CN102288283A

CN102288283A - 汽轮发电机组振动故障的监测方法及装置

Info

Publication number: CN102288283A
Application number: CN2011101244372A
Authority: CN
Inventors: 何立荣; 周广顺; 阮跃
Original assignee: BEIJING BICOTEST TECHNOLOGY CO LTD
Current assignee: BEIJING BICOTEST TECHNOLOGY CO LTD
Priority date: 2011-05-13
Filing date: 2011-05-13
Publication date: 2011-12-21
Anticipated expiration: 2031-05-13
Also published as: CN102288283B

Abstract

本发明公开了汽轮发电机组振动故障的监测方法，包括：事先确定振动故障的诊断模型，所述诊断模型包括振动故障类型和对应的振动故障充要条件，每一类振动故障至少对应一个振动故障充要条件，一个振动故障充要条件至少包括一个振动故障类型的征兆；当进行振动故障监测时，该方法包括：从TDM系统获取所述振动故障诊断模型中各征兆的特征数据，根据各征兆的特征数据得出各征兆的可信度；根据各征兆的可信度和各振动故障充要条件确定各类振动故障的可信度，根据所述各类振动故障的可信度与事先设置的相应的振动故障的阈值判断各类振动故障是否存在，若存在，再根据事先设置的相应的影响因子和所述各类振动故障的可信度得到各类振动故障的严重度。

Description

汽轮发电机组振动故障的监测方法及装置

技术领域

本发明涉及旋转机械振动监测振动故障诊断领域，特别是涉及汽轮发电机组振动故障的监测方法及装置。

背景技术

振动是汽轮发电机组最常见的振动故障现象，目前，汽轮发电机组基本上都配备了TDM(Transient Data Manager)系统，TDM系统在电厂中一般是指汽轮发电机组振动在线状态监测和分析系统，其主要作用在于对机组运行过程中的数据进行深入分析，获取包括转速、振动波形，频谱、倍频的幅值和相位等振动故障征兆数据，从而为专业的振动故障诊断人员提供数据，协助机组诊断维护专家深入分析机组运行状态。

TDM系统具有振动数据采集和信号分析功能，如时域和频域分析等，并且有越来越复杂的趋势，但由于振动信号分析涉及的领域众多，具有非常强的专业性，现场人员难以掌握，没有发挥应有的监测作用，即目前的TDM系统无法直接、准确地给出机组振动故障的严重度的诊断结果。通常，机组振动故障的诊断工作都是由经验丰富的专家完成，具有诊断经济成本高、周期长、及时性低的缺点。

有的系统有振动故障自动诊断功能，主要利用振动故障与征兆的模糊关系进行判断，由于缺乏深厚的振动故障机理研究、科学的诊断理论指导和大量的现场经验积累，难以取得可靠的诊断结果。

目前，还有的现有技术基于振动故障反问题研究理论提出显示机组振动信号特征的装置及方法，所述振动故障反问题研究理论可参考期刊《华北电力技术》1998年第7期的文章《振动故障的反问题研究》。该装置及方法通过分析汽轮发电机组振动故障存在的充要条件，依靠各种信号分析结果，计算振动故障的充要条件的可信度以及振动故障的可信度，但是，该方法仅对单个的信号分析图形进行解释，诊断结果只用数值显示，只能片面认识机组当前的状态，而影响机组状态的因素是多方面的，单一的信号分析图形反映的信息是有限的，难以对机组状态进行可靠识别。

综上所述，目前的TDM系统无法直接、准确地给出机组振动故障的严重度的诊断结果，其它已有的方法或系统无法从整体上把握机组的状态和变化趋势，从而无法直接、准确地给出机组振动故障的严重度的诊断结果，导致振动故障诊断若是由专家完成，会带来诊断经济成本高、周期长、及时性低的缺点，振动故障诊断若是由非专家人士完成，利用现有的方法或系统，会带来诊断结果可靠性低的缺点。

发明内容

本发明提出一种汽轮发电机组振动故障的监测方法，以帮助用户实时了解机组当前的状态、准确地诊断机组振动故障的严重程度。

本发明的另一目的是提出一种汽轮发电机组振动故障的监测装置，以帮助用户实时了解机组当前的状态、准确地诊断机组振动故障的严重程度。

为达到上述目的，本发明实施例的技术方案是这样实现的：

一种汽轮发电机组振动故障的监测方法，包括以下步骤：

事先确定振动故障的诊断模型，所述诊断模型包括振动故障类型和对应的振动故障充要条件，每一类振动故障至少对应一个振动故障充要条件，一个振动故障充要条件至少包括一个振动故障类型的征兆；当进行振动故障监测时，该方法包括：

从TDM系统获取所述振动故障诊断模型中各征兆的特征数据，根据各征兆的特征数据得出各征兆的可信度；

根据各征兆的可信度和各振动故障充要条件确定各类振动故障的可信度，根据所述各类振动故障的可信度与事先设置的相应的振动故障的阈值判断各类振动故障是否存在，如果存在，再根据事先设置的相应的影响因子和所述各类振动故障的可信度得到各类振动故障的严重度，所述影响因子用于表示对汽轮发电机组振动的影响程度。

一种汽轮发电机组振动故障的监测装置，包括：振动故障及其征兆模块、各征兆和振动故障的可信度计算模块、振动故障的严重度计算模块，其中：

振动故障及其征兆模块，用于确定振动故障的诊断模型，所述诊断模型包括振动故障类型和对应的振动故障充要条件，每一类振动故障至少对应一个振动故障充要条件，一个振动故障充要条件至少包括一个振动故障类型的征兆；

征兆和振动故障的可信度计算模块，用于从TDM系统获取所述振动故障诊断模型中各征兆的特征数据，根据各征兆的特征数据得出各征兆的可信度，根据各征兆的可信度和各振动故障充要条件确定各类振动故障的可信度；

振动故障的严重度计算模块，用于根据所述各类振动故障的可信度与事先设置的相应的振动故障的阈值判断各类振动故障是否存在，如果存在，根据事先设置的相应的影响因子和所述各类振动故障的可信度得到各类振动故障的严重度。

本发明的有益效果为，通过从整体上把握机组的状态和变化趋势，以图表的方式直接、准确地给出机组各类振动故障的严重度的诊断结果，帮助用户实时了解机组当前的状态，使得所有用户都可以准确地诊断机组各类振动故障的严重度，同时，提高了振动故障诊断的可靠性，也节约了人力成本。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例的装置结构图；

图3为本发明实施例的质量不平衡振动故障的时间趋势示意图；

图4为本发明实施例的质量不平衡振动故障与转速的相关趋势分析示意图；

图5为本发明实施例的多种振动故障的时间趋势分析示意图；

图6为本发明实施例的多种振动故障与转速的相关趋势分析示意图；

图7为本发明实施例的不平衡与不对中振动故障的相关趋势分析示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下通过具体实施例并参见附图，对本发明进行详细说明。

TDM系统，在电厂中一般是指汽轮发电机组振动在线状态监测和分析系统。TDM的主要作用在于对机组运行过程中的数据进行深入分析，获取包括转速、振动波形，频谱、倍频的幅值和相位等振动故障征兆数据，从而为专业的振动故障诊断人员提供数据，协助机组诊断维护专家深入分析机组运行状态。

本发明在振动故障诊断反问题研究理论的指导下，可参考期刊《华北电力技术》1998年第7期的文章《振动故障的反问题研究》，分析汽轮发电机组振动故障存在的充要条件，依靠各种信号分析结果，计算振动故障的充要条件的可信度。在此基础上，本发明结合影响振动故障的因素，计算振动故障的影响因子，确定振动故障的严重度，以图形方式直接显示振动故障结论，使得所有用户都可以根据TDM系统的诊断结果判断机组的状态。

本发明的方法流程如图1所示，一种汽轮发电机组振动故障的监测方法，包括以下步骤：

步骤101：确定振动故障的诊断模型；

根据现场诊断经验，汽轮发电机组常见的振动故障，包括质量不平衡、不对中、碰摩、油膜振荡和汽流激振，据统计，约占振动故障的95％以上，对于其它不常见的振动故障，统一用其它振动故障表示；

根据振动故障诊断反问题研究理论，从征兆出发去诊断振动故障，不是根据征兆与振动故障的相关程度，而是根据振动故障存在的必要条件和充分条件。所述诊断模型包括振动故障类型和对应的振动故障充要条件，每一类振动故障至少对应一个振动故障充要条件，一个振动故障充要条件至少包括一个振动故障类型的征兆，如表1所示：

表1

如表1所示，每一种振动故障有一个或多个充要条件，每个充要条件由一个或多个征兆组成，若某种振动故障只有一个充要条件，则只要该充要条件中有一个征兆不符合，就可以否定振动故障是存在的，若某种振动故障有多个充要条件，则只要任何一个充要条件符合，就可以肯定振动故障是存在的。

步骤102：从TDM系统获取所述振动故障诊断模型中各征兆的特征数据；

TDM系统对汽轮发电机组的振动在线状态进行实时监测，从TDM系统可以获取包括转速，振动波形，频谱、倍频的幅值和相位等振动故障的各征兆的特征数据，获取的数据用于计算各征兆的可信度。

如表1所示，质量不平衡振动故障有三个征兆，分别为“振动频谱中一倍频幅值较大”、“转速不变时振幅基本不变”和“转速不变时一倍频相位基本不变”，从TDM系统获取的上述三个征兆的特征数据用于计算上述三个征兆的可信度。

步骤103：根据各征兆的特征数据得出各征兆的可信度；

征兆的可信度计算主要分为瞬时值型和变化率型两种方法：

(1)瞬时值型条件可信度计算

瞬时值型条件是由某一时刻的数据确定的，如征兆为“转速大于一阶临界转速的两倍以上”、“振动频谱中一倍频幅值较大”或“机组带负荷运行”时，可信度是0或1，或者[0，1]之间的值。

例如，在计算“振动频谱中某频率成分幅值较大”这一征兆的可信度时，可以采用该频率成分幅值与其它频率成分振幅比较的方法，如下式所示：

CF(X)＝A(X)/(a1×A(TX)+a2×A(LX)+a3×A(HX))

并且当CF(X)＞1时，CF(X)＝1。

其中，CF(X)是振动频谱中某频率成分幅值较大的可信度，A(X)、A(TX)、A(LX)和A(HX)分别是该频率、通频、低频和高频的振幅，a1、a2、a3为小于1的比例系数，与振动故障性质有关，A(X)、A(TX)、A(LX)和A(HX)为振动故障特征数据，是通过步骤102，即从TDM系统获取到的。通常认为小于一倍频为低频，取低频中的最大值，大于三倍频看为高频，取高频中的最大值，由于各种频率成分之间存在相互影响，a1、a2、a3主要是根据经验确定的，行业内其他人根据经验可以确定a1、a2、a3的具体值，数值的大小反映不同频率成分对其影响程度的大小；

例如，计算质量不平衡的充要条件之一“振动频谱中一倍频幅值较大”的可信度时，可以用如下方法：

CF(1X)＝A(1X)/(0.9×A(TX)+0.3×A(LX)+0.1×A(HX))；

(2)变化率型条件可信度计算

变化率型条件是由不同时刻的数据确定的，如振幅突然增大，转速不变时一倍频相位逐渐变化，随着负荷增大振动增加等，可信度一般是[0，1]之间的值。

例如，在计算“转速不变时振幅波动较大”这一征兆的可信度时，可以在转速变化小于10rpm的情况下，取两组数据的变化量与设置的阈值进行比较，如下式所示：

CF(X)＝(A₁-A₀)/A_b

并且当CF(X)＞1时，CF(X)＝1。A₀和A₁是先后两组数据的振幅，A_b是振幅变化的阈值，对轴相对振动，可以取为15，对轴承振动，可以取为5。如果需要对相位的变化进行判断，变化的阈值可以取为10。

两组数据和阈值主要是根据汽轮发电机组的特点和数据采集的精度确定的，阈值为一段时间内统计的标准差，例如：汽轮发电机组在并网带负荷运行时，受到50Hz电网频率的调制，转速变化通常很小，如3rpm，前后采样的两组数据振幅波动很小，如5μm，此时，前后采样的数据即为两组数据，5μm即为阈值。

不同征兆的计算方法是不同的，此外，同样的条件描述，在不同的振动故障中，同一征兆的计算方法也是不相同的；

上述各征兆的可信度计算方法属于现有公知技术。

步骤104：根据各征兆的可信度和各振动故障充要条件确定各类振动故障的可信度；

本步骤实现的具体方法可以为：对于每一个振动故障充要条件，将包含的各征兆的可信度的最小值作为该振动故障充要条件的可信度；对于每一类振动故障，将对应的各振动故障充要条件的可信度的最大值作为该类振动故障的可信度。也就是说，在执行步骤103后，可以得到表1中各征兆的可信度，如果某振动故障的充要条件由多个征兆组成，则将所述各征兆的可信度的最小值作为该充要条件的可信度。如果某振动故障只有1个充要条件，则振动故障的可信度就是充要条件的可信度；如果某振动故障有2个或2个以上充要条件，则将所述各充要条件的可信度的最大值作为振动故障的可信度；

例如：假设油膜振荡振动故障的充要条件1中，征兆“转速大于轴系一阶临界转速”和“振动频谱中(0.35-0.48)倍频的低频分量较大”的可信度根据步骤103计算得到的结果分别为0.3和0.4，则充要条件1的可信度为0.3，若同样计算得到油膜振荡振动故障的充要条件2的可信度为0.5，则油膜振荡振动故障的可信度为0.5。

步骤105：根据所述振动故障的可信度与事先设置的振动故障成立的阈值判断振动故障是否存在，如果不存在，执行步骤106，否则，执行步骤107；

判断振动故障是否存在的标准为：

如果某振动故障的可信度CF大于或等于振动故障成立的阈值(如0.3)，则认为汽轮发电机组存在该振动故障；

用户可根据实际需要对阈值进行调整。

步骤106：结束；

若某振动故障的可信度CF小于振动故障成立的阈值(如0.3)，则认为汽轮发电机组不存在该振动故障，此时，不进行进一步处理，结束。

步骤107：根据事先设置的影响因子和所述振动故障的可信度得到振动故障的严重度；

当振动故障存在时，需要进一步分析影响该振动故障的因素，引入影响因子，以便得到具有可比性的振动故障严重度SF(Severity Factor)。

影响因子IF(Impact Factor)用于表示对汽轮发电机组振动的影响程度，具体表征某因素在特定条件下对振动大小的影响程度，目的是将不同条件的影响归结到标准状态下，对机组的状态进行自适应监测，保证当机组的振动故障性质没有变化时，振动故障的性质不因某些状态和条件的变化而改变；同时，也可以保证当机组的振动故障性质已经变化时，不因某些状态和条件的变化而影响这种变化的程度；所述振动故障性质包括振动故障的类型以及所述振动故障的严重度；

例如，振动故障性质为：质量不平衡，且为轻微程度。当此振动故障性质没有变化时，在机组启动过程中，计算得到的振动故障严重度应该保持不变，在振动故障严重度图形上显示应该为近似直线，不能因为转速的变化显示为曲线，但是，质量不平衡对机组的转速非常敏感，当所述振动故障性质没有变化时，根据转子动力学理论，在临界转速以下，随着转速增加，振动增大，在通过临界转速时，振幅一般显著放大，即转速的变化，将导致振幅发生较大的改变，不同转速下计算质量不平衡振动故障的充要条件的可信度时，得到的充要条件的可信度会有较大的差异，从而导致最终得到的振动故障严重度会有较大差异，因此需要引入影响因子进行校正。

但是，如果振动故障性质由“质量不平衡，且为轻微程度”变为“质量不平衡，且为警告程度”，即同一类型振动故障的严重度发生了变化从而导致振动故障性质发生变化的，或者，振动故障性质由“质量不平衡，且为轻微程度”变为“不对中，且为轻微程度”，即振动故障的类型发生了变化从而导致振动故障性质发生变化的，在振动故障严重度图形上显示为曲线就是正常的。引入影响因子，也可以保证当振动故障性质已经变化时，不因某些状态和条件的变化而影响这种变化的程度。

表2是振动故障的主要影响因素及其影响因子IF(Impact Factor)的计算方法；

表2

如表2所示，影响因子IF计算方法是根据振动故障的影响因素确定的，对于汽轮发电机组，影响因素主要是转速和负荷。汽轮发电机组绝大部分时间处于正常运行状态，这时的转速为电网频率50Hz，即3000rpm，因此，以3000rpm为基准；同样的，汽轮发电机组绝大部分时间处于正常运行状态，这时的负荷一般为机组标称的额定功率，如300MW汽轮发电机组在正常运行时的负荷在300MW左右，因此，以机组额定负荷为基准。所述在特定的转速或负荷下发生，可以不进行换算，是因为某些振动故障在特定的转速或负荷下发生，在其它条件下不可能发生，也就是在其它条件下某些振动故障的严重度一定为零，因此不需要进行换算。

所以，不同类型的振动故障，根据影响因素的不同，影响因子的计算方法也不同，根据表2可以确定各种振动故障的影响因子的计算方法。

例如，对于单纯质量不平衡振动故障，如果3000rpm时机组振幅为45μm，1000rpm时机组振幅为32μm，2000rpm时机组振幅为58μm，则

1000rpm时影响因子IF＝45/32＝1.41。

2000rpm时影响因子IF＝45/58＝0.78。

振动故障的严重度SF计算过程的本质是对振动故障的可信度CF进行标准化处理，得到振动故障的严重度，用来表征振动故障的严重程度性质；

某振动故障的严重度SF是该振动故障的可信度CF与该振动故障的影响因子IF的乘积，即

SF＝CF×IF

通常，SF的判定标准为：

0≤SF＜0.3时为正常，机组正常运行；

0.3≤SF＜0.5时为轻微，不影响机组正常运行；

0.5≤SF＜0.8时为警告，机组可短期运行，但必须加强监测并采取措施；

SF≥0.8时为危险，应尽快停机处理。

上述判定范围主要依据目前振动标准的等级划分，具体数值可以根据实际需要进行调整。

步骤108：将所述振动故障的严重度输出并显示出来。

可以利用程序语言编程实现，即以数值和趋势曲线显示所述振动故障的严重度及其变化趋势；编程实现属于公知编程方法，较简单，这里不再赘述；

振动故障的严重度SF可以用时间趋势分析显示，也可以用与某因素的相关趋势分析显示，还可以用与某振动故障的相关趋势分析显示；可以是单一振动故障显示，也可以是多种振动故障同时显示。

以具体的振动故障为例，如图3～图7所示；

图3为质量不平衡振动故障的时间趋势分析，显示随着时间的变化，质量不平衡振动故障的严重度及其变化趋势；

图4为质量不平衡振动故障与转速的相关趋势分析，显示随转速的变化，质量不平衡振动故障的严重度及其变化趋势；

图5为多种振动故障的时间趋势分析，显示随时间的变化，不平衡、不对中和其它振动故障的严重度及其变化趋势；

图6为多种振动故障与转速的相关趋势分析，显示随转速的变化，不平衡、不对中和其它振动故障的严重度及其变化趋势；

图7为不平衡与不对中振动故障的相关趋势分析，显示随不对中振动故障的性质的变化，不平衡振动故障的严重度及其变化趋势。

其中，步骤108是为了以数值和趋势曲线显示所述振动故障的严重度及其变化趋势，通过图表方式让用户更直观地了解机组振动故障的严重程度及其变化趋势，此步骤为优选步骤，可省略，步骤106也为优选步骤，可省略。

本发明的装置结构如图2所示，一种汽轮发电机组振动故障的监测装置，包括：振动故障及其征兆模块201、各征兆和振动故障的可信度计算模块202、振动故障的严重度计算模块203，其中：

振动故障及其征兆模块201，用于确定振动故障的诊断模型，所述诊断模型包括振动故障类型和对应的振动故障充要条件，每一类振动故障至少对应一个振动故障充要条件，一个振动故障充要条件至少包括一个振动故障类型的征兆；

振动故障包括：质量不平衡、不对中、碰摩、油膜振荡、汽流激振和其它振动故障，所述振动故障的征兆及振动故障的充分必要条件汇总，见表1；

征兆和振动故障的可信度计算模块202，用于从TDM系统获取所述振动故障诊断模型中各征兆的特征数据，根据各征兆的特征数据得出各征兆的可信度，根据各征兆的可信度和各振动故障充要条件确定各类振动故障的可信度；

振动故障的严重度计算模块203，用于根据所述各类振动故障的可信度与事先设置的相应的振动故障的阈值判断各类振动故障是否存在，如果存在，根据事先设置的相应的影响因子和所述各类振动故障的可信度得到各类振动故障的严重度；

所述振动故障的严重度计算模块203，还用于将各类振动故障的严重度输出并显示出来。

对一般用户而言，本发明将复杂高深的汽轮发电机组振动信号分析和振动故障诊断方法在后台处理，用图形方式直接显示处理后的结果，可以帮助用户实时了解机组当前的状态，充分发挥TDM系统对汽轮发电机组安全运行的重要作用。本发明也适用于水轮机、压缩机和风机等旋转机械的振动监测振动故障诊断。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims

1.一种汽轮发电机组振动故障的监测方法，其特征在于，事先确定振动故障的诊断模型，所述诊断模型包括振动故障类型和对应的振动故障充要条件，每一类振动故障至少对应一个振动故障充要条件，一个振动故障充要条件至少包括一个振动故障类型的征兆；当进行振动故障监测时，该方法包括：

2.根据权利要求1所述的方法，其特征在于，所述得到各类振动故障的严重度之后进一步包括，将所述各类振动故障的严重度输出并显示出来。

3.根据权利要求1所述的方法，其特征在于，所述根据各征兆的可信度和各振动故障充要条件确定各类振动故障的可信度的方法包括：

对于每一个振动故障充要条件，将包含的各征兆的可信度的最小值作为该振动故障充要条件的可信度；

对于每一类振动故障，将对应的各振动故障充要条件的可信度的最大值作为该类振动故障的可信度。

4.根据权利要求1所述的方法，其特征在于，所述根据事先设置的相应的影响因子和所述各类振动故障的可信度得到各类振动故障的严重度的方法包括：将所述各类振动故障的可信度与振动故障的影响因子相乘，得到所述各类振动故障的严重度。

5.一种汽轮发电机组振动故障的监测装置，其特征在于，该装置包括：振动故障及其征兆模块、征兆和振动故障的可信度计算模块、振动故障的严重度计算模块，其中：

6.根据权利要求5所述的装置，其特征在于，所述振动故障的严重度计算模块，进一步用于将所述各类振动故障的严重度输出并显示出来。