基于多源信号融合的灯泡贯流式机组故障特征提取

陈茗 胡边 李靖

摘要：

水电机组在非平稳工况及异常运行状态下，会产生剧烈的振动并发出刺耳的噪声。针对上述振动和音频信号，以灯泡贯流式水电机组为研究对象，通过布置高精度的加速度和音频传感器，对机组各部位的振动和噪声进行实时监测，采集振动和音频的多源融合信号。采用核主元分析法（KPCA）与改进的K-Means聚类算法提取多源融合信号频率幅值均方根参数，得到水轮机桨叶碰磨、本体敲击及发电机局放等故障的能量分布与特征值，构建了能够反映机组状态的六维特征向量模型。现场故障模拟试验表明，该模型能准确识别出对应故障，为机组检修维护提供了有力支撑。

关 键 词：

多源信号融合； 故障特征； 灯泡贯流式机组； 核主元分析法（KPCA）； K均值

中图法分类号： TM622；TK733+.3

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2023.08.026

0 引 言

水电机组运行过程中，水力、机械、电磁等因素的相互耦合，使得机组往往呈现非平稳、非线性和时变等特性，导致故障的诱因很难确定［1］。故障特征提取大多采用现代时域分析与其他检测指标相结合的方法。胡晓等［2］采用VMD方法分解水电机组振动信号，得到若干本征模态函数（IMF），再利用IMF构造二维图谱，输入CNN中，挖掘图谱中蕴含的故障特征并实现水电机组的故障诊断；蒋文君等［3］采用EEMD算法分解水电机组振动信号得到一系列IMF分量，计算筛选分量的近似熵值构成多维特征向量，输入PNN进行模式识别，从而提取水电机组振动信号的特征；张飞等［4］认为基于BP神经网络的机组振动预测方法可以作为水电机组状态监测的推荐模型；Wu等［5］利用灰色关联分析（GRA）和向量回归相结合的预测方法预测水电机组的振动，验证了该方法的准确性。目前，水电机组在线故障诊断大都只关注振动摆度数据，而采用振动诊断技术，存在速度慢、测量频率范围低、高频信号难以识别等弊端。

水电机组振动时会产生大量的声音，这些声音信号中蕴含的信息是设备正常、异常或故障信息的载体［6］。若能够真实、充分地采集到足够数量且能客观反映机组健康状态的声音信号，并融合振动信息进行特征提取，可大幅提高水电机组故障诊断的准确率。

本文以灯泡贯流式机组为研究对象，在灯泡头、灯泡体、转轮室等部位布置加速度和音频传感器，开展现场故障模拟试验，在线采集振动和音频多源融合信号。由于需将同一部位的多个传感器得到的特征进行串联，各特征彼此孤立且维数又较多，给故障识别带来了困难［7-9］。在进行故障分类前先将原始故障样本通过核主元分析法（KPCA）进行降维特征融合，再利用改进的K-Means聚类方法识别机组水轮机桨叶碰磨、本体敲击、发电机局放等故障。

1 振动与音频多源信号的融合方法

灯泡貫流式机组的振动音频信号中除基频成分外，还存在其它干扰成分［10］。为有效抑制干扰，增强基频信号，本文提出了振动与音频的多源信号融合方法。该方法利用互相关原理增强振动音频信号中的同频分量，解决机组全频带振动与音频信号的时频特征匹配难题，实现灯泡贯流式机组故障特征的准确提取。一般情况下，在振动信号和音频信号传播的过程中，两种信号中引入的干扰成分通常是不同的，也就是说，振动信号和音频信号有着相同的基频和不同的干扰频率［11］。

多源融合信号是由振动频率的基频信号、干扰信号和白噪声线性叠加而成的［12］，根据互相关与傅里叶变换的性质，为了表达的简洁，将互相关序列分成3个部分，如式（1）所示。

2.3 故障特征提取

针对灯泡贯流式机组目前已有故障样本量稀少，不利于完成故障识别模型训练等问题，通过在线多源融合信号累积的海量数据与在线特征提取所积累的特征库，对正常工况和异常工况的样本特征向量进行聚类分析。基于KPCA算法得到故障特征向量与在线多源信号融合监测系统所采集的振动与声频数据之间的映射关系。结合改进的K-Means聚类算法，利用充足的特征样本数据完善故障模型并逐步实现水电机组故障类型的准确识别。故障特征提取流程如图1所示。

3 试验研究

3.1 振动、音频传感器布置

以单机容量450 MW的灯泡贯流式水电机组为研究对象，其最大水头为29 m，转轮重49.6 t，桨叶长1.93 m，主要由灯泡头（发电机）、灯泡体（轴承）、转轮室（水轮机）、大轴、导叶等组成，如图2所示。水流绕灯泡体推动转轮旋转，从而带动发电机发电。

在水电机组振摆系统已有的振动传感器基础上增设相关振动（加速度）传感器，并安装音频传感器。传感器测点布置如表1所列。

振动传感器型号为CT1010LC，电压灵敏度101.6 mV/g，频率范围1～2 000 Hz。音频传感器型号为HY205，动态上限146 dB，灵敏度50 mV/Pa，频率响应范围20～10 kHz。数据采集卡型号为EM9118B，最高采样频率450 kHz，16位分辨率。

3.2 故障模拟试验

灯泡贯流式机组在不同部件发生不同故障时具有不同频率、幅值、相位的振动和音频信号，因此，可以通过分析振动音频融合信号各个频段的参数来提取相应故障特征。分别在转轮室、灯泡体、灯泡头等位置模拟水轮机桨叶碰磨、本体敲击、发电机局放等故障。通过在不同工况下对几种故障进行音频信号和振动信号的模拟，来验证故障特征提取与识别的效果。

3.2.1 水轮机桨叶碰磨

在转轮室模拟水轮机桨叶碰磨故障，通过分析采集的多源融合信号时频特性可知，与正常工况相比，桨叶碰磨时在700～1 400 Hz附近出现频率带。因为故障特征频率分布较广，为有效识别水轮机桨叶碰磨，提取700～1 400 Hz特征频率带的频率幅值均方根为1.6×10-3，正常工况为1.8×10-4，表明可以区分出两种不同的工况。

3.2.2 本体敲击

在灯泡体进行本体敲击的故障模拟，在分析采集的多源融合信号时频特性时，会出现一条条的频率带，频率带的主要能量分布在1 000～2 000 Hz。提取1 000～2 000 Hz频率范围的频率幅值的均方根作为故障特征，本体敲击故障特征值大约为2.3×10-3，远大于正常工况下的4.5×10-4，可以将其作为判别本体敲击的特征。

3.2.3 发电机局放

在灯泡头模拟发电机局放故障，通过分析采集的多源融合信号时频特性可知，频率在2 000～3 000 Hz有明显的能量分布，正常工况下该频率范围没有能量分布。通过提取2 000～3 000 Hz频率范围的频率幅值均方根值，两者的特征值存在较大差异，发电机局放特征值最大值为0.04左右，正常工况下特征值为3×10-4。

上述3种模拟故障的主要特征频率范围及提取参数如表2所列。

3.3 故障特征识别

对多源融合数据每隔0.2 s作一次特征提取，并将计算出的值计作一个特征数据点，在整个采集时间内，得到若干个特征数据点。根据改进的K-Means算法，将这些特征数据点进行在线聚类，得出故障特征的识别结果。

3.3.1 水轮机桨叶碰磨

采用KPCA对水轮机桨叶碰磨多源融合数据进行提取，所得的6维特征值变化情况如图3（a）所示。由结果可知，在转轮室处发生桨叶碰磨时，融合特征2、融合特征3和融合特征4会出现变化，明显大于正常值，其余特征无明显变化。对采集的故障数据特征点进行补充然后作改进K-Means聚类。当第1 998个数据在线输入，算法经1 829次迭代后，识别结果趋于稳定，得到的聚类分析结果如图3（b）所示。图中蓝色区域判定为正常，红色区域识别为发生水轮机桨叶碰磨，两者的时间与现场试验时间标签一致，说明改进的K-Means算法能有效识别水轮机桨叶碰磨故障。

3.3.2 本体敲击

采用KPCA对灯泡体本体敲击多源融合数据进行提取，所得的6维特征值变化情况如图4（a）所示。在灯泡体发生本体敲击时，融合特征1、融合特征2、融合特征3、融合特征4和能量特征2会出现变化，明显大于正常值，其中融合特征1和能量特征2的幅值变化最为剧烈，能量特征1的值无明显变化。对采集的故障数据特征点进行补充，用1 848特征点作改进K-Means聚类，当第1 848个数据在线输入，算法经1 727次迭代后，识别结果趋于稳定，得到的聚类分析结果如图4（b）所示。图中蓝色区域判定为正常，红色区域识别为发生本体敲击故障，两者的时间与现场试验时间标签一致，说明改进的K-Means算法能有效识别灯泡体发生本体敲击故障。

3.3.3 发电机局放

采用KPCA对发电机局放多源融合数据进行提取，所得的六维特征值变化情况如图5（a）所示。在灯泡头处发生发电机局放时，融合特征2和融合特征3会出现变化，明显的大于正常值，其余4个特征值无明显变化。对采集的故障数据特征点进行补充，用1 498个特征点作改进K-Means聚类。当第1 498个数据在线输入，算法经1 299次迭代后，识别结果趋于稳定，得到的聚类分析结果如图5（b）所示。图中蓝色区域判定为正常，红色区域识别为发生发电机局放故障，两者的时间与现场试验时间标签一致，说明改进的K-Means算法能有效识别灯泡体发生本体敲击故障。

4 结 论

本文基于采集的振动和音频多源融合信号，采用KPCA算法提取了能够反映机组状态的六维特征值，应用改进的K-Means聚类算法实现了对灯泡贯流式机组水轮机桨叶碰磨、本体敲击、发电机局放等故障特征的准确识别，建立了水电机组多源融合信号特征与机组运行状态的对应关系及故障模型库。该模型能及时对潜在故障进行预警，进一步完善了水轮发电机组状态監测体系，为水电设备安全稳定运行提供了有力保障，具有极大的推广应用价值。通过长期对多源融合信号进行故障特征分析，能丰富故障种类，提高故障诊断准确率，为状态检修提供决策支持。

参考文献：

［1］ 吴道平，温钦钰，戴勇峰.混流式水轮机振动噪声测试分析及处理措施：以上犹江水电站为例［J］.人民长江，2020，51（7）：218-224，235.

［2］ 胡晓，肖志怀，刘东，等.基于VMD-CNN的水电机组故障诊断［J］.水电能源科学，2020，38（8）：137-141.

［3］ 蒋文君，胡晓，张培，等.基于EEMD近似熵的水电机组振动信号特征提取［J］.水力发电学报，2020，39（6）：18-27.

［4］ 张飞，潘罗平.基于人工神经网络的水轮发电机组振动预测研究［J］.人民长江，2011，42（13）：48-50，106.

［5］ WU Y，ZHENG B，FENG Z，et al.The vibration prediction of hydro-generating units based grey relational analysis and fuzzy support vector regression［C］∥2019 4th International Conference on Intelligent Green Building and Smart Grid（IGBSG），IEEE，2019.

［6］ 胡润志.水电机组非平稳信息特征提取及其振动预测［D］.邯郸：河北工程大学，2021.

［7］ 唐拥军，周喜军，张飞.噪声分析在水电机组故障诊断中的应用［J］.中国农村水利水电，2017（8）：206-208.

［8］ 徐雄，林海军，刘悠勇，等.融合PCA与自适应K-Means聚类的水电机组故障检测在线方法［J］.电子测量与仪器学报，2022，36（3）：260-267.

［9］ 高揚.水力发电机振动和噪声监测系统的设计与研究［D］.北京：中国矿业大学，2021.

［10］ 谭丕成，万元，朱红平，等.多源信息融合的水轮机组振动测量方法［J］.中国测试，2021，47（9）：94-100.

［11］ 胡边，谭丕成，叶源，等.基于声学特性的灯泡贯流式水轮发电机组噪声信号采集系统设计［J］.中国测试，2021，47（3）：139-143.

［12］ OPPENHEIM A V，WILLSKY A S.Signals and systems［M］.New Jersey：Prentice Hall，1983.

［13］ SHAN X，TANG L，WEN H，et al.Analysis of vibration and acoustic signals for noncontact measurement of engine rotation speed［J］.Sensors，2020，20（3）：683.

［14］ 吴天昊，刘韬，施海宁，等.基于核主元分析法的核电厂设备状态监测技术研究［J］.核动力工程，2020，41（5）：132-137.

［15］ 郭永坤，章新友，刘莉萍，等.优化初始聚类中心的K-means聚类算法［J］.计算机工程与应用，2020，56（15）：172-178.

［16］ 李海涛，刘奎芹.基于最小二乘椭圆拟合改进算法的磁力计校正［J］.电子测量技术，2018，41（15）：145-148.

（编辑：郑 毅）

Abstract：

When a hydroelectric unit operates under non-steady working and abnormal conditions，it will produce violent vibration and harsh noises.In order to ensure the safe and reliable operation of a unit，a bulb tubular hydropower unit is taken as the research object，the vibration and noise of each unit part were monitored in real time by arranging high-precision acceleration and audio sensors，and multi-source fusion signals of vibration and audio were collected.The Kernel Principal Component Analysis （KPCA） and the improved K-Means clustering algorithm are used to extract the root mean square parameter of the frequency and amplitude of the multi-source fusion signal，and the energy distribution，eigenvalues of faults such as the turbine blade collision，body knock and generator partial discharge are obtained.Based on the energy distribution and eigenvalues，a six-dimensional eigenvector that can reflect the state of a unit is constructed.Combined with the on-site fault simulation test，the corresponding fault can be accurately identified by the extraction method.The research results can provide strong support for the maintenance of the units.

Key words：

multi-source signal fusion；fault feature；bulb tubular units；Kernel Principal Component Analysis （KPCA）；K-Means