掛治電廠2號機在線監測振擺數據降噪處理方法

楊峰雄，付向濤，袁翔

(五凌電力有限公司掛治電廠，湖南 長沙 410000)

近年來，隨著大型水輪機組的投運，機組振動問題變得愈發突出，并具有很高的危害性，并可在過流部件中傳播、引發共振、大軸擺動、并降低水輪機組某些部件的使用壽命等，甚至可能引起廠房振動。因此，對運行機組振擺進行實時監測是確保機組安全運行的重要手段[1-5]。水輪機組的在線監測由于水電機組的結構復雜，水輪機組的故障機理尚不明確，而且運行中的水輪機組的振動大多由于水力、電磁、機械以及環境噪聲等因素耦合疊加的結果。直觀的數據判斷和簡單的分析很難找到振動具體原因。為了為更好保證系統監測數據的真實性以及后續信號特征分析的有效性，發掘更多有用信息，在分析數據之前需要對信號進行降噪處理[6-9]。

目前很多國內外的學者對旋轉機械信號處理進行了研究并取得了很大的進展。

文獻[10-12]采用小波閾值方法對齒輪超聲信號進行降噪處理，其在一定程度上可以對信號進行降噪，但傳統的小波閾值降噪等方法不能自適應的對信號進行降噪處理，同時在處理這類非線性非平穩性信號時存在小波基和分解層數選擇上的局限性。文獻[13]采用VMD進行水電機組故障信息提取，但VMD分解本身不具備自適應分解能力，需要進行分解層數的設定。文獻[14]提出基于EMD水輪機空化聲發射信號特征提取方法研究，該方法將EMD用于水輪機空化非平穩信號處理中，將關聯維數作為水輪機空化的特征，其表征的特征明顯，這表明EMD可以用于非平穩信號的處理。

水輪機組振動信號具有明顯的非線性、非平穩性特征，在進行特征提取過程中，受電磁環境等噪聲干擾，其故障特征不明顯。因此，在小波閾值降噪方法的基礎上，結合EMD算法的自適應性特征，不需要事先確定基函數和分解層數，整個分解過程完全是由信號自身決定。從而有效地克服了小波降噪的固有缺陷，目前該方法已被應用于非平穩信號的降噪處理。

本文提出一種基于EMD與小波閾值相結合的降噪方法，對實際信號有很強自適應處理能力以及較高的信噪比，并與小波閾值降噪方法進行了比較。

1 基于EMD與小波閾值降噪處理方法

1.1 EMD分解方法

EMD算法是近年來發展起來的一種新型自適應性視頻分析算法[15-17]，它依據信號自身特點，自主選取信號內在的本征固有模態函數，是一種適用于處理非平穩、非線性信號的算法。該方法是對以線性和平穩假設為基礎的傅里葉分析和小波變換等相關傳統時頻算法的重大突破。頻率是建立在以傅里葉變換為基礎與時間無關的物理量，其實質是信號在一段時間以內的總體特征，這種方法對于平穩線性信號的分析是有效的。但是，在工程實際中，對于非平穩信號，其頻率是隨時間變化的，傳統方法就不再適用。EMD就是將原有信號分解為許多窄帶分量，這種理念的本質就是通過非線性，非平穩信號的分解獲得一系列表征信號特征時間尺度的IMF，將非平穩非線性信號分解為許多平穩信號。信號分解過程中，每個IMF需要滿足2個條件[18-20]：①在整個數據序列中極值點數量與過零點的數量相等或者相差一個；②在任何時間點上，由局部極大值和極小值所構成的包絡均值為0。IMF函數的求取步驟如下：

(1)首先，找到原信號X(t)所有極大值點，通過三次樣條插值你和出極大值點的包絡線e1，同理，找到原信號X(t)所有極小值點，用三次樣條插值擬合原數據序列的極小值包絡線e2，求出包絡均值m1。

(1)

(2)用原數據序列x(t)減去m1后得到一個去掉低頻的新數據h1：

x(t)-m1=h1

(2)

(3)判斷h1是否滿足IMF函數的兩個條件，若滿足，則h1為第一個IMF函數，把它賦給c1。若不滿足條件，則把h1當作原序列，重復上述步驟k次，直到找到第一個IMF函數。

(4)當原始數據x(t)減去第一個c1得到一個去掉高頻成分的剩余序列r1。

r1=x(t)-c1

(3)

(5)當r1被當做原始序列重復上述步驟，找出c2，如此循環j次，直到rj小于給定誤差或者趨于單調函數的時候停止。

最終信號x(t)經過EMD處理后可以表示為：

(4)

1.2 小波閾值降噪

小波變換的一個重要應用之一就是信號降噪。

對信號降噪的本質是通過抑制信號中的無用信息，增強信號中有用信息的過程[21-22]。

采用標準的正交小波基，建立一個N*N的正交矩陣W，然后進行離散小波變換(the discrete wavelet transform,DWT)：

C=WX

(5)

其中，X=[X(1)，X(2)，X(3)，……,X(N)]，C=[C(1)，C(2)，C(3)，……,C(N)]，以及重構的小波系數。

小波閾值降噪的思想就是對小波分解后的各層系數中模大于和小與某一閾值的相關系數進行處理，然后對處理過后的小波系數進行反變換，重構出降噪后的信號[23-25]。其閾值計算方式為：T=VC，其中C為常數。常用閾值函數主要有硬閾值函數和軟閾值函數，其函數定義如下：

(6)

和

(7)

通常情況下軟閾值法較硬閾值法能更好地保留信號的有用信息，所以多用于對工程信號的降噪。本文采用軟閾值函數，得到的降噪信號的估計值為：

(8)

在最小最大估計值的限制下得出的最優閾值為：

(9)

其中δ是噪聲標準方差，N是信號長度，根據上式得到信號噪聲的標準差估計值，即：

(10)

降噪的效果采用信噪比SNR和均方根誤差(RMSE)進行衡量，SNR的定義為：

(11)

均方根誤差(RMSE)定義為：

(12)

1.3 EMD與小波閾值降噪處理方法

EMD分解后噪聲模態分量主要集中在前3階IMF中，直接利用小波(包)閾值降噪難以擺脫基函數和分解層數選取對降噪效果的影響。若對其進行傳統EMD降噪，將EMD分解后的含噪低階IMF機械地剔除，然后再對剩余IMF進行重構，能達到一定的降噪效果，但會導致部分真實信號的缺失，造成降噪的失真，對后期的信號特征提取工作產生不利影響。另外，采集信號由于受設備穩定性及環境干擾的影響易產生偏離基線。偏離基線的大小隨時間變化而變化，會在采集的信號頻域內產生附加的低頻成分。若采集信號存在偏離基線，則產生的趨勢項必然存在于EMD分解的殘余項rn中[26-27]。

因此，根據EMD自適應分解特性和閾值降噪的良好性能優點，本文建立了基于EMD與小波閾值降噪方法。其流程圖如圖1所示。

圖1 降噪算法的流程圖Fig.1 Flow chart of noise reduction algorithm

具體方法具體實現步驟如下：

(1)將采集的空化聲發射信號X(t)進行EMD分解，得到一系列IMFi(i=1，2，…，n)和殘余量rn。

(2)根據噪聲信號在IMF中的分布特性，對EMD分解得到的前3個IMF分量(進行閾值降噪處理，得到IMFi′(i=1，2，3)。

(13)

(3)剔除殘余量rn，以消除殘余分量的影響。鑒于殘余分量的存在，本文采用一種基于能量譜的模態識別方法該方法的具體方法如下，在EMD分解完成的基礎上，計算IMF的能量：

E(Xi)=X(t)2

(14)

式中：X(i)為第i個IMF分量。對每一個IMF分量進行歸一化處理：

(15)

計算IMF的能量譜：

e=-Pi*lg[Pi]

(16)

將變量取對數后不僅與數值大小的單調性相關，同時還與事件發生的概率相關。殘余IMF的e較小。本文取殘余IMF分量的閾值為0.1，當IMF的能量譜e小于0.1的時候，就可以認為該IMF分量為殘余模態分量。

(4)對處理后的IMFi′(i=1,2,3)以及未處理的IMFi(i=(4,5,…,n)進行信號重構，得到降噪后信號Y(t)，即：

(17)

EMD與小波閾值降噪方法的優點包括：①具備EMD的自適應性、多分辨率、完備性等優勢；②確保噪聲起主導作用并且含有用信息的IMF分量不被剔除；③避免了小波最優分解層數的選擇，同時也避免了小波分解過程中小波基函數選擇的煩瑣性，從而更容易對振擺非平穩信號進行降噪處理[28]。

1.4 仿真信號處理

采用EMD與小波閾值降噪方法對設置SNR為5dB，長度2048個點的Doppler原始仿真加噪信號進行降噪處理。

其原始仿真信號、仿真加造信號、仿真降噪信號如圖2-圖5所示。

圖2 仿真信號Fig.2 Simulation signals

圖3 加噪信號Fig.3 Noise signals

圖4 EMD與小波閾值降噪信號Fig.4 EMD and wavelet threshold denoising signals

圖5 小波閾值降噪信號Fig.5 Wavelet threshold denoising signals

對含噪仿真信號X(t)分別用EMD與小波閾值降噪方法、并與傳統小波閾值降噪方法進行對比，其中選取db4小波為基函數，分解層數為四層，結果如圖5所示。對比圖4和圖5的2種方法降噪后信號的波形圖可以看出，2種降噪方法處理后信號的波形輪廓基本與原信號一致。對比發現，小波閾值降噪降噪效果明顯差于本文的降噪方法，圖4波形圖較小波閾降噪方法所得波形更為平滑，且波形輪廓更接近原信號。同時圖5小波降噪的波形存在一定程度的失真，是過度降噪的表現。為進一步對比小波降噪和EMD與小波降噪2種降噪手段的優劣性，采用信噪比(SNR)和均方根誤差(RMSE)作為其降噪效果好壞的評價指標。2種降噪方法的SNR對比結果如表1所示。

由表1可知，兩種方法降噪后的信號信噪比都比含噪仿真信號高，說明2種方法均具有一定的降噪作用。特別需要指出的是：經 EMD與小波閾值降噪方法降噪后信號的信噪比更高，說明該方法相比較傳統小波閾值降噪效果更好。同時，從均方根誤差來看，本文提出的EMD與小波閾值降噪的均方根誤差更小，降噪的實際效果更明顯。

表1 兩種方法降噪效果對比Tab.1 Comparison of 2 signal denoising methods

2 在線監測系統振擺系統與試驗數據采集和降噪處理

2.1 在線監測系統介紹

PSTA2100水輪發電機組在線狀態監測和分析系統，如圖6所示。水輪機在線監測系統提供對機組當前的運行狀態進行同步監視和顯示的功能，以數值、曲線、圖表等各種形式，將機組的各種狀態分析數據，通過多個不同的頁面展現給電站運行維護人員。實時監測系統同時會將各通道的報警狀態在監測終端同步顯示，電站運行維護人員可以根據這些狀態判定是否需要檢修維護人員參與機組檢查調整。本系統提供專業數值分析工具可對歷史數據進行詳盡專業的分析，通過選取相關的監測量可以查看這些監測量的實時值，實時評價以及通過檢索服務器的數據到本地還可以對離線數據進行趨勢分析和關聯分析。在水電行業使用還可以利用它進行專業分析，其具有如下特點：

圖6 在線監測系統Fig.6 Online monitoring systems

(1)全組態化配置界面，支持用戶自定義展示界面。

(2)Web展示模式，支持客戶端和移動端使用。

(3)內嵌豐富專業圖形組件，支持水電專業應用界面配置。

(4)插件化封裝，支持圖形控件擴展。實時數據評價。

(5)形成實時評價報告：針對機組運行過程中的實時數據進行ABCD四級實時評價，以得出各測點數據的優秀、合格、危險、嚴重狀態，反應機組當前運行情況。

(6)形成定時評價報告?？筛鶕脩粼O定的時間在固定的時間點輸出評價報告，報告內容可根據用戶需求進行定義，包括常規的振擺峰峰值、氣隙最小值，本系統特有的振擺分頻值，以及各種計算量，例如轉子不度、轉子質量不平衡量等。

(7)形成條件評價報告。用戶可設定在機組某種運行工況下輸出評價報告，例如開機低轉速，空轉、空載、加勵磁、某個負荷、停機、跳機等等所有機組可能的運行工況。

(8)形成趨勢檢查報告。定期繪制用戶設定監測量的時間軸趨勢，以方便用戶對機組運行狀態是否劣化，進行直觀評價。

(9)形成報警統計報告。機組運行數據報警統計，用戶可根據統計數據驗證報警參數設置是否合理，機組是否有誤報、漏報現象，在確認報警都是合理一情況下檢查報警數據有針對性的修復機組缺陷使數據恢復正常。水輪機組狀態在線監測系統具有運行狀態評價功能，系統采用量化評價技術，評價內容包括界面或系統軟件工具以原有的波形、點值自動計算生成的計算量，只要是對運行檢修維護指導和評價工作有實用意義的，都可以歸入運行狀態評價報告。

其中，用于數據采集的SPU2010數據采集箱能同時穩定可靠進行大量數據預處理計算、網絡數據傳輸。數據采集箱對各種不同測量信號系統設有多種信號調理模塊，以便于適應不同種類的傳感器信號(如電壓、電流、壓力)，同時具有熱插拔以及易于更換等特點。采集箱采樣頻率范圍為0Hz～500Hz，確保數據的實時性、準確性、連續性和可靠性。

每臺機組在線監測系統共使用4支申克電渦流式的擺度傳感器(位移傳感器)，8支豪瑞斯振動傳感器(速度傳感器)。電渦流式擺度傳感器用于靜態和動態位移量的非接觸式測量，測量動軸承位移量和記錄位移軌跡。振動傳感器由地震塊和彈簧片支持的測量線圈組成，測量元件可在圓形永久磁鐵的磁場中移動，傳感器的振動會產生一個與振動速度成正比的電壓信號。

其中，機組下導和水導擺度傳感器分別位于下導和水導油盆上方，用支架支撐，在機組水平面+X、+Y方向各安裝一個傳感器(從上往下俯瞰機組，垂直于上游側為+X方向，平行于上游側為+Y方向)。機組的下機架+X、+Y和下機架垂直方向，頂蓋的+X、+Y和頂蓋垂直方向各安裝一只振動傳感器，定子基座+X、+Y方向分別安裝一只振動傳感器，用以采集機組振動的數據。

其基本原理為：前端元器件實現數據實時采集，線號經端子箱轉接后送至下位機柜內SPU2100數據采集單元進行AD轉換；多個數據采集單元處理后的數據經交換機匯聚在工業平板電腦集中存儲、展示；平板電腦與電站計算機監控系統機組LCU 之間可通過MODBUS協議實現實時通信；多臺機機組的數據通過光纖設備匯聚到上位機服務器上，上位機服務器對數據進行集中處理、存儲、分析；二區服務器和三區服務器之間用正向隔離設備進行隔離，數據實現同步備份，維護人員只對三區服務器進行操作。

2.2 試驗數據采集和降噪處理

本文從2號機變負荷工況下，截取其中一段擺度數據，如圖7所示。

圖7 變工況下擺度信號Fig.7 Swing signals under off design condition

從圖7可以看到：采集信號波形不平整光滑，波峰、波谷含有大量毛刺，這是由工作環境背景噪聲、電磁干擾、其他機械故障引發的沖擊噪聲疊加而造成的。由于噪聲信息的干擾將加大對采集振擺信號進行分析處理的難度，從而，需要對采集的振擺信號進行降噪處理，以方便其后續的分析研究。

從圖8可以看到：基于EMD與小波閾值的降噪方法對振擺的噪聲成分有一定的抑制作用。采集信號波形圖上明顯的毛刺部分已被很好地抑制，這對信號的后期數據分析、處理是有利的。相比原始振擺采集信號，降噪后的信號更平滑，且很好地保留了原信號的突變特征和振幅。

圖8 降噪信號Fig.8 Noise reduction signals

對比圖9、圖10的頻譜圖，發現降噪后的信號頻譜基本上保留了原始信號中頻譜的主要部分，對50Hz以上的高頻噪聲信號成分進行了很好地抑制，這驗證了該降噪算法的可行性。

圖9 原始信號頻譜圖Fig.9 Spectrum of original signals

圖10 降噪信號頻譜圖Fig.10 Spectrum of noise reduction signals

3 結論

EMD與小波閾值降噪方法有效結合了EMD自適應性和小波閾值降噪的優點，極大地克服了傳統小波閾值降噪方法的機械性缺陷和小波基函數與分解層數選取的局限性，整個分解過程是由信號自身特性決定的自適應降噪過程。

本文提出的EMD與小波閾值降噪方法適用于水輪機振動信號的降噪處理這一領域，仿真試驗結果表明該方法相較于傳統小波閾值降噪方法更有優勢。

實際工況下的振擺數據降噪結果表明，該方法對振擺數據中的噪聲有良好的抑制作用，這表明這種基于EMD與小波閾值降噪相結合的方法對于水輪機振擺數據的降噪是有效的。