CN103323102B

CN103323102B - 大型汽轮发电机组低频振动预测优化方法

Info

Publication number: CN103323102B
Application number: CN201310233533.XA
Authority: CN
Inventors: 宋光雄
Original assignee: North China Electric Power University
Current assignee: North China Electric Power University
Priority date: 2013-06-13
Filing date: 2013-06-13
Publication date: 2015-04-15
Anticipated expiration: 2033-06-13
Also published as: CN103323102A

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

大型汽轮发电机组低频振动预测优化方法

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Δ_s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P_MN，如果大于预设时间段长度，那么记录当前时刻T_N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T_N时刻向前截取至T_M时刻的低频振动幅值数据A，将T_M时刻至T_N时刻的低频振动幅值数据表示为A_i(i=1,2,3,…,m)；|T_N-T_M|=p_MN，p_MN为预设时间段长度，

步骤6：根据低频振动幅值数据A_i(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R_s；

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 … s_j-1 s_j]，具体包括 …、利用规则组R_s，进行基于ANFIS方法的模糊推理计算，可以预测计算得到(p+k-s_j)×Δ_s秒后的低频振动幅值数据

A_{k + p}^{N} .

所述根据低频振动幅值数据A_i(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R_s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A_i(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；

[\begin{matrix} A_{1} & A_{2} & \cdot \cdot \cdot & A_{k - 1} & A_{k} & A_{k + p} \\ A_{2} & A_{3} & \cdot \cdot \cdot & A_{k} & A_{k + 1} & A_{k + p + 1} \\ \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot \\ A_{r - 1} & A_{r} & \cdot \cdot \cdot & A_{k + r - 2} & A_{k + r - 2} & A_{m - 1} \\ A_{r} & A_{r + 1} & \cdot \cdot \cdot & A_{k + r - 1} & A_{k + r - 1} & A_{m} \end{matrix}]

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R_l(l=1,2,3,…,C(k,j))；

2）C(k,j)个学习训练误差ε_l(l=1,2,3,…,C(k,j)),规则组R_l与学习训练误差ε_l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ε_l(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R_s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Δ_s秒存储一次；本实施例中Δ_s=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P_MN，本实施例中P_MN=500秒；如果大于预设时间段长度，那么记录当前时刻T_N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T_N时刻向前截取至T_M时刻的低频振动幅值数据A，将T_M时刻至T_N时刻的低频振动幅值数据表示为A_i(i=1,2,3,…,m)；|T_N-T_M|=p_MN，p_MN为预设时间段长度；则实施例中A_i(i=1,2,3,…,500)；

步骤6：根据低频振动幅值数据A_i(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R_s，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A_i(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；

[\begin{matrix} A_{1} & A_{2} & A_{3} & A_{4} & A_{5} & A_{6} & A_{7} & A_{8} & A_{9} & A_{10} & A_{13} \\ A_{2} & A_{3} & A_{4} & A_{5} & A_{6} & A_{7} & A_{8} & A_{9} & A_{10} & A_{11} & A_{14} \\ \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot & \cdot \cdot \cdot \\ A_{487} & A_{488} & A_{489} & A_{490} & A_{491} & A_{492} & A_{493} & A_{494} & A_{495} & A_{496} & A_{499} \\ A_{488} & A_{489} & A_{490} & A_{491} & A_{492} & A_{493} & A_{494} & A_{495} & A_{496} & A_{497} & A_{500} \end{matrix}]

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R_l(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ε_l(l=1,2,3,…，210)),规则组R_l与学习训练误差ε_l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ε_l(l=1,2,3,…,210))大小，其中最小的训练误差所对应的FIS规则组R_s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 … s_j-1 s_j]，具体包括 …、利用规则组R_s，进行基于ANFIS方法的模糊推理计算，可以预测计算得到(p+k-s_j)×Δ_s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R_s，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

1.一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Δ_s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P_MN，如果大于预设时间段长度，那么记录当前时刻T_N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T_N时刻向前截取至T_M时刻的低频频率对应的振动幅值之和A，将T_M时刻至T_N时刻的低频频率对应的振动幅值之和表示为A_i(i＝1,2,3,…,m)；|T_N-T_M|＝p_MN，p_MN为预设时间段长度，

m = \frac{p_{MN}}{Δ_{s}};

步骤6：根据低频频率对应的振动幅值之和A_i(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R_s；

得到模糊推理系统FIS的最优规则组R_s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A_i(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；

[\begin{matrix} A_{1} & A_{2} & . . . & A_{k - 1} & A_{k} & A_{k + p} \\ A_{2} & A_{3} & . . . & A_{k} & A_{k + 1} & A_{k + p + 1} \\ . . . & . . . & . . . & . . . & . . . & . . . \\ A_{r - 1} & A_{r} & . . . & A_{k + r - 2} & A_{k + r - 2} & A_{m - 1} \\ A_{r} & A_{r + 1} & . . . & A_{k + r - 1} & A_{k + r - 1} & A_{m} \end{matrix}]

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；

1)C(k,j)个模糊推理系统FIS规则组R_l(l＝1,2,3,…,C(k,j))；

2)C(k,j)个学习训练误差ε_l(l＝1,2,3,…,C(k,j)),规则组R_l与学习训练误差ε_l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ε_l(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R_s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 … s_j-1 s_j]，具体包括利用规则组R_s，进行基于ANFIS方法的模糊推理计算，可以预测计算得到(p+k-s_j)×Δ_s秒后的低频频率对应的振动幅值之和