水电机组振动故障的非线性多尺度分析与不确定信息诊断研究

Hydroelectric generator units (HGU) is the key equipment in the process of hydropower production. Hence, it is important and significant to carry out vibration analysis and fault diagnosis research for HGU to guide it to work in safe and economic working condition. The current fault analysis and diagnosis strategies have various limitations. In particular, it is difficult to describe the nonlinear characteristics of vibration signals with early faults. And the fault reasoning results cannot reflect uncertain information of the vibration faults. In this research, permutation entropy (PE) analysis for HGU vibration signal is done to reveal the abnormal dynamic mutation behavior of HGU under multi-factors coupling. By analyzing ensemble empirical mode decomposition (EEMD) based intrinsic mode function permutation (IMFPE), and multi-scale permutation entropy (MPE) of the HGU vibration signal, the multi-scale characteristics of the vibration signal are studied and the multi-scale feature vectors which can well represent the various working conditions of HGU are extracted and selected. Then, support vector machine (SVM), and one novel combination of rough set and SVM are used to setup the complicated nonlinear mapping relation of fault symptoms and fault causes. The purpose of this study is to achieve effective recognition and uncertain information decision of HGU faults, to guide the faults treatment and failure recovery, and thus to provide theoretical basis for further promoting intelligent hydropower station operation maintenance.

水电机组是水电能源生产过程中的核心设备。对水电机组开展振动分析与故障诊断策略研究，指导机组安全经济运行，具有重要的现实意义和工程应用前景。现有故障分析与诊断策略存在各种局限性，尤其是难以对水电机组早期故障的复杂动力学行为突变有效检测，故障推理结果不能反映振动故障的不确定信息。本研究项目从分析水电机组振动信号入手，引入基于排列熵的信号分析方法，探究多因素耦合作用下水电机组振动信号的异常动力学行为突变，通过基于集合经验模态分解的固有时间尺度排列熵、多尺度排列熵等非线性多尺度分析，研究机组振动特性在不同时间尺度上的分布规律和不同运行状态的多尺度特征描述，探求基于支持向量机及其与粗糙集有机结合的混合诊断策略，建立故障征兆与故障成因之间的复杂非线性映射关系，实现水电机组振动故障的有效识别与不确定信息决策，指导故障处理和故障恢复，为进一步推进水电厂运维向智能型转变提供理论依据。

水电机组故障受水力、机械和电气多方面因素影响，故障机理复杂，使得任何建立准确理论和数值模拟的方法都只能是近似的和有限的。本项目从分析振动信号入手，充分考虑水电机组振动信号的低信噪比、多分量、非平稳、非线性特点，探究多因素耦合作用下机组振动信号的异常动力学行为突变，研究机组振动特性在不同时空尺度上的分布规律和多尺度特征描述，推求机组故障的混合诊断策略，揭示故障征兆与故障成因之间的复杂非线性映射关系，实现水电机组振动故障的有效识别与不确定信息决策，指导故障处理和故障恢复。主要研究内容及发现如下： .研究发现当设备发生故障时，将给振动信号带来两个变化：第一，由故障引起的振动冲击频率将改变振动信号不同频段上的能量分布，使能量分布趋于集中；第二，新的故障冲击频率成分的出现，使得振动信号的频带变宽，从而加大一维振动信号的复杂度。基于这两点发现，研究工作分别采用本征模态函数能量熵和排列熵来检测机组是否发生了故障。研究发现，机组故障时其本征模态函数能量熵值因能量分布的集中而下降，而排列熵因机组故障振动信号复杂度的增加而增大。 .当机组发生故障时，将在采集到的振动信号中添加进特定频率的冲击成分。不同的故障所引入的冲击成分在各个时空尺度上的分布不同。基于此，研究工作通过对振动信号进行集合经验模态分解得到一系列反映振动信号不同频率特征的单频率分量信号，进而进行了本征模态分量奇异值分解、振动信号本征模态分量排列熵计算，得到了振动故障的非线性多尺度特征。基于这些特征，开展了振动故障的混合推理诊断策略研究。提出了一种基于特征空间类间距与梗概差分进化算法的优化支持向量机诊断模型，分别研究了基于引力搜索算法和极限学习机的混合故障诊断模型，基于最小最大核K均值聚类算法的水电机组振动故障诊断模型，以及支持向量机与粗糙集有机结合的机组振动故障推理诊断模型。实现了水电机组故障模式的高效识别与机组故障不确定信息的可靠表达。