基于RBF神经网络算法的水电站发电机组振动故障监测方法

季 军

(四川槽渔滩水电股份有限公司，四川 洪雅 620360)

发电机组作为水电站能源转换的重要核心设备，对水电站的高效运行具有直接影响。发电机组在水电站运行中，主要起到了能源转换的作用，能够根据水电站的运行情况与需求，将其他形式的能源转换为符合条件的电能，输出到用电设备上供其使用[1]。通常情况下，发电机组是由能够提供动能的发电机设备、能够产生电流的发电机设备以及控制系统共同组成[2]。由于水电站自然条件存在一定的差异，发电机组的转速变化与容量变化范围也不同[3]。发电机组运行过程中，受到水电站自然条件、水力、电磁、机械等多项耦合因素的影响，设备存在不同程度的异常振动、疲劳劣化、故障等安全风险隐患。一旦安全风险隐患得不到较好地控制，容易对发电机组设备结构造成破坏，严重情况下，影响水电站运行的安全性，引发安全事故[4]。基于此，需要采用合理的水电站发电机组振动故障监测方法，实时监测诊断发电机组的运行状况与状态变化，第一时间找出潜在的安全风险隐患，为制定故障解决方案提供有力的数据支持。

现阶段，在众多学者的研究下，已经逐渐形成了一套完善的水电站发电机组振动故障监测方法，可以实时监测发电机组的运行变化。然而，传统的监测方法仍然存在一定的缺陷，其监测范围有限，无法做到全面覆盖监测，且监测结果精度较低，不能获取准确率较高的设备健康状态信息。RBF神经网络算法能够改善上述问题，该算法可以近似任何非线性函数，数据故障分类性能较好，收敛速度较高[5]。基于此，本文引入RBF神经网络算法，提出了一种新的水电机组振动故障监测方法。

1 水电站发电机组振动故障监测方法设计

1.1 提取发电机组振动信号特征

利用YFM100型号的数据采集仪，其测量精度≤±5%FS，可以测量11种不同的发电机组输入信号，包括通过发电机组热电偶、RTD和热阻器测量的温度；发电机组DC/AC电压或电流、机组设备2线或4线电阻、机组运行频率和周期等，采集精度与使用性能均较高。将数据采集仪布设在水电站发电机组运行的周边位置，实时采集水电站发电机组的振动信号，并记录。对振动信号作出全方位的分析，提取其中存在的发电机组振动信号特征，为后续的故障监测诊断提供基础保障。

基于小波变换的方法原理，通过其变尺度的时、频分析，对发电机组振动信号结构作出全面的分析。按照高频信号与低频信号的分解方式，将振动信号分解，使信号具有丰富的层次结构，精细化处理分解的振动信号频带，自适应选择与信号频率适配度最高的频带，全面提取振动信号特征[6]。假设将水电站发电机组某一振动信号S进行Q层小波分解，分解后振动信号最低频为0，最高频为1，其分解后的发电机组振动信号可以表示为：

SQ，q(q=0，1，2，…，2Q-1)

(1)

式中，S—某一振动信号。

基于小波包分解的水电站发电机组振动信号频率，见表1。

表1 水电站发电机组振动信号小波包分解频率

由表1，看到小波包分解后的水电站发电机组振动信号及其对应的频带范围。每个信号节点的小波系数均代表一个频段的振动信号特征，进而根据自带能量系数，构建特征向量，获取小波分解后提取到的发电机组振动信号特征与高低频段能量[7]。

1.2 振动故障信号降噪处理

完成上述发电机组振动信号特征提取后，接下来，采用降噪算法，对水流与水轮发电机组接触产生的振动信号中的多余噪声进行降噪处理，为提高振动故障监测诊断精度、降低误报率提供强有力的支持。在振动故障信号降噪中，应当尽可能地保留发电机组原始振动信号的特征信息，丰富振动信号局部特征，减小信号中噪声成分含量[8]。首先，明确水电站发电机组振动信号的组成，表达式为：

fi=si+εi

(2)

式中，fi—上述采集得到的水电站发电机组振动信号；si—水电站发电机组噪声信号；εi—水电站发电机组真实振动信号。

通过计算，得出发电机组振动信号的组成结构。接下来，选定小波函数，对含有噪声的振动信号进行分解，通过阈值函数，对振动信号进行阈值化操作，最大化程度地滤除噪声[9]。基于逆变换处理方式，重构得出降噪后的振动故障信号。

1.3 基于RBF神经网络算法监测发电机组振动故障

水电站发电机组振动故障信号降噪处理完毕后，利用RBF神经网络算法，通过神经网络的迭代运行，计算神经网络输出结果，实现全方位实时监测发电机组振动故障情况的目标。首先，设计RBF神经网络结构，对水电站发电机组振动故障监测的非线性函数进行近似处理。本文设计的RBF神经网络结构，如图1所示。

图1 RBF神经网络结构

如图1可知RBF神经网络主要包括3层结构，分别为输入层、隐藏层与输出层。通过RBF神经网络算法，将输入层到隐藏层转换为非线性关系，将隐藏层到输出层转换为线性关系[10]。图中，x1、x2、xk均表示RBF神经网络迭代运行的输入向量；y1、y2、yp均表示RBF神经网络的振动故障类型输出。在此基础上，构建RBF神经网络激活函数表达式：

(3)

式中，xp—RBF神经网络中第p个输入的振动故障数据；ci—神经网络中第i个中心点；σ—神经网络中的损失函数。

通过激活函数表达式，得出RBF神经网络结构中的参数。在此基础上，计算RBF神经网络的输出，表达式为：

(4)

式中，wij—RBF神经网络中的网格参数；h—RBF神经网络隐藏层的结点数。

读取RBF神经网络输出数据，形成相应的数据图形，设定发电机组振动故障判别阈值，获取发电机组运行状态概率偏差，辨别发电机组振动故障类型。在此基础上，对RBF神经网络输出结果进行正则化网络处理，给定一个非线性范围，提高输出结果的任意精度。最后，正则化处理后的RBF神经网络输出结果，即为水电站发电机组振动故障监测结果，实现水电站发电机组振动故障高精度监测的目标。

2 实验分析

2.1 实验准备

选取某地区A水电站工程作为此次研究的目标对象，该水电站属于所在地区投产最大的水电站，为季调节水库。A水电站以发电为主，配备了5台550MW的混流转浆式水轮发电机组，起到了电力系统调频与调峰的作用。受到运行环境与条件的限制，发电机组存在运行工况变换频繁的问题，机组运行过程中，偶尔会出现不同程度振动异常现象，对机组运行产生了一定的干扰影响。混流转浆式水轮发电机组工况参数，见表2。

表2 混流转浆式水轮发电机组工况参数

由表2得知，为此次实验选取水轮发电机组的工况参数，在此基础上，将上述本文提出的发电机组振动故障监测方法应用到A水电站工程中，检验方法的可行性。

2.2 结果分析

为了使水电站发电机组振动故障监测结果以较为清晰直观的形式呈现，避免实验结果存在主观性，本文采用对比分析的方法，将上述本文提出的基于RBF神经网络算法的水电站发电机组振动故障监测方法设置为实验组，将文献[1]、文献[3]提出的振动故障监测方法设置为对照组1与对照组2，进行对比分析。在此次实验分析中，综合考虑水电站发电机组的运行情况与运行特征，选取监测方法的误报率FPR作为此次实验的评价指标，其计算表达式为：

(5)

式中，FP—将负类振动故障监测为正类振动故障的样本个数；TN—将负类振动故障监测为负类振动故障的样本个数。

利用上述3种方法，实时监测水电站发电机组多组振动故障，测定3种发电机组振动故障监测方法的误报率，整合误报率结果，并绘制误报率对比图，如图2所示。

由图2看出，01表示发电机组水力自激振故障；02表示发电机组定转子动静碰磨故障；03表示卡门涡街引发发电机组振动故障；04表示发电机组密封激振故障；05表示发电机组轴瓦故障；06表示发电机组结构共振故障。通过图1的误报率对比结果可以看出，3种水电站发电机组振动故障监测方法应用后，其面对不同类型振动故障时，监测误报率存在较大差异。其中，实验组，即本文提出的基于RBF神经网络算法的水电站发电机组振动故障监测方法表现出了良好的优势，面对6种类型发电机组振动故障时，其监测误报率均低于另外两种方法，监测结果精度较高，能够得到准确率较高的水电站发电机组振动故障监测结果，保证水电站的稳定运行，可行性较高。

3 结语

科学合理的发电机组振动故障监测方法对保障水电站的安全稳定运行具有重要意义。为了改善传统发电机组振动故障监测方法在实际工程应用中，监测范围有限，监测精度较低的问题，本文引入RBF神经网络算法，在传统发电机组振动故障监测方法的基础上，作出了创新设计，提出了一种全新的发电机组振动故障监测方法。通过上述本文提出的研究，全方位、多维度地降低了误报率，提高了远程振动故障监测的效率与精度，能够实时全面掌握水电站发电机组的运行状况与运行状态变化，有效地降低了发电机组故障发生的概率，提高了机组设备运行的质量，保证了水电站运行的安全性与稳定性。