水电机组的振动直接影响机组的安全运行、负荷合理分配及供电质量，如果不加以控制，还会造成严重事故。因此，确定机组的运行状态和对故障的早期诊断，显得十分重要。
水电机组振动故障诊断的主要内容
水电机组的振动问题与一般动力机械的振动有所不同。水电机组振动除需考虑机组本身的转动或固定部分的振动外，尚需考虑作用于发电机部分的电磁力及作用于水轮机过流部分的流体动压力对系统及其部件振动的影响。
在机组运转的情况下，流体－机械－电磁三部分是相互影响的。因此，水电机组的振动是电气、机械、流体耦合振动。根据水电站所积累的典型经验，可将引起机组振动的原因划分为机械、水力、电气和噪声等方面因素。
a.机械振动。水电机组最常见、最主要的故障是振动故障,而机械振动又最突出,因而有必要对其进行分析。机械振动是由机组转动部分质量不平衡、转轮等旋转部件与固定件发生摩擦、密封不良等原因引起。对机械振动的监测与诊断内容主要有:导轴承及转子轴系、机组固定部件、推力轴承。
b.电磁振动。电磁振动是由发电机转子不圆、励磁绕组匝间短路、定转子磁场轴心不重合、定子和转子间间隙不均匀及旋转时产生不平衡磁拉力等原因引起。对电磁振动的监测与诊断内容主要有:发电机定转子整体温度和气隙、定子极频振动和转子质量不平衡等。
c.水力振动。大型水电机组的水力不稳定问题具有一定的普遍性,它直接关系到机组运行的可靠性。引起水力振动的原因有: 卡门涡列诱发的振动、尾水管内漩涡引起的振动、固定导叶出水边水流流态不良引起的振动、气蚀引起的振动、转轮密封处的自激振动等。对水力振动的监测和诊断内容为:蜗壳进口压力、尾水管压力脉动、上下迷宫环脉动和导叶前后脉动等。
d.噪声。水电机组的噪声对环境的影响很大,噪声的大小是机组稳定性分析的重要参数。重点监测内容为水轮机及尾水管的噪声和发电机的运行噪声。
水力发电机组振动故障诊断的主要研究方法
故障诊断技术的产生和发展为提高设备系统的可靠性和可维修性开辟了一条新的途径。状态监测与故障诊断是以可靠性理论、信息论、控制论和系统论为理论基础,以现代测量仪器和计算机为工具,结合各种诊断对象的特殊规律逐步形成的一门新技术,至今已产生了大量的故障诊断方法。
目前，在水力发电机组振动故障诊断中得以研究和应用的主要有故障树故障诊断方法、人工智能诊断方法、小波分析等方法，本文就以上主要诊断方法进行研究比较。
1 故障树诊断法
故障树分析法将系统故障形成原因按树枝状逐级细化。把最容易发生的故障状态作为故障树的顶事件,寻找引起顶事件的直接原因,并将其逻辑关系用特定的逻辑符号表示出来,自上而下逐级分解,直到不能分解的底事件,形成故障树。找出系统的薄弱环节,以便采取相应的改进措施。
故障树分析是故障诊断系统的基础，也是现有故障诊断技术最有效、最基本的手段。作为一种传统的诊断方法，故障树诊断法在水电机组振动故障诊断中的应用取得了一些成果。洪治等将模糊技术和故障树分析法结合起来，提出一种模糊故障树诊断方法，并将其应用于水轮发电机系统的温度故障诊断，实验研究表明这一方法可行、有效。
张国云等在传统支持向量机(C-SVM)的基础上,通过集成模糊聚类技术和支持向量机算法,构造了一种适合于故障诊断的多级二叉树分类器,并首次应用于水轮机调速系统故障诊断,取得了良好效果。
故障树诊断方法直观、形象,能够实现快速的诊断;知识库很容易动态地修改,并能保持一致性;概率推理可在一定程度上用于选择规则的搜寻通道提高诊断效率;诊断技术与领域无关,只要相应的故障树给定,就可以实现诊断。缺点是不能诊断不可预知的故障;诊断结果严重依赖于故障树信息的正确性和完整性。
2 人工智能诊断方法
1 ）专家系统诊断法
专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。
从20世纪80年代开始，国内许多学者开展了专家系统诊断法在水电机组振动诊断方面的应用研究，并取得了一定的研究成果。邓正鹏等以水电机组为研究对象，对故障诊断专家系统知识库的建立从理论上和方法上进行了研究，建立了基于C ++的产生式知识库系。该方法已在白莲河水电站水电机组故障诊断专家系统知识库中获得应用，取得了良好的效果 。
刘晓波等等针对水轮发电机组故障原因与症兆之间的复杂关系，建立了水轮发电机组故障诊断模糊专家系统，实例结果表明该系统推理效率高，可信度好。
专家系统故障诊断方法汇集众多的专家知识,能对随机发生的故障进行诊断。但是知识获取困难、知识库更新能力差、多个领域专家知识之间的矛盾难于处理、现有的逻辑理论的表达能力和处理能力有很大的局限性。
2）神经网络诊断法
利用神经网络进行故障诊断的基本思想是：以故障特征信号作为神经网络输入，诊断结果作为神经网络输出。首先利用已有的故障征兆和诊断结果对神经网络进行离线训练，使神经网络通过权值记忆故障征兆与诊断结果之间存在的对应关系；然后将得到的故障征兆加到神经网络的输入端，就可以利用训练后的神经网络进行故障诊断，并得到相应的诊断结果。
目前，神经网络诊断法已越来越广泛的应用到水电机组振动故障诊断系统中来。梁业国等将神经网络方法引入到水轮发电机组的故障诊断中来，通过对发电机设备故障诊断的具体应用，证明此方法是有效可行的。陈林刚等针对现有水电机组状态监测系统功能不完善、不够智能化的缺点，开发了基于神经网络的水电机组智能故障诊断系，实验结果表明此系统的诊断结果准确可靠，具有良好的实用价值。
3）模糊诊断法
模糊诊断方法是利用集合论中的隶属度函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系。在模糊故障诊断中,构造隶属函数是实现模糊故障诊断的前提。模糊故障诊断方法主要有基于模糊模式识别的诊断方法、基于模糊推理的诊断方法、基于模糊模型的诊断方法等。
模糊逻辑的引入主要是为了克服由于过程本身的不确定性、不精确性以及噪声等所带来的困难,因而在处理复杂系统的大时滞、时变及非线性方面,显示出它的优越性。模糊故障诊断方法的不足之处是对复杂的诊断系统,要建立正确的模糊规则和隶属函数是非常困难,而且需要花费很长的时间。
4）小波分析
小波分析和小波变换是当前数学中一个迅速发展的新领域，能够解决许多傅立叶变换难以解决的问题,它在时域和频域都有良好的局域化能力,能聚焦到信号的任意细节,对信号的突变有很强的识别能力,能有效地去噪和提取有用信号。
小波分析故障诊断方法先对信号进行多级小波分解,得到各子带数据。通过对小波变换系数模极大值的检测来实现对信号奇异性的检测,从而确定故障发生的时间。小波分析非常适合非平稳信号,对于平稳信号而言,同样有效。分析信号的奇异性位置和奇异性的大小都是比较有效的。因此小波分析为水轮机故障诊断提供了新的分析方法。
彭文季等提出应用频谱法和小波神经网络对水电机组的振动故障进行诊断，诊断结果表明，频谱分析与这种小波神经网络相结合的方法进行故障诊断简单有效、并具有诊断速度快和泛化能力强等优点。李郁侠等利用小波包分析能有效地提取机组振动信号中的有用成分，采用小波包分解方法提取特殊频段上的能量特征值作为神经网络输入向量，运用于工程实例，取得良好效果。
5）其它诊断方法
鉴于故障树诊断方法、人工智能诊断方法、小波分析等方法的优缺点，目前,一些学者正致力于研究将其它的技术手段引入水电机组的振动故障诊断中来，形成一种基于这些方法的综合智能故障诊断方法。
杨晓萍等建立了基于信息融合技术的神经网络证据融合故障诊断系统，诊断实例表明,经过多故障特征信息融合,诊断结论的可信度明显提高,可以有效提高确诊率。王荣荣等将粗糙集理论和遗传算法引入水轮发电机组故障诊断中，提高故障诊断效率。
刘忠等针对目前水电机组故障诊断中存在的建模复杂、样本需求量大及诊断学习缺乏自主连续性等问题,提出了基于免疫原理的故障诊断方法。邹敏等将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。
结论
水电机组振动故障诊断是一个多阶段、多层次的复杂过程,不同阶段用到的知识内容、表达形式及解决问题的思维方式都不尽相同。所以完成一个完整的故障诊断过程,常常需要多知识表达形式和多推理模式及合理的控制机构来解决诊断问题。
单一的故障诊断技术都有各自的优缺点,难以满足复杂系统诊断的全部要求。因此，将多种故障诊断技术合理的结合在一起,发挥各自的优点,形成综合故障诊断技术,将是水电机组振动故障诊断技术的发展方向。
