振動、疲勞劣化、故障等安全風險隱患。一旦安全風險隱患得不到較好地控制，容易對發電機組設備結構造成破壞，嚴重情況下，影響水電站運行的安全性，引發安全事故[4]。基于此，需要采用合理的水電站發電機組振動故障監測方法，實時監測診斷發電機組的運行狀況與狀態變化，第一時間找出潛在的安全風險隱患，為制定故障解決方案提供有力的數據支持。

現階段，在眾多學者的研究下，已經逐漸形成了一套完善的水電站發電機組振動故障監測方法，可以實時監測發電機組的運行變化。然而，傳統的監測方法仍然存在一定的缺陷，其監測范圍有限，無法做到全面覆蓋監測，且監測結果精度較低，不能獲取準確率較高的設備健康狀態信息。RBF神經網絡算法能夠改善上述問題，該算法可以近似任何非線性函數，數據故障分類性能較好，收斂速度較高[5]。基于此，本文引入RBF神經網絡算法，提出了一種新的水電機組振動故障監測方法。

1 水電站發電機組振動故障監測方法設計

1.1 提取發電機組振動信號特征

利用YFM100型號的數據采集儀，其測量精度≤±5%FS，可以測量11種不同的發電機組輸入信號，包括通過發電機組熱電偶、RTD和熱阻器測量的溫度；發電機組DC/AC電壓或電流、機組設備2線或4線電阻、機組運行頻率和周期等，采集精度與使用性能均較高。將數據采集儀布設在水電站發電機組運行的周邊位置，實時采集水電站發電機組的振動信號，并記錄。對振動信號作出全方位的分析，提取其中存在的發電機組振動信號特征，為后續的故障監測診斷提供基礎保障。

基于小波變換的方法原理，通過其變尺度的時、頻分析，對發電機組振動信號結構作出全面的分析。按照高頻信號與低頻信號的分解方式，將振動信號分解，使信號具有豐富的層次結構，精細化處理分解的振動信號頻帶，自適應選擇與信號頻率適配度最高的頻帶，全面提取振動信號特征[6]。假設將水電站發電機組某一振動信號S進行Q層小波分解，分解后振動信號最低頻為0，最高頻為1，其分解后的發電機組振動信號可以表示為：

SQ，q(q=0，1，2，…，2Q-1)

(1)

式中，S—某一振動信號。

基于小波包分解的水電站發電機組振動信號頻率，見表1。

表1 水電站發電機組振動信號小波包分解頻率

由表1，看到小波包分解后的水電站發電機組振動信號及其對應的頻帶范圍。每個信號節點的小波系數均代表一個頻段的振動信號特征，進而根據自帶能量系數，構建特征向量，獲取小波分解后提取到的發電機組振動信號特征與高低頻段能量[7]。

1.2 振動故障信號降噪處理

完成上述發電機組振動信號特征提取后，接下來，采用降噪算法，對水流與水輪發電機組接觸產生的振動信號中的多余噪聲進行降噪處理，為提高振動故障監測診斷精度、降低誤報率提供強有力的支持。在振動故障信號降噪中，應當盡可能地保留發電機組原始振動信號的特征信息，豐富振動信號局部特征，減小信號中噪聲成分含量[8]。首先，明確水電站發電機組振動信號的組成，表達式為：

fi=si+εi

(2)

式中，fi—上述采集得到的水電站發電機組振動信號；si—水電站發電機組噪聲信號；εi—水電站發電機組真實振動信號。

通過計算，得出發電機組振動信號的組成結構。接下來，選定小波函數，對含有噪聲的振動信號進行分解，通過閾值函數，對振動信號進行閾值化操作，最大化程度地濾除噪聲[9]。基于逆變換處理方式，重構得出降噪后的振動故障信號。

1.3 基于RBF神經網絡算法監測發電機組振動故障

水電站發電機組振動故障信號降噪處理完畢后，利用RBF神經網絡算法，通過神經網絡的迭代運行，計算神經網絡輸出結果，實現全方位實時監測發電機組振動故障情況的目標。首先，設計RBF神經網絡結構，對水電站發電機組振動故障監測的非線性函數進行近似處理。本文設計的RBF神經網絡結構，如圖1所示。

圖1 RBF神經網絡結構

如圖1可知RBF神經網絡主要包括3層結構，分別為輸入層、隱藏層與輸出層。通過RBF神經網絡算法，將輸入層到隱藏層轉換為非線性關系，將隱藏層到輸出層轉換為線性關系[10]。圖中，x1、x2、xk均表示RBF神經網絡迭代運行的輸入向量；y1、y2、yp均表示RBF神經網絡的振動故障類型輸出。在此基礎上，構建RBF神經網絡激活函數表達式：

(3)

式中，xp—RBF神經網絡中第p個輸入的振動故障數據；ci—神經網絡中第i個中心點；σ—神經網絡中的損失函數。

通過激活函數表達式，得出RBF神經網絡結構中的參數。在此基礎上，計算RBF神經網絡的輸出，表達式為：

(4)

式中，wij—RBF神經網絡中的網格參數；h—RBF神經網絡隱藏層的結點數。

讀取RBF神經網絡輸出數據，形成相應的數據圖形，設定發電機組振動故障判別閾值，獲取發電機組運行狀態概率偏差，辨別發電機組振動故障類型。在此基礎上，對RBF神經網絡輸出結果進行正則化網絡處理，給定一個非線性范圍，提高輸出結果的任意精度。最后，正則化處理后的RBF神經網絡輸出結果，即為水電站發電機組振動故障監測結果，實現水電站發電機組振動故障高精度監測的目標。

2 實驗分析

2.1 實驗準備

選取某地區A水電站工程作為此次研究的目標對象，該水電站屬于所在地區投產最大的水電站，為季調節水庫。A水電站以發電為主，配備了5臺550MW的混流轉漿式水輪發電機組，起到了電力系統調頻與調峰的作用。受到運行環境與條件的限制，發電機組存在運行工況變換頻繁的問題，機組運行過程中，偶爾會出現不同程度振動異常現象，對機組運行產生了一定的干擾影響。混流轉漿式水輪發電機組工況參數，見表2。

表2 混流轉漿式水輪發電機組工況參數

由表2得知，為此次實驗選取水輪發電機組的工況參數，在此基礎上，將上述本文提出的發電機組振動故障監測方法應用到A水電站工程中，檢驗方法的可行性。

2.2 結果分析

為了使水電站發電機組振動故障監測結果以較為清晰直觀的形式呈現，避免實驗結果存在主觀性，本文采用對比分析的方法，將上述本文提出的基于RBF神經網絡算法的水電站發電機組振動故障監測方法設置為實驗組，將文獻[1]、文獻[3]提出的振動故障監測方法設置為對照組1與對照組2，進行對比分析。在此次實驗分析中，綜合考慮水電站發電機組的運行情況與運行特征，選取監測方法的誤報率FPR作為此次實驗的評價指標，其計算表達式為：

(5)

式中，FP—將負類振動故障監測為正類振動故障的樣本個數；TN—將負類振動故障監測為負類振動故障的樣本個數。

利用上述3種方法，實時監測水電站發電機組多組振動故障，測定3種發電機組振動故障監測方法的誤報率，整合誤報率結果，并繪制誤報率對比圖，如圖2所示。

由圖2看出，01表示發電機組水力自激振故障；02表示發電機組定轉子動靜碰磨故障；03表示卡門渦街引發發電機組振動故障；04表示發電機組密封激振故障；05表示發電機組軸瓦故障；06表示發電機組結構共振故障。通過圖1的誤報率對比結果可以看出，3種水電站發電機組振動故障監測方法應用后，其面對不同類型振動故障時，監測誤報率存在較大差異。其中，實驗組，即本文提出的基于RBF神經網絡算法的水電站發電機組振動故障監測方法表現出了良好的優勢，面對6種類型發電機組振動故障時，其監測誤報率均低于另外兩種方法，監測結果精度較高，能夠得到準確率較高的水電站發電機組振動故障監測結果，保證水電站的穩定運行，可行性較高。

3 結語

科學合理的發電機組振動故障監測方法對保障水電站的安全穩定運行具有重要意義。為了改善傳統發電機組振動故障監測方法在實際工程應用中，監測范圍有限，監測精度較低的問題，本文引入RBF神經網絡算法，在傳統發電機組振動故障監測方法的基礎上，作出了創新設計，提出了一種全新的發電機組振動故障監測方法。通過上述本文提出的研究，全方位、多維度地降低了誤報率，提高了遠程振動故障監測的效率與精度，能夠實時全面掌握水電站發電機組的運行狀況與運行狀態變化，有效地降低了發電機組故障發生的概率，提高了機組設備運行的質量，保證了水電站運行的安全性與穩定性。