汽轮机振动信号提取及故障特征识别（河北工程大学，邯郸056021）摘要：，汽轮机故障诊断中检测到的振动信号受到环境噪声干扰及检测仪器本身的影响，导致振动信号波形畸变并且其中含有大量非平稳成分，不能有效地反应机组故障特征，而且不同故障的特征之间的耦合使单方面故障特征难以准确识别故障。
针对这个问题，本文提出结合频谱分析及轴心轨迹分析的振动信号处理与识别方法，两种检测方法在故障诊断过程中相互验证以保证检测结果的准确性。
关键词：振动信号；故障识别；频谱；轴心轨迹；汽轮机组汽轮机组是电力工业中重大的关键设备，机组振动大会直接影响到汽轮发电机组运行的安全性、稳定性及经济性，因此机组振动是其运行状况优劣的重要标志之一。
汽轮机是结构和功能都比较复杂的大型设备，通常故障信号处理中提取到的故障信息有限且不完整，且当数据间存在着强相关性的非线性关系时，缺乏有效的方法【1】。
本文采用数据平滑处理、消除多项式趋势项、小波降噪对检测信号进行预处理，充分保留了原振动信号中的故障信息，消除了夹杂在其中的噪声信号等干扰因素，提高了振动信号分析的可靠性和真实性，然后在对振动信号进行频谱分析的同时，也对振动信号进行轴心轨迹分析，并把它们进行相互验证以保证诊断结果的准确性。
1、汽轮机振动信号采集及预处理本文在某电厂300MW机组仿真机的汽轮机主轴四个轴承座上设置七个测点，在不同负荷时，不同转速下每个测点通过采集轴承两组正交的径向振动信号，反映汽轮机主轴的振动情况及其轴心偏移。
经过数据采集系统和分析软件的处理，对各个测点进行数据采集。
采集各种故障状态下的数据，形成标准样本数据和待检测数据。
振动监测系统结构，如图1所示。
对汽轮机通常拾取振动信号，通过对时域、频域的分析来确定故障类型。
通过大量的分析和研究，汽轮机的典型故障有：转子质量不平衡、转子不对中、油膜振荡、油膜涡动、动静碰磨等。
图1振动监测系统结构测到的振动信号因外界噪声干扰、测量仪器性能不稳定及受环境温度影响，振动信号波形产生畸变，信号偏离基线产生趋势项，（振动信号波形如图2），给后续的分析带来极大的误差。
从图2可看出由于干扰信号的频带较宽，在原振动信号中所占比例较大，使得采集到的振动曲线呈现许多毛刺，呈现非平滑特性，无法显示出故障信息，为了削弱干扰信号的影响，提高振动曲线的光滑度，对信号数据进行平滑处理并消除其趋势项。
图2 预处理前波形Fig. 2 Pretreatment of waveform对信号数据作五点加权平均进行平滑处理，取)1,2,3,2,1(91),,,,(}{21012==--h h h h h h 则 ),,2,1( 22m n xh y in ii n ==--=∑ （1-1）式中：n x 为振动信号数据；n y 为平滑处理后的结果；m 为数据点数；i h 为滤波因子。
利用最小二乘法对信号数据消除趋势项，对数据进行三阶拟合，取趋势项拟合函数),,2,1( 3322110m n n a n a n a a x n=+++='，求出，3210,,,a a a a 使21)(n n mn x x -'∑==φ最小 用原始信号减去趋势项，得消除趋势项后的结果),,3,2,1( m n x x x z k nn n =='-= （1-2） 预处理后信号如图3，结果显示经过预处理后的波形消除了许多毛刺。
图3 预处理后波形图 Fig. 3 waveform pretreatment2、故障特征提取由于机组振动信号中含有大量平稳成分，测到的振动信号是一种频域特征随时间变化的非平稳信号，在汽轮机组故障诊断过程中，从非平稳的机械振动信号中所提取的故障特征信息，应该对不同的故障表现具有充分的敏感性【2】。
（1）频谱特征分析本文采用小波包频带能量分析法可以捕捉到隐藏在振动信号内部的故障信息，选用 db4 小波作为小波基函数，对预处理后的信号进行3层小波包分解，得到第3层从低频到高频的823=个频率段信号。
汽轮机组实际工作转速为3000r/min ，工频为50Hz ，根据采样定理，设置采样频率为500Hz ，则对应的信号频率范围为0~250Hz ，每一个小波包区间频率为31.25Hz 。
小波包特征频带重构如图4 所示。
图4 小波包特征频带重构Fig.4 Wavelet packet feature band reconstruction求各个频带内信号的能量，计算各个频带上重构信号的离散值的平方和，即)7,,1,0( )(12===⎰∑=k d dx x f E NNn kn k k （3-1）其中，k E 表示第k 个重构小波包节点的能量，kn d 表示第k 个重构小波包节点的系数序列，N 为系数序列的长度，即为被分析信号的长度。
对各个频带信号的能量进行归一化处理：7,,1,0)(7=='∑=k EE E k kkk（3-2）k E 是第k 个子频带归一化后的能量比值，构建故障特征向量P ：],,,,[7210E E E E P ''''= (2)轴心轨迹在机组仿真机上采集不同负荷时，不同转速下对转子的轴心轨迹进行分析发现：当转轴旋转时，它会绕转轴中心点振动，运动的轨迹即为轴心轨迹。
正常的轴心轨迹应该是一个较为稳定的、长短轴相差不大的椭圆。
不对中时，轴心轨迹为月牙状、香蕉状，严重时为8字形；发生摩擦时，会出现多处锯齿状尖角或小环；轴承间隙或刚度差异过大时，为一个很扁的椭圆；可倾瓦瓦块安装间隙相互偏差较大时，会出现明显的凹凸状。
将预处理后同一测点两组相互正交的信号)(),(t y t x 在复平面进行组合i t y t x t z )()()(+=，即得到转子的轴心轨迹。
处理前后的轴心轨迹如图5（左、右图分别为处理前后的轨迹）：图5转子轴心轨迹图Fig.5 The rotor axis locus diagram3故障特征识别本文从实验台获得的故障样本中选择两组故障样本，其中样本1为转子不平衡故障，样本2为转子不对中故障，汽轮机转子故障中不平衡和不对中占到80%以上，具有代表性。
样本信号经过预处理后，分别针对信号频谱和轴心轨迹提取其故障特征。
其故障特征如表1所示表1样本故障特征Tab 1 Samples of fault feature故障样本频谱特征(Hz)轴心轨迹0-31.25 31.25-62.5 62.5-93.75 93.75-125 125-165.25 165.25-187.5 187.5-218.75 218.75-250样本1 0.0319 0.7071 0.0101 0.2149 0.0086 0.0090 0.0096 0.0087 椭圆形样本2 0.1781 0.2129 0.2935 0.0823 0.0384 0.0382 0.1160 0.0407 香蕉形可以看出从样本中提取的故障特征可以明确反应出其故障类型，结果表明，经过预处理的振动信号经过小波包频带能量分析和轴心轨迹图法分析后提取的特征可以准确映射到相应故障类型。
4、结论:本文针对于故障诊断中采集到的振动信号呈现出非线性、非平稳性和非光滑性等特点，通过数据平滑处理、消除多项式趋势项、小波降噪处理，削减了振动信号中噪声信号等干扰信号的故障诊断的影响，有效提高了振动信号的可靠性与真实性。
对经过预处理的振动信号进行频谱分析与轴心轨迹分析，两者得到的结果与试验给定故障类型相统一，两种检测方法在故障诊断过程中相互验证以保证检测结果的准确性。
参考文献[1]谷敬佩，梁平．基于小波包分析和信息融合技术的汽轮机转子故障诊断［Ｊ］汽轮机技术，2010.52（4）：300-302GU Jing-pei; LIANG Ping。
Turbine Rotor Vibration Faults Diagnosis Based on Wavelet Packet Analysis and Information Fusion Technology。
［Ｊ］Turbine Technology，2010.52（4）：300-302[2]邓武; 陈荣基于计算智能技术融合的故障识别方法. ［J］浙江大学学报(工学版),2010,44（7）.1298-1302。
DENG Wu1; 2; 3; CHEN Rong1.Fault detection method based on computational intelligence technology fusion。
［J］Journal of Zhejiang University(Engineering Science), 2010,44（7）.1298-1302。
[3] 石志标; 宋全刚等．基于改进粒子群优化支持向量机的汽轮机组故障诊断［Ｊ］．动力工程学报，2012.32（6）：454-562SHI Zhi-biao; SONG Quan-gang。
Fault Diagnosis of Steam Turbine Based on MPSO-SVM Algorithm。
［Ｊ］．Journal of Chinese Society of Power Engineering, 2012.32（6）：454-562[4] 张冉; 赵成龙. 改进BP网络在汽轮发电机组故障诊断中的应用. ［J］计算机仿真 2011.07，325-328 ZHANG Ran，ZHAO Cheng － longApplication of Improved BP Network in Fault Diagnosis of Turbine Generator Unit。
［J］Computer Simulation，2011.07，325-328 [5]于刚, 徐治皋.基于粗糙集约简的信息融合故障诊断研究. ［J］汽轮机技术, 2003， 45（5）：304-306 YU Gang , XU Zh-i gao。
Research on Fault Diagnosis Based on Rough Set Theory and Information Fusion。
［J］ T URBINE T ECHNOLOGY，2003，45（5）：304-30[6]梁浩宇; 周力行等.小波分析在变压器绕组故障识别中的应用. ［J］电力建设,2011.32（2）56-58LIANG Haoyu1; ZHOU Lixing1.Transformer Winding Fault Recognition Based on Wavelet Technolog。
［J］Electric Power Construction。