CN103471841B - 一种旋转机械振动故障诊断方法 - Google Patents

Abstract

本发明公开了一种旋转机械振动故障诊断方法，在采集多状态的振动数据的同时，对应采集多状态的工艺量数据，由此得到旋转机械各种典型振动故障状态下的振动数据和工艺量数据。分别对其进行特征值提取，构成特征值矩阵，这些特征值矩阵就完整描述了各种典型故障的过程变化规律，也即是各种典型故障的样本矩阵数据库。在此基础上，本发明将图像识别技术运用于故障诊断领域，通过特征值矩阵匹配计算，克服了目前故障诊断领域人工故障识别和单一特征量故障识别的弊端，实现了高精度的自动故障诊断。

Description

一种旋转机械振动故障诊断方法

技术领域

本发明涉及旋转机械振动故障诊断领域,特别是一种利用异类传感器过程信息融合技术和图像识别技术来监测及高精度自动诊断旋转机械振动故障类型的方法。

背景技术

旋转机械是电力、冶金、石化、交通等行业广泛使用的关键设备，对旋转机械进行在线监测及故障诊断是保证旋转机械安全稳定运行的重要手段。基于振动数据的旋转机械现代故障诊断技术已经发展了30多年，但目前绝大多数故障诊断方法归根结底是依靠采集的原始振动数据来进行诊断的。这些原始振动数据往往是针对特定测点在某短瞬间采集的一段波形，是对应某时刻状态的信息，是状态的一种表现。而在远大于采集周期的较长时段中，旋转机械的状态可能会明显变化。如果产生故障，在某一状态下，振动波形不一定含有明显的故障信息，或故障信息被淹没在其他信息中。这时，依靠随机抽取的状态信息来进行诊断是会碰到困难的，如果故障特征不是绝对清晰的，基于某时刻状态波形的方法就不能很好区分这些故障。

汽轮发电机转子是电力行业中最重要的旋转机械，目前国内外使用的大部分汽轮机转子振动监测诊断系统普遍还存在着对机组运行数据监测、使用不够全面的问题，一般以振动量为主，不能接入负荷、压力、温度、真空、电流等机组相关工艺量数据。即使有部分振动监测诊断系统采集了机组相关工艺量数据，也只是用于显示相关数据，没有将其与振动信号结合起来综合分析进行故障诊断。然而旋转机械振动故障征兆并不都只体现在振动数据中，某些故障征兆既体现在振动数据中，也体现在机组相关工艺量数据中，如汽轮机转子热变形、发电机转子故障、轴系负载分配不均衡等故障。因此，如果只是单纯分析振动数据，而不考虑工艺量数据，就不能很好的区分相关故障类型。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种旋转机械振动故障诊断方法，同时分析多状态的振动数据和工艺量数据，更好地区分振动故障类型，提高故障诊断的准确性，避免盲目处理故障。

为解决上述技术问题，本发明所采用的技术方案是：一种旋转机械振动故障诊断方法，该方法为：

1）采集旋转机械各种典型振动故障状态下的各个振动测点的振动数据，其中任意一个振动测点在一个采样过程中的典型振动故障数据由若干个采样转速点或采样时间点下的振动数据组成；同时在同样的采样转速点或采样时间点下对应采集各个工艺量测点的工艺量数据； 

2）对上述各种典型振动故障状态下的振动数据和工艺量数据进行特征值提取，对每一种典型振动故障构建一个振动故障样本矩阵X：

，

其中，表示升、降速或定速过程中振动数据采样转速点或采样时间点的个数，表示振动数据的测点个数，表示工艺量数据的测点个数，矩阵中的任意一个元素表示在第个采样点下第个振动测点的振动数据特征值，表示在第个采样点下第个工艺量测点的工艺量数据特征值，其中，，，；

3）对于待检故障信号，取与步骤1）相同的振动测点和工艺量测点，分别采集各个振动测点和工艺量测点的待检故障振动数据和工艺量数据，并对该振动数据和工艺量数据进行特征值提取，构建一个反映了待检故障信号的过程变化规律的的特征值矩阵Y；

4）将矩阵Y与每一种典型振动故障的振动故障样本矩阵X相减，得到N个中间对比矩阵Z，即，其中N为典型振动故障种类数量；

5）求矩阵Z的均值和方差，并求均值的绝对值；

6）比较上述N个中间对比矩阵的均值的绝对值和方差，得到使和最小的中间对比矩阵，则该中间对比矩阵对应的振动故障样本矩阵X的故障类型即为待检故障信号的故障类型。

由此可见，上述步骤的故障诊断方法即是利用数字图像识别技术中的矩阵匹配计算方法来实现的。

所述步骤1）中，典型振动故障类型一般为不平衡、不对中、动静碰磨、部件松动、油膜涡动、汽流激振、转子热变形、发电机转子故障、轴系负载分配不均衡。

所述步骤1）中，工艺量数据包括旋转机械的负荷、压力、温度、真空值、电流值。

所述步骤2）中，利用小波分析或流形学习方法对各种典型振动故障状态下的振动数据和工艺量数据进行特征值提取。

与现有技术相比，本发明所具有的有益效果为：本发明基于将异类传感器过程信息融合的诊断思想，克服了目前依靠随机抽取的振动状态信息容易出现误诊的缺陷，同时融合了多种机组相关工艺量数据，提高了故障诊断的准确性；将图像识别技术运用于故障诊断领域，通过特征值矩阵匹配计算，克服了目前故障诊断领域人工故障识别和单一特征量故障识别的弊端，实现了高精度的故障诊断；在汽轮发电机组发生故障时，本发明可以做到早期预警、故障定位的作用，将本发明的诊断方法的结果作为故障处置优先级别的依据，避免故障处理的盲目性；本发明算法简单，便于实施推广。

具体实施方式

本发明的原理如下：

1、从状态信息到过程信息。一种故障在某一时刻或某一状态下引起的振动表现具有一定的分散性和随机性，但在一个过程中却有其规律性。本发明通过观察一个由很多状态构成的过程，则发现故障的机会大幅度增加，从过去基于状态的诊断方法发展到基于过程的诊断方法。

2、从单一振动数据到多种类数据。本发明在考虑多状态的振动数据基础上，结合多状态的工艺量数据进行分析，从过去单一振动数据分析发展到集成振动、负荷、压力、温度、真空、电流等多种数据的异类传感器过程信息融合分析。

本发明方法步骤如下：

1、数据采集。本发明采集旋转机械各种典型振动故障数据，如不平衡、不对中、动静碰磨、部件松动、油膜涡动、汽流激振、转子热变形、发电机转子故障、轴系负载分配不均衡等故障类型。对于任意一种典型故障，任意一个振动测点的一个采样过程是由若干个采样转速点或采样时间点组成的，其中，在机组升降速过程中以一定的转速间隔采样，定速后以一定的时间间隔采样。在采集所有振动测点的振动数据的同时，对应采集负荷、压力、温度、真空、电流等机组相关工艺量数据，那么就由多种类参数、多测点、多状态数据构成了机组完整的过程信息描述。其中，机组相关工艺量数据既可以是模拟量，也可以是开关量。为了具有可比性，采样过程都应由相同的采样转速点或采样时间点组成。

2、故障建模。对采集得到的各种典型故障状态下的振动数据和工艺量数据，分别对其进行特征值提取，构成特征值矩阵，这些特征值矩阵就完整描述了该种典型振动故障的过程变化规律，也即是各种典型振动故障的样本矩阵数据库。

3、基于图像识别技术的诊断方法。假设的特征值矩阵就是旋转机械任意一种典型故障的样本矩阵，它反映了该种典型故障的过程变化规律，如式(1)所示：

             (1)

其中表示升、降速或定速过程中振动数据采样转速点或采样时间点的个数，表示振动数据的测点个数，表示工艺量数据的测点个数。矩阵中的任意一个元素就表示在第个采样点下第个振动测点的振动数据特征值，就表示在第个采样点下第个工艺量测点的工艺量数据特征值，其中，，，。

同理，对于未知故障类型的信号，即待检故障信号，取同样的采样转速点或采样时间点进行数据采集，也可以计算得到的特征值矩阵，该矩阵也反映了待检故障信号的过程变化规律。

每个特征值矩阵都可以看作是一幅数字图像，因此，待检故障信号的特征值矩阵与样本矩阵数据库之间的比对也就是一种数字图像匹配计算，它属于图像识别的范畴，其中样本矩阵数据库可以看作是地面数字图像数据库，待检故障信号的特征值矩阵可以看作是需定位的实时地面数字图像，其比对过程也就是军事上的制导定位过程，因此可以引入数字图像匹配制导技术中的数学计算方法来进行故障诊断，首先将两个矩阵和相减，得到一个新的中间对比矩阵：

                               (2)

对这个中间对比矩阵分别求它的均值和方差

                      (3)

              (4)

由此，可以求出待检故障信号与旋转机械各种典型故障之间的中间对比矩阵的均值和方差。通过求取所有均值中绝对值最小的均值和所有方差中的最小方差，就可以进行故障判别。均值绝对值和方差越小，说明待检故障信号与计算值对应的典型故障的过程变化规律越接近，即待检故障信号属于该种故障的可能性越大，反之亦然。

以汽轮机为例，通过汽轮机TSI系统获得汽轮机转子各种典型故障状态下的振动数据，通过机组DCS系统获得转子各种典型故障状态下的各种工艺量数据，且保证采样点是一致的，通过现代数字信号处理技术，如小波分析，流形学习等，将采集得到的转子各种典型故障状态下的振动数据和工艺量数据分别进行特征值提取，得到各种典型故障的特征值矩阵，即各种典型故障的样本矩阵数据库，将图像识别技术引入其中，通过待检故障信号的特征值矩阵与各种典型故障的样本矩阵数据库之间的匹配计算来进行高精度自动诊断。

Claims (3)

1.一种旋转机械振动故障诊断方法，其特征在于，该方法为：

1）采集旋转机械各种典型振动故障状态下各个振动测点的振动数据，其中任意一个振动测点在一个采样过程中的典型振动故障数据由若干个采样转速点或采样时间点下的振动数据组成；同时在同样的采样转速点或采样时间点下对应采集各个工艺量测点的工艺量数据；典型振动故障为不平衡、不对中、动静碰磨、部件松动、油膜涡动、汽流激振、转子热变形、发电机转子故障、轴系负载分配不均衡；

2）对上述各种典型振动故障状态下的振动数据和工艺量数据进行特征值提取，对每一种典型振动故障构建一个振动故障样本矩阵X：

，

其中，表示升、降速或定速过程中振动数据采样转速点或采样时间点的个数，表示振动数据的测点个数，表示工艺量数据的测点个数，矩阵中的任意一个元素表示在第个采样点下第个振动测点的振动数据特征值，表示在第个采样点下第个工艺量测点的工艺量数据特征值，其中，，，；

3）对于待检故障信号，取与步骤1）相同的振动测点和工艺量测点，分别采集各个振动测点和工艺量测点的待检故障振动数据和工艺量数据，并对该振动数据和工艺量数据进行特征值提取，构建一个反映了待检故障信号的过程变化规律的的特征值矩阵Y；

4）将矩阵Y与每一种典型振动故障的振动故障样本矩阵X相减，得到N个中间对比矩阵Z，即，其中N为典型振动故障种类数量；

5）求矩阵Z的均值和方差，并求均值的绝对值；

6）比较上述N个中间对比矩阵的均值的绝对值和方差，得到使和最小的中间对比矩阵，则该中间对比矩阵对应的振动故障样本矩阵X的故障类型即为待检故障信号的故障类型。

2.根据权利要求1所述的旋转机械振动故障诊断方法，其特征在于，所述步骤1）中，工艺量数据包括旋转机械的负荷、压力、温度、真空值、电流值。

3.根据权利要求1所述的旋转机械振动故障诊断方法，其特征在于，所述步骤2）中，利用小波分析或流形学习方法对各种典型振动故障状态下的振动数据和工艺量数据进行特征值提取。