基于EMD的水轮机故障识别

李俊岭

(中国南方电网调峰调频发电公司天生桥水力发电总厂，贵州 兴义 562400)

基于EMD的水轮机故障识别

李俊岭

(中国南方电网调峰调频发电公司天生桥水力发电总厂，贵州 兴义 562400)

利用EMD方法可依据信号本身固有特性进行分解的特征，对水力发电机组振动测试信号进行分析，并与傅里叶变换等方法进行比较。研究表明：基于EMD方法可以得到机组振动信号的IMF分量，能量占据主导地位的IMF分量与机组运行状态密切相关，该IMF分量直接由故障源诱发，因而采用EMD方法能够准确地捕捉到机组振动信号中所蕴含的真实物理意义，准确识别机组运行状态。

水轮机；经验模态分解；故障识别；HHT

0 引 言

水电机组故障类型，往往与其振动信号密切相连，通过对振动信号进行分析可以有效的识别水轮机故障类型，但是由于实测振动信号往往具有非线性、非平稳特征，信号的频率呈现时变特点，而传统的水轮机振动识别方法，比如傅里叶变换及其改进型、小波分析及小波包分析等方法[1]，或者无法同时进行频域和时域分析，或者时频分析效果不佳，难以正确的提取水轮机振动信号特征向量，直接影响到水轮机故障模式识别的准确度。为此，文中基于经验模态分解(EMD)方法，对水轮机实测振动信号进行分析，探索有效解决水轮机振动特征提取乃至故障模式识别的方法，这对于提高水电机组经济、安全运行有着重要的使用价值和学术价值。

1 EMD方法基本原理

1998年，美国人NordenE.Huang认为信号中蕴含着一系列固有特性，可以通过经验模式分解(EMD)将信号分解成一系列固有模式函数(IMF)的组合，然后在对每一个IMF分量求取其瞬时频率和瞬时幅值，最终获得信号的Hilbert频谱，进而可以完成对信号特征的提取和识别。由于EMD分解完全取决于根据信号本身数据特征，是一种自适应的分解过程，完全不需要考虑信号的先验知识，在具有较高频域分辨率的同时，也保证了时域分辨率，克服了傅里叶变换等方法的不足，该方法一经提出就引起广大科技工作者的关注，被广泛地应用于科学界和工程界相关领域内[2-3]。

EMD方法是通过数据的向量特征与时间维度来获得相对成型的函数，再通过得到函数去处理数据。用这个方法分析先是需找依次交替出现的极大、极小值点及零点值，并记录其相应的时间间隔(即特征尺度)。由于局部极值及零点值总是呈现交替的特性，提取一组波动之后，信号剩余部分仍呈现波动状态，按照信号特征尺度逐步提取这些波动数组，就达到了EMD分解的目的。信号EMD分解的过程如下：

(1)

令h=s(t)-m

(2)

如果h符合IMF条件，则h可以作为一个IMF，记为C1。但是，由于难以准确构建信号理论上的上、下包络线函数，而在采用插值方法近似时，任何细小的拐点都可能使得信号提取过程中转换成新的极值点，而这些人为产生的极值点仍然具有与前一次提取过程相同的特征尺度，这就造成初次提取获得的h不满足IMF条件。这种情况下，应对h再次提取，通过反复的提取，最终使得h满足IMF条件[4-5]。对于这种反复提取的现象，Huang提出了仿柯西收敛准则，即定义两次提取出的h1(k-1)(t)和h1k(t)的标准差SD为：

(3)

式中：T为信号的时间序列长度，当SD的值小于某一设定值ε时，筛选即停止。

令

R1=s(t)-C1

(4)

2 基于EMD的水轮机振动信号模态分解

某水电机组额定出力10MW，额定转速=5rad/s，设计水头51.2m，针对该实测信号，采用EMD方法进行分解，结果如图1所示。图1表明，实测信号做EMD分解一共可以分为10层IMF，其各层的振动频率有明显差异，其中，第3层和第4层IMF分量的频率基本集中在主频附近，归一化能量为0.76，占据主要地位，可视此IMF分量为实测信号的特征值，代表了实测信号的内在物理意义，参考水轮机经典故障集，可分析此时水轮机处于转子不平衡故障中。

图1 实测信号EMD分解结果

若将第3层和第4层IMF分量组合获取无干扰振动信号，并对其进行HHT变换提取信号特征，其结果如图2(a)所示，若直接对原始测试信号进行HHT变换提取信号特征， 其结果如图2(b)所示。图2表明，EMD分解后信号的振动频率集中在转频附近，而且随着时间的推移，转频附近的振动强度并没有较大的变换；但是在原始信号的时频分析中，主要振源虽然不仅出现转频附近，在二倍频和1/2倍频等附近也出现了，同时信号振动强度随着时间的推移有明显的变化，因此在时频图中存在着频率分散现象。显然，由于实测信号在测量过程中受到大量干扰因素影响，即便是采用相对较好的HHT信号处理方法也难以有效的提取振动特征，这将直接影响到水轮机故障识别的可靠性。

图2 EMD分解信号与原始信号对比图

在此基础上,对该水电机组不同运行时期振动实测信号取100组进行EMD故障识别，以归一化值高于0.1的IMF分层作为有效信号进行信号重构，进而开展HHT信号特征提取，其结果见表1，信号有效识别率达到100%，信号识别成功率远高于其他方法。

表1 不同方法水轮机故障识别成功率比较

3 结束语

文中利用EMD方法可依据信号本身固有特性进行分解的特征，对机组振动测试信号进行分析，得到机组振动信号的IMF分量，进而分析出其相应的物理意义，即在机组低速运转的振动信号中，高频IMF分量往往对应与噪声干扰，低频IMF分量则对应于机组运行中存在的趋势项，其他频率则与机组运行机理相对应。采用EMD方法能够准确的捕捉到机组振动信号中所蕴含的真实物理意义，准确识别机组运行状态，这不仅为机组振动信号分析提供了新方法，也为下一步进行振动信号故障诊断奠定了基础。

[1] 韩 捷,张瑞林．旋转机械故障机理及故障诊断技术[M]．北京：机械工业出版社，1997．

[2] 孙 晖. 经验模态分解理论与应用研究LD].杭州，浙江大学，2005．

[3] 皇甫堪,陈建文,楼生强．现代数字信号处理[M]．北京：电子工业出版社，2003．

[4] 黄永平．Hllbert～Huang变换及其若干改进研究[D].哈尔滨，哈尔滨工程大学，2007．

[5] 盖 强,张海勇,徐晓刚．Hilbert～Huang变换的自适应频率多分辨分析研究[J]．电子学报，2005，33(3)：563-566．

The Research on Faults Recognitions of Turbine Based on EMD

LI Jun-ling

(Tianshengqiao Hydropower Plant of China Southern Power Grid Frequency and Amplitude Modulation Power Company，Xingyi 562400, Guizhou Province, China)

According to the intrinsic mode of testing signals, the vibration characteristics of signals is analyzed based on EMD, and the results is compared with that of other methods. And the research show that the IMF of signals is result of multi-band EMD filtering, and the dominate IMF is closely related to the running state of hydraulic unit, so using EMD method can capture the physical meaning of vibration signals to identify the running type of unit.

Turbine; Empirical Mode Decomposition; Faults recognitions; HHT

2015-03-10

2015-03-21

李俊岭(1985-)，男，吉林四平人，本科，主要水电厂水轮发电机组运行维护工作。

10.3969/j.issn.1009-3230.2015.04.002

TV741

B

1009-3230(2015)04-0005-03