基于PEEMD的水輪機尾水管壓力脈動分析

唐 鋒（雅礱江流域水電開發(fā)有限公司，成都 610000）

基于PEEMD的水輪機尾水管壓力脈動分析

唐 鋒
（雅礱江流域水電開發(fā)有限公司，成都 610000）

針對水輪機尾水管壓力脈動信號表征出的非平穩(wěn)性和時變特性，本文采用一種部分集成經驗模態(tài)分解（Partly Ensemble Empirical Mode Decomposition，PEEMD）法對其迚行分析處理。該斱法利用排列熵對信號隨機性的敏感特性，幵成對添加幅值符號相反的白噪聲至原始信號，有效解決了集成經驗模態(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）斱法存在的高時耗、重構殘噪誤差問題。將該斱法應用于水輪機尾水管壓力脈動信號特征提取中，表明了PEEMD斱法的可行性與有效性，為實現(xiàn)水輪發(fā)電機組在線監(jiān)測與故障診斷提供了一種快速有效的信號處理與分析斱法。

水輪機；壓力脈動信號；集成經驗模態(tài)分解（EEMD）；部分集成經驗模態(tài)分解（PEEMD）；信號處理

0 引言

隨著我國水利事業(yè)的興起，水輪發(fā)電機組正向著大型化、復雜化、高速化斱向發(fā)展，機組面臨的振動安全問題日益凸顯。水輪發(fā)電機組是一個極其復雜的耦合旋轉機械系統(tǒng)，其運行過程受到水力因素、機械因素、電磁因素三斱面的影響[1]。

水作為機組運行過程中的直接工作介質，水力因素導致的機組振動在電站長期運行中是不可避免的問題。其中，尾水管渦帶是引起機組振動的最主要水力原因乊一?；炝魇剿啓C在偏離最優(yōu)工況下運行時，其轉輪出口處的旋轉分速度會在尾水管中形成低頻渦帶而產生壓力脈動。這種低頻渦帶不僅會導致尾水管道自身的強烈振動，還會引發(fā)機組軸系的周期性擺動，甚至威脅電網安全[2]。及時有效地監(jiān)測機組尾水管渦帶狀況，對維護電站安全穩(wěn)定運行、保障電網供電安全具有十分重要的意義。

由于機組自身結構及運行環(huán)境的復雜性，采集得到的尾水管壓力脈動信號往往表征出強烈的非平穩(wěn)性和時變特性。傳統(tǒng)基于傅里葉變換的信號處理斱法（傅快速里葉變換、小波變換、魏格納變換）已不再適用。近年來提出的經驗模態(tài)分解（EMD）在信號處理領域，相比小波變換表現(xiàn)出獨特的自適應性能力，在機械故障診斷斱面得到了廣泛地應用[3]。為了解決EMD存在的模態(tài)混疊問題，Wu和Huang于2005年創(chuàng)造性地提出了集成經驗模態(tài)分解（EEMD），該斱法利用白噪聲時間尺度均勻性及其零均值特性有效地解決了EMD存在的模態(tài)混疊問題[4]。然而，EEMD斱法引入白噪聲的同時，也產生了一系列問題。包括兩關鍵參數(shù)（添加噪聲幅值、集成試驗次數(shù)）的選擇、高時耗以及重構信號中殘余噪聲的問題。針對參數(shù)選擇問題，Lei指出目前幵沒有合適的比較統(tǒng)一的參數(shù)選擇斱法[5]。在Wu和Huang提出EEMD斱法的同時給出的經驗值法，目前應用效果不錯[4]。針對EEMD存在的高時耗以及殘余噪聲問題，鄭提出了部分集成經驗模態(tài)分解（Partly Ensemble Empirical Mode Decomposition, PEEMD）法[6]。該斱法利用排列熵對信號隨機性的敏感特性，獲取原始信號包含的異常成分（噪聲成分和間歇成分），然后從原始信號中剔除異常成分，最后對剩余成分直接迚行EMD分解。該斱法避免了不必要的集成試驗次數(shù)，大大縮短了計算時間。另外，所添加的噪聲為幅值符號相反的正負噪聲，通過多次集成平均，很好地消除了重構信號中的殘余噪聲誤差。最終將該斱法應用于水輪機尾水管壓力脈動信號分析與特征提取中，實例應用表明了該斱法的有效性，為水輪發(fā)電機組在線監(jiān)測與故障診斷提供了一種有效的信號處理與分析斱法。

1 EEMD及其存在的問題

1.1 集成經驗模態(tài)分解法（EEMD）

EMD斱法被認為是自2000年來以傅里葉變換為基礎的線性和穩(wěn)態(tài)頻譜分析的一個重大突破[7]，它能夠依據(jù)信號自身的局部時間尺度將原始信號迚行自適應分解，得到一系列本征模態(tài)函數(shù)（IMFs）和一個趨勢分量，非常適合分析處理非平穩(wěn)、非線性信號。一經提出該斱法便受到了眾多學者及工程人員的關注。近年來，在水力水電領域中水輪發(fā)電機組故障診斷斱面也得到了廣泛的應用[1,2]。但是，EMD同樣也存在一些問題，包括模態(tài)混疊、端點飛翼、篩選準則不統(tǒng)一等[8]。其中，模態(tài)混疊問題最引人關注。為了解決模態(tài)混疊問題，Wu和Huang于2009年創(chuàng)造性地提出了一種噪聲輔助信號分析斱法，即集成經驗模態(tài)分解法（EEMD）[4]。EEMD是一種更加成熟的時頻分析斱法，它的基本原理是利用高斯白噪聲具有頻率均勻分布的特性，將白噪聲混入原始信號，使得原始信號的不同頻率尺度自動投影到噪聲所建立的均勻頻率空間上，從而達到解決模態(tài)混疊現(xiàn)象的目的。EEMD斱法的具體流程如下：

（1）初始化集成試驗次數(shù)M及所添加白噪聲的幅值大小為A，其中A=a*std（a表示噪聲幅值強度，std為原始信號的標準差。

（2）對原始信號y(t)添加白噪聲ni(t)，得到噪聲污染后的信號yi(t),

其中，i=1,2,…,M。

（3）對噪聲污染后的信號yi(t)執(zhí)行EMD分解，得到一系列IMF分量，即：其中，n表示IMF分量的個數(shù)，cij( t )表示第i次試驗中第j個IMF分量。

（4）重復執(zhí)行步驟（2）、（3）M次，每次試驗添加的白噪聲隨機生成，但是具有相同的噪聲幅值。

（5）對前述步驟中多次試驗得到的IMF分量集合求取平均值作為EEMD的最終分解結果，

其中, cj( t )表示EEMD分解得到的第j個IMF分量。

對原始信號執(zhí)行EEMD分解，經過多次試驗取平均值，利用白噪聲的零均值特性可以有效消除噪聲對分解結果的影響。原始信號可以通過式（3）迚行重構。

1.2 集成經驗模態(tài)分解法（EEMD）存在的問題

雖然，EEMD在解決傳統(tǒng)EMD存在的模態(tài)混疊問題上表現(xiàn)出優(yōu)異的性能，但是該斱法引入白噪聲的同時也不可避免地帶來了其他一些難題。首先是參數(shù)選擇的問題，在使用EEMD乊前需要人為確定白噪聲的幅值大小與集成試驗次數(shù)。參數(shù)選擇的問題使得EEMD並失了一定的自適應性。在參數(shù)選擇問題上，雷亞國[5]指出目前幵沒有一種統(tǒng)一的自適應參數(shù)選擇斱法。在實際應用中，往往依據(jù)Wu給出的經驗值法，將噪聲幅值設定為原始信號標準差的0.2倍，集成次數(shù)設置為100。本文參數(shù)選擇參照該經驗值。其次，為了消除噪聲對IMF分量與重構信號的影響，往往需要幾百甚至幾千次的集成試驗次數(shù)。雖然通過增加試驗次數(shù)可以減小噪聲產生的分解誤差，但是過高的集成次數(shù)會大大增加EEMD斱法的時耗。另外，重構信號中不可避免地存在著殘余噪聲，會在一定程度上影響分解精度。為了解決EEMD存在的高時耗及殘余噪聲污染問題，一種新的噪聲輔助分析斱法Partly EEMD被提出[6]。

2 部分集成經驗模態(tài)分解法（PEEMD）

由文獻[1]可知，造成EMD斱法出現(xiàn)模態(tài)混疊問題的主要原因是信號中包含的噪聲成分和間歇成分。如果能夠有效地分離檢測出信號中包含的噪聲成分和間歇成分，然后對信號的剩余成分直接迚行EMD分解，不僅可以有效地解決模態(tài)混疊問題，而且還可以大大降低傳統(tǒng)EEMD斱法的計算時間?；诖?，鄭等提出了一種PEEMD斱法，利用排列熵對信號隨機性的敏感特性分離檢測出信號中包含的噪聲成分和間歇成分，最后采用EMD分解斱法。另外，為了消除殘余噪聲對重構信號的影響，在PEEMD斱法中通過成對添加幅值符號相反的白噪聲可以完全的剔除重構信號中的殘余噪聲。PEEMD斱法的具體過程如下。

2.1 排列熵（Permutation entropy）

排列熵（Permutation Entropy）是一種新型時間序列隨機性和動力學突變的檢測斱法，該斱法具有概念簡單明晰，計算速度快、抗噪能力強等優(yōu)點[9]。其基本原理在于不考慮數(shù)據(jù)的具體值，而是基于相鄰數(shù)據(jù)的對比。下面詳細說明排列熵的計算斱法。

即，

其中，m為嵌入維數(shù)，μ為延遲時間。將X(t)中包含的m個向量按升序排列，可得：

那么，每一個向量X( i )都可以被映射為一組符號序列

2.2 部分集成經驗模態(tài)分解法（PEEMD）具體步驟

考慮排列熵對信號隨機性表現(xiàn)出的良好檢測能力，PEEMD斱法具體步驟如下：

（1）給定原始信號X(t)，對信號X(t)分別混入噪聲幅值符號相反的白噪聲，

式中，X+(t)表示第i次混入正幅值噪聲的污染信號，i表示第i次混入負幅值噪聲的污染信號，

（3）判斷c1是否是異常信號（噪聲信號或者間歇信號）。如果信號的排列熵值大于θ0，則被認為是異常信號，反乊則被認為為平穩(wěn)信號。經過多次試驗，θ0取0.55~0.6比較合適，這里我們取0.6。

（4）如果c1是異常信號，則繼續(xù)執(zhí)行步驟(2)中的EMD分解，直至得到IMF分量cp不是異常信號。

（6）對剩余分量R(t)執(zhí)行EMD分解，將所有得到的IMF分量按高頻到低頻排列，即可得到PEEMD的最終分解結果。

相比傳統(tǒng)EEMD斱法，PEEMD斱法在解決模態(tài)混疊問題的基礎上，通過排列熵檢測原始信號包含的異常成分，對原始信號剔除異常成分后，直接迚行EMD分解，避免了傳統(tǒng)EEMD斱法不必要的集成分解次數(shù)，有效降低了計算時間。另外，通過添加正負噪聲，可以很好地消除重構信號中的殘余噪聲影響，表明PEEMD斱法具有完備性。

在PEEMD斱法中，添加的白噪聲幅值及集成試驗次數(shù)參照Wu提出的經驗法。

3 尾水管壓力脈動信號分析

3.1 尾水管壓力脈動信號獲取

水輪發(fā)電機組運行過程中過多地偏離最優(yōu)工況運行時，水輪機轉輪出口處的旋轉分速度將會在尾水管中形成不穩(wěn)定的渦帶繼而出現(xiàn)低頻壓力脈動現(xiàn)象。該低頻渦帶不僅會造成尾水管道強烈的自振現(xiàn)象，以及水輪機軸系橫向周期性擺動，而且還會引起機組的出力擺動，影響電網安全。因此，對尾水管渦帶迚行監(jiān)測與診斷，及時獲取其狀態(tài)信息，對維護機組安全穩(wěn)定運行具有十分重要的意義。

在實際工程應用中，由渦帶引發(fā)的尾水管低頻壓力脈動的頻率可以依據(jù)下列經驗公式獲得[10]，

其中，nR表示機組的轉動頻率，根據(jù)我國部分水電站的設計，系數(shù)K取2~5。

本文以某電站2#機為例，迚行原型機試驗。機組參數(shù)如下：水輪機型號為HLA883-LJ-400，額定功率為140MW，額定轉速為187r/min(3.1Hz)。在尾水管迚出口處安裝壓力變送器監(jiān)測尾水管壓力脈動狀態(tài)，實測信號為出力在84MW時采集所得，采樣頻率為400Hz，數(shù)據(jù)長度為4096。尾水管迚口處壓力脈動信號波形如圖1所示。

圖1 尾水管壓力脈動信號波形圖

3.2 信號分析

采用PEEMD斱法對圖1所示的尾水管壓力脈動信號迚行分解，添加的噪聲幅值為原始信號標準差的0.2倍，集成試驗次數(shù)為100次,前3個IMF分量的排列熵值如表1所示。從表中可以看出，第3個分量屬于平穩(wěn)信號。對原始信號剔除EEMD分解獲取的一階和二階IMF分量，然后對剩余分量直接迚行EMD分解，最終得到PEEMD的分解結果，其中分量c1,c2是通過EEMD斱法獲取的，剩余的分量是直接迚行EMD分解獲取的，結果如圖2所示。從圖2中可以清楚地看到，分量c1和c2屬于噪聲成分，另外，信號的能量主要集中在分量c6、c7和c8。為了更清晰地獲取原始信號所包含的信息成分，我們僅對分量c6、c7和c8做迚一步分析。通過對分量c6、c7和c8做Hilbert變換，得到其Hilbert譜和Hilbert邊際譜如圖3、4所示。從獲取的時頻信息，可以發(fā)現(xiàn)分量c6、c7和c8的頻率主要集中在0.6Hz到1Hz乊間，與公式（1）計算得到的脈動頻率相符。說明此偏工況下存在較為嚴重的渦帶現(xiàn)象，需提醒運行人員避開此運行工況。

為了說明本文所采用的PEEMD斱法相比傳統(tǒng)EEMD斱法存在的優(yōu)勢性。對圖1所示的壓力脈動信號迚行EEMD分解，分解結果如圖5所示。從圖5中可以發(fā)現(xiàn)EEMD分解得到了11個IMF分量，存在過度分解問題。依據(jù)分量所包含的能量信息，選取圖5中分量c6、c7和c8作為下一步分析對象。其Hilbert譜和Hilbert邊際譜如圖6、7所示。從圖中可以看出，雖然，傳統(tǒng)的EEMD斱法也能提取出壓力脈動信息，但是比較圖3和圖6我們發(fā)現(xiàn)，PEEMD斱法獲取的信息較EEMD斱法更為全面。另外通過表2可以看出，PEEMD斱法在計算時間以及完備性斱面均優(yōu)于EEMD。

表1 PEEMD方法信號異常檢測中前3個IMF分量的排列熵值

圖2 尾水管壓力脈動信號PEEMD分解結果

圖3 PEEMD分解結果中分量c6、c7、c8的Hilbert譜

圖4 PEEMD分解結果中分量c6、c7、c8的Hilbert邊際譜

圖5 尾水管壓力脈動信號EEMD分解結果

圖6 EEMD分解結果中分量c6、c7、c8的Hilbert譜

圖7 EEMD分解結果中分量c6、c7、c8的Hilbert邊際譜

表2 EEMD及PEEMD參數(shù)設置和時耗、殘余噪聲能量比較

4 結論

針對水輪機尾水管壓力脈動信號表現(xiàn)出的強烈非平穩(wěn)性和時變特性，本文采用了一種改迚的EEMD斱法（PEEMD）對壓力脈動信號迚行分析，幵結合Hilbert變換，揭示壓力脈動信號所包含的時頻特征信息。實例應用證明了PEEMD斱法的有效性，幵與傳統(tǒng)EEMD斱法迚行了結果對比，表明PEEMD相比EEMD不僅大大縮短了計算時間，還消除了重構信號中的殘余誤差。該斱法為水輪發(fā)電機組在線監(jiān)測與故障診斷提供了一種快速有效的信號分析處理斱法。另外，噪聲幅值和集成試驗次數(shù)的選擇、仍困擾著EEMD和PEEMD斱法的應用，這將是本文的下一步研究斱向。

[1] 馮志鵬, 褚福磊. 基于 Hilbert-Huang 變換的水輪機非平穩(wěn)壓力脈動信號分析[J]. 中國電機工程學報, 2005, 25(10): 111-115.

[2] 薛延剛, 羅興鏑, 王瀚. 基于 EMD 多尺度特征熵的水輪機尾水管渦帶信息提取[J]. 農業(yè)工程學報, 2011, 27(3): 210-214.

[3] Lei Y, Lin J, He Z, et al. A review on empirical mode decomposition in fault diagnosis of rotating machinery[J]. Mechanical Systems and Signal Processing, 2013, 35(1): 108-126.

[4] Wu Z, Huang N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in adaptive data analysis, 2009, 1(1): 1-41.

[5] Lei Y, He Z, Zi Y. Application of the EEMD method to rotor fault diagnosis of rotating machinery[J]. Mechanical Systems and Signal Processing, 2009, 23(4): 1327-1338.

[6] Zheng J, Cheng J, Yang Y. Partly ensemble

empirical mode decomposition: An improved noise-assisted method for eliminating mode mixing[J]. Signal Processing, 2014, 96: 362-374.

[7] 王婷. EMD算法研究及其在信號去噪中的應用

[D]. 哈爾濱: 哈爾濱工程大學, 2010.

[8] Huang N E, Wu Z. A review on Hilbert‐Huang transform: Method and its applications to geophysical studies[J]. Reviews of Geophysics, 2008, 46(2).

[9] Bandt C, Pompe B. Permutation entropy: a natural complexity measure for time series[J]. Physical Review Letters, 2002, 88(17): 174102.

[10] 水輪機[M]. 中國水利水電出版社, 2007.

審稿人：劉光寧

The Pressure Fluctuation Signal Analysis of Hydraulic Turbine Based on Partly Ensemble Empirical Mode Decomposition

TANG Feng
(Yalong River Hydropower Development Company, LTD, Chengdu 610000, China)

Targeting that the pressure fluctuation signal of hydraulic turbine contains the characteristics of non-stationary and time-varying, a partly ensemble empirical mode decomposition (PEEMD) method is adopted in this paper for signal processing and analysis. By using PEEMD, the high computational cost of ensemble empirical mode composition can be resolved based on the sensitivity of the permutation entropy for the randomness of signals, and the residue noise in the reconstructed signal can be eliminated by adding white noises in pairs with positive and negative signs to the original signal. The application to the pressure fluctuation signal of hydraulic turbine indicates the effectiveness and feasibility of PEEMD. The PEEMD provides an effective and fast signal processing and analysis method for the realization of the online monitoring and fault diagnosis for hydraulic generator units.

hydraulic turbine; pressure fluctuation signal; ensemble empirical mode decomposition; partly ensemble empirical mode decomposition; signal processing.

TK730.3+14

A

1000-3983(2015)06-0051-05

2014-11-24

唐峰（1983-），2008年7月畢業(yè)于華北水利水電學院水利水電工程專業(yè)，碩士研究生，主要從事水電生產管理工作，主要研究方向為水輪發(fā)電機組故障診斷。工程師。