1、第54卷第8 期2023年8 月文章编号：10 0 1-417 9(2 0 2 3)0 8-0 18 5-0 5引用本文：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，2 0 2 3,54（8）：18 5-18 9,2 10.人民长江YangtzeRiverVol.54,No.8Aug.，2 0 2 3基于多源信号融合的灯泡贯流式机组故障特征提取陈茗,胡边2.3.4,李 靖1（1.湖南水利水电职业技术学院，湖南长沙410 131；2.五凌电力有限公司，湖南长沙410 0 0 4；3.国家电投集团水电产业创新中心，湖南长沙410 0 0 4；4.湖南省水电智慧化工程
2、技术研究中心，湖南长沙410 0 0 4）摘要：水电机组在非平稳工况及异常运行状态下，会产生剧烈的振动并发出刺耳的噪声。针对上述振动和音频信号，以灯泡贯流式水电机组为研究对象，通过布置高精度的加速度和音频传感器，对机组各部位的振动和噪声进行实时监测，采集振动和音频的多源融合信号。采用核主元分析法（KPCA）与改进的K-Means聚类算法提取多源融合信号频率幅值均方根参数，得到水轮机桨叶碰磨、本体敲击及发电机局放等故障的能量分布与特征值，构建了能够反映机组状态的六维特征向量模型。现场故障模拟试验表明，该模型能准确识别出对应故障，为机组检修维护提供了有力支撑。关键词：多源信号融合；故障特征；灯泡贯
3、流式机组；核主元分析法（KPCA）；K 均值中图法分类号：TM622；T K 7 33+.30引言水电机组运行过程中，水力、机械、电磁等因素的相互耦合，使得机组往往呈现非平稳、非线性和时变等特性，导致故障的诱因很难确定。故障特征提取大多采用现代时域分析与其他检测指标相结合的方法。胡晓等2 采用VMD方法分解水电机组振动信号，得到若干本征模态函数（IMF），再利用IMF构造二维图谱,输入CNN中,挖掘图谱中蕴含的故障特征并实现水电机组的故障诊断；蒋文君等3 采用EEMD算法分解水电机组振动信号得到一系列IMF分量，计算筛选分量的近似熵值构成多维特征向量，输入PNN进行模式识别，从而提取水电机组振
4、动信号的特征；张飞等4 认为基于BP神经网络的机组振动预测方法可以作为水电机组状态监测的推荐模型；Wu等5 利用灰色关联分析（GRA）和向量回归相结合的预测方法预收稿日期：2 0 2 2-0 4-2 6基金项目：国家自然科学基金项目（517 7 518 5）；湖南省高新技术产业科技创新引领计划（2 0 2 0 CK2094）；国家电力投资集团统筹科研项目（TC2020SD01）作者简介：陈茗，女，硕士，研究方向为电工理论与新技术。E-mail:通信作者：李靖，女，副教授，主要从事电工理论与新技术研究。E-mail:文献标志码：AD0I:10.16232/ki.1001-4179.2023.08
5、.026测水电机组的振动,验证了该方法的准确性。目前,水电机组在线故障诊断大都只关注振动摆度数据，而采用振动诊断技术，存在速度慢、测量频率范围低、高频信号难以识别等弊端。水电机组振动时会产生大量的声音，这些声音信号中蕴含的信息是设备正常、异常或故障信息的载体6 。若能够真实、充分地采集到足够数量且能客观反映机组健康状态的声音信号，并融合振动信息进行特征提取，可大幅提高水电机组故障诊断的准确率。本文以灯泡贯流式机组为研究对象，在灯泡头、灯泡体、转轮室等部位布置加速度和音频传感器，开展现场故障模拟试验，在线采集振动和音频多源融合信号。由于需将同一部位的多个传感器得到的特征进行串联，各特征彼此孤立且
6、维数又较多，给故障识别带来了困难7-9。在进行故障分类前先将原始故障样本通过核主元分析法（KPCA）进行降维特征融合，再利用改186进的K-Means聚类方法识别机组水轮机桨叶碰磨、本体敲击、发电机局放等故障。1振动与音频多源信号的融合方法灯泡贯流式机组的振动音频信号中除基频成分外，还存在其它干扰成分10 。为有效抑制干扰,增强基频信号，本文提出了振动与音频的多源信号融合方法。该方法利用互相关原理增强振动音频信号中的同频分量，解决机组全频带振动与音频信号的时频特征匹配难题，实现灯泡贯流式机组故障特征的准确提取。一般情况下,在振动信号和音频信号传播的过程中，两种信号中引人的干扰成分通常是不同的，
7、也就是说，振动信号和音频信号有着相同的基频和不同的干扰频率 多源融合信号是由振动频率的基频信号、干扰信号和白噪声线性叠加而成的12 ,根据互相关与傅里叶变换的性质，为了表达的简洁,将互相关序列分成3个部分，如式（1）所示。Rva(jo)=R,(jo)+R,(jo)+R,(jw)式中：R.表示振动信号与音频信号的互相关，R，表示振动信号和音频信号中同频成分的互相关，R，表示振动信号和音频信号中不同频率成分的互相关,R，表示高斯白音频和各个频率成分的互相关。同频成分经过互相关后获得增强，不同频率成分和噪声由于没有相关性，经过互相关运算后相互抑制，因此R,R,+R,从而互相关序列的频谱成分可以简化为
8、R.(jo)An el(w+2mfo)+e-0(-2f)(2)由此可知，经过融合重构之后，振动信号和音频信号中代表水电机组振动频率的基频信号得到增强，干扰信号和噪声被抑制。振动与音频传感器布设在同一区域时，振动信号和音频信号均包含反映振动频率的基频信号,因此基于多源信号融合重构序列能够更好地提取水电机组的振动频率信息。2基于KPCA 与改进K-Means的故障特征提取2.1 KPCA 算法KPCA有两个重要的参数需要确定：一个是核函数的确定；一个是累积贡献率阈值的选取。本次研究采用高斯核（RBF）作为特征从低维到高维的映射函数,其表达式为K(xi,x,)=exp(人民长江式中：x,代表第i个特
9、征样本的取值，代表高斯核宽度。采用十字交叉法优化选择RBF的参数，确定原始故障样本的,通过KPCA处理后，根据方差累计贡献率大于或等于9 5%选取非线性核主元，得到融合特征入1、入2、入3、入4的累计贡献率分别为55.7%，76.9%,83.42%,85.25%。然而，机组运行状态的变化往往伴随着特定频段能量的变化，为了提高故障特征提取的精确度,对特征空间进行二次分析，引入了两个能量加权特征值入5、入。,其中入，为中低频段能量值,入。为高频段能量值，得到了一个特征向量阵T。T=(入1,入2,入3,入4,入5,入。l式中：入，为融合特征1,表示振动音频时域特征的线性叠加；入，为融合特征2，表示原
10、始特征映射到高斯核空间时域特征的融合；入3为融合特征3，表示振动音频频域特征的线性叠加；入4为融合特征4，表示原始特征映(1)射到高斯核空间频域特征的融合；入，为能量特征1，表示高频区域离散频段能量和；入。为能量特征2,表示中低频区域连续频段能量和。将融合的特征向量阵T进行均一化处理，使其满足入,E（-1,1)后,输入诊断算法进行故障诊断。2.2改进的K-Means 特征聚类算法传统KM e a n s 聚类算法是一种无监督的学习，也是一种迭代求解的聚类分析算法，需要人为确定k值13-14。由于要判别水电机组不同的运行状态，为实现k值的自适应，应用莱特准则改进传统K-Means算法。莱特准则是
11、一种正态分布情况下判别异常值的方法,适用测量次数N较大时(N10)15-16。假设在一列等精度测量结果中,第i次测量值x；所对应的残差为Ix(i)/=x;-x若残差的绝对值满足lx，（i）I 3,则该误差为粗差,所对应的测量值x；为异常数值,其中为标准偏差。改进的K-Means聚类算法利用传统K-Means聚类算法分别进行k=1,k=2的聚类,并计算两次聚类的误差平方和之差的绝对值，将误差平方和之差的绝对值存人一个长度为2 0 的滑动窗，利用莱特准则在滑动窗上判别数据是否出现异常值。若出现异常值,则算法将返回k=2 的聚类结果并将异常数据聚为另一类。2.3故障特征提取针对灯泡贯流式机组目前已有
12、故障样本量稀少，不x;-x;利于完成故障识别模型训练等问题，通过在线多源融合(3)2022023年(4)(5)信号累积的海量数据与在线特征提取所积累的特征库，第8 期对正常工况和异常工况的样本特征向量进行聚类分析。基于KPCA算法得到故障特征向量与在线多源信号融合监测系统所采集的振动与声频数据之间的映射关系。结合改进的K-Means聚类算法,利用充足的特征样本数据完善故障模型并逐步实现水电机组故障类型的准确识别。故障特征提取流程如图1所示。样本聚类分析图源数据融合样本聚类相关特征分析样本聚类正常工况样本异常工况样本故障特征分类时频特征分析提取生成特征序列输入在线多源融合信号改进的K-Means
13、聚类输出一图1故障特征提取流程Fig.1Sketch of fault feature extraction process3试验研究3.1振动、音频传感器布置以单机容量450 MW的灯泡贯流式水电机组为研究对象，其最大水头为2 9 m，转轮重49.6 t，桨叶长1.93m，主要由灯泡头（发电机）、灯泡体（轴承）、转轮室（水轮机）、大轴、导叶等组成，如图2 所示。水流绕灯泡体推动转轮旋转，从而带动发电机发电。发电机定子用上支柱轴承灯泡头入水发电机转子图2 灯泡贯流式水电机组结构示意Fig.2 Structure of bulb tubular hydropower unit在水电机组振摆系统已
14、有的振动传感器基础上增设相关振动（加速度）传感器，并安装音频传感器。传感器测点布置如表1所列。振动传感器型号为CT1010LC，电压灵敏度10 1.6mV/g,频率范围12 0 0 0 Hz。音频传感器型号为HY205，动态上限146 dB，灵敏度50 mV/Pa，频率响应陈、茗，等：基于多源信号融合的灯泡贯流式机组故障特征提取水导轴承+X方向时频特征水导轴承+Y方向分析提取组合轴承-X方向组合轴承-Y方向受油器+45方向生成特征序列受油器+135方向A水导轴承+45方向模型训练出入竖井导叶下支柱转轮室187范围2 0 10 kHz。数据采集卡型号为EM9118B,最高采样频率450 kHz1
15、6位分辨率。表1振动与音频传感器测点布置Tab.1 Arrangement of measuring points of vibrationand audio sensors部件位置灯泡头+X方向+Y方向受油器+X方向受油器+Y方向灯泡体水导轴承+135方向转轮室+X方向机组故障类型识别-X方向+Y方向-Y方向+45方向+135方向注：灯泡头、灯泡体、转轮室均布置一个环境噪声传感器。3.2古故障模拟试验灯泡贯流式机组在不同部件发生不同故障时具有不同频率、幅值、相位的振动和音频信号，因此，可以通过分析振动音频融合信号各个频段的参数来提取相应故障特征。分别在转轮室、灯泡体、灯泡头等位置模拟水轮机桨
16、叶碰磨、本体敲击、发电机局放等故障。通过在不同工况下对几种故障进行音频信号和振动信号的模拟,来验证故障特征提取与识别的效果。尾水管3.2.1水轮机桨叶碰磨在转轮室模拟水轮机桨叶碰磨故障，通过分析采集的多源融合信号时频特性可知，与正常工况相比，桨出水叶碰磨时在7 0 0 140 0 Hz附近出现频率带。因为故障特征频率分布较广，为有效识别水轮机桨叶碰磨，提取7 0 0 140 0 Hz特征频率带的频率幅值均方根为转轮1.610-3,正常工况为1.8 10-4,表明可以区分出两种不同的工况。3.2.2本体敲击在灯泡体进行本体敲击的故障模拟，在分析采集的多源融合信号时频特性时，会出现一条条的频率带，
17、频率带的主要能量分布在10 0 0 2 0 0 0 Hz。提取10002000Hz频率范围的频率幅值的均方根作为故障特征，本体敲击故障特征值大约为2.310-3,远大于正常工况下的4.510-4,可以将其作为判别本体敲击的特征。数量111111111111111111传感器类型音频音频振动振动音频音频音频音频振动振动振动振动音频音频音频音频振动振动1883.2.3发电机局放在灯泡头模拟发电机局放故障，通过分析采集的多源融合信号时频特性可知，频率在2 0 0 0 30 0 0 Hz有明显的能量分布，正常工况下该频率范围没有能量分布。通过提取2 0 0 0 30 0 0 Hz频率范围的频率幅值均方
18、根值，两者的特征值存在较大差异，发电机局放特征值最大值为0.0 4左右，正常工况下特征值为310-4。上述3种模拟故障的主要特征频率范围及提取参数如表2 所列。表2 故障的特征频率范围与提取参数Tab.2Fault characteristic frequency range andextraction parameters故障类型能量分布/Hz水轮机桨叶碰磨700 1400本体敲击10002000发电机局放200030003.3故障特征识别对多源融合数据每隔0.2 s作一次特征提取，并将计算出的值计作一个特征数据点，在整个采集时间内,得到若干个特征数据点。根据改进的KM e a n s算法，
19、将这些特征数据点进行在线聚类,得出故障特征的识别结果。3.3.1水轮机桨叶碰磨采用KPCA对水轮机奖叶碰磨多源融合数据进行提取，所得的6 维特征值变化情况如图3（a）所示。由结果可知，在转轮室处发生桨叶碰磨时，融合特征2、融合特征3和融合特征4会出现变化，明显大于正常值,其余特征无明显变化。对采集的故障数据特征点进行补充然后作改进KM e a n s 聚类。当第19 9 8 个数据在线输人，算法经18 2 9 次迭代后，识别结果趋于稳定,得到的聚类分析结果如图3(b)所示。图中蓝色区域判定为正常，红色区域识别为发生水轮机桨叶碰磨,两者的时间与现场试验时间标签一致，说明改进的K-Means算法能
20、有效识别水轮机桨叶碰磨故障。3.3.22本体敲击采用KPCA对灯泡体本体敲击多源融合数据进行提取,所得的6 维特征值变化情况如图4（a)所示。在灯泡体发生本体敲击时，融合特征1、融合特征2、融合特征3、融合特征4和能量特征2 会出现变化，明显大于正常值,其中融合特征1和能量特征2 的幅值变化最为剧烈,能量特征1的值无明显变化。对采集的故障数据特征点进行补充，用18 48 特征点作改进KMeans聚类，当第18 48 个数据在线输人，算法经17 2 7次迭代后，识别结果趋于稳定，得到的聚类分析结果如图4(b)所示。图中蓝色区域判定为正常，红色区域识人民长江1.2 融合特征1一一融合特征21.0F
21、十融合特征3f-01X/亚0.8一一融合特征4一能量特征10.6上一一能量特征20.40.2005(a)6-dimensional eigenvaluechange0.80.70.6特征值提取参数1.6 10-3频率幅值均方根2.3 10 3频率幅值均方根0.04频率幅值均方根2023年1015计算点数/个(a)六维特征值的变化0.550.450.30.20.10图3水轮机桨叶碰磨故障特征识别（转轮室）Fig.3Characteristic identification of turbine bladerubbing fault(runner chamber)0.010r一融合特征10.008
22、F一一融合特征2融合特征3+融合特征4M0.006F一能量特征1一能量特征0.0040.002000.8r0.70.6F0.550.450.3F0.20.10200400600800100012001400160018001800(b)改进K-Means聚类结果(b)ImprovedK-Meansclusteringresults图4本体敲击故障特征识别（灯泡体）Fig.4 Body knocking fault feature identification(bulb body)205001000输入数据/个(b)改进K-Means聚类结果(b)ImprovedK-Means clusteri
23、ngresults1020计算点数/个(a)六维特征值的变化(a)6-dimensional eigenvaluechange输入数据/个2515003040302000503525006040第8 期别为发生本体敲击故障，两者的时间与现场试验时间标签一致,说明改进的KM e a n s 算法能有效识别灯泡体发生本体敲击故障。3.3.3发电机局放采用KPCA对发电机局放多源融合数据进行提取,所得的六维特征值变化情况如图5（a)所示。在灯泡头处发生发电机局放时，融合特征2 和融合特征3会出现变化，明显的大于正常值，其余4个特征值无明显变化。对采集的故障数据特征点进行补充，用1498个特征点作改进
24、KM e a n s 聚类。当第149 8 个数据在线输人，算法经12 99次迭代后，识别结果趋于稳定,得到的聚类分析结果如图5(b)所示。图中蓝色区域判定为正常，红色区域识别为发生发电机局放故障，两者的时间与现场试验时间标签一致，说明改进的K-Means算法能有效识别灯泡体发生本体敲击故障。0.04一融合特征1一融合特征20.03融合特征3一融合特征4一能量特征10.02一能量特征20.01F+0051015202530354045计算点数/个(a)六维特征值的变化(a)6-dimensional eigenvaluechange0.80.70.60.5150.40.30.20.10图5发电
25、机局放故障特征识别（灯泡头）Fig.5Generator partial discharge fault featureidentification(bulb head)4结论本文基于采集的振动和音频多源融合信号，采用KPCA算法提取了能够反映机组状态的六维特征值，应用改进的K-Means聚类算法实现了对灯泡贯流式机组水轮机桨叶碰磨、本体敲击、发电机局放等故障特陈、茗，等：基于多源信号融合的灯泡贯流式机组故障特征提取W8 徐雄，林海军，刘悠勇，等.融合PCA与自适应K-Means聚类的50水电机组故障检测在线方法J.电子测量与仪器学报,2 0 2 2,36(3):260-267.9高扬.水力发
26、电机振动和噪声监测系统的设计与研究D.北京：中国矿业大学,2 0 2 1.【10 谭不成，万元，朱红平，等，多源信息融合的水轮机组振动测量方法J.中国测试,2 0 2 1,47(9)：9 4-10 0.11胡边，谭丕成，叶源，等.基于声学特性的灯泡贯流式水轮发电机组噪声信号采集系统设计J.中国测试，2 0 2 1,47（3）：139-143.12 OPPENHEIM A V,WILLSKY A S.Signals and systems M.NewJersey:Prentice Hall,1983.13 SHAN X,TANG L,WEN H,et al.Analysis of vibrati
27、on and acoustic200400600800100012001400输入数据/个(b)改进K-Means聚类结果(b)ImprovedK-Means clustering results189征的准确识别，建立了水电机组多源融合信号特征与机组运行状态的对应关系及故障模型库。该模型能及时对潜在故障进行预警，进一步完善了水轮发电机组状态监测体系，为水电设备安全稳定运行提供了有力保障，具有极大的推广应用价值。通过长期对多源融合信号进行故障特征分析，能丰富故障种类，提高故障诊断准确率，为状态检修提供决策支持。参考文献：1吴道平，温钦钰，戴勇峰.混流式水轮机振动噪声测试分析及处理措施：以上犹江
28、水电站为例J.人民长江，2 0 2 0,51（7）：2 18 224,235.2胡晓，肖志怀，刘东，等.基于VMDC NN的水电机组故障诊断J.水电能源科学,2 0 2 0,3 8（8:13 7-141.3蒋文君，胡晓，张培，等.基于EEMD近似熵的水电机组振动信号特征提取J.水力发电学报，2 0 2 0,39（6）：18-2 7.4张飞，潘罗平.基于人工神经网络的水轮发电机组振动预测研究J.人民长江,2 0 11,42(13)：48-50,10 6.5WU Y,ZHENG B,FENG Z,et al.The vibration prediction of hydro-generating
29、units based grey relational analysis and fuzzy support vectorregression C/2019 4th International Conference on IntelligentGreen Building and Smart Grid(IGBSG),IEEE,2019.6胡润志.水电机组非平稳信息特征提取及其振动预测【D.邮郸：河北工程大学，2 0 2 1.7唐拥军，周喜军，张飞，噪声分析在水电机组故障诊断中的应用J.中国农村水利水电,2 0 17（8：2 0 6-2 0 8.1600signals for noncontac
30、t measurement of engine rotation speed J.Sen-sors,2020,20(3):683.14吴天昊，刘韬，施海宁，等.基于核主元分析法的核电厂设备状态监测技术研究J.核动力工程，2 0 2 0,41（5）：132-137.15郭永坤，章新友，刘莉萍，等.优化初始聚类中心的K-means聚类算法J.计算机工程与应用,2 0 2 0,56（15）：17 2-17 8.16李海涛，刘奎芹.基于最小二乘椭圆拟合改进算法的磁力计校正J.电子测量技术,2 0 18,41（15）：145-148.(编辑：郑毅）（下转第2 10 页）210pression range
31、 can reach 55.2%compared with the non-catchment pipe.Among dfferent drainage systems,the drainage effectof the double drainage system was the best,which was 2.5 times and 1.1 times than that of the single slope drainage system andthe single bottom drainage respectively.In the double drainage system,
32、the drainage volume of channel bottom drainage device ac-counted for 82.02%90.91%,which was much larger than that of slope drainage device.Based on the experimental results,it isconcluded that for the deep excavated rocky channel section with developed cracks,it is appropriate to design a dual drain
33、age sys-tem of channel bottom and slope network connected by vertical and horizontal drainage pipes and drainage devices to reduce theuplift pressure damage of lining structure.Key words:deep excavated channel;drainage and decompression;decompression effect;drainage volume;Jiaodong water diver-人民长江s
34、ion project2023年（上接第18 9页）Fault feature extraction method of bulb tubular units based on multi-source signal fusionCHEN Ming,HU Bian2-3.4,I Jing(1.Hunan Polytechnic of Water Resources and Electric Power,Changsha 410131,China;2.Wuling Power Co.,Ltd.,Changsha410004,China;3.Hydropower Industry Innovati
35、on Center of State Power Investment Co.,Ltd.,Changsha 410004,China;4.Engineering Technology Research Center of Hydropower Intelligent of Hunan Province,Changsha 410004,China)Abstract:When a hydroelectric unit operates under non-steady working and abnormal conditions,it will produce violent vibra-tio
36、n and harsh noises.In order to ensure the safe and reliable operation of a unit,a bulb tubular hydropower unit is taken as theresearch object,the vibration and noise of each unit part were monitored in real time by arranging high-precision accelerationand audio sensors,and multi-source fusion signal
37、s of vibration and audio were collected.The Kernel Principal Component Analy-sis(KPCA)and the improved K-Means clustering algorithm are used to extract the root mean square parameter of the frequencyand amplitude of the multi-source fusion signal,and the energy distribution,eigenvalues of faults suc
38、h as the turbine blade colli-sion,body knock and generator partial discharge are obtained.Based on the energy distribution and eigenvalues,a six-dimension-al eigenvector that can reflect the state of a unit is constructed.Combined with the on-site fault simulation test,the correspondingfault can be accurately identified by the extraction method.The research results can provide strong support for the maintenance ofthe units.Key words:multi-source signal fusion;fault feature;bulb tubular units;Kernel Principal Component Analysis(KPCA);K-Means