CN108918126A - 一种基于精细化故障模型的旋转机械振动故障智能诊断方法 - Google Patents

Abstract

本发明公开了一种基于精细化故障模型的旋转机械振动故障智能诊断方法，包括以下步骤：步骤S1，根据旋转机械的结构和工作原理不同，对旋转机械进行分类；步骤S2，对不同类型的旋转机械，根据故障机理不同，对振动故障进行分类；步骤S3，根据故障的发生部位、发生原因和处理方式不同等，对故障进行细分；步骤S4，根据故障机理、故障特征和故障案例，确定完整的精细化故障模型；步骤S5，当设备出现异常振动时，对故障模型的征兆可信度和故障可信度进行计算，对设备当前状态进行智能诊断，确定设备的故障模型。采用精细化故障模型来诊断旋转机械的振动故障，能够实现故障原因、诊断结果和具体处理方案的高度集成，保证了故障诊断过程的可理解性和故障处理的可操作性以及故障处理的及时准确。

Description

一种基于精细化故障模型的旋转机械振动故障智能诊断方法

技术领域

本发明涉及旋转机械振动故障智能诊断技术领域，具体涉及一种基于精细化故障模型的振动故障智能诊断方法。

背景技术

大型旋转机械，如汽轮发电机组、水轮发电机组和烟气轮机组等，普遍安装了振动监测故障诊断系统对振动进行实时监测，出现异常时进行分析和诊断。诊断主要依靠专家进行人工诊断，有的系统具有初步的智能诊断功能，如采用模糊诊断、神经网络诊断和基于规则的诊断等。

目前，已经从理论上证明基于统计学的模糊诊断和神经网络等方法是错误的，得到的诊断结果一般是各种故障都存在，只是可信度大小不一样，没有实际意义。基于故障因果关系的故障树、正向推理诊断、规则诊断和黑灰白筛选诊断等，方向是正确的，但都存在一些问题。如故障树难以准确预估故障发生的概率，正向推理难以界定故障的边界条件；规则诊断存在组合爆炸问题，黑灰白筛选诊断主要依靠专家经验，难以实现智能化等。

同时，这些智能诊断方法，通常无法对诊断结论进行说明，诊断结果通常是大的故障分类，如不平衡、动静碰摩和不对中等，提出的故障处理意见一般是单一故障的所有可能解决方案，如动平衡、调整间隙和轴系对中等，没有先后次序和具体量化指标，缺乏针对性和可操作性，现场难以实施。这种诊断结果难以表示故障性质不同时的运行和检修处理方式的不同，如启机过程中发生动静碰摩时，有时需要提高升速率，有时需要降低升速率，也难以表示复合故障之间的因果关系，如因为不对中导致的动静碰摩，需要先处理对中问题等。

发明内容

本发明的目的在于提供一种基于精细化故障模型的旋转机械振动故障智能诊断方法，用以解决现有智能诊断方法出现的无法解释故障的原因以及诊断结果和处理方案不全面不准确的问题。

为实现上述目的，本发明精细化故障模型的振动故障智能诊断方法。具体地，该方法包括如下步骤：

步骤S1，根据旋转机械的结构和工作原理不同，对旋转机械进行分类；

步骤S2，对不同类型的旋转机械，根据故障机理不同，对振动故障进行分类；

步骤S3，根据故障的发生部位、发生原因和处理方式不同等，对故障进行细分；

步骤S4，根据故障机理、故障特征和故障案例，确定完整的精细化故障模型；

步骤S5，当设备出现异常振动时，对故障模型的征兆可信度和故障可信度进行计算，对设备当前状态进行智能诊断，确定设备的故障模型。

其中，在所述步骤S1中，所述旋转机械，包括汽轮发电机组、水轮发电机组、风力发电机组、烟气轮机、压缩机组、泵、燃气轮机、风机、齿轮箱和电机等。

在所述步骤S2中，所述根据故障机理对振动故障进行分类，例如，对于汽轮发电机组，通常振动故障可分为不平衡、不对中、松动、大轴弯曲、部件脱落、共振、基础振动、油膜振荡、汽流激振和动静碰摩等。

在所述步骤S3中，所述对故障进行细分，如根据故障的发生部位不同，汽轮发电机组不平衡故障可分为高中压转子不平衡、低压转子不平衡和发电机转子不平衡等；根据发生原因不同，不平衡故障可分为一阶质量不平衡、二阶质量不平衡和综合不平衡等；根据处理方式不同，不平衡故障可分为暂态不平衡和永久不平衡等。只要在故障的发生部位、发生原因和处理方式等方面存在任何的不同，都需要当作一种新的故障模型。

在所述步骤S4中，主要根据故障案例和故障机理，建立完整的精细化故障模型。某种故障模型是否存在，主要取决于故障案例和故障机理。

大部分将来发生的故障与机组已经发生过的故障具有相似性，根据故障案例，可以诊断大多数故障。

有的故障是设备从来没有发生的，但根据设备结构和工作原理，从故障机理角度能够推测这种故障发生的可能性，可以预先设计这种可能的故障模型，这样能够预测某种可能发生的故障。

每个精细化故障模型包括：

⑴故障名称

故障名称可以是单一故障，如高中压转子一阶质量不平衡，也可以是复合故障，如高中压转子一阶质量不平衡和高中压转子动静碰摩。如果故障的征兆、原因或处理方法不同，但故障名称相同，可以在故障名称后面加序号表示。

⑵故障征兆

故障存在的必要条件，每个故障模型通常有多个征兆，征兆之间为“与”关系。

⑶故障原因

从故障机理角度，对故障模型给出合理的解释，便于用户理解。

⑷故障处理意见

针对此故障模型完整的可操作的处理方法。

在所述步骤S5中，当设备出现异常振动时，进行振动故障智能诊断，需要对所有故障模型的征兆可信度和故障可信度进行计算。

为了对故障进行早期诊断和干预，一般可以将振幅达到报警值的60％或者变化量达到报警值的15％作为振动异常条件。

征兆类型可分为三类：绝对值型、相对值型和变化率型。

绝对值型征兆的可信度非0即1，如诊断部位和机组转速的判断等；

相对值型征兆的可信度，如振动频谱中一倍频较大等，可以取一倍频幅值与设定的基准值进行比较：

CS＝S²/(S²+B²)

其中：S为征兆的幅值，B为基准值，CS为征兆的可信度。

变化率型征兆的可信度，如转速不变时一倍频变化较大等，在满足转速不变的条件下，可以取一倍频变化量与设定的变化量基准值进行比较：

其中：S_c为变化量，B_c为变化量基准值，CS为征兆的可信度。

由于征兆之间为“与”关系，故障可信度取征兆可信度中的最小值。

CF＝min(CS_i)

其中，i＝1,2,...n，n为该故障模型中征兆数目，CF为故障的可信度。

最后，如果故障的可信度CF大于某个定值，如0.5，则认为该故障模型成立。如果有多个故障模型同时成立，通常按可信度从大到小排序后，最多显示前3个故障模型。

本发明方法具有如下优点：

本发明提供的振动故障智能诊断方法，提出了精细化的故障模型，实现了故障原因、诊断结果和具体处理方案的高度集成。该诊断方法能准确区分单一故障与复合故障，能从整体上准确把握故障的原因、特征和处理方式等各个方面，保证了故障诊断过程的可理解性和故障处理的可操作性，从而保证故障诊断和处理的及时准确。该方法的应用，可以提高设备运行的可靠性，取得良好的经济效益和社会效益。

附图说明

图1为本发明基于精细化模型的智能诊断方法的流程图。

图2为本发明实施例中机组结构示意图。

图3为本发明实施例中1#轴承水平方向轴振波特图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明所述方案作进一步地详细说明。

参见图1，图1为本发明基于精细化模型的智能诊断方法的流程图。该流程包括以下具体步骤：

步骤S1，根据旋转机械的结构和工作原理不同，对旋转机械进行分类。

本实施例以300MW汽轮发电机组为例，该机组结构示意图如图2所示，包括1个高中压转子21、1个低压转子22和1个发电机转子23组成，2个联轴器C1和C2，共需6个轴承(1#～6#)支撑，每个轴承均在X、Y两个方向各安装一个涡流传感器(图中未示出)，以监测转轴的相对振动。

步骤S2，对不同类型的旋转机械，根据故障机理不同，对振动故障进行分类。

300MW汽轮发电机组振动故障，可分为不平衡、不对中、松动、大轴弯曲、部件脱落、共振、基础振动、油膜振荡、汽流激振和动静碰摩等。

步骤S3，根据故障的发生部位、发生原因和处理方式不同等，对故障进行细分。

300MW机组不平衡故障可分为高中压转子不平衡、低压转子不平衡和发电机转子不平衡；一阶质量不平衡、二阶质量不平衡和综合不平衡；暂态不平衡和永久不平衡等。不对中故障可分为高-低联轴器不对中和低-发联轴器不对中；1#～6#轴承不对中等。松动故障可分为1#～6#轴承座松动、C1、C2联轴器松动以及1#～6#轴瓦间隙过大等。大轴弯曲故障可分为高中压转子弯曲、低压转子弯曲和发电机转子弯曲等。部件脱落故障可分为高中压转子部件脱落、低压转子部件脱落和发电机转子部件脱落，叶片脱落和平衡块脱落等。共振故障可分为3#～6#轴承座共振，低压转子叶片共振以及电磁激振等。根据故障机理，油膜振荡故障只发生在发电机转子，汽流激振故障只发生在高中压转子。动静碰摩故障可分为高中压转子动静碰摩、低压转子动静碰摩和发电机转子动静碰摩；径向碰摩和轴向碰摩；启停机过程碰摩和稳态运行时碰摩；临界转速以下碰摩和临界转速以上碰摩；轻微碰摩与严重碰摩等。

步骤S4，根据故障机理、故障特征和故障案例，确定完整的精细化故障模型。

每个精细化故障模型包括故障名称、故障征兆、故障原因和处理方法，以高中压转子一阶质量不平衡故障为例，故障模型如表1所示。

表1

步骤S5，当设备出现异常振动时，对故障模型的征兆可信度和故障可信度进行计算，对设备当前状态进行智能诊断，确定设备的故障模型。

在图3的1#轴承水平方向轴振波特图中，过一阶临界转速(1738RPM)时，一倍频幅值为229μm，相位为219度。机组振动的报警值是125μm，假设一倍频的基准值为75μm，对征兆可信度进行计算。

由于高中压转子对应1#和2#轴承，所以，“诊断部位为高中压转子”的征兆可信度CS₁＝1。

“启停机过程经过一阶临界转速时，一倍频振幅较大”的征兆可信度：

CS₂＝S²/(S²+B²)＝229²/(229²+75²)＝0.903

故障的可信度：

CF＝min(CS₁,CS₂)＝min(1,0.903)＝0.903

根据同类机组动平衡影响系数进行计算，需要在高中压转子中部加重650g，角度348度。

对于此振动异常，目前常用的智能诊断方法得到的比较好的诊断结果是不平衡，处理意见是进行动平衡。

由此可知，通常的智能诊断方法得到的诊断结果比较模糊，故障处理意见比较空泛。本实施例提供的基于精细化故障模型的智能诊断方法，诊断结论比较明确，处理意见比较具体，故障原因易于理解和接受。因此，基于精细化故障模型的智能诊断方法，能够建立科学完整的故障模型，为旋转机械振动故障诊断和处理提供全面准确可靠的依据，为提高设备的可靠性提供重要途径。

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

Claims (6)

1.一种基于精细化故障模型的旋转机械振动故障智能诊断方法，其特征在于，包括以下步骤：

步骤S1，根据旋转机械的结构和工作原理不同，对旋转机械进行分类；

步骤S2，对不同类型的旋转机械，根据故障机理不同，对振动故障进行分类；

步骤S3，根据故障的发生部位、发生原因和处理方式不同等，对故障进行细分；

步骤S4，根据故障机理、故障特征和故障案例，确定完整的精细化故障模型；

步骤S5，当设备出现异常振动时，对故障模型的征兆可信度和故障可信度进行计算，对设备当前状态进行智能诊断，确定设备的故障模型。

2.根据权利要求1所述的振动故障智能诊断方法，其特征在于，在所述步骤S1中，所述旋转机械，包括汽轮发电机组、水轮发电机组、风力发电机组、烟气轮机、压缩机组、泵、燃气轮机、风机、齿轮箱和电机等。

3.根据权利要求1所述的振动故障智能诊断方法，其特征在于，在所述步骤S2中，所述根据故障机理对振动故障进行分类，例如，对于汽轮发电机组，通常振动故障可分为不平衡、不对中、松动、大轴弯曲、部件脱落、共振、基础振动、油膜振荡、汽流激振和动静碰摩等。

4.根据权利要求1所述的振动故障智能诊断方法，其特征在于，在所述步骤S3中，所述对故障进行细分，如根据故障的发生部位不同，汽轮发电机组不平衡故障可分为高中压转子不平衡、低压转子不平衡和发电机转子不平衡等；根据发生原因不同，不平衡故障可分为一阶质量不平衡、二阶质量不平衡和综合不平衡等；根据处理方式不同，不平衡故障可分为暂态不平衡和永久不平衡等。只要在故障的发生部位、发生原因和处理方式等方面存在任何的不同，都需要当作新的一种故障模型。

5.根据权利要求1所述的振动故障智能诊断方法，其特征在于，在所述步骤S4中，主要根据故障案例和故障机理，建立完整的精细化故障模型。某种故障模型是否存在，主要取决于故障案例和故障机理。

大部分将来发生的故障与机组已经发生过的故障具有相似性，根据故障案例，可以诊断大多数故障。

有的故障是设备从来没有发生的，但根据设备结构和工作原理，从故障机理角度能够推测这种故障发生的可能性，可以预先设计这种可能的故障模型，这样能够预测某种可能发生的故障。

每个精细化故障模型包括：

⑴故障名称

故障名称可以是单一故障，如高中压转子一阶质量不平衡，也可以是复合故障，如高中压转子一阶质量不平衡和高中压转子动静碰摩。如果故障的征兆、原因或处理方法不同，但故障名称相同，可以在故障名称后面加序号表示。

⑵故障征兆

故障存在的必要条件，每个故障模型通常有多个征兆，征兆之间为“与”关系。

⑶故障原因

从故障机理角度，对故障模型给出合理的解释，便于用户理解。

⑷故障处理意见

针对此故障模型完整的可操作的处理方法。

6.根据权利要求1所述的振动故障智能诊断方法，其特征在于，在所述步骤S5中，当设备出现异常振动时，进行振动故障智能诊断，需要对所有故障模型的征兆可信度和故障可信度进行计算。

为了对故障进行早期诊断和干预，一般可以将振幅达到报警值的60％或者变化量达到报警值的15％作为振动异常条件。

征兆类型可分为三类：绝对值型、相对值型和变化率型。

绝对值型征兆的可信度非0即1，如诊断部位和机组转速的判断等；

相对值型征兆的可信度，如振动频谱中一倍频较大等，可以取一倍频幅值与设定的基准值进行比较：

CS＝S²/(S²+B²)

其中：S为征兆的幅值，B为基准值，CS为征兆的可信度。

变化率型征兆的可信度，如转速不变时一倍频变化较大等，在满足转速不变的条件下，可以取一倍频变化量与设定的变化量基准值进行比较：

其中：S_c为变化量，B_c为变化量基准值，CS为征兆的可信度。

由于征兆之间为“与”关系，故障可信度取征兆可信度中的最小值。

CF＝min(CS_i)

其中，i＝1,2,...n，n为该故障模型中征兆数目，CF为故障的可信度。

最后，如果故障的可信度CF大于某个定值，如0.5，则认为该故障模型成立。如果有多个故障模型同时成立，通常按可信度从大到小排序后，最多显示前3个故障模型。