基于孤立森林的水電機組異常噪聲分析方法

關(guān)鍵詞： 水電機組; 異常檢測; 噪聲測量; 孤立森林

中圖分類號： TB9; TV734 文獻標志碼： A 文章編號： 1674–5124（2025）02–0162–07

0引言

燈泡貫流式水輪機是貫流式水電站的關(guān)鍵設(shè)備[1]，可將水體的勢能轉(zhuǎn)化為轉(zhuǎn)輪的動能，進而驅(qū)動同軸的發(fā)電機產(chǎn)生感應(yīng)電能。其安全可靠運行是保障水能資源開發(fā)利用率和提高電力系統(tǒng)穩(wěn)定的基礎(chǔ)。

故水電機組運行狀態(tài)監(jiān)測與故障檢測極其重要。

目前水電機組故障檢測與診斷，常用振動診斷技術(shù)，這種方法存在速度慢、測頻范圍低等弊端[2]。當(dāng)系統(tǒng)故障時，機組產(chǎn)生的噪聲特性也會發(fā)生變化，由此可以推導(dǎo)機組本身的結(jié)構(gòu)信息和運行狀態(tài)信息發(fā)生相應(yīng)變化[3]。因此，可以利用噪聲信號對機組的運行狀態(tài)進行監(jiān)測和故障檢測。

近年來，基于聲學(xué)的故障檢測方法在國內(nèi)外均有成功應(yīng)用。唐擁軍等[4] 驗證了噪聲數(shù)據(jù)用于水電機組監(jiān)測與故障診斷的可靠性，但未深入分析噪聲與機組狀態(tài)的對應(yīng)關(guān)系。胡邊等[5] 研發(fā)了水電機組噪聲信號硬件采集系統(tǒng)，為水電機組故障檢測提供了可靠的監(jiān)測數(shù)據(jù)，但未涉及噪聲數(shù)據(jù)的具體應(yīng)用。Bruno 等[6] 設(shè)計了一種聲學(xué)狀態(tài)監(jiān)測方法，并探索了其在機組葉片結(jié)構(gòu)故障檢測中的應(yīng)用。這些研究為水電機組的聲學(xué)故障檢測提供了堅實的基礎(chǔ)和多樣的技術(shù)手段。

基于信號分析的傳統(tǒng)算法、基于神經(jīng)網(wǎng)絡(luò)的智能檢測算法與基于決策樹的集成算法均獲得廣泛應(yīng)用?；谛盘柗治龅脑\斷方法反應(yīng)迅速準確，但對某些時變非平穩(wěn)信號分析復(fù)雜 [7]；基于深度神經(jīng)網(wǎng)絡(luò)的智能診斷算法，故障準確率高，但其性能受機組故障樣本數(shù)量的影響[8]；基于故障樹的集成診斷算法魯棒性好，具有線性時間復(fù)雜度，適合水電機組監(jiān)測信號的異常檢測[9]。孤立森林是一個基于集成學(xué)習(xí)的快速異常檢測方法，不需要先驗故障信息，對群組異常和離散異常都具有良好的檢測能力，符合水電機組大量噪聲數(shù)據(jù)的檢測[10]。

基于以上分析，本文利用水電機組噪聲信號，通過時頻分析法對噪聲信號提取高維特征后，結(jié)合機組狀態(tài)分析與孤立森林，提出一種水電機組異常噪聲檢測方法。通過對湖南某水電站燈泡貫流式機組檢測實驗表明，該方法可以準確檢測水電機組金屬掃膛異常噪聲。

1水電機組異常噪聲檢測原理

1.1貫流式水輪機工作原理

燈泡貫流式水電機組是一種將水體的勢能轉(zhuǎn)化為機組轉(zhuǎn)輪旋轉(zhuǎn)的動能，驅(qū)動發(fā)電機產(chǎn)生感應(yīng)電能的旋轉(zhuǎn)機械裝置，其結(jié)構(gòu)如圖1所示。燈泡貫流式水電機組的水輪機主要由燈泡頭、燈泡體、軸承、轉(zhuǎn)輪、排水管等組成。

當(dāng)水流進入機組的導(dǎo)水管時，通過推動轉(zhuǎn)輪轉(zhuǎn)動。在機組運行過程中，由于受外界水力、機械、電磁等干擾，容易誘發(fā)故障，影響機組安全穩(wěn)定運行。其故障主要分為以下兩種類型：

1）電氣故障：如發(fā)電機轉(zhuǎn)子和定子的磁場中心不匹配，兩者之間會產(chǎn)生磁引力，影響水電機組的安全運行。

2）機械故障：如發(fā)電機磁極松動、機組軸線傾斜、軸承變形、機組質(zhì)量偏心等。當(dāng)金屬異物如螺絲等金屬小物件或水流中含有的泥沙、石子等由于外界因素進入水輪機，在旋轉(zhuǎn)過程中與機體發(fā)生刮擦，容易導(dǎo)致金屬掃膛故障。若此類故障不加控制，將會誘發(fā)嚴重機組故障。

金屬掃膛是燈泡貫流式機組常見的故障類型之一。由于金屬掃膛故障發(fā)生在水輪機內(nèi)部，振動傳感器安裝位置受限于機組，故振動信號不能及時反映金屬掃膛故障信息。金屬掃膛故障發(fā)生時會激發(fā)尖銳刮擦聲，故金屬掃膛故障更適合基于聲學(xué)信號的故障檢測方法。當(dāng)機組發(fā)生此類異常時，機組噪聲信號中包含的頻率分量和各頻率分量的幅值都會發(fā)生變化，據(jù)此可完成機組的金屬掃膛異常噪聲檢測。

圖2為正常狀態(tài)下與故障狀態(tài)下燈泡貫流式水電機組的噪聲頻譜圖。由圖可以看出，當(dāng)機組發(fā)生金屬掃膛故障時，700Hz和3500Hz左右的幅值發(fā)生突變。以此為特征，能夠完成機組運行狀態(tài)的異常檢測。

1.2孤立森林故障檢測原理

水電機組的噪聲信號由噪聲傳感器器采集，通過以太網(wǎng)實時發(fā)送到上位機；然后，通過計算噪聲信號的時頻域特征以及小波包分解[11] 的能量系數(shù)，得到信號的多維特征。進而對比選擇不同域的不同特征作為樣本集，通過隨機不放回抽取的方式構(gòu)建孤立樹，并進一步建立孤立森林，通過計算孤立樹上測試樣本的路徑長度得出最小路徑距離，利用最小路徑距離d_min判斷樣本是否為故障。基于孤立森林的水電機組故障檢測方法的流程如圖3所示。

水電機組噪聲信號具有非線性、非平穩(wěn)的特點，方差可以表示信號數(shù)據(jù)的分離程度，均方根可以反映噪聲信號的能量；最值對沖擊及突發(fā)性外界干擾等原因引起的瞬時狀態(tài)信號比較敏感；峭度對大幅值信號非常敏感，并且它們的值隨著大幅值概率的增加而迅速增加，因此峭度更容易受到含有脈沖成分故障的影響。

通過比較不同狀態(tài)下的時域指標差異，選取均方根為故障特征向量。根據(jù)實驗，由于不同水輪機噪聲信號的均方根顯著，因此采用均方根作為時域故障特征向量，記為T₁；同樣對比不同狀態(tài)下的頻域指標差別，選擇總能量作為故障特征向量，記為T₂。

小波包分解方法的時頻分析能力強，通過依據(jù)水電機組狀態(tài)信號的特征來選擇合適的分析頻帶，確保對噪聲信號的頻譜分析更合理。其中，通過小波包多層分解后得到的各個頻帶能量為

1.5水電機組異常噪聲檢測算法步驟

基于孤立森林的水輪機組異常噪聲檢測算法流程如下：

1）選定訓(xùn)練數(shù)據(jù)集，利用式（1） 和式（3） 分別計算數(shù)據(jù)集的時域、頻域、小波包分解后的子頻帶能量占比的高維特征T。

2）將高維特征T輸入孤立森林算法，利用式（4）與式（6）計算訓(xùn)練集的路徑分布。

3）利用路徑分布，確定最小路徑dmin，并利用（7）完成水電機組金屬掃膛異常噪聲的檢測。

2水輪機故障檢測實驗

2.1水電機組工況試驗

水電機組是一個復(fù)雜的非線性系統(tǒng)，眾多部件高度耦合。在機組運行過程中，由于時變因素的影響和各部件連接部分相互作用力的影響，機組處于頻繁變化的工況中。為保障數(shù)據(jù)集的完備性，以便孤立森林更好學(xué)習(xí)到機組正常運行數(shù)據(jù)分布，故進行水電機組變工況試驗。

當(dāng)發(fā)電機組處于變工況工程時，水電機組各部分的噪聲信號有較大的突變。調(diào)整水電機組的運行負荷，采集各部分的噪聲信號，完成機組變工況試驗，步驟如下：

1） 保持機組在8MW負荷下穩(wěn)定運行一段時間。

2） 將機組負荷從8MW增加至20MW。

3） 保持機組穩(wěn)定運行于20MW負荷一段時間。

4） 將機組負荷從20MW緩慢下降至8MW。

5） 保持機組穩(wěn)定運行于8MW負荷一段時間。

機組穩(wěn)態(tài)是指機組負荷保持在8MW和20MW的階段；機組變負荷狀態(tài)包括升負荷和降負荷：升負荷是指負荷從8MW逐漸增加到20MW的過程，降負荷是指負荷從20MW逐漸減小到8MW的過程。

燈泡體工況變化特征數(shù)據(jù)包括：穩(wěn)定狀態(tài)①、負荷增加（升負荷）、穩(wěn)定狀態(tài)②、負荷減?。ń地摵桑┡c穩(wěn)定狀態(tài)③，特征數(shù)據(jù)共有1203組。圖4為燈泡體工況變化過程圖。圖4（a） 中，機組完整工況變化過程包括：穩(wěn)態(tài)①：機組在8MW 負荷下保持穩(wěn)定；升負荷：機組負荷從8MW上升到20MW；穩(wěn)態(tài)②：機組在20MW負荷下保持穩(wěn)定；降負荷：機組負荷從20 MW 降到8MW；穩(wěn)態(tài)③：機組保持在8MW負荷下運行。圖4（b） 中，變工況中均方根特征變化的過程與圖4（a） 中原始信號的5 個過程一一對應(yīng)。

2.2水電機組故障實驗

對水電機組燈泡體進行金屬掃膛異常噪聲實驗。圖5為水電機組燈泡體金屬掃膛異常噪聲實驗現(xiàn)場。

當(dāng)轉(zhuǎn)輪腔內(nèi)壁與異物有刮擦?xí)r，轉(zhuǎn)輪腔內(nèi)壁和葉片上會出現(xiàn)短時沖擊受力，導(dǎo)致設(shè)備內(nèi)部局部變形或劃傷，并發(fā)出尖銳的刮擦聲，造成金屬掃膛故障并激發(fā)異常噪聲。圖6是金屬掃膛異常噪聲的原始信號和相應(yīng)的均方根特征。從圖中可以看出，金屬掃膛異常信號的均方根特征具有明顯的周期性，可以作為水輪機組的故障特征信息。

在燈泡體金屬掃膛異常過程中，采集到了3個周期共500組故障樣本數(shù)據(jù)。燈泡體金屬掃膛異常過程主要包括：1）保持一段時間的穩(wěn)定狀態(tài)；2）對燈泡體進行3次故障實驗；3） 實驗結(jié)束，機組恢復(fù)穩(wěn)定運行。

2.3故障檢測實驗

利用孤立森林對水電機組噪聲實測數(shù)據(jù)進行檢測，包括模型訓(xùn)練、模型檢測兩個部分。使用2.1與2.2組成的訓(xùn)練集訓(xùn)練孤立森林，得出最小路徑。

圖7為機組工況試驗數(shù)據(jù)與部分金屬掃膛故障數(shù)據(jù)路徑分布。由圖可知，機組正常運行數(shù)據(jù)與故障數(shù)據(jù)路徑分布不同，金屬掃膛異常噪聲數(shù)據(jù)路徑處于0與0.1路徑附近，而機組工況數(shù)據(jù)路徑大部分處于0.2～0.5之間。通過對比不同的路徑，最終選擇0.12作為模型的最短路徑距離，即d_min=0.12。

采取2.1節(jié)的方法對燈泡體連續(xù)采樣，將采集的22 500 萬個實測噪聲數(shù)據(jù)輸入本模型。其中，為保持發(fā)電負荷穩(wěn)定，大部分實測數(shù)據(jù)為穩(wěn)態(tài)數(shù)據(jù)（8、18、19、1、16MW 等）以及部分變負荷數(shù)據(jù)（8～18MW、18～16MW、19～13MW、9～18 MW 等）和600000個原始異常噪聲數(shù)據(jù)。

圖8為實測數(shù)據(jù)圖，包括過程①：機組穩(wěn)定在9MW（穩(wěn)態(tài)）；過程②：機組負荷由9 MW 增加到18MW（增負荷）；過程③：機組負荷穩(wěn)定在18 MW（穩(wěn)態(tài)）。由圖可知，機組在18 MW 負載下產(chǎn)生的噪聲信號幅值較小，這是因為機組在某些大負載下運行更加平穩(wěn)。

圖9為穩(wěn)定狀態(tài)、變負荷過程和故障狀態(tài)下的測試集數(shù)據(jù)路徑比較圖。圖9（a） 為負荷9MW 的穩(wěn)定狀態(tài)的實測數(shù)據(jù)與異常噪聲測試集數(shù)據(jù)的路徑對比，利用最小路徑可以檢測出機組異常噪聲；同理，圖9（b） 為負荷9 MW 到18 MW 的變負荷狀態(tài)實測數(shù)據(jù)與機組異常噪聲測試集數(shù)據(jù)的路徑對比，最小路徑同樣能夠準確檢測出異常噪聲。

將采集到22500萬個原始噪聲數(shù)據(jù)輸入本文模型，異常噪聲檢測率為97.45%，表明了該方法的有效性。

2.4不同檢測模型結(jié)果對比

為驗證本模型對水電機組異常噪聲檢測的有效性，在使用相同數(shù)據(jù)集的前提下，分別采用文獻[12] 中基于天牛須算法的支持向量機模型[12]（BASSVM）、最鄰近算法 [13]（KNN）、一類支持向量機模型[14]（OC-SVM）以及基于角度的離群值檢測模型[15]（ABOD）進行對比檢測實驗，各檢測模型參數(shù)如表1 所示。

采用孤立森林等模型的異常噪聲檢測結(jié)果如表2所示。從表中可以看出，基于孤立森林的水電機組異常噪聲檢測率高于BAS-SVM與同類型的異常檢測算法（KNN、ABOD 和OC-SVM） 模型，表明了該方法的有效性。

3結(jié)束語

本文以貫流式水電機組為研究對象，針對傳統(tǒng)振動診斷技術(shù)具有的速度慢與測頻范圍低弊端，分析了噪聲信號用于水輪機異常狀態(tài)檢測的合理性。并在對比分析機組不同運行狀態(tài)的基礎(chǔ)上，研究了水電機組金屬掃膛異常噪聲檢測方法。實驗結(jié)果表明：該方法反應(yīng)迅速，能有效檢測水輪機金屬掃膛異常噪聲，具有一定的應(yīng)用價值。燈泡貫流式水電機組工況復(fù)雜，其運行狀態(tài)受水力、電磁和外部耦合器件等因素影響，可能出現(xiàn)抬機與運行不穩(wěn)定等現(xiàn)象。需進一步完善算法，增強算法的魯棒性，提高算法檢測準確率是接下來的研究重點。