基于振摆信号的水电机组故障诊断技术的研究与应用.pdfVIP

摘要

近年来，随着水轮发电机组技术地不断发展，其构造愈发地复杂，单机容量也逐渐

增大，如何监测并识别机组的运行状态已成为水电业界中一个极为关注的问题。振动和

摆度作为水轮发电机组运行过程中最为常见的现象之一，但强烈的振动和摆度会直接威

胁到设备及人员的安全。因此，对水轮发电机组的振摆情况加以监测，从而及时发现并

排除故障，对提高水轮发电机组运行的可靠性具有重要意义。轴心轨迹作为水电机组故

障诊断中一类重要的图形特征，其间包含了大量的信息，而如何获取纯净的轴心轨迹信

号并对其进行分类识别一直是故障诊断研究中的热点问题。本文在此背景下对轴心轨迹

信号的降噪、特征提取与分类识别做了以下研究：

（1）针对轴心轨迹降噪方面的研究，本文采用小波变换（WaveletTransform，WT）、

经验模态分解（EmpiricalModalDecomposition，EMD）及完全自适应噪声集合经验模态

分解（CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise，CEEMDAN）

三种方法对蒙特卡洛方法模拟的仿真含噪信号进行了降噪处理。实验结果表明，上述三

种方法都能在一定程度上实现对含噪信号的降噪处理，但各自仍存在一定的局限性。为

了进一步提高降噪效果，本文结合了小波变换和模态分解两种方法的优点，研究了三种

新的小波与模态分解相结合的信号降噪算法，其分别为IMF-Wavelet，Wavelet-

CEEMDAN和IMF-Wavelet-CEEMDAN算法。后续通过对比研究，验证了IMF-Wavelet-

CEEMDAN算法在对含噪信号的降噪方面表现更为出色。该方法综合了小波变换的频域

分析能力和模态分解的时域分解能力，能够更有效地去除含噪信号中的干扰成分，从而

提取出真实信息。这一研究结果为本文后续对轴心轨迹的特征提取和识别奠定了基础。

（2）针对轴心轨迹特征提取方面的研究，本文基于图像的不变矩方法实现对轴心

轨迹特征的提取。首先，利用Hu不变矩提取了不同类型轴心轨迹的特征。后续研究发

现，在离散图像情况下，Hu不变矩不具备缩放不变性。因此，对Hu不变矩进行了改进，

后续实验验证了改进方法在不同图形缩放情况下的有效性。然而，改进方法仍然不具备

仿射不变性，当图形发生不对称变形时，改进Hu不变矩在图形表征能力方面较弱，导

致分类识别率较低的情况。因此，为了进一步提高轴心轨迹特征提取的效果，本文引入

了仿射不变矩的概念，并研究了将改进Hu不变矩与仿射不变矩以组合的方式来构建轴

心轨迹的特征向量。这种组合方式综合考虑了图形的不同变换情况，提高了特征向量对

图形的表征能力。

（3）针对轴心轨迹自动识别方面的研究，本文采用支持向量机（SupportVector

Machine，SVM）和粒子群优化算法（ParticleSwarmOptimization，PSO）、灰狼优化算

法（GreyWolfOptimizer，GWO）和成吉思汗鲨鱼优化算法（GenghisKhanSharkOptimizer，

GKSO）来构建轴心轨迹的分类模型。首先，利用改进Hu不变矩、仿射不变矩以及组合

不变矩三种特征和传统SVM进行了轴心轨迹的分类识别实验，验证了组合不变矩特征

相较于单一的不变矩特征可以获得更高的轴心轨迹识别率和稳定性。并且为了进一步提

高SVM模型的分类识别效果，应用PSO、GWO和GKSO算法实现对基于组合不变矩

特征的传统SVM模型参数的优化，并从中挑选出GKSO-SVM模型相较于其他两种优

化SVM分类模型最适合作为轴心轨迹的分类识别模型，其更能满足水电机组故障诊断

技术对准确性和稳定性的要求。

（4）为便于人机交互，本文基于上述算法开发了一个基于机组振摆信号的故障诊

断分析平台。该平台可实现用户在界面中进行现场真实采样数据输入、信号降噪、特征

提取及结果展示等操作，最终输出相应的故障诊断和分析结果。将输出的诊断结果与水

电站实际情况进行了对比验证，现场对比结果表明，本文研究的方法能够准确地诊断出

振摆信号中的故障情况，具有良好的工程意义和经济价值。

关键词：轴心轨迹；模态分解；不变矩；支持向量机；故障诊断

Abstract

Inrecent