水电机组故障诊断及状态趋势预测理论与方法

随着我国能源战略的不断调整，现代能源体系正迈入安全、清洁、高效的低碳时代。一方面，常规水电和抽水蓄能迎来新的发展机遇，装机规模快速增长；另一方面，为消纳风电、太阳能、海洋能等新能源并网时给电网带来的冲击，水电能源将承担更多的调峰、调频任务，同时，为切实解决新能源背景下的弃风、弃水、弃光等问题，对水电的运行与管理提出了更高的要求。而水电机组作为水电能源转换的关键设备，正朝着复杂化、巨型化方向发展，各部件间的耦合作用更加强烈，由此带来机组振动信号的非线性与非平稳性不断增强，尤其是故障与征兆间的映射关系更为复杂。对此，传统的状态监测与故障诊断方法已难以很好地满足新形势下的水电机组运行分析需求，迫切需要研究新的理论与方法，譬如在监测系统采集到的水电机组实际运行数据基础上，探索新的信号分析与故障诊断方法，以提高状态监测与故障诊断的分析精度，进而提升水电机组的运行稳定性。

本书在深入分析水电机组振动故障机理的基础上，针对实际课题——水电机组振动信号处理与故障诊断中存在的若干问题，结合自适应信号处理、模型参数盲辨识、人工智能等交叉学科的理论与方法，围绕水电机组振动信号分析、非平稳故障特征提取、智能故障诊断以及状态趋势预测等展开了系统性的研究工作，相关结论可为水电机组的运行与管理提供一定的工程应用指导。全书共分为8章，其中第2～5章为理论篇，主要介绍相关理论与方法；第6～8章为实践篇，主要介绍水电机组振动故障诊断及状态趋势预测模型与方法。

第1章为绪论，围绕所要研究的主要内容论述了背景与意义；阐述了水电机组在不同振源激励作用下的振动故障机理；结合工程实际应用中水电机组状态监测与故障诊断时的故障信号特点及分析需求，对当前较为常用的信号处理与特征提取方法的优势与不足做了详细分析；同时，对主流故障模式识别方法的优势和劣势也进行了综合性论述。

第2章为水电机组振动信号处理理论与方法，详细阐述了短时傅里叶变换、小波变换、经验模态分解、集成经验模态分解、局部均值分解、变分模态分解等非平稳信号处理方法，为后续故障诊断与状态趋势预测研究提供理论基础。

第3章为水电机组振动故障特征提取理论与方法，阐述了时域和频域特征提取、基于多种熵的特征提取，以及基于模型参数辨识的特征提取等方法，并进一步分析了基于主元分析的特征选择方法，以充分表征水电机组运行状态的特征信息。

第4章为水电机组智能故障诊断理论与方法，阐述了基于规则的诊断推理与基于数据驱动的故障模式识别方法，为后续故障诊断提供技术支持。

第5章为水电机组状态趋势预测理论与方法，阐述了时序分析、自适应模糊神经系统、支持向量回归、小二乘支持向量机回归、极限学习机等预测方法，为后续章节的状态趋势预测提供理论基础。

第6章为水电机组振动信号降噪研究，探索了普通信号与噪声信号的自相关函数特点，定义了归一化自相关函数的能量集中度指标，提出了基于经验模态分解(EMD)与自相关函数的水电机组振动信号降噪方法；同时提出了基于集成经验模态分解(EEMD)与近似熵的水电机组振动信号降噪方法；进一步为有效提升强背景噪声与复杂电磁干扰下水电机组振动信号的分析精度，引入Hankel矩阵变换与奇异值分解技术，提出了一种基于增强变分模态分解（VMD）相关分析的水电机组振动信号降噪方法，推求了有效模态分量选择的能量集中度指标边界，实现了水电机组振动信号的降噪分析。

第7章为水电机组振动故障诊断方法研究，针对水电机组多重激励耦合作用下故障类别与征兆间映射关系难以精确描述的问题，融合时序模型在处理复杂动力系统参数盲辨识时的优势与变分模态分解的非平稳信号处理能力，提出了一种基于多元自回归模型参数盲辨识的非平稳故障特征提取方法；进一步为提升故障诊断精度，提出了基于排列熵特征与混沌量子正弦余弦算法(SCA)优化SVM的故障诊断模型；针对水电机组故障诊断面临的样本分布不均匀与数量倾斜问题，充分融合支持向量数据描述(SVDD)的学习能力与K近邻方法的邻域刻画优势，引入考虑局部密度与各类样本规模的复合权重，构建了基于相对距离模糊阈值和K近邻的决策规则，提出了一种基于权重SVDD与模糊自适应阈值决策的故障诊断模型，有效提升了水电机组振动故障诊断的精度。

第8章为水电机组非线性状态趋势预测研究，分析了开展水电机组状态趋势预测研究的可行性，构建了基于频率与能量相似性的聚合策略，进而建立了基于集成经验模态分解与支持向量回归的预测模型；推求了预测建模下变分模态分解的分解参数，提出了一种基于变分模态分解与优化小二乘支持向量机的水电机组状态趋势预测方法；进一步为充分减小分量非平稳性对预测结果的影响，结合奇异谱分解技术，提出了多尺度主导成分混沌分析策略，引入灰狼优化算法并对其进行自适应变异改进，提出了基于多尺度主导成分混沌分析与优化核极限学习机的预测模型，实现了水电机组状态趋势的准确预测。

本书作者华中科技大学周建中教授与三峡大学付文龙博士所在团队长期从事水电机组状态监测、信号处理、特征提取、故障诊断、趋势预测等课题的理论与应用研究。团队主持或承担了多项关系到我国大型流域水利水电工程运行与管理的理论探索与应用研究任务，其中一批成果在工程实际应用中发挥了重要作用。本书包含了研究团队在相关领域的重要研究成果，本书的出版对丰富和发展水电机组的安全、稳定运行理论研究的内涵与外延具有重要的文献价值，可为相关研究人员提供一定的指导与借鉴。

由于作者水平有限及完成时间较紧，书中难免有纰漏之处或值得商榷的地方，恳请广大专家同行和读者提出宝贵意见，以便再版时对相关内容进行调整与完善，甚为感谢。

本书针对水电机组状态监测与故障诊断研究面临的关键科学与技术问题，围绕振动信号分析、非平稳故障特征提取、智能故障诊断以及状态趋势预测等开展了系统性研究工作。全书共分为8章，其中第2~5章为理论篇，主要介绍相关理论与方法；第6~8章为实践篇，主要介绍研究所提的水电机组振动故障诊断及状态趋势预测模型与方法。

本书适合从事信号处理、故障诊断、趋势预测等水电机组状态监测与故障诊断研究方向相关学科高年级本科生、研究生学习参考，也可以作为水电机组运行管理人员、相关工程技术人员和研究人员参考资料。

周建中，教授、博士生导师，华中科技大学水电与数字化工程学院院长。华中科技大学首届校内特聘教授、首届华中学者（领军岗），德国布伦瑞克理工大学客座教授。 获国家科技进步二等奖2项、省部级科技进步特等奖3项、一等奖10项、二等奖7项。2015年获中国大学出版社优秀学术著作一等奖1项、2017年获第三届湖北出版政府奖1项；获国家发明专利27项，获软件著作权22项。出版专著4部，在国内外重要学术刊物发表学术论文300多篇，其中被SCI、EI收录250多篇次。 

第1章绪论(1)

1.1水电机组故障诊断研究的背景与意义(1)

1.2水电机组振动故障机理(2)

1.2.1水力激励振动(3)

1.2.2机械激励振动(3)

1.2.3电磁激励振动(4)

1.3水电机组信号处理与特征提取研究方法综述(5)

1.3.1信号处理方法(5)

1.3.2特征提取方法(8)

1.4水电机组智能故障诊断研究方法综述(9)

1.4.1基于规则的诊断推理(10)

1.4.2基于数据驱动的故障模式识别(11)

1.4.3基于序列建模的故障预测(12)

理论篇故障诊断及状态趋势预测理论与方法

第2章水电机组振动信号处理理论与方法(16)

2.1短时傅里叶变换(16)

2.2小波变换(17)

2.2.1小波和小波变换(18)

2.2.2常见的小波基函数(20)

2.3经验模态分解与集成经验模态分解(22)

2.3.1经验模态分解(22)

2.3.2集成经验模态分解(24)

2.4局部均值分解(25)

2.5变分模态分解(27)

第3章水电机组振动故障特征提取理论与方法(30)

3.1时域、频域特征提取(30)

3.1.1时域特征(30)

3.1.2频域特征(32)

3.2基于熵的特征提取(33)

3.2.1信息熵(34)

3.2.2能量熵(34)

3.2.3近似熵(35)

3.2.4样本熵(37)

3.2.5排列熵(38)

3.2.6多尺度熵(39)

3.3基于模型参数辨识的特征提取(40)

3.4基于主元分析的特征选择(41)

第4章水电机组智能故障诊断理论与方法(43)

4.1基于规则的诊断推理(43)

4.1.1故障树(43)

4.1.2专家系统(44)

4.2基于数据驱动的故障模式识别(45)

4.2.1神经网络(45)

4.2.2支持向量机(49)

4.2.3小二乘支持向量机(52)

4.2.4支持向量数据描述(54)

4.2.5极限学习机(56)

第5章水电机组状态趋势预测理论与方法(59)

5.1时序分析(59)

5.1.1AR模型(59)

5.1.2MA模型(60)

5.1.3ARMA模型(60)

5.2自适应模糊神经系统(60)

5.3支持向量回归(62)

5.4小二乘支持向量机回归(63)

5.5极限学习机(64)

实践篇水电机组振动故障诊断及状态趋势预测应用

第6章水电机组振动信号降噪研究(66)

6.1基于EMD与自相关函数的水电机组振动信号降噪研究(66)

6.1.1EMD降噪(66)

6.1.2自相关函数(67)

6.1.3基于EMD与自相关函数的降噪方法(67)

6.1.4仿真试验与实例分析(69)

6.2基于EEMD与近似熵的水电机组振动信号降噪研究(75)

6.2.1EEMD降噪(75)

6.2.2近似熵降噪(75)

6.2.3基于EEMD与近似熵的降噪方法(75)

6.2.4仿真试验与实例分析(76)

6.3基于增强VMD相关分析的水电机组振动信号降噪研究(81)

6.3.1SVD滤波(81)

6.3.2VMD降噪(82)

6.3.3基于增强VMD相关分析的降噪方法(83)

6.3.4仿真试验与实例分析(84)

第7章水电机组振动故障诊断方法研究(92)

7.1基于多元自回归模型参数盲辨识的非平稳故障特征提取(93)

7.1.1多元自回归模型(93)

7.1.2基于VMDMAR模型参数盲辨识的非平稳故障特征提取(94)

7.1.3实例分析(94)

7.2基于排列熵特征与混沌量子正弦余弦算法优化SVM的故障诊断(101)

7.2.1混沌量子正弦余弦算法(101)

7.2.2基于混沌量子正弦余弦算法优化SVM的模式识别(104)

7.2.3基于VMD排列熵与混沌量子正弦余弦算法

优化SVM的故障诊断(106)

7.2.4工程应用(107)

7.3基于权重SVDD与模糊自适应阈值决策的故障诊断(113)

7.3.1K近邻方法(114)

7.3.2权重SVDD(114)

7.3.3模糊自适应阈值决策(116)

7.3.4基于权重SVDD与模糊自适应阈值决策的故障诊断模型(118)

7.3.5研究试验与实例分析(119)

第8章水电机组非线性状态趋势预测研究(125)

8.1状态趋势预测的可行性分析(126)

8.1.1水电机组状态的发展特性(126)

8.1.2非线性行为分析(126)

8.1.3序列的可预测性(127)

8.2基于聚合EEMD与SVR的水电机组状态趋势预测(127)

8.2.1聚合EEMD基本原理(128)

8.2.2基于聚合EEMD与SVR的状态趋势预测(129)

8.2.3应用实例(130)

8.3基于变分模态分解与优化小二乘支持向量机的水电机组状态

趋势预测(141)

8.3.1变分模态分解(141)

8.3.2基于OVMD和CSCALSSVM的机组状态趋势预测(141)

8.3.3应用实例(142)

8.4基于多尺度主导成分混沌分析的水电机组状态趋势预测(150)

8.4.1多尺度主导成分混沌分析(151)

8.4.2核极限学习机(151)

8.4.3自适应变异灰狼优化算法(152)

8.4.4基于多尺度主导成分混沌分析与优化核极限学习机的预测模型(156)

8.4.5应用实例(156)

参考文献(165) 

本书针对水电机组状态监测与故障诊断研究面临的关键科学与技术问题，围绕振动信号分析、非平稳故障特征提取、智能故障诊断以及状态趋势预测等开展了系统性研究工作。全书共分为8章，其中第2~5章为理论篇，主要介绍相关理论与方法；第6~8章为实践篇，主要介绍研究所提的水电机组振动故障诊断及状态趋势预测模型与方法。

本书适合从事信号处理、故障诊断、趋势预测等水电机组状态监测与故障诊断研究方向相关学科高年级本科生、研究生学习参考，也可以作为水电机组运行管理人员、相关工程技术人员和研究人员参考资料。

周建中，教授、博士生导师，华中科技大学水电与数字化工程学院院长。华中科技大学首届校内特聘教授、首届华中学者（领军岗），德国布伦瑞克理工大学客座教授。 获国家科技进步二等奖2项、省部级科技进步特等奖3项、一等奖10项、二等奖7项。2015年获中国大学出版社优秀学术著作一等奖1项、2017年获第三届湖北出版政府奖1项；获国家发明专利27项，获软件著作权22项。出版专著4部，在国内外重要学术刊物发表学术论文300多篇，其中被SCI、EI收录250多篇次。 

能源是社会现代化的坚实基础与动力，能源战略直接关系着我国现代化建设的未来。在过去的工业现代化进程中，大量消耗化石能源后产生的废弃物不仅导致了温室效应，更使我国许多地区深受雾霾之害。为实现人类社会的可持续发展，构建安全、清洁、高效的低碳能源结构体系已迫在眉睫。水电能源作为一种清洁的可再生能源，其开发技术成熟，且无污染性排放，符合我国的能源战略发展需要。国务院《能源发展战略行动计划（2014—2020年）》中明确提出了要在西南地区积极有序地推进大型水电基地建设，因地制宜地发展中小水电，加强水资源的综合利用，力争常规水电装机在2020年达到3.5亿千瓦左右。由此可见，水电能源开发利用将迎来新的发展机遇。目前在我国的能源管理中，水电机组除承担基荷外，还是电网调峰、调频的关键设备。《能源发展战略行动计划（2014—2020年）》还指出，在大力发展风电与加快发展太阳能的同时，要提高可再生能源的利用水平，加强电源与电网的统筹规划，科学安排调峰、调频、储能配套能力，切实解决弃风、弃水、弃光问题。在此能源结构不断调整和优化的大背景下，为消纳高速发展的新能源并网时给电网稳定性带来的冲击，对水电的高效运行与管理赋予了更大使命。

作为水电能源转换的关键设备，水电机组的运行状态直接影响能源转换的效率，若发生异常或故障，将使电能输送质量下降及电网频率扰动，危害水电机组和电站的安全，严重时甚至会造成巨大的经济损失和人员伤亡。然而，在国内外电站的实际运行过程中，由于设备的劣化、外界及人为因素，导致水电机组运行故障或事故屡屡发生。水府庙水电站4号机7号导叶因外物卡死，水轮机进水不平衡诱发机组剧烈振动，导致7号导叶双连臂弯曲，并折断一边；葛洲坝水力发电厂曾因机组状态检修时的安装偏差导致出现摆渡超标的故障，影响机组的运行稳定；仰山水电站因迷宫上部严重磨损，导致机组振动和尾水管弯管处噪声超标，迫使机组停机检修；安康水电站1号机和紧水滩水电站4号机均曾因非设计工况下运行时的尾水涡动诱发过强烈的机组振动；迄今为止为严重的是俄罗斯萨扬舒申斯克水电站事故，造成了机毁人亡的惨痛教训。为了限度地减少此类事故的再次发生，提升水电机组的运行稳定性，并创造更多的发电经济效益，亟须开展机组的状态监测、故障诊断与状态趋势预测等研究，进而指导水电机组的状态检修工作。

水电机组状态监测是开展状态检修的基础，其通过对水电机组的实时运行情况进行跟踪，保证其运行在健康状态，主要包括稳定性监测、压力脉动监测、空化监测与局放监测等，其中较为常见的是以振动信号分析为主的稳定性监测。水电机组运行时，由于受强背景噪声与复杂电磁干扰的影响，导致监测到的振动信号特征频带易被背景噪声湮没，难以反映出水电机组真实的运行状态。通过先进的信号处理方法对监测信号进行降噪分析，有助于准确获取信号的时、频特征，进而及时发现水电机组运行的异常。故障诊断作为电站智能化建设的重要组成部分，即在监测系统全面采集水电机组运行数据的基础上，综合运用信号处理与模式识别技术，分析水电机组运行健康状态并诊断出可能存在的故障，后给出决策建议，为状态检修提供指导和依据，进而避免发生重大运行事故。