基于VMD-TCN的水电机组健康状态监测系统设计

钟旭 张宝源 孟威 常峰德 高志国

摘要：针对常规的水电机组运行监测系统以高频振动信号监测为主，低频振动信号监测失误问题较多，影响水电机组正常运行的问题，设计了基于VMD-TCN的水电机组健康状态监测系统。硬件方面，设计了AC102加速度传感器；软件方面，采集水电机组健康状态数据，对水电机组状态信号进行处理，判断机组健康状态。基于VMD-TCN分解水电机组健康状态监测信号，根据采集到的状态信号进行信号频段子模态分解，确保监测精准度。系统测试结果表明：该设计提升了系统的监测效果，系统性能良好。

关键词：VMD-TCN；水电机组；健康状态；监测系统

中图法分类号：TV734 文献标志码：A DOI：10.15974/j.cnki.slsdkb.2024.02.007

文章編号：1006-0081（2024）02-0044-04

0 引 言

水电机组状态监测系统是一个专项监测系统，能够对一个或一部分机组的状态进行监测与诊断，确保其正常运行。目前，水电机组健康状态监测系统并未对低频振动信号作出精准监测，健康状态监测失误现象频发。因此，研究人员设计了多种解决方案。陈学标等提出基于EEMD-SD振动信号分析的水电机组故障预警方法，采集水电机组上振动信号数据，将预处理后的振动信号数据进行EEMD分解，得到不同频率范围内的振动模态函数（IMF），从每个IMF分量中提取相关的振动特征。通过监测和分析振动特征的变化，建立机组正常运行状态的基准值，并结合故障样本数据，采用机器学习算法进行异常检测和故障诊断。根据异常检测和故障诊断的结果建立故障预警模型，监控机组运行状态，及时发现可能的故障并预警。袁璞等提出基于AI视频图像处理的水电机组运转监测与智能报警技术研究，采集机组运转时的视频数据。基于这些数据构建训练集和测试集，从预处理后的视频帧中提取关键的视觉特征。基于提取的特征，建立监测模型，用于实时监测机组的运转状态。通过监督学习算法来训练分类器对机组运转状态进行识别和监测。本文基于VMD-TCN，设计了一套水电机组健康状态监测系统，在有效实现水电机组健康状态监测的同时，提升故障预警准确性。

1 硬件设计

对于水电机组而言，中高频信号较易监测，低频信号很难监测，往往出现低频信号监测为健康状态的问题，影响系统的监测效果。本文选用AC102加速度传感器，作为低频信号的监测元件，其性能参数见表1。

如表1所示，本文设计的AC102加速度传感器，主要是针对水电机组低频振动监测的元件，灵敏度相对较高，能够在80%～90%的湿度条件下运行。通过监测低频振动信号，找出低频振动中存在的机组故障，从而确保水电机组的健康运行状态。

2 软件设计

2.1 采集水电机组健康状态数据

通过在系统软件上建立一个数据采集程序，将水电机组状态信号进行采集与处理，判断机组健康状态。同时，根据水力、机械、电气等方面的耦合情况，将多种信号数据同时分析，以确保监测精准度。数据采集程序流程如图1所示。

如图1所示，在水电机组的正常运行状态下，对机组功率、水头、导叶开度、蜗壳、尾水等参数进行分析，点击开始采集的按钮，通过AC102加速度传感器采集各类数据。将数据上传到采集程序中进行数据压缩，再通过网络接口将采集到的数据上传到系统服务中心，对采集到的运行信号作出进一步状态诊断。利用数据采集程序，解决采集任务延时的问题，针对多机任务同时采集，实现水电机组的实时高速采集。

2.2 基于VMD-TCN分解水电机组健康状态监测信号 根据采集到的状态信号进行信号频段子模态分解，确保监测精准度。采集到的信号中存在软件相位偏差，对软件而言，偏差较大影响监测效果。因此，将各种振动信号数据进行软件相位补偿：

φ=360×N×t/T    （1）

式中：φ为相位补偿；t为通道采集切换时间；N为振动信号的相位差；T为水电机组的运行周期。在采集的信号为准确的条件下，利用VMD进行信号分解：

式中：P（t）为补偿后的振动信号；a为初始振动信号数据；a为第i个频域的信号数据；b为第i个频域的子信号；w为信号角频率。

通过VMD数据分解之后，振动信号形成了多种模态信号。将多种模态信号按照时间序列进行处理，利用TCN将信号放在因果卷积层中训练，消除信号处理残差。根据TCN的一维卷积网络，输出振动信号：

式中：y为处理完成输出的最终振动信号数据；x为信号输入数据。

根据卷积核移动的方向，判断数据序列，按照此规律处理多模态的信号，最大程度上提升水电机组的监测精准度。

钟 旭 等 基于VMD-TCN的水电机组健康状态监测系统设计3 系统测试

为了验证本文设计的监测系统是否具有实用性能，对上述系统进行测试分析。将基于VMD-TCN的水电机组健康状态监测系统与基于EEMD-SD振动信号分析的水电机组健康状态监测系统、基于AI视频图像处理的水电机组健康状态监测系统进行对比。

3.1 測试过程

在进行系统测试之前，将AC102加速度传感器安装完毕之后，对其进行调试。上电后绿色指示灯亮起3 s后熄灭，其余指示灯均未亮起，可以确保该硬件能够正常使用。系统调试流程如图2所示。

对监测界面、传感界面、采集界面进行实验室调试、现场安装调试、系统试运行等综合调试。输入正确的用户名与密码之后，点击机组操作界面，监测水电机组的功率参数，确定机组的运行状态。出现图3界面则表明，系统处于正常运行状态，可以对其进行性能测试。

3.2 测试结果

在上述测试条件下，随机选取水电机组在水导轴承、压力钢管、上机架等区域的振动状态，分别使用基于EEMD-SD振动信号分析的水电机组健康状态监测系统、基于AI视频图像处理的水电机组健康状态监测系统，以及本文设计的基于VMD-TCN的水电机组健康状态监测系统，监测水电机组振动状态，并将3种系统监测完成之后的CPU占用率进行分析。测试结果见表2。

如表2所示，在水导轴承运行的过程中，存在涡轮、转轮、导叶等振动故障；压力钢管位置存在叶片尾部、尾水管异常振动故障；上机架存在上导轴承、机组中心线不均衡、推力轴承等振动故障。上述振动故障的故障信号较为微弱，很难对其进行健康状态评定。在水电机组健康状态监测的过程中，监测完成之后，系统CPU占用率越低，系统运行性能越佳。

在其他条件均一致的情况下，使用基于EEMD-SD振动信号分析的水电机组健康状态监测系统之后，监测到的振动状态与实际状态存在差异，将异常振动监测成健康状态，无法对其进行后续维护，导致机组出现更大的隐患。完成监测之后，该系统的CPU占用率在50%～90%的范围内，无法满足系统的高效运行需求。

使用基于AI视频图像处理的水电机组健康状态监测系统之后，未出现健康状态监测失误的现象，但是其监测完成之后，无论是健康状态还是故障状态，系统CPU占用率始终超过70%，无法满足系统其他应用的使用需求。

使用本文设计的基于VMD-TCN的水电机组健康状态监测系统之后，监测到的水电机组振动状态均与实际保持一致，并且完成健康状态监测之后，系统CPU占用率在10%～30%的范围内，占用率相对较低，能够满足多个应用同时进行的需求。

4 结 语

在水电机组开机运行状态下，对机组运行的健康状态做出可靠的监测与评估，能够对故障机组进行有效的诊断，确保水电机组的正常运行。本文研究了基于VMD-TCN的水电机组健康状态监测系统设计，其可从数据采集、信号分解等方面，实时反映水电机组的运行情况，便于监测水电机组的运行状态，为机组的正常运行提供保障。

参考文献：

［1］ 安勇.“三取二”冗余测量技术在金沙水电站调速器中的应用［J］.水利水电快报，2022，43（3）：82-85，90.

［2］ 陈茗，胡边，李靖.基于多源信号融合的灯泡贯流式机组故障特征提取［J］.人民长江，2023，54（8）：185-189，210.

［3］ 陈学标，肖远辉，肖富锋，等.基于EEMD-SD振动信号分析的水电机组故障预警方法［J］.水电与新能源，2023，37（2）：1-5.

［4］ 袁璞，郭歌，王莹，等.基于AI视频图像处理的水电机组运转监测与智能报警技术研究［J］.电网与清洁能源，2022，38（1）：121-127，134.

［5］ 姜伟，周建中，许颜贺，等.基于排列熵重构与长短期记忆神经网络的水电机组振摆趋势预测方法［J］.水电能源科学，2022，40（12）：152-155.

［6］ 秦小元，谢辉平，刘仁杰，等.结合综合赋权与高斯区间隶属度的水电机组状态评价模型［J］.中国农村水利水电，2022（9）：181-187，194.

［7］ 傅质馨，曹延，朱俊澎，等.基于MI-GA-BP和误差统计分析的水电机组健康评估模型研究［J］.电网与清洁能源，2021，37（7）：97-106.

［8］ 唐拥军，倪晋兵.基于噪声分析的水电机组故障定位技术研究［J］.水力发电，2022，48（12）：67-69.

［9］ 兰家法，周玉辉，高泽良，等.基于机器学习的水电机组劣化趋势预测模型［J］.水力发电学报，2022，41（12）：135-144.

［10］ 刘东，赖旭，胡晓，等.基于振动信号的水电机组状态劣化在线评估方法研究［J］.水利学报，2021，52（4）：461-473.

［11］ 段然，周建中，蔡银辉，等.基于低质量数据的水电机组变工况状态指标构建方法［J］.水电能源科学，2022，40（6）：183-187.

（编辑：高小雲）

Design of health monitoring system for hydroelectric units

based on VMD-TCNZHONG Xu，ZHANG Baoyuan，MENG Wei，CHANG Fengde，GAO Zhiguo

（1.Beijing Sifang Jibao Automation Co.，Ltd.，Beijing 100085，China； 2.Wangjianglou Hydropower Station Engineering Construction Bureau，Tonghua 134000，China）

Abstract：Aiming at the problem that the traditional hydropower unit operation monitoring system was mainly based on high-frequency vibration signal monitoring，while the low-frequency vibration signal monitoring often had errors，which affects the normal operation of the hydropower unit，a hydropower unit health monitoring system based on VMD-TCN was designed. In terms of hardware，an AC102 acceleration sensor was designed.In terms of software，health status data of hydroelectric units were collected，the status signals of hydroelectric units were processed，and the health status of the units were judged. Based on VMD-TCN decomposition of the health status monitoring signals of hydroelectric units，the signal frequency band sub-modal decomposition was performed based on the collected status signals to ensure the monitoring accuracy. The system testing results indicated that the design improved the monitoring effect of the system，and the system performance was good．

Key words：VMD-TCN；hydroelectric units；health status；monitoring system