基于孤立森林的水電機(jī)組異常噪聲分析方法

關(guān)鍵詞： 水電機(jī)組; 異常檢測(cè); 噪聲測(cè)量; 孤立森林

中圖分類號(hào)： TB9; TV734 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1674–5124（2025）02–0162–07

0引言

燈泡貫流式水輪機(jī)是貫流式水電站的關(guān)鍵設(shè)備[1]，可將水體的勢(shì)能轉(zhuǎn)化為轉(zhuǎn)輪的動(dòng)能，進(jìn)而驅(qū)動(dòng)同軸的發(fā)電機(jī)產(chǎn)生感應(yīng)電能。其安全可靠運(yùn)行是保障水能資源開(kāi)發(fā)利用率和提高電力系統(tǒng)穩(wěn)定的基礎(chǔ)。

故水電機(jī)組運(yùn)行狀態(tài)監(jiān)測(cè)與故障檢測(cè)極其重要。

目前水電機(jī)組故障檢測(cè)與診斷，常用振動(dòng)診斷技術(shù)，這種方法存在速度慢、測(cè)頻范圍低等弊端[2]。當(dāng)系統(tǒng)故障時(shí)，機(jī)組產(chǎn)生的噪聲特性也會(huì)發(fā)生變化，由此可以推導(dǎo)機(jī)組本身的結(jié)構(gòu)信息和運(yùn)行狀態(tài)信息發(fā)生相應(yīng)變化[3]。因此，可以利用噪聲信號(hào)對(duì)機(jī)組的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)和故障檢測(cè)。

近年來(lái)，基于聲學(xué)的故障檢測(cè)方法在國(guó)內(nèi)外均有成功應(yīng)用。唐擁軍等[4] 驗(yàn)證了噪聲數(shù)據(jù)用于水電機(jī)組監(jiān)測(cè)與故障診斷的可靠性，但未深入分析噪聲與機(jī)組狀態(tài)的對(duì)應(yīng)關(guān)系。胡邊等[5] 研發(fā)了水電機(jī)組噪聲信號(hào)硬件采集系統(tǒng)，為水電機(jī)組故障檢測(cè)提供了可靠的監(jiān)測(cè)數(shù)據(jù)，但未涉及噪聲數(shù)據(jù)的具體應(yīng)用。Bruno 等[6] 設(shè)計(jì)了一種聲學(xué)狀態(tài)監(jiān)測(cè)方法，并探索了其在機(jī)組葉片結(jié)構(gòu)故障檢測(cè)中的應(yīng)用。這些研究為水電機(jī)組的聲學(xué)故障檢測(cè)提供了堅(jiān)實(shí)的基礎(chǔ)和多樣的技術(shù)手段。

基于信號(hào)分析的傳統(tǒng)算法、基于神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)算法與基于決策樹的集成算法均獲得廣泛應(yīng)用。基于信號(hào)分析的診斷方法反應(yīng)迅速準(zhǔn)確，但對(duì)某些時(shí)變非平穩(wěn)信號(hào)分析復(fù)雜 [7]；基于深度神經(jīng)網(wǎng)絡(luò)的智能診斷算法，故障準(zhǔn)確率高，但其性能受機(jī)組故障樣本數(shù)量的影響[8]；基于故障樹的集成診斷算法魯棒性好，具有線性時(shí)間復(fù)雜度，適合水電機(jī)組監(jiān)測(cè)信號(hào)的異常檢測(cè)[9]。孤立森林是一個(gè)基于集成學(xué)習(xí)的快速異常檢測(cè)方法，不需要先驗(yàn)故障信息，對(duì)群組異常和離散異常都具有良好的檢測(cè)能力，符合水電機(jī)組大量噪聲數(shù)據(jù)的檢測(cè)[10]。

基于以上分析，本文利用水電機(jī)組噪聲信號(hào)，通過(guò)時(shí)頻分析法對(duì)噪聲信號(hào)提取高維特征后，結(jié)合機(jī)組狀態(tài)分析與孤立森林，提出一種水電機(jī)組異常噪聲檢測(cè)方法。通過(guò)對(duì)湖南某水電站燈泡貫流式機(jī)組檢測(cè)實(shí)驗(yàn)表明，該方法可以準(zhǔn)確檢測(cè)水電機(jī)組金屬掃膛異常噪聲。

1水電機(jī)組異常噪聲檢測(cè)原理

1.1貫流式水輪機(jī)工作原理

燈泡貫流式水電機(jī)組是一種將水體的勢(shì)能轉(zhuǎn)化為機(jī)組轉(zhuǎn)輪旋轉(zhuǎn)的動(dòng)能，驅(qū)動(dòng)發(fā)電機(jī)產(chǎn)生感應(yīng)電能的旋轉(zhuǎn)機(jī)械裝置，其結(jié)構(gòu)如圖1所示。燈泡貫流式水電機(jī)組的水輪機(jī)主要由燈泡頭、燈泡體、軸承、轉(zhuǎn)輪、排水管等組成。

當(dāng)水流進(jìn)入機(jī)組的導(dǎo)水管時(shí)，通過(guò)推動(dòng)轉(zhuǎn)輪轉(zhuǎn)動(dòng)。在機(jī)組運(yùn)行過(guò)程中，由于受外界水力、機(jī)械、電磁等干擾，容易誘發(fā)故障，影響機(jī)組安全穩(wěn)定運(yùn)行。其故障主要分為以下兩種類型：

1）電氣故障：如發(fā)電機(jī)轉(zhuǎn)子和定子的磁場(chǎng)中心不匹配，兩者之間會(huì)產(chǎn)生磁引力，影響水電機(jī)組的安全運(yùn)行。

2）機(jī)械故障：如發(fā)電機(jī)磁極松動(dòng)、機(jī)組軸線傾斜、軸承變形、機(jī)組質(zhì)量偏心等。當(dāng)金屬異物如螺絲等金屬小物件或水流中含有的泥沙、石子等由于外界因素進(jìn)入水輪機(jī)，在旋轉(zhuǎn)過(guò)程中與機(jī)體發(fā)生刮擦，容易導(dǎo)致金屬掃膛故障。若此類故障不加控制，將會(huì)誘發(fā)嚴(yán)重機(jī)組故障。

金屬掃膛是燈泡貫流式機(jī)組常見(jiàn)的故障類型之一。由于金屬掃膛故障發(fā)生在水輪機(jī)內(nèi)部，振動(dòng)傳感器安裝位置受限于機(jī)組，故振動(dòng)信號(hào)不能及時(shí)反映金屬掃膛故障信息。金屬掃膛故障發(fā)生時(shí)會(huì)激發(fā)尖銳刮擦聲，故金屬掃膛故障更適合基于聲學(xué)信號(hào)的故障檢測(cè)方法。當(dāng)機(jī)組發(fā)生此類異常時(shí)，機(jī)組噪聲信號(hào)中包含的頻率分量和各頻率分量的幅值都會(huì)發(fā)生變化，據(jù)此可完成機(jī)組的金屬掃膛異常噪聲檢測(cè)。

圖2為正常狀態(tài)下與故障狀態(tài)下燈泡貫流式水電機(jī)組的噪聲頻譜圖。由圖可以看出，當(dāng)機(jī)組發(fā)生金屬掃膛故障時(shí)，700Hz和3500Hz左右的幅值發(fā)生突變。以此為特征，能夠完成機(jī)組運(yùn)行狀態(tài)的異常檢測(cè)。

1.2孤立森林故障檢測(cè)原理

水電機(jī)組的噪聲信號(hào)由噪聲傳感器器采集，通過(guò)以太網(wǎng)實(shí)時(shí)發(fā)送到上位機(jī)；然后，通過(guò)計(jì)算噪聲信號(hào)的時(shí)頻域特征以及小波包分解[11] 的能量系數(shù)，得到信號(hào)的多維特征。進(jìn)而對(duì)比選擇不同域的不同特征作為樣本集，通過(guò)隨機(jī)不放回抽取的方式構(gòu)建孤立樹，并進(jìn)一步建立孤立森林，通過(guò)計(jì)算孤立樹上測(cè)試樣本的路徑長(zhǎng)度得出最小路徑距離，利用最小路徑距離d_min判斷樣本是否為故障。基于孤立森林的水電機(jī)組故障檢測(cè)方法的流程如圖3所示。

水電機(jī)組噪聲信號(hào)具有非線性、非平穩(wěn)的特點(diǎn)，方差可以表示信號(hào)數(shù)據(jù)的分離程度，均方根可以反映噪聲信號(hào)的能量；最值對(duì)沖擊及突發(fā)性外界干擾等原因引起的瞬時(shí)狀態(tài)信號(hào)比較敏感；峭度對(duì)大幅值信號(hào)非常敏感，并且它們的值隨著大幅值概率的增加而迅速增加，因此峭度更容易受到含有脈沖成分故障的影響。

通過(guò)比較不同狀態(tài)下的時(shí)域指標(biāo)差異，選取均方根為故障特征向量。根據(jù)實(shí)驗(yàn)，由于不同水輪機(jī)噪聲信號(hào)的均方根顯著，因此采用均方根作為時(shí)域故障特征向量，記為T₁；同樣對(duì)比不同狀態(tài)下的頻域指標(biāo)差別，選擇總能量作為故障特征向量，記為T₂。

小波包分解方法的時(shí)頻分析能力強(qiáng)，通過(guò)依據(jù)水電機(jī)組狀態(tài)信號(hào)的特征來(lái)選擇合適的分析頻帶，確保對(duì)噪聲信號(hào)的頻譜分析更合理。其中，通過(guò)小波包多層分解后得到的各個(gè)頻帶能量為

1.5水電機(jī)組異常噪聲檢測(cè)算法步驟

基于孤立森林的水輪機(jī)組異常噪聲檢測(cè)算法流程如下：

1）選定訓(xùn)練數(shù)據(jù)集，利用式（1） 和式（3） 分別計(jì)算數(shù)據(jù)集的時(shí)域、頻域、小波包分解后的子頻帶能量占比的高維特征T。

2）將高維特征T輸入孤立森林算法，利用式（4）與式（6）計(jì)算訓(xùn)練集的路徑分布。

3）利用路徑分布，確定最小路徑dmin，并利用（7）完成水電機(jī)組金屬掃膛異常噪聲的檢測(cè)。

2水輪機(jī)故障檢測(cè)實(shí)驗(yàn)

2.1水電機(jī)組工況試驗(yàn)

水電機(jī)組是一個(gè)復(fù)雜的非線性系統(tǒng)，眾多部件高度耦合。在機(jī)組運(yùn)行過(guò)程中，由于時(shí)變因素的影響和各部件連接部分相互作用力的影響，機(jī)組處于頻繁變化的工況中。為保障數(shù)據(jù)集的完備性，以便孤立森林更好學(xué)習(xí)到機(jī)組正常運(yùn)行數(shù)據(jù)分布，故進(jìn)行水電機(jī)組變工況試驗(yàn)。

當(dāng)發(fā)電機(jī)組處于變工況工程時(shí)，水電機(jī)組各部分的噪聲信號(hào)有較大的突變。調(diào)整水電機(jī)組的運(yùn)行負(fù)荷，采集各部分的噪聲信號(hào)，完成機(jī)組變工況試驗(yàn)，步驟如下：

1） 保持機(jī)組在8MW負(fù)荷下穩(wěn)定運(yùn)行一段時(shí)間。

2） 將機(jī)組負(fù)荷從8MW增加至20MW。

3） 保持機(jī)組穩(wěn)定運(yùn)行于20MW負(fù)荷一段時(shí)間。

4） 將機(jī)組負(fù)荷從20MW緩慢下降至8MW。

5） 保持機(jī)組穩(wěn)定運(yùn)行于8MW負(fù)荷一段時(shí)間。

機(jī)組穩(wěn)態(tài)是指機(jī)組負(fù)荷保持在8MW和20MW的階段；機(jī)組變負(fù)荷狀態(tài)包括升負(fù)荷和降負(fù)荷：升負(fù)荷是指負(fù)荷從8MW逐漸增加到20MW的過(guò)程，降負(fù)荷是指負(fù)荷從20MW逐漸減小到8MW的過(guò)程。

燈泡體工況變化特征數(shù)據(jù)包括：穩(wěn)定狀態(tài)①、負(fù)荷增加（升負(fù)荷）、穩(wěn)定狀態(tài)②、負(fù)荷減小（降負(fù)荷）與穩(wěn)定狀態(tài)③，特征數(shù)據(jù)共有1203組。圖4為燈泡體工況變化過(guò)程圖。圖4（a） 中，機(jī)組完整工況變化過(guò)程包括：穩(wěn)態(tài)①：機(jī)組在8MW 負(fù)荷下保持穩(wěn)定；升負(fù)荷：機(jī)組負(fù)荷從8MW上升到20MW；穩(wěn)態(tài)②：機(jī)組在20MW負(fù)荷下保持穩(wěn)定；降負(fù)荷：機(jī)組負(fù)荷從20 MW 降到8MW；穩(wěn)態(tài)③：機(jī)組保持在8MW負(fù)荷下運(yùn)行。圖4（b） 中，變工況中均方根特征變化的過(guò)程與圖4（a） 中原始信號(hào)的5 個(gè)過(guò)程一一對(duì)應(yīng)。

2.2水電機(jī)組故障實(shí)驗(yàn)

對(duì)水電機(jī)組燈泡體進(jìn)行金屬掃膛異常噪聲實(shí)驗(yàn)。圖5為水電機(jī)組燈泡體金屬掃膛異常噪聲實(shí)驗(yàn)現(xiàn)場(chǎng)。

當(dāng)轉(zhuǎn)輪腔內(nèi)壁與異物有刮擦?xí)r，轉(zhuǎn)輪腔內(nèi)壁和葉片上會(huì)出現(xiàn)短時(shí)沖擊受力，導(dǎo)致設(shè)備內(nèi)部局部變形或劃傷，并發(fā)出尖銳的刮擦聲，造成金屬掃膛故障并激發(fā)異常噪聲。圖6是金屬掃膛異常噪聲的原始信號(hào)和相應(yīng)的均方根特征。從圖中可以看出，金屬掃膛異常信號(hào)的均方根特征具有明顯的周期性，可以作為水輪機(jī)組的故障特征信息。

在燈泡體金屬掃膛異常過(guò)程中，采集到了3個(gè)周期共500組故障樣本數(shù)據(jù)。燈泡體金屬掃膛異常過(guò)程主要包括：1）保持一段時(shí)間的穩(wěn)定狀態(tài)；2）對(duì)燈泡體進(jìn)行3次故障實(shí)驗(yàn)；3） 實(shí)驗(yàn)結(jié)束，機(jī)組恢復(fù)穩(wěn)定運(yùn)行。

2.3故障檢測(cè)實(shí)驗(yàn)

利用孤立森林對(duì)水電機(jī)組噪聲實(shí)測(cè)數(shù)據(jù)進(jìn)行檢測(cè)，包括模型訓(xùn)練、模型檢測(cè)兩個(gè)部分。使用2.1與2.2組成的訓(xùn)練集訓(xùn)練孤立森林，得出最小路徑。

圖7為機(jī)組工況試驗(yàn)數(shù)據(jù)與部分金屬掃膛故障數(shù)據(jù)路徑分布。由圖可知，機(jī)組正常運(yùn)行數(shù)據(jù)與故障數(shù)據(jù)路徑分布不同，金屬掃膛異常噪聲數(shù)據(jù)路徑處于0與0.1路徑附近，而機(jī)組工況數(shù)據(jù)路徑大部分處于0.2～0.5之間。通過(guò)對(duì)比不同的路徑，最終選擇0.12作為模型的最短路徑距離，即d_min=0.12。

采取2.1節(jié)的方法對(duì)燈泡體連續(xù)采樣，將采集的22 500 萬(wàn)個(gè)實(shí)測(cè)噪聲數(shù)據(jù)輸入本模型。其中，為保持發(fā)電負(fù)荷穩(wěn)定，大部分實(shí)測(cè)數(shù)據(jù)為穩(wěn)態(tài)數(shù)據(jù)（8、18、19、1、16MW 等）以及部分變負(fù)荷數(shù)據(jù)（8～18MW、18～16MW、19～13MW、9～18 MW 等）和600000個(gè)原始異常噪聲數(shù)據(jù)。

圖8為實(shí)測(cè)數(shù)據(jù)圖，包括過(guò)程①：機(jī)組穩(wěn)定在9MW（穩(wěn)態(tài)）；過(guò)程②：機(jī)組負(fù)荷由9 MW 增加到18MW（增負(fù)荷）；過(guò)程③：機(jī)組負(fù)荷穩(wěn)定在18 MW（穩(wěn)態(tài)）。由圖可知，機(jī)組在18 MW 負(fù)載下產(chǎn)生的噪聲信號(hào)幅值較小，這是因?yàn)闄C(jī)組在某些大負(fù)載下運(yùn)行更加平穩(wěn)。

圖9為穩(wěn)定狀態(tài)、變負(fù)荷過(guò)程和故障狀態(tài)下的測(cè)試集數(shù)據(jù)路徑比較圖。圖9（a） 為負(fù)荷9MW 的穩(wěn)定狀態(tài)的實(shí)測(cè)數(shù)據(jù)與異常噪聲測(cè)試集數(shù)據(jù)的路徑對(duì)比，利用最小路徑可以檢測(cè)出機(jī)組異常噪聲；同理，圖9（b） 為負(fù)荷9 MW 到18 MW 的變負(fù)荷狀態(tài)實(shí)測(cè)數(shù)據(jù)與機(jī)組異常噪聲測(cè)試集數(shù)據(jù)的路徑對(duì)比，最小路徑同樣能夠準(zhǔn)確檢測(cè)出異常噪聲。

將采集到22500萬(wàn)個(gè)原始噪聲數(shù)據(jù)輸入本文模型，異常噪聲檢測(cè)率為97.45%，表明了該方法的有效性。

2.4不同檢測(cè)模型結(jié)果對(duì)比

為驗(yàn)證本模型對(duì)水電機(jī)組異常噪聲檢測(cè)的有效性，在使用相同數(shù)據(jù)集的前提下，分別采用文獻(xiàn)[12] 中基于天牛須算法的支持向量機(jī)模型[12]（BASSVM）、最鄰近算法 [13]（KNN）、一類支持向量機(jī)模型[14]（OC-SVM）以及基于角度的離群值檢測(cè)模型[15]（ABOD）進(jìn)行對(duì)比檢測(cè)實(shí)驗(yàn)，各檢測(cè)模型參數(shù)如表1 所示。

采用孤立森林等模型的異常噪聲檢測(cè)結(jié)果如表2所示。從表中可以看出，基于孤立森林的水電機(jī)組異常噪聲檢測(cè)率高于BAS-SVM與同類型的異常檢測(cè)算法（KNN、ABOD 和OC-SVM） 模型，表明了該方法的有效性。

3結(jié)束語(yǔ)

本文以貫流式水電機(jī)組為研究對(duì)象，針對(duì)傳統(tǒng)振動(dòng)診斷技術(shù)具有的速度慢與測(cè)頻范圍低弊端，分析了噪聲信號(hào)用于水輪機(jī)異常狀態(tài)檢測(cè)的合理性。并在對(duì)比分析機(jī)組不同運(yùn)行狀態(tài)的基礎(chǔ)上，研究了水電機(jī)組金屬掃膛異常噪聲檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明：該方法反應(yīng)迅速，能有效檢測(cè)水輪機(jī)金屬掃膛異常噪聲，具有一定的應(yīng)用價(jià)值。燈泡貫流式水電機(jī)組工況復(fù)雜，其運(yùn)行狀態(tài)受水力、電磁和外部耦合器件等因素影響，可能出現(xiàn)抬機(jī)與運(yùn)行不穩(wěn)定等現(xiàn)象。需進(jìn)一步完善算法，增強(qiáng)算法的魯棒性，提高算法檢測(cè)準(zhǔn)確率是接下來(lái)的研究重點(diǎn)。