SCI论文（www.lunwensci.com）
摘要：水轮机转轮叶片裂纹严重影响电站运行的安全稳定性。然而，裂纹所产生的噪声信号十分微弱，在实际运行时易被强背景噪声淹没。为了更好地监测叶片裂纹产生的噪声信号，采用声发射（AE）技术进行信号采集监测，同时使用小波阈值降噪方法对信号进行提取分析。研究结果表明：在水轮机停机时，声发射技术监测信号的幅值范围为10~60 mV的断铅信号；AE信号的主要频率在64~128 kHz，噪声信号主要集中在第4和第5个小波系数中；采用AE参数可以准确定位产生裂纹的叶片；当传感器安装在转轮叶片正上方时，AE信号接收所需的距离和时间最短，提取到的结果更精确；采用AE技术可以及时发现叶片裂纹的初期状况，便于尽早采取合理的加固与补修措施。声发射监测技术对电站运行的安全稳定性具有重要的现实意义和经济价值。
关键词：声发射技术；叶片裂纹；裂纹信号；小波阈值降噪方法
Application of AE Technology in Monitoring and Diagnosing Cracks in Turbine Blades
Zhu Xiangyuan1，Zhang Xuezhi1，Liu Jiying1，Jiang Wei2，Liu Zhili3
（1.Shandong Jianzhu University,Jinan 250101,China;2.Northwest A&F University,Xianyang,Shaanxi 712100,China;
3.Huadian Electric Power Research Institute Co.,Ltd.,Hangzhou 310030,China）
Abstract:Cracks in the turbine runner blades seriously affects the safe and stable operation of the power station,However,the noise signal generated by the crack is very weak and is easily overwhelmed by strong background noise during actual operation.In order to better monitor the signal when the blade crack is generated,the acoustic emission(AE)technology is used to collect the signal,and then the wavelet threshold noise reduction method is used to extract the acquired signal.Research results show that when the turbine is shut down,the amplitude of the signal monitored by AE technology ranges from 10 to 60 mV;the main frequency of the AE signal is between 64 and 128 kHz,and the noise signal is mainly concentrated in the 4th and 5th wavelet coefficients;the cracked blade can be identified through AE parameters;and by mounting the sensor directly above the runner blades,the distance and time required to receive the AE signal are the shortest,which can extract a more accurate result.Moreover,when using AE technology,the condition of the runner blade cracks can be detected in time at the early stage,so that reasonable reinforcement and repair measures can be taken as soon as possible.This is of great practical significance for the safe and stable operation and long-term benefits of hydropower stations,and has important engineering significance and academic value for the promotion and development of AE technology.
Key words:acoustic emission technology;blade cracks;crack signal;wavelet threshold noise reduction method
0引言
水轮机作为水电机组的核心部件，其叶片健康状况不容忽视。水电站为提升水轮机发电效率，导致水轮机转轮叶片设计复杂，叶片的厚度变薄。受到机组载荷和材料强度等因素的影响，叶片极易在频繁的交变荷载作用下产生裂纹。为了保证水电站的高效、稳定和安全运行，解决裂纹问题已经迫在眉睫[1~4]。水轮机叶片裂纹问题的解决需准确检测叶片裂纹的产生。
为了保障发电机组安全稳定高效运行，国内外许多学者使用声发射技术对水电机组的运行状态进行实时监测与故障诊断[5]。Derakhshan等[6]利用AE技术提取了水轮机空蚀信号，并根据得出的均方根（RMS）绘制出导叶开度随RMS相对值的变化关系曲线。Escaler等[7]通过AE技术对水轮机涡带引起的空腔空蚀进行监测，得出了其在不同出力条件下的变化规律。吴广辉等[8]用振动监测方法与声发射检测方法分别对水轮机的转轮叶片裂纹进行检测，通过对比分析发现声发射技术可以更加及时准确地预测水轮机在运行时的故障，并有助于叶片裂纹故障的早期检测。刘忠等[9]为研究水轮机的转轮叶片裂纹和空蚀，利用声发射技术检测采集的信号并对其进行产生机理、信号规律的分析，发现该技术在发电机组应用中的问题。刘忠等在2016年根据混流式水轮机空化时声发射信号所表现出的强烈非平稳性和非线性，总结出水轮机空化的混沌特征和变化规律[10]，并在2022年对水轮机空化诱导的声发射信号进行去噪音处理，解决了特征参数的特征提取困难问题[11]。
目前关于监测机组裂纹，用到的方法基本是现场实验、停机检修，这些方法实用性低，在监测到叶片裂纹时裂纹现象已经非常严重，频繁地停机焊补裂纹又会给电站造成很大的经济损失。为了保证水轮机的高效稳定运行，针对机组运行过程中叶片裂纹的产生过程和叶轮叶片的裂纹状态[12-18]，本文利用声发射（AE）技术针对转轮叶片裂纹水动力噪声信号进行实时监测，并采用小波阈值降噪方法对信号进行提取分析，确定较好的叶片裂纹监测时的传感器布置方案，为水轮机叶片裂纹的声发射实时监测方案提供参考。
1 AE技术的理论方法
声发射（Acoustic Emission，AE）技术是一种适用于结构复杂、工作环境恶劣的旋转机械，对机械进行故障诊断和状态检测的新兴方法，它是一种动态的无损检测技术[19-20]。转轮叶片裂纹在产生和发展的过程中将形成一种声发射源，由其发出的弹性波会通过介质传播到被检测物体的表面。在水轮机的运行环境下所采集到的声发射信号可以表示为：
水轮机在运行的过程中通常都伴随着水流冲击噪声、机组旋转噪声和发电机层电磁噪声等，这些低频但高强度的噪声会影响裂纹信号的接收，导致参数提取出现问题，所以采用小波阈值降噪方法对AE信号进行提取，图1所示为小波阈值去噪方法。
阈值函数和阈值的选取直接决定了AE信号的提取效果，统一阈值是常用的一种阈值方法，计算公式为：
在采用统一的阈值方法时，信号长度过长将会造成阈值过大，从而导致有用的信号丢失。为此出现了一种有效的改进方法，计算公式为：
2实验设置
为了研究水轮机转轮裂纹监测的可行性及转轮内裂纹信号特征，实验中通过Nielsen-Hsu断铅法在水轮机转轮叶片上模拟裂纹AE信号，并使用4个声发射传感器进行信号的采集。将其中3个传感器安装在水轮机转轴的主轴轴瓦上方15 cm处，以任意一个测压孔作为参照物，沿逆时针方向每隔120°安装1个传感器，将传感器依次命名为S1，S2，S3。最后1个传感器安装在水轮机外，命名为S4传感器，用来区分转轮裂纹信号。所需的主要设备有AE传感器、数据采集器、前置放大器。现场实验的过程中对叶片发生裂纹可能性最大的位置进行断铅实验，具体的断铅位置如图2所示。其中在P1、P2、P3和P2与P4之间选择4个位置进行断铅实验，每个位置进行3次断铅；选择连续的5个叶片并在相同位置进行断铅。
3结果分析
图3为实验过程中所采集到的信号，图中S1、S2和S3传感器均有3个AE信号产生，而S4传感器没有监测到AE信号的产生，由此可以判断出图中所生成的信号就是模拟裂纹信号。由于人为实验时每次断铅的角度、力度和断铅位置不完全相同，会导致每次实验所产生的信号强度不同。因此3次实验过程中，在第1次和第2次实验中AE信号的幅值是较低的，在第3次实验时幅值有了明显的增加。此外在实验没有进行时，每个传感器都采集到了连续的AE信号，这时的信号成分主要是设备本身产生的背景噪声，而且因为设备不同的通道之间存在一定误差，因此每个传感器所产生的噪声信号强度不完全相同，其中由S2传感器产生的噪声明显低于其他2个传感器。
图4为一次实验中S1~S4传感器所采集到的关于模拟裂纹信号的时频图，信号长度均为1 K。其中S1~S3是裂纹信号，S4是噪声信号。由图可知，在采集到的3个传感器信号中，当频率大于200 kHz时会具有相同的分布趋势，并会在频率为250 kHz和285 kHz时出现明显的峰值，由此可以推断出裂纹信号中噪声信号是大于200 kHz的高频信号。而且不同的传感器受到的噪声影响也是有所差别的，其中S2传感器受到的噪声影响较小，S1传感器受到非常严重的噪声影响。通过对比噪声信号和裂纹信号的幅值可以得出，S1传感器采集到的信号频域图中，噪声信号的幅值约为1.6 mV，裂纹信号的幅值约为1.2 mV；在S2传感器中采集到的信号里，噪声信号的幅值为0.9 mV，裂纹信号的幅值也为0.9 mV；在S3传感器中噪声信号的幅值为1.4 mV，裂纹信号的幅值为0.9 mV。这3个传感器所采集到的信号中噪声信号的强度几乎都大于裂纹信号的强度，实验数据表明噪声信号与裂纹信号在频域上具有明显的差异，而且模拟叶片裂纹信号中混杂了非常严重的噪声，如果直接对采集到的信号进行特征的提取，很难准确提取出裂纹信号特征，因此要在分析前对信号进行特殊处理。从S4传感器获得的AE信号频域图可以得出，当频率在200 kHz以下时噪声含量很低。由此可以判断出S1~S3传感器所获得的信号中200 kHz以下的信号是模拟裂纹的AE信号，模拟裂纹的AE信号呈现宽频特性，峰值的频率是70 kHz，有一些较小的峰值出现在30~175 kHz。综合这些现象特点，可以先将信号通过小波包分解的方法进行细致分解。为了去除噪声的干扰，可以将信号范围为0~200 kHz的小波系数进行重构，并将频率值超过200 kHz的小波系数数值设置为0。
水轮机机组在运行过程中伴随着高强度的背景噪声，所采集到的叶片裂纹模拟信号不能直接作为叶片裂纹的生成分析，必须对信号进行小波阈值降噪才能进行下一步分析。而小波基函数的选取，会直接影响叶片裂纹信号的分解结果。本次实验选取dbN小波中具有良好支撑性和正交性的db5小波来对叶片4上的P4点处所得的实验结果进行3层小波包的分解。分解结果按照信号频率范围来排序，对第3层小波系数进行重构，其中将频率范围为0~64 kHz、64~128 kHz、128~192 kHz的幅值分别对应S30、S31、S32，进行信号重构。
图5为第3层中每个小波系数重构后的能量分布。由图可知，S4传感器所采集到的噪声信号在经过3层小波包分解后，其信号能量主要集中在S33和S34中，其余频段内的信号幅值很低，这表明噪声信号频率在192~320 kHz内。S1~S3传感器采集到的裂纹信号在经过小波包分解后，前5个频段内信号均有很高的能量。和噪声信号对比得知，叶片裂纹信号在前3个频段内有明显的能量增加，噪声信号的能量分布与S33和S34频段的信号能量趋势基本相同，可以判断出这2个信号频段就是噪声信号，而S30、S31和S32信号频段主要是裂纹信号。因此可以对3层小波包分解后只保留频段信号的前3个，并将其余频段的信号幅值设置为0，再将处理后的小波分解结果进行重构，就可得到无主要噪声的模拟叶片裂纹信号。
对采集的叶片裂纹信号进行小波包的分解，分解结果按照信号频率范围来进行排序，将前3层的小波包系数进行重构，并对叶片裂纹模拟信号的幅值分布进行不同位置和不同叶片中的提取。
图6为不同位置处的模拟裂纹AE信号的幅值分布。可以看出，在无噪声干扰的情况下，AE信号的幅值有所降低，在所有位置里AE信号最大为0.032 mV，而最小的幅值仅为0.007 2 mV。S2传感器在叶片1的P1点处测得的幅值信号最低，仅仅不到0.010 mV。AE信号的幅值从位置P1到P3呈增长趋势，叶片1中P2和P4处AE信号幅值大致相同。将3个传感器采集到的AE信号幅值进行对比，发现S1传感器采集到的信号幅值明显高于其他2个传感器，这是由于S1传感器安装在叶片1的正上方，对AE信号的接收距离是3个传感器中最短的。在叶片3中，S1传感器在P2位置处测得了AE信号的最大值，为0.013 mV，幅值最小时仅为0.007 5 mV，出现的位置与叶片1中最小幅值位置相同。在叶片3中AE信号幅值在不同位置处的变化相对平缓，从P1点到P4点AE信号频率的变化趋势与叶片1中有着明显差异。将不同传感器在相同位置所采集到的AE信号进行对比，S1传感器采集到的AE信号幅值数据明显大于其他2个传感器，但在叶片1中，3个传感器之间的幅值差异相对较小。在叶片5中，AE信号最大幅值位于叶片P2处，数值为0.017 mV，由S3传感器采集到。S2传感器在P4点处测得最小幅值，此处AE信号不足0.008 mV，而且P1到P4之间没有明显的AE信号幅值变化规律。
将3个传感器采集到的AE信号幅值进行对比，发现S1传感器在P1和P3处取得较高的AE信号幅值，S2传感器在P2点时幅值较高，3个传感器在P4点取得的AE信号幅值相近。这是因为S1和S3传感器距叶片5的距离大致相同，虽然叶片5距离S2传感器最近，但S2存在明显误差，导致测量信号不符合实际，严重偏离正常值。
图7为对不同位置处模拟裂纹AE信号进行小波包的重构所得到的能量分布图。可以看出，AE信号的能量分布与幅值分布的变化趋势大致相同，并且相较于AE信号的幅值变化，能量的变化幅度更加明显。通过对比实验中叶片位置与传感器位置之间的关系，可知叶片1中的实验点位置距离S1传感器最短，到S2与S3传感器之间相距较近，叶片3中的实验点位置距离S1和S2传感器大致相同，距离S3传感器最远，而叶片5与S2传感器相距最近，与S1和S3传感器之间的距离大致相同。因此在叶片1和叶片3中，AE信号传播到S1时衰减较小，幅值和能量幅值变化增长明显；叶片5中所采集到的AE信号幅值在S1和S3传感器中相近。其中S2传感器采集的信号存在明显误差，不符合实际值，因此无法纳入比较。
因此，当转轮叶片产生裂纹时，安置在叶片正上方的传感器采集到的AE信号幅值明显优于其他2个传感器，而当同一个叶片的不同位置产生裂纹时，叶轮裂纹AE信号没有明显区别。因此若采用本文传感器的安装方法与位置，可以根据采集到的AE信号大致推断出是哪个叶片产生裂纹，但没法推导出叶片中裂纹产生的具体位置。
4结束语
本次模拟实验是在水轮机真机上对转轮叶片裂纹的产生与发展进行实时监测，将传感器安装在导轴承上方的大轴表面来进行AE信号的采集提取。通过对不同传感器采集到的AE信号进行对比分析，得出以下结论。
（1）转轮叶片裂纹发生时产生的AE信号十分微弱，并且在实际运行工况中，该信号会被淹没在复杂的强背景噪声中，而声发射技术可以很好地监测到叶片裂纹产生时的信号，在水轮机运行停止时，可以监测到幅值范围为10~60 mV的断铅信号。
（2）通过对模拟叶片裂纹的AE信号进行3层小波包分解，发现第3层的前3个小波系数是AE信号集中存在的位置，其中第2个小波包系数中信号能量是最高的，这说明AE信号的主要频率在64~128 kHz；而噪声信号主要集中在第四和第五个小波系数中。
（3）通过小波包进行重构后的裂纹信号，对其进行幅值和能量的变化分析，发现无噪声后的AE信号其幅值也会相应的降低。对比不同位置处的AE信号能量和幅值，发现采用AE参数可以对产生裂纹的叶片进行准确定位，但无法判断叶片裂纹产生的具体位置。
参考文献：
[1]胡振江.单级单吸式离心泵叶片裂纹故障诊断技术研究[D].武汉:华中科技大学,2019.
[2]王志楠,沈华哲,刘功亮,等.蓄能机组转轮裂纹产生原因及修复工艺简介[J].水电站机电技术,2021,44(1):16-18.
[3]刘伟松.混流式水轮机转轮叶片裂纹故障及其原因分析[J].电子测试,2020(19):118-119.
[4]钱信如.泵的脉动特性和空化特性对叶片应力的影响机理研究[D].上海:上海交通大学,2020.
[5]张智旺,王攀,李军.水轮机转轮裂纹声发射在线监测应用探讨[C]//中国水力发电工程学会自动化专委会.中国水力发电工程学会自动化专委会2022年年会暨全国水电厂智能化应用学术交流会会议论文集,南京:中国水力发电工程学会自动化专委会,2022:301-304.
[6]DERAKHSHAN O,HOUGHTON J R,JONES R K,et al.Cavita⁃tion monitoring of hydroturbines with RMS acoustic emission measurements[J].ASTM Special Technical Publication,1991:305-315.
[7]ESCALER X,EGUSQUIZA E,FARHAT M,et al.Detection of cavitation in hydraulic turbines[J].Mechanical Systems and Sig⁃nal Processing,2006,20(4):983-1007.
[8]吴广辉,梁武科,王辉斌.基于声发射技术的水轮机转轮叶片裂纹检测[J].电网与清洁能源,2009,25(4):58-60.
[9]刘忠,邹淑云,晋风华,等.声发射技术在水电机组状态监测与故障诊断中的应用研究综述[J].水利水电技术,2011,42(2):49-51.
[10]刘忠,邹淑云,陈莹,等.混流式水轮机模型空化状态与声发射信号特征关系试验[J].动力工程学报,2016,36(12):1017-1022.
[11]刘忠,王文豪,邹淑云,等.水轮机空化声发射信号的联合降噪与特征提取[J].水力发电学报,2022,41(12):145-152.
[12]窦艳涛,蔡晓君.AE技术在离心泵转子部件故障诊断中的应用研究[J].机械设计与制造,2008(10):3-5.
[13]丁宁.基于流固耦合的混流式水轮机转轮应力分析[J].装备制造技术,2017(11):163-165.
[16]王向红.混流式水轮机叶片裂纹声发射监测的若干关键技术研究[D].上海:上海交通大学,2009.
[17]刘志利.水轮机转轮叶片裂纹监测及分析方法研究[D].咸阳:西北农林科技大学,2022.
[18]佘斌,何媛媛.声发射技术在水轮机活动导叶裂纹监测中的应用[J].水电与新能源,2019,33(9):57-58,61.
[19]孙琼琼,赵亚东.基于LabVIEW的声发射信号采集与去噪软件系统设计[J].机电工程技术,2020,49(6):147-148.
[20]胡志海,丁克勤,魏化中,等.基于储罐底板腐蚀声发射监测技术的信号能量分析[J].机电工程技术,2020,49(1):105-107.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！ 文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/77482.html
