近年來，我國水電機(jī)組的單機(jī)容量、裝機(jī)容量都保持著高速增長，水電發(fā)展規(guī)模日益增大。大約80%的水電機(jī)組故障都反映于振動信號中，異常的振動輕則對設(shè)備正常運(yùn)行產(chǎn)生影響，重則可能造成設(shè)備的破壞，直接影響水電機(jī)組的安全穩(wěn)定運(yùn)行，甚至可能引發(fā)廠房事故，造成嚴(yán)重的經(jīng)濟(jì)損失。

因此有必要研究水輪發(fā)電機(jī)組的振動特性、運(yùn)行狀態(tài)和故障防護(hù)，使機(jī)組在發(fā)生故障時能夠迅速而準(zhǔn)確地做出診斷，以減少停機(jī)維修時間，同時也促進(jìn)水電站向無人值守的自動化方向發(fā)展，獲得巨大的經(jīng)濟(jì)效益和社會效益。

水電機(jī)組的故障診斷通常基于振動信號進(jìn)行分析。首先，采集水輪發(fā)電機(jī)組一個或多個測點(diǎn)的振動信號，然后處理信號，并提取能夠表征信號的特征量，評估水電機(jī)組的運(yùn)行狀態(tài)，最后對異常的運(yùn)行工況進(jìn)行故障診斷，判斷故障發(fā)生的部位、原因和嚴(yán)重程度。具體流程圖如圖1所示。

圖1 水輪機(jī)組振動故障診斷流程圖

1 水輪發(fā)電機(jī)組振動特性

水電機(jī)組設(shè)備龐大、機(jī)理復(fù)雜，水力振動、電磁振動及機(jī)械振動是其運(yùn)行過程中產(chǎn)生振動的主要因素，下面展開具體說明。

水輪機(jī)中水流與設(shè)備之間相互作用產(chǎn)生的動水壓力導(dǎo)致了水力振動。影響水力振動的主要因素有：尾水管壓力脈動、水力不平衡、卡門渦列、水封間隙不均勻、空腔氣蝕、水流不均勻等。其頻率特性主要表現(xiàn)為：渦帶頻率和類轉(zhuǎn)頻頻率。

電動機(jī)設(shè)備內(nèi)部的電磁力導(dǎo)致了電磁振動，主要因素包括：不平衡的三相電流，定、轉(zhuǎn)子間氣隙不均，定子鐵心松動等。一般來說，電磁振動的頻率特性表現(xiàn)為：極頻及其整數(shù)倍頻。

水輪機(jī)組機(jī)械部件的摩擦力、慣性力和其他力導(dǎo)致了機(jī)械振動。影響機(jī)械振動的主要因素包括：軸線不對中或?qū)χ胁涣迹瑢?dǎo)軸承缺陷，旋轉(zhuǎn)部件質(zhì)量不平衡等。在機(jī)械振動中，其頻率特性主要表現(xiàn)為：轉(zhuǎn)頻及其整數(shù)倍頻。

由此可知，水力、機(jī)械、電磁三種因素互相影響、共同作用于機(jī)組，使得機(jī)組的振動信號包含信息眾多，故障發(fā)生時往往難以確定故障原因。因此，對于故障的前兆與類別之間的不確定信息乃至二者復(fù)雜的映射關(guān)系，還需要進(jìn)行深入地研究與實(shí)踐。

2 故障特征提取

對于非線性非平穩(wěn)的水電機(jī)組振動信號的處理，主要通過提取信號的有效特征量，使故障征兆從嘈雜的噪聲中突顯出來，作為故障診斷的輸入。到目前為止，時域、頻域、時頻域、軸心軌跡分析法等是水電機(jī)組提取故障特征量的重要方法。

2.1 基于時域分析的特征提取方法

時域分析方法，是通過獲取振動信號波形中各種時域參數(shù)和指標(biāo)并進(jìn)行分析，從而提取時域特征量的方法。迄今為止，在時域中應(yīng)用較為廣泛的參數(shù)及其指標(biāo)主要包括峰值、方差、均值、峭度、脈沖值、相角、裕度因子等。

文獻(xiàn)[7]提出了一種典型譜相關(guān)峭度圖算法，用相關(guān)峭度指標(biāo)代替峭度指標(biāo)，既反映了信號中的瞬態(tài)信息，同時滿足相關(guān)系數(shù)，有利于快速定位故障信號所在的頻率區(qū)間，提高算法的魯棒性。

時域分析計算簡單，且能直觀反映特征信息，隨著機(jī)組故障的出現(xiàn)，大多時域特征參量會發(fā)生改變。但對于不同故障類型及嚴(yán)重程度，時域分析統(tǒng)計參量則難以做出具體判斷，也無法有效反映信號的頻率變化。

2.2 基于頻域分析的特征提取方法

由于水電機(jī)組振動信號在頻域內(nèi)具有明顯的分布特征，因此頻域分析方法在故障特征量提取中應(yīng)用較為廣泛。頻域分析方法以傅里葉變換（fast Fourier transform, FFT）為基礎(chǔ)，通過對振動信號進(jìn)行譜分析，提取頻率特征作為故障特征量。常用的頻域分析方法主要包括：功率譜、幅值譜、包絡(luò)譜、倒頻譜、全息譜分析等。

文獻(xiàn)[8]分解并重構(gòu)了水輪機(jī)轉(zhuǎn)動部分同一切面上兩個互相垂直的傳感器采集的數(shù)據(jù)，得到二維全息譜圖。信號的相位信息和幅頻信息都包含在譜圖中，能夠直接看出最大幅值、旋轉(zhuǎn)方向、軌跡的形狀等。根據(jù)二維譜圖中的形狀，可以從已有的案例中，初步得出造成機(jī)組振動的主要原因。

在上述影響振動因素的相互作用下，水電機(jī)組振動信號通常展現(xiàn)出非平穩(wěn)、非線性的特性。由于傅里葉變換是建立在信號全局上的變換，無法對非平穩(wěn)、非線性信號進(jìn)行局部分析，同時純頻域分析方法在時域上不具備分辨能力。因此以傅里葉變換為基礎(chǔ)的頻域分析方法存在一定的局限性。

2.3 基于時頻分析的特征提取方法

為了更好地體現(xiàn)非平穩(wěn)、非線性振動信號的局部特性，獲得相對于頻率和時間的信號變化規(guī)律，引入基于時頻分析的特征提取方法。目前常見的時頻分析方法有小波變換（wavelet transform, WT）、希爾伯特黃變換（Hilbert-Huang transform, HHT）、Cohen類分布等。

1）WT

WT是用一組寬度不斷變化的基函數(shù)對信號進(jìn)行分析的時頻分析方法，通過多分辨率分析將振動信號變換到不同頻段和時段進(jìn)行局部分析，從而得到信號異常部分的細(xì)節(jié)特征。文獻(xiàn)[9]中，通過對振動信號使用小波變換，選擇合適的小波分解尺度和類型，獲得了能夠反映振動特征的系數(shù)圖。同時結(jié)合灰度矩，將其數(shù)值作為判斷振動信號強(qiáng)度的定量指標(biāo)。

文獻(xiàn)[10]利用小波包分析，根據(jù)故障發(fā)生時各頻帶能量發(fā)生的變化，建立振動故障與能量的映射關(guān)系，通過頻帶的能量譜圖，實(shí)現(xiàn)了故障信號特征量的提取。文獻(xiàn)[11]用圖像擬合了連續(xù)小波變換的模極大值與尺度的對數(shù)關(guān)系，用Lispschitz指數(shù)的大小表征機(jī)組故障程度，在實(shí)際故障診斷分析中效果顯著。

WT同時兼顧了時間分辨率和頻率分辨率，使其結(jié)果在兩個域內(nèi)都具有良好的局部特性，但實(shí)際應(yīng)用中需要解決小波基的選擇問題，不具有自適應(yīng)性。

2）HHT

HHT在振動信號分析中應(yīng)用非常廣泛，其分析過程主要包括兩部分：經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition, EMD）和希爾伯特變換（Hilbert transform）。HHT可以自適應(yīng)地將信號分解為若干出自信號本身的本征模式函數(shù)且獲得相對應(yīng)信號的Hilbert譜以反映原信號的時頻屬性。

文獻(xiàn)[12]將HHT運(yùn)用于水電機(jī)組空化信號特征的提取，得到不同空化狀態(tài)所對應(yīng)的頻帶特征，快速準(zhǔn)確地反映了機(jī)組的空化程度。文獻(xiàn)[13-14]利用EMD、變分模態(tài)分解（variational mode decomposition, VMD）方法于水輪機(jī)壓力波動信號分析中，準(zhǔn)確描述了壓力波動信號中的低頻分量，成功提取了尾水管的渦帶特征。文獻(xiàn)[15]采用EMD分解振動信號波形，獲得信號的不同特征尺度序列，并求取不同故障下的EMD近似系數(shù)作為主要趨勢曲線，以描述每一類故障信號的能量特性。

HHT具有自適應(yīng)性、正交性和完備性的特點(diǎn)，且避開了基函數(shù)的特定選取，克服了時域分析方法和小波變換的不足。于此同時，HHT也存在著諸如模態(tài)混疊、端點(diǎn)效應(yīng)等問題，仍需進(jìn)行深入研究。

2.4 其他方法

1）軸心軌跡分析

軸心軌跡分析常應(yīng)用于水電機(jī)組特別是軸承運(yùn)行狀態(tài)的監(jiān)測。軸心軌跡不僅可以顯示轉(zhuǎn)子軸徑相對滑動軸承的位移，還可以監(jiān)測轉(zhuǎn)子徑向受力的變化、軸承的對中程度，從而判斷軸的狀態(tài)。

文獻(xiàn)[16]在不同負(fù)荷情況下，確定了混流式水電機(jī)組的大軸擺度和尾水管渦帶部位軸心軌跡的變化趨勢，為水輪機(jī)故障診斷提供了理論基礎(chǔ)；文獻(xiàn)[17]研究了水輪機(jī)組不同運(yùn)行工況下的軸心軌跡分析，并結(jié)合支持向量機(jī)對幾種典型故障狀態(tài)進(jìn)行識別。

2）分形理論

分形理論是由分形幾何學(xué)衍生的一種數(shù)學(xué)方法，可以將難以定量的復(fù)雜系統(tǒng)分析解構(gòu)成簡單的局部表征，為能夠全面掌握復(fù)雜和不規(guī)則的振動信號的特性，可采用分形維數(shù)作為評價指標(biāo)。文獻(xiàn)[18]對去噪后的電動機(jī)軸承信號進(jìn)行維數(shù)分解，并在軸承不同運(yùn)行情況下，計算出這一信號的關(guān)聯(lián)維數(shù)值，從全局上定性、定量地描述軸承故障前后的情況變化，并通過實(shí)例證明了這一理論在實(shí)際運(yùn)用中的有效性。

3 故障診斷方法

基于振動信號的故障診斷方法有很多，目前應(yīng)用于水電機(jī)組的大致可分為兩類：一類是基于檢測數(shù)據(jù)處理的傳統(tǒng)方法，包括故障樹分析法、貝葉斯理論等；另一類是基于專家經(jīng)驗(yàn)和知識處理的智能診斷，包括模糊理論、粗糙集、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法。

3.1 傳統(tǒng)故障診斷方法

1）貝葉斯理論

貝葉斯理論是一種統(tǒng)計模型決策方法，通過概率推理對部分未知狀態(tài)進(jìn)行估計，利用貝葉斯公式更新概率信息，從而實(shí)現(xiàn)對不完整、不確定信息的診斷決策[19]。文獻(xiàn)[20]采用Noisy Or模型與貝葉斯網(wǎng)絡(luò)結(jié)合的方法對水輪發(fā)電機(jī)組進(jìn)行故障診斷，在保證診斷效果的前提下，提高了診斷速度和效率。

2）故障樹分析

故障樹分析作為一種直觀、明了的邏輯關(guān)系分析方法，其診斷過程從故障狀態(tài)切入，對系統(tǒng)故障模式及其部件進(jìn)行逐級的分析推理，直到得出故障發(fā)生的原因。文獻(xiàn)[21]利用故障樹圖進(jìn)行診斷系統(tǒng)的建模和可靠性分析，從上至下地挖掘與故障相關(guān)的可能因素，結(jié)合專家系統(tǒng)判斷，清晰可靠地表達(dá)了潛在的故障因素。

貝葉斯網(wǎng)絡(luò)和故障樹分析二者都是在給出隨機(jī)變量因果的條件下進(jìn)行診斷，其模型的建立都需要本領(lǐng)域?qū)＜液凸こ處煹膮⑴c，在實(shí)際應(yīng)用時具有局限性。

3.2 基于人工智能的故障診斷方法

1）模糊數(shù)學(xué)

模糊數(shù)學(xué)一個是描述人腦思維處理模糊信息的方法，在處理不確定性、不精確性問題上具有很好的適應(yīng)性。文獻(xiàn)[22]建立了狀態(tài)論域與征兆論域的模糊關(guān)系矩陣，并對故障狀態(tài)下的關(guān)系矩陣進(jìn)行模糊推理，判別滾動軸承故障情況。文獻(xiàn)[23]對故障程度對應(yīng)的振動強(qiáng)度進(jìn)行了分級描述，針對不同水電機(jī)組建立了多個模糊矩陣模式，成功診斷了某水電站的水輪機(jī)故障，驗(yàn)證了模糊診斷的有效性。

模糊數(shù)學(xué)在水輪機(jī)組故障診斷中有良好的效果，但該方法需要經(jīng)驗(yàn)知識的參與，比如對故障程度的描述、核心隸屬度函數(shù)的確定等。

2）粗糙集理論

粗糙集理論是一種處理不精確、不確定與不完全數(shù)據(jù)的分析理論，通過對數(shù)據(jù)進(jìn)行分析和推理，挖掘數(shù)據(jù)的潛在信息。文獻(xiàn)[24]提取了水電機(jī)組振動的重疊故障模式，先用粗糙集定義每種故障類別的上下近似，再與重疊故障模式進(jìn)行比較，最后結(jié)合支持向量機(jī)計算故障模式屬于某一種故障類別的可能性。

文獻(xiàn)[25]采用粗糙集建立規(guī)則提取數(shù)據(jù)決策表，并引入聚類算法和粒子群算法改進(jìn)粗糙集屬性約簡方法，對故障信息進(jìn)行約簡，提取能表征故障類別的信息，作為神經(jīng)網(wǎng)絡(luò)的輸入。該方法降低了數(shù)據(jù)維度并提高了診斷精度。

盡管粗糙集理論在處理不精確、不完備信息方面效果顯著且具有較好的魯棒性，但仍存在一些理論上的問題，例如與非標(biāo)準(zhǔn)分析、和非參數(shù)化統(tǒng)計等之間的關(guān)系等。

3）神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)系統(tǒng)建立的一種自學(xué)習(xí)方法，通過對大量已知樣本故障數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)層間學(xué)習(xí)，建立故障征兆和故障類別之間的映射關(guān)系，并將待診斷樣本輸送至已訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行故障判定。

文獻(xiàn)[26]利用多小波在正交性、對稱性等方面的良好特性，選擇其尺度函數(shù)，作為神經(jīng)網(wǎng)絡(luò)的核函數(shù)，對三種故障的特征集進(jìn)行訓(xùn)練。通過對比簡單神經(jīng)網(wǎng)絡(luò)，驗(yàn)證了該方法對訓(xùn)練初始參數(shù)有較低的敏感度，同時具有較好的收斂性和收斂速度，能更準(zhǔn)確、及時地判別故障。

文獻(xiàn)[27]結(jié)合集合經(jīng)驗(yàn)?zāi)B(tài)（EEMD）和奇異譜分解對振動波形去噪并得到奇異譜熵，將其作為特征量輸入SOM（self-organzing map）神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和診斷，提高了識別精度和計算速度。

由于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練依靠大量已知樣本，且故障診斷的效果與樣本數(shù)據(jù)的準(zhǔn)確性和完備性密切相關(guān)。因此如何獲得大批量故障樣本數(shù)據(jù)，是目前基于神經(jīng)網(wǎng)絡(luò)的故障診斷急需解決的問題。

4）支持向量機(jī)

支持向量機(jī)作為一種監(jiān)督學(xué)習(xí)方法，具有較強(qiáng)的分類能力，在解決小樣本、高維非線性決策問題方面有很大優(yōu)勢。文獻(xiàn)[28]采用支持向量數(shù)據(jù)描述方法以便提取不平衡故障樣本域的邊界支持向量樣本，并構(gòu)建了基于模糊閾值和K近鄰決策規(guī)則的故障診斷模型，解決了樣本稀缺且分布不均勻的問題。

文獻(xiàn)[29]對振動信號進(jìn)行VMD分解，計算故障時各模態(tài)分量的能量作為特征，再結(jié)合遺傳算法對支持向量機(jī)加以優(yōu)化，在樣本量不豐富的情況下，對故障特征進(jìn)行識別與診斷，成功識別出水電機(jī)組低頻渦帶故障、水力脈動故障以及水力不平衡三種故障。

支持向量機(jī)雖然應(yīng)用廣泛，但也存在核參數(shù)單一、樣本參數(shù)的選擇、只支持二分類等缺點(diǎn)，對故障診斷的準(zhǔn)確性有一定影響。

4 展望

從國內(nèi)外水輪發(fā)電機(jī)組故障診斷的研究及應(yīng)用情況來看，現(xiàn)有的方法能夠較好地實(shí)現(xiàn)特征提取和故障類型識別。但從上文的介紹可以了解到，目前故障診斷方法還存有自身的局限性。對于水電機(jī)組，未來其故障診斷方法可能存在以下幾個發(fā)展趨勢：

1）強(qiáng)噪聲背景下的故障特征提取。水電機(jī)組在實(shí)際工作中存在著大量噪聲干擾，在故障早期階段，有效的振動特征微弱。目前對微弱故障特征的提取工作已有一些成果，但仍需要深入研究和不斷充實(shí)。

2）故障診斷方法的融合。由上文可知，目前每一種單獨(dú)的診斷方法都存在各自的優(yōu)缺點(diǎn)。對于水電機(jī)組而言，新型的故障診斷系統(tǒng)需要融合不同方法，利用每種方法的自身優(yōu)勢、克服缺陷，建立集成專家系統(tǒng)，以確保故障診斷的智能性、準(zhǔn)確性。

3）隨著故障診斷技術(shù)的不斷發(fā)展，基于人工智能、物聯(lián)網(wǎng)技術(shù)等新型的診斷方法逐漸代替?zhèn)鹘y(tǒng)診斷方法成為首選，但是這些診斷算法通常在診斷過程中依賴于大量數(shù)據(jù)和訓(xùn)練樣本。因此，建立實(shí)時在線的故障診斷系統(tǒng)，充分利用在線系統(tǒng)中豐富的樣本量，使算法可以擺脫對歷史數(shù)據(jù)的依賴，減少訓(xùn)練時間，真正實(shí)現(xiàn)在線故障診斷，也是水電機(jī)組故障診斷未來的發(fā)展趨勢之一。

結(jié)論

本文從水電機(jī)組的振動特性出發(fā)，介紹了常見的故障特征提取方法，總結(jié)了當(dāng)下的水電機(jī)組振動故障診斷方法，包括傳統(tǒng)故障診斷方法和基于人工智能的故障診斷方法，并著重分析了各類方法的適用性、優(yōu)越性和各自的局限性。最后對水電機(jī)組今后的故障診斷趨勢進(jìn)行了展望，未來這一技術(shù)的發(fā)展還有待進(jìn)一步研究。