CN103323102B - 大型汽轮发电机组低频振动预测优化方法 - Google Patents
大型汽轮发电机组低频振动预测优化方法 Download PDFInfo
- Publication number
- CN103323102B CN103323102B CN201310233533.XA CN201310233533A CN103323102B CN 103323102 B CN103323102 B CN 103323102B CN 201310233533 A CN201310233533 A CN 201310233533A CN 103323102 B CN103323102 B CN 103323102B
- Authority
- CN
- China
- Prior art keywords
- frequency
- anfis
- vibration amplitude
- low
- vibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了旋转机械振动状态监测与故障诊断领域的一种大型汽轮发电机组低频振动预测优化方法。通过采集计算存储汽轮发电机组转子轴相对振动中的低频振动数据。在此基础上,结合FFT频谱分析方法及ANFIS自适应神经模糊推理系统计算方法,预测优化计算低频振动幅值。本发明提出的大型汽轮发电机组低频振动预测优化方法,利用机组运行中转子振动数据及ANFIS方法,优化预测计算转子低频振动幅值数据,对机组运行中转子振动数据进行实时自动在线监测、分析及判别,提高大型汽轮发电机组低频振动实时监测预测分析工作的效率和准确度。
Description
技术领域
本发明属于旋转机械振动状态监测与故障诊断领域,尤其涉及一种大型汽轮发电机组低频振动预测优化方法。
背景技术
大型汽轮发电机组轴系低频振动故障是一种非同步振动,由于具有多种故障之间的非线性耦合,表现为故障耦合性强,涉及的故障机理复杂,转子系统会表现出更复杂、更丰富的非线性现象。
如果能对机组低频振动故障的发生和发展做出一定的预测,在低频振动故障发生的早期阶段或萌芽阶段就采取必要的维护措施,实现早期故障辨识、预示,而不是在故障恶化以后再去解决处理,预防低频振动故障于“未然”并为机组维护提供指导依据是十分有意义的。
判断分析机组转子低频振动,通常由具有一定现场运行经验及专业知识技能的专业人员完成,无法做到低频振动非稳态的实时自动在线监测、分析及判别。因此,提出一种大型汽轮发电机组低频振动优化预测方法就显得十分重要。
发明内容
针对背景技术中提到的在判断分析机组转子低频运动时,无法实现自动在线监测、准确诊断故障的问题,本发明提出了一种大型汽轮发电机组低频振动预测优化方法。
一种大型汽轮发电机组低频振动预测优化方法,其特征在于,所述方法具体包括以下步骤:
步骤1:采用高速振动数据采集卡实时采集汽轮发电机组转子一侧支持轴承的轴相对振动数据、转子的转速信号和键相信号;
步骤2:利用FFT频谱分析方法对当前时刻支持轴承的轴相对振动数据进行频谱分析,得到从低频到高频的不同振动频率所对应的振动幅值数据序列;
步骤3:从步骤2得到的振动幅值数据序列中,截取当前时刻所有小于机组工作转速对应频率的低频频率,并计算所有低频频率对应的振动幅值之和A;存储低频振动幅值A,每隔Δs秒存储一次;
步骤4:判断低频振动幅值存储时间是否大于预设时间段长度PMN,如果大于预设时间段长度,那么记录当前时刻TN前的低频振动幅值数据A,进入步骤5;否则,继续存储数据;
步骤5:按照数据存储时间先后顺序排序,不同时刻下低频振动幅值数据以下标i表示数据存储时间先后顺序,i=1,2,3,…,m;从TN时刻向前截取至TM时刻的低频振动幅值数据A,将TM时刻至TN时刻的低频振动幅值数据表示为Ai(i=1,2,3,…,m);|TN-TM|=pMN,pMN为预设时间段长度,
步骤6:根据低频振动幅值数据Ai(i=1,2,3,…,m),建立ANFIS预测学习训练数列进行训练,得到模糊推理系统FIS的最优规则组Rs;
步骤7:根据任意当前时刻低频振幅数据及其前的低频振动幅值数据,其下标序列为[s1 s2 … sj-1 sj],具体包括 …、 利用规则组Rs,进行基于ANFIS方法的模糊推理计算,可以预测计算得到(p+k-sj)×Δs秒后的低频振动幅值数据
所述根据低频振动幅值数据Ai(i=1,2,3,…,m),建立ANFIS预测学习训练数列进行训练,得到模糊推理系统FIS的最优规则组Rs的过程为:
步骤a:设定初始ANFIS预测学习训练数列的输入项项数为k,预测步长为p;根据低频振动幅值数据Ai(i=1,2,3,…,m),建立r×(k+1)阶的初始ANFIS预测学习训练数列如下;
其中,r=m-k-p+1;首行的下标序列为[1 2 … k-1 k k+p];
步骤b:从初始ANFIS预测学习训练数列的前k列中任取j列为训练学习输入项,并取最后一列为训练学习输出项,构成一个子ANFIS预测学习训练数列;因此从前k列中任取j列的所有组合的个数为组合数C(k,j),共有C(k,j)个子ANFIS预测学习训练数列;其中,k>j;
步骤c:设定ANFIS的训练学习计算参数包括:设定训练次数和每个输入项隶属函数和隶属函数的个数;利用上述C(k,j)个子ANFIS预测学习训练数列,进行自适应神经模糊推理系统ANFIS学习训练计算得到:
1)C(k,j)个模糊推理系统FIS规则组Rl(l=1,2,3,…,C(k,j));
2)C(k,j)个学习训练误差εl(l=1,2,3,…,C(k,j)),规则组Rl与学习训练误差εl形成一一对应的关系;
步骤d:比较上述计算中学习训练误差εl(l=1,2,3,…,C(k,j))大小,其中最小的训练误差所对应的FIS规则组Rs作为最优规则组。
本发明的有益效果是,提出的大型汽轮发电机组低频振动预测优化方法,利用机组运行中转子振动数据及ANFIS方法,优化预测计算转子低频振动幅值数据,对机组运行中转子振动数据进行实时自动在线监测、分析及判别,提高大型汽轮发电机组低频振动实时监测预测分析工作的效率和准确度。
附图说明
图1为本发明提供的大型汽轮发电机组低频振动预测优化方法功能流程图;
图2为本发明提供的汽轮发电机组低频振动预测优化示意图。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
一种大型汽轮发电机组低频振动预测优化方法,其特征在于,所述方法如图1所示具体包括以下步骤:
步骤1:采用高速振动数据采集卡实时采集汽轮发电机组转子一侧支持轴承的轴相对振动数据、转子的转速信号和键相信号;
步骤2:利用FFT频谱分析方法对当前时刻支持轴承的轴相对振动数据进行频谱分析,得到从低频到高频的不同振动频率所对应的振动幅值数据序列;
步骤3:从步骤2得到的振动幅值数据序列中,截取当前时刻所有小于机组工作转速对应频率的低频频率,并计算所有低频频率对应的振动幅值之和A;存储低频振动幅值A,每隔Δs秒存储一次;本实施例中Δs=1;
步骤4:判断低频振动幅值存储时间是否大于预设时间段长度PMN,本实施例中PMN=500秒;如果大于预设时间段长度,那么记录当前时刻TN前的低频振动幅值数据A,进入步骤5;否则,继续存储数据;
步骤5:按照数据存储时间先后顺序排序,不同时刻下低频振动幅值数据以下标i表示数据存储时间先后顺序,i=1,2,3,…,m;从TN时刻向前截取至TM时刻的低频振动幅值数据A,将TM时刻至TN时刻的低频振动幅值数据表示为Ai(i=1,2,3,…,m);|TN-TM|=pMN,pMN为预设时间段长度;则实施例中Ai(i=1,2,3,…,500);
步骤6:根据低频振动幅值数据Ai(i=1,2,3,…,m),建立ANFIS预测学习训练数列进行训练,得到模糊推理系统FIS的最优规则组Rs,具体过程包括:
步骤a:设定初始ANFIS预测学习训练数列的输入项项数为k=10,预测步长为p=3;根据低频振动幅值数据Ai(i=1,2,3,…,500),建立r×(k+1)阶的初始ANFIS预测学习训练数列如下;
其中,r=m-k-p+1;首行的下标序列为[1 2 3 4 5 6 7 8 9 10 13];最后一列为训练学习输出项;
步骤b:从初始ANFIS预测学习训练数列的前10列中任取6列为训练学习输入项,并取最后一列为训练学习输出项,构成一个子ANFIS预测学习训练数列;因此从前10列中任取6列的所有组合的个数为组合数C(10,6),共有210个子ANFIS预测学习训练数列;
步骤c:设定子ANFIS的训练学习计算参数包括:设定训练次数为10,每个输入项的隶属函数为gbell型隶属函数,每个输入项设定2个隶属函数;利用上述210个子ANFIS预测学习训练数列,进行自适应神经模糊推理系统ANFIS学习训练计算得到:
1)210个模糊推理系统FIS规则组Rl(l=1,2,3,…,210));每个规则组的规则数为26个;
2)210个学习训练误差εl(l=1,2,3,…,210)),规则组Rl与学习训练误差εl形成一一对应的关系;(ANFIS计算方法是专业人员熟知的通用数学计算方法。)
步骤d:比较上述计算中学习训练误差εl(l=1,2,3,…,210))大小,其中最小的训练误差所对应的FIS规则组Rs作为最优规则组;子ANFIS预测学习训练数列首行的下标序列为:
[s1 s2 s3 s4 s5 s6 13],其中,s1<s2<s3<s4<s5<s6
本实施例中即[1 3 4 7 8 9 13]
步骤7:根据任意当前时刻低频振幅数据及其前的低频振动幅值数据,其下标序列为[s1 s2 … sj-1 sj],具体包括 …、 利用规则组Rs,进行基于ANFIS方法的模糊推理计算,可以预测计算得到(p+k-sj)×Δs秒后的低频振动幅值数据即可以预测计算得到(13-s6)秒后的低频振动幅值数据
本实施例中,根据任意当前时刻低频振幅数据及其前的低频振动幅值数据(幅值单位为μm),其下标序列为[1 3 4 7 8 9],具体包括21.6、20.4、18.7、21.4、22.7、19.5,利用规则组Rs,进行基于ANFIS方法的模糊推理计算,可以预测计算得到4秒后的低频振动幅值数据21.9。
图2为本发明提供的汽轮发电机组低频振动预测优化示意图。图2中,转子轴相对振动数据、转子的转速信号以及键相信号可以从配置汽轮发电机组的监视仪表(TSI)获得,机组功率数据信号可以从配置汽轮发电机组的分布式控制系统(DCS)获得。本实施例中,转子轴相对振动数据、转子的转速信号以及键相信号是从配置汽轮发电机组的监视仪表(TSI)获得。汽轮发电机组低频振动实时预测示意图如下图2所示,数据采集卡插入工业用微型计算机(IPC)提供的插槽内。根据数据采集卡的要求,数据采集调理设备处理来自汽轮发电机组监视仪表(TSI)的轴相对振动信号、转子的转速信号、键相信号,经过处理后的轴相对振动信号、转子的转速信号、键相信号输入IPC内的高速振动数据采集卡。振动数据采集卡每一通道技术参数为50ks/s,24bit。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种大型汽轮发电机组低频振动预测优化方法,其特征在于,所述方法具体包括以下步骤:
步骤1:采用高速振动数据采集卡实时采集汽轮发电机组转子一侧支持轴承的轴相对振动数据、转子的转速信号和键相信号;
步骤2:利用FFT频谱分析方法对当前时刻支持轴承的轴相对振动数据进行频谱分析,得到从低频到高频的不同振动频率所对应的振动幅值数据序列;
步骤3:从步骤2得到的振动幅值数据序列中,截取当前时刻所有小于机组工作转速对应频率的低频频率,并计算所有低频频率对应的振动幅值之和A;存储低频频率对应的振动幅值之和A,每隔Δs秒存储一次;
步骤4:判断低频频率对应的振动幅值之和存储时间是否大于预设时间段长度PMN,如果大于预设时间段长度,那么记录当前时刻TN前的低频频率对应的振动幅值之和A,进入步骤5;否则,继续存储数据;
步骤5:按照数据存储时间先后顺序排序,不同时刻下低频频率对应的振动幅值之和以下标i表示数据存储时间先后顺序,i=1,2,3,…,m;从TN时刻向前截取至TM时刻的低频频率对应的振动幅值之和A,将TM时刻至TN时刻的低频频率对应的振动幅值之和表示为Ai(i=1,2,3,…,m);|TN-TM|=pMN,pMN为预设时间段长度,
步骤6:根据低频频率对应的振动幅值之和Ai(i=1,2,3,…,m),建立ANFIS预测学习训练数列进行训练,得到模糊推理系统FIS的最优规则组Rs;
得到模糊推理系统FIS的最优规则组Rs的过程为:
步骤a:设定初始ANFIS预测学习训练数列的输入项项数为k,预测步长为p;根据低频频率对应的振动幅值之和Ai(i=1,2,3,…,m),建立r×(k+1)阶的初始ANFIS预测学习训练数列如下;
其中,r=m-k-p+1;首行的下标序列为[1 2 … k-1 k k+p];
步骤b:从初始ANFIS预测学习训练数列的前k列中任取j列为训练学习输入项,并取最后一列为训练学习输出项,构成一个子ANFIS预测学习训练数列;因此从前k列中任取j列的所有组合的个数为组合数C(k,j),共有C(k,j)个子ANFIS预测学习训练数列,其中,k>j;
步骤c:设定ANFIS的训练学习计算参数包括:设定训练次数和每个输入项隶属函数和隶属函数的个数;利用上述C(k,j)个子ANFIS预测学习训练数列,进行自适应神经模糊推理系统ANFIS学习训练计算得到:
1)C(k,j)个模糊推理系统FIS规则组Rl(l=1,2,3,…,C(k,j));
2)C(k,j)个学习训练误差εl(l=1,2,3,…,C(k,j)),规则组Rl与学习训练误差εl形成一一对应的关系;
步骤d:比较上述计算中学习训练误差εl(l=1,2,3,…,C(k,j))大小,其中最小的训练误差所对应的FIS规则组Rs作为最优规则组;
步骤7:根据任意当前时刻低频频率对应的振动幅值之和及其前的低频频率对应的振动幅值之和,其下标序列为[s1 s2 … sj-1 sj],具体包括利用规则组Rs,进行基于ANFIS方法的模糊推理计算,可以预测计算得到(p+k-sj)×Δs秒后的低频频率对应的振动幅值之和
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310233533.XA CN103323102B (zh) | 2013-06-13 | 2013-06-13 | 大型汽轮发电机组低频振动预测优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310233533.XA CN103323102B (zh) | 2013-06-13 | 2013-06-13 | 大型汽轮发电机组低频振动预测优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103323102A CN103323102A (zh) | 2013-09-25 |
CN103323102B true CN103323102B (zh) | 2015-04-15 |
Family
ID=49191995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310233533.XA Expired - Fee Related CN103323102B (zh) | 2013-06-13 | 2013-06-13 | 大型汽轮发电机组低频振动预测优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103323102B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559540B (zh) * | 2013-11-13 | 2016-03-09 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
CN106291354A (zh) * | 2016-07-18 | 2017-01-04 | 河海大学 | 基于anfis的电动汽车永磁同步电机故障分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03257332A (ja) * | 1990-03-08 | 1991-11-15 | Nippon Steel Corp | 振動検出機構の診断方法 |
CN1514209A (zh) * | 2003-08-01 | 2004-07-21 | 重庆大学 | 旋转机械故障智能诊断方法与装置 |
CN102072764A (zh) * | 2010-11-24 | 2011-05-25 | 华北电力大学 | 汽轮发电机组低频振动单峰实时分析方法 |
CN102087140A (zh) * | 2010-11-24 | 2011-06-08 | 华北电力大学 | 汽轮发电机组低频振动主峰频率平稳性分析方法 |
CN103323103A (zh) * | 2013-06-13 | 2013-09-25 | 华北电力大学 | 大型汽轮发电机组低频振动实时预测方法 |
-
2013
- 2013-06-13 CN CN201310233533.XA patent/CN103323102B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03257332A (ja) * | 1990-03-08 | 1991-11-15 | Nippon Steel Corp | 振動検出機構の診断方法 |
CN1514209A (zh) * | 2003-08-01 | 2004-07-21 | 重庆大学 | 旋转机械故障智能诊断方法与装置 |
CN102072764A (zh) * | 2010-11-24 | 2011-05-25 | 华北电力大学 | 汽轮发电机组低频振动单峰实时分析方法 |
CN102087140A (zh) * | 2010-11-24 | 2011-06-08 | 华北电力大学 | 汽轮发电机组低频振动主峰频率平稳性分析方法 |
CN103323103A (zh) * | 2013-06-13 | 2013-09-25 | 华北电力大学 | 大型汽轮发电机组低频振动实时预测方法 |
Non-Patent Citations (1)
Title |
---|
魏春荣,等.旋转机械故障诊断的模糊神经网络方法研究.《矿山机械》.2005,第33卷(第8期), * |
Also Published As
Publication number | Publication date |
---|---|
CN103323102A (zh) | 2013-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Remaining life prediction method for rolling bearing based on the long short-term memory network | |
Leite et al. | Prognostic techniques applied to maintenance of wind turbines: a concise and specific review | |
JP6698715B2 (ja) | 設備状態監視装置および設備状態監視方法 | |
Lee et al. | Introduction to data-driven methodologies for prognostics and health management | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
Garcia et al. | SIMAP: Intelligent System for Predictive Maintenance: Application to the health condition monitoring of a windturbine gearbox | |
CN103033359B (zh) | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 | |
CN101532911B (zh) | 大型汽轮发电机组转子裂纹故障实时诊断方法 | |
US20110020122A1 (en) | Integrated condition based maintenance system for wind turbines | |
CN103616187B (zh) | 一种基于多维度信息融合的故障诊断方法 | |
Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
CN103940611A (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
Márquez et al. | An overview of wind turbine maintenance management | |
Du et al. | A SCADA data based anomaly detection method for wind turbines | |
CN103323102B (zh) | 大型汽轮发电机组低频振动预测优化方法 | |
CN103994199B (zh) | 基于状态监测的齿轮箱维护时间确定方法 | |
Sanayha et al. | Fault detection for circulating water pump using time series forecasting and outlier detection | |
CN102096771A (zh) | 汽轮发电机组轴承瓦温变化趋势实时分析方法 | |
CN103323103B (zh) | 大型汽轮发电机组低频振动实时预测方法 | |
CN103335708B (zh) | 汽轮发电机组低频振动实时预警方法 | |
Koukoura et al. | Wind turbine intelligent gear fault identification | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
Verma et al. | Predictive analysis of wind turbine faults: A data mining approach | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN109697271B (zh) | 基于短时能量变化比和核极限学习机的滚动轴承健康评估与性能预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150415 Termination date: 20160613 |
|
CF01 | Termination of patent right due to non-payment of annual fee |