近年來，我國水電機組的單機容量、裝機容量都保持著高速增長，水電發展規模日益增大。大約80%的水電機組故障都反映于振動信號中，異常的振動輕則對設備正常運行產生影響，重則可能造成設備的破壞，直接影響水電機組的安全穩定運行，甚至可能引發廠房事故，造成嚴重的經濟損失。

因此有必要研究水輪發電機組的振動特性、運行狀態和故障防護，使機組在發生故障時能夠迅速而準確地做出診斷，以減少停機維修時間，同時也促進水電站向無人值守的自動化方向發展，獲得巨大的經濟效益和社會效益。

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

圖1 水輪機組振動故障診斷流程圖

1 水輪發電機組振動特性

水電機組設備龐大、機理復雜，水力振動、電磁振動及機械振動是其運行過程中產生振動的主要因素，下面展開具體說明。

水輪機中水流與設備之間相互作用產生的動水壓力導致了水力振動。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為：渦帶頻率和類轉頻頻率。

電動機設備內部的電磁力導致了電磁振動，主要因素包括：不平衡的三相電流，定、轉子間氣隙不均，定子鐵心松動等。一般來說，電磁振動的頻率特性表現為：極頻及其整數倍頻。

水輪機組機械部件的摩擦力、慣性力和其他力導致了機械振動。影響機械振動的主要因素包括：軸線不對中或對中不良，導軸承缺陷，旋轉部件質量不平衡等。在機械振動中，其頻率特性主要表現為：轉頻及其整數倍頻。

由此可知，水力、機械、電磁三種因素互相影響、共同作用于機組，使得機組的振動信號包含信息眾多，故障發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雜的映射關系，還需要進行深入地研究與實踐。

2 故障特征提取

對于非線性非平穩的水電機組振動信號的處理，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和指標并進行分析，從而提取時域特征量的方法。迄今為止，在時域中應用較為廣泛的參數及其指標主要包括峰值、方差、均值、峭度、脈沖值、相角、裕度因子等。

文獻[7]提出了一種典型譜相關峭度圖算法，用相關峭度指標代替峭度指標，既反映了信號中的瞬態信息，同時滿足相關系數，有利于快速定位故障信號所在的頻率區間，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，隨著機組故障的出現，大多時域特征參量會發生改變。但對于不同故障類型及嚴重程度，時域分析統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

由于水電機組振動信號在頻域內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用較為廣泛。頻域分析方法以傅里葉變換（fast Fourier transform, FFT）為基礎，通過對振動信號進行譜分析，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、包絡譜、倒頻譜、全息譜分析等。

文獻[8]分解并重構了水輪機轉動部分同一切面上兩個互相垂直的傳感器采集的數據，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、旋轉方向、軌跡的形狀等。根據二維譜圖中的形狀，可以從已有的案例中，初步得出造成機組振動的主要原因。

在上述影響振動因素的相互作用下，水電機組振動信號通常展現出非平穩、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、非線性信號進行局部分析，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

為了更好地體現非平穩、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對信號進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行局部分析，從而得到信號異常部分的細節特征。文獻[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圖。同時結合灰度矩，將其數值作為判斷振動信號強度的定量指標。

文獻[10]利用小波包分析，根據故障發生時各頻帶能量發生的變化，建立振動故障與能量的映射關系，通過頻帶的能量譜圖，實現了故障信號特征量的提取。文獻[11]用圖像擬合了連續小波變換的模極大值與尺度的對數關系，用Lispschitz指數的大小表征機組故障程度，在實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，使其結果在兩個域內都具有良好的局部特性，但實際應用中需要解決小波基的選擇問題，不具有自適應性。

2）HHT

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

文獻[12]將HHT運用于水電機組空化信號特征的提取，得到不同空化狀態所對應的頻帶特征，快速準確地反映了機組的空化程度。文獻[13-14]利用EMD、變分模態分解（variational mode decomposition, VMD）方法于水輪機壓力波動信號分析中，準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[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具有自適應性、正交性和完備性的特點，且避開了基函數的特定選取，克服了時域分析方法和小波變換的不足。于此同時，HHT也存在著諸如模態混疊、端點效應等問題，仍需進行深入研究。

2.4 其他方法

1）軸心軌跡分析

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

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

2）分形理論

分形理論是由分形幾何學衍生的一種數學方法，可以將難以定量的復雜系統分析解構成簡單的局部表征，為能夠全面掌握復雜和不規則的振動信號的特性，可采用分形維數作為評價指標。文獻[18]對去噪后的電動機軸承信號進行維數分解，并在軸承不同運行情況下，計算出這一信號的關聯維數值，從全局上定性、定量地描述軸承故障前后的情況變化，并通過實例證明了這一理論在實際運用中的有效性。

3 故障診斷方法

基于振動信號的故障診斷方法有很多，目前應用于水電機組的大致可分為兩類：一類是基于檢測數據處理的傳統方法，包括故障樹分析法、貝葉斯理論等；另一類是基于專家經驗和知識處理的智能診斷，包括模糊理論、粗糙集、神經網絡、支持向量機等方法。

3.1 傳統故障診斷方法

1）貝葉斯理論

貝葉斯理論是一種統計模型決策方法，通過概率推理對部分未知狀態進行估計，利用貝葉斯公式更新概率信息，從而實現對不完整、不確定信息的診斷決策[19]。文獻[20]采用Noisy Or模型與貝葉斯網絡結合的方法對水輪發電機組進行故障診斷，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、明了的邏輯關系分析方法，其診斷過程從故障狀態切入，對系統故障模式及其部件進行逐級的分析推理，直到得出故障發生的原因。文獻[21]利用故障樹圖進行診斷系統的建模和可靠性分析，從上至下地挖掘與故障相關的可能因素，結合專家系統判斷，清晰可靠地表達了潛在的故障因素。

貝葉斯網絡和故障樹分析二者都是在給出隨機變量因果的條件下進行診斷，其模型的建立都需要本領域專家和工程師的參與，在實際應用時具有局限性。

3.2 基于人工智能的故障診斷方法

1）模糊數學

模糊數學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性。文獻[22]建立了狀態論域與征兆論域的模糊關系矩陣，并對故障狀態下的關系矩陣進行模糊推理，判別滾動軸承故障情況。文獻[23]對故障程度對應的振動強度進行了分級描述，針對不同水電機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故障，驗證了模糊診斷的有效性。

模糊數學在水輪機組故障診斷中有良好的效果，但該方法需要經驗知識的參與，比如對故障程度的描述、核心隸屬度函數的確定等。

2）粗糙集理論

粗糙集理論是一種處理不精確、不確定與不完全數據的分析理論，通過對數據進行分析和推理，挖掘數據的潛在信息。文獻[24]提取了水電機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行比較，最后結合支持向量機計算故障模式屬于某一種故障類別的可能性。

文獻[25]采用粗糙集建立規則提取數據決策表，并引入聚類算法和粒子群算法改進粗糙集屬性約簡方法，對故障信息進行約簡，提取能表征故障類別的信息，作為神經網絡的輸入。該方法降低了數據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，例如與非標準分析、和非參數化統計等之間的關系等。

3）神經網絡

神經網絡是模擬生物神經系統建立的一種自學習方法，通過對大量已知樣本故障數據進行網絡層間學習，建立故障征兆和故障類別之間的映射關系，并將待診斷樣本輸送至已訓練好的網絡進行故障判定。

文獻[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，作為神經網絡的核函數，對三種故障的特征集進行訓練。通過對比簡單神經網絡，驗證了該方法對訓練初始參數有較低的敏感度，同時具有較好的收斂性和收斂速度，能更準確、及時地判別故障。

文獻[27]結合集合經驗模態（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）神經網絡進行訓練和診斷，提高了識別精度和計算速度。

由于神經網絡的訓練依靠大量已知樣本，且故障診斷的效果與樣本數據的準確性和完備性密切相關。因此如何獲得大批量故障樣本數據，是目前基于神經網絡的故障診斷急需解決的問題。

4）支持向量機

支持向量機作為一種監督學習方法，具有較強的分類能力，在解決小樣本、高維非線性決策問題方面有很大優勢。文獻[28]采用支持向量數據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，并構建了基于模糊閾值和K近鄰決策規則的故障診斷模型，解決了樣本稀缺且分布不均勻的問題。

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

支持向量機雖然應用廣泛，但也存在核參數單一、樣本參數的選擇、只支持二分類等缺點，對故障診斷的準確性有一定影響。

4 展望

從國內外水輪發電機組故障診斷的研究及應用情況來看，現有的方法能夠較好地實現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。對于水電機組，未來其故障診斷方法可能存在以下幾個發展趨勢：

1）強噪聲背景下的故障特征提取。水電機組在實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。

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

3）隨著故障診斷技術的不斷發展，基于人工智能、物聯網技術等新型的診斷方法逐漸代替傳統診斷方法成為首選，但是這些診斷算法通常在診斷過程中依賴于大量數據和訓練樣本。因此，建立實時在線的故障診斷系統，充分利用在線系統中豐富的樣本量，使算法可以擺脫對歷史數據的依賴，減少訓練時間，真正實現在線故障診斷，也是水電機組故障診斷未來的發展趨勢之一。

結論

本文從水電機組的振動特性出發，介紹了常見的故障特征提取方法，總結了當下的水電機組振動故障診斷方法，包括傳統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、優越性和各自的局限性。最后對水電機組今后的故障診斷趨勢進行了展望，未來這一技術的發展還有待進一步研究。