CN110617981B - 一种调相机故障诊断方法 - Google Patents

Abstract

本发明提供了一种调相机故障诊断方法,针对当前设备故障诊断多是依赖于一线专业人员对现场采集信号进行详细分析处理，这种模式下故障发现和处理的实时性都会受到限制的问题,以及考虑到由于调相机在提升直流输送功率和送、受端电网电压稳定方面的重要作用，为保证其安全、可靠运行，本发明综合运用了正反向混合推理、专家现场诊断规则（知识库）和灰色关联分析方法，对输入的运行数据和振动数据进行关联度和可信度计算，提高了调相机轴系振动故障诊断的实时性和准确性，对减少设备故障概率具有重要意义。

Description

一种调相机故障诊断方法

技术领域

本发明属于设备故障诊断领域，具体涉及一种调相机故障诊断方法。

背景技术

国内调相机故障诊断系统尚处于起步阶段，当前的监测技术主要是移植发电机组的故障监测系统。清华大学、哈尔滨工业大学、哈尔滨电工仪表所等院所联合研制的汽轮发电机工况监测与故障诊断专家系统可全面监测诊断机组机械振动故障、汽隙振动故障、热因素引起的故障以及调节控制系统故障。

当下调相机监测诊断平台主要有振动监测保护和信号分析故障诊断(TDM)两种系统。振动监测保护系统主要作用只是根据振幅的大小简单地确定机组的振动状态，在出现危险振动时可以发生停机信号，由于缺乏对机组状态的全面深入分析，经常发生误跳和漏跳。TDM系统主要作用只是提供各种信号分析图形，并且有越来越复杂化的趋势。由于振动信号涉及众多，专业性强较难掌握。调相机振动监测故障诊断系统(TDM)主要有北京英华达公司EN8000系统，北京华科同安公司TN8000系统，阿尔斯通创为实公司S8000系统，三大系统占国内TDM市场大部分份额。

国外从20世纪80年代以来就把人工智能和专家系统成功地运用到电站状态监测与故障诊断技术中，产生了巨大的经济效益，如：美国西屋公司(Westing-house)建立了电厂数据PDC和诊断运行中心DOC，以及相应的汽轮机、发电机等智能诊断系统；美国电力研究所(EPRI)的电厂监测与诊断中心；德国西门子公司和ABB公司等也开发了相应的系统。

大型发电机故障诊断系统的研制，包括：专家系统设计和软件系统设计。其中，专家系统的设计：根据被诊断系统的专家经验，归纳提炼为诊断规则，使系统仿真专家推理分析问题和解决问题的过程，至少由知识库、推理机和人机接口三部分组成。故障诊断专家系统诊断判据如表1。

表1汽轮发电机转子的故障诊断判据

发电机故障诊断专家系统组成框图如图1所示。系统的实质是数值采集、数值计算和规则推理的集成，充分利用专家的现场故障诊断经验和计算机的推理能力，可以实时监测和诊断发电机运行故障。

故障诊断模块是专家系统的核心之一，主要功能是存储和管理发电机故障特征，它包括存在的事实、判断条件、遵守的规则、经验以及数学模型。推理机是一组计算机程序，主要起到在知识之间进行逻辑推理及知识库匹配，并决定控制过程策略的作用。

综合数据库是专家系统中用于存放反映系统当前发电机状态的实时数据。

专家知识学习及完善模块是将专家系统汽轮机运行应遵守的运行规则和专家所掌握的特有经验性知识转化为计算机可以利用的形式并送入知识库功能模块。

发明内容

现有的诊断规则缺乏合理且符合现场设备实际情况的全面性考虑，没有量化规则，容易发生误诊断。当前设备故障诊断更多是依赖于一线专业人员对现场采集信号进行详细分析处理，这种模式下故障发现和处理的实时性都会受到限制。由于调相机在提升直流输送功率和送、受端电网电压稳定方面的重要作用，为保证其安全、可靠运行，本发明在传统反向推理故障诊断基础上，结合专家现场故障诊断规则(知识库)、设备运检多数据统计分析和正向推理理论，实现多数据融合双向推理故障诊断，提高了调相机轴系振动故障诊断实时性和准确性，对减少设备故障概率具有重要意义。

为实现上述目的，本发明采用以下技术方案：

一种调相机故障诊断方法，其特征在于，包括以下步骤：

步骤1：振动故障的识别：对调相机振动在线状态进行实时监测，获取振动的各征兆数据，用于计算各征兆可信度；根据征兆可信度进一步推导出故障可信度和故障严重程度；当故障严重程度达到警告值时，根据故障可信度高低排序输出故障名称；

步骤2：确定振动故障的原因：对调相机的运行数据、振动数据进行分析处理，计算各运行数据与振动数据之间的关联度，根据关联度排序确定引起该故障的运行因素。

为优化上述技术方案，采取的具体措施还包括：

进一步地，所述步骤1中，征兆用于判断故障各种现象，征兆数据包括转速、振动波形、频谱、倍频幅值和相位，征兆可信度分为瞬时值型条件可信度和变化率型条件可信度，瞬时值型条件是由某一时刻的征兆数据确定的，变化率型条件是由不同时刻的征兆数据确定的。

进一步地，所述步骤1中，每个故障的诊断规则对应于若干个征兆，故障可信度取征兆可信度中的最小值与诊断规则可信度的乘积：

CF＝CF_r×min(CF_s)

式中，CF为故障可信度，CF_s为征兆可信度，CF_r为诊断规则可信度，由领域专家给定。

进一步地，所述步骤1中，故障严重程度是故障可信度和故障影响因子乘积：

SF＝CF×IF

式中，SF为故障严重程度，IF为故障影响因子，表示故障对调相机振动的影响程度。

进一步地，所述步骤2具体如下：

步骤2.1：根据调相机的运行数据和振动数据，确定参考序列和比较序列，共同形成变量序列；

步骤2.2：对变量序列进行无量纲化；

步骤2.3：计算变量序列的绝对差值矩阵以及绝对差值矩阵的最大差和最小差；

步骤2.4：对绝对差值矩阵进行变换，得到关联系数矩阵；

步骤2.5：计算比较序列与参考序列的关联度；

步骤2.6：对比较序列与参考序列的关联度从大到小排序，关联度大的运行数据诊断为引起故障的运行因素。

进一步地，所述步骤2.1中，首先确定一个因变量因素和多个自变量因素，设因变量数据构成参考序列X′₀，各自变量数据构成比较序列X′_i(i＝1，2，...，n)，n+1个变量序列形成如下矩阵：

其中，X′_i＝[x′_i(1)，x′_i(2)，...，x′_i(N)]^T，i＝0，1，2，...，n，N为变量序列的长度；X′₀代表因变量因素，为振动数据；X′_i(i＝1，2，...，n)代表自变量因素，为运行数据。

进一步地，所述步骤2.2中，采用均值化法，对矩阵的各列变量序列求平均值，再用各列各值除以各列数据平均值，无量纲化后变量序列形成如下矩阵：

进一步地，所述步骤2.3中，计算无量纲化后矩阵中参考序列与比较序列对应期的绝对差值，形成如下绝对差值矩阵：

其中，Δ_0i(k)＝|x₀(k)-x_i(k)|，i＝0，1，...，n，k＝1，2，...，N，即第k排第1列振动数据无量纲值与第k排第i列运行数据无量纲值的绝对差值；

绝对差值矩阵中最大数和最小数即为最大差和最小差：

进一步地，所述步骤2.4中，对绝对差值矩阵中数据作如下变换：

得到关联系数矩阵：

其中，ρ为分辨系数，在(0，1)内取值，关联系数ξ_0i(k)是不超过1的正数，它反映第i个比较序列X_i与参考序列X₀在第k个期关联程度。

进一步地，所述步骤2.5中，比较序列X_i与参考序列X₀的关联程度是通过N个关联系数来反映的，求平均得到X_i与X₀的关联度：

本发明的有益效果是：

1、旋转设备大多数振动故障会伴随运行数据的规律性变化，二者关联度对于故障诊断非常重要。本发明提出利用灰色关联分析方法，对系统输入的运行数据和振动数据进行灰色关联度计算，实现运行数据与振动数据关联分析的量化判断；

2、采用的故障充要条件识别判据，主要是采用时域和频域信号分析方法，对采样信号的瞬时值和变化率进行特征值计算，确定故障的类型及可信度CF(CertaintyFactor)。可信度计算主要分为瞬时值型和变化率型两种方法，故障推理以可信度从高到低排序；

3、调相机运行参数取自换流站监测系统，通过过程数据接入模块开发，无需额外增加测量仪表和采集设备，并可以灵活配置修改诊断规则所需的工艺参数，同时满足实时诊断与故障过程综合趋势分析功能；

4、结合调相机设备设计的保护定值、故障诊断专家经验和算法模型，对每台调相机进行定制式规则配置，从而实现智能预警和处置建议推送。

附图说明

图1是发电机故障诊断专家系统组成框图。

图2是故障诊断系统总体结构图。

图3是故障诊断方法的功能结构图。

图4是以轴瓦自激振动故障为例的反向推理示意图。

图5是以轴瓦自激振动故障为例的正向推理示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

本发明提出了一种调相机故障诊断方法，其涉及的调相机振动故障智能诊断系统，主要用于对调相机发生故障等问题进行预报，为运行人员提供一定的反应时间，并提供故障排除的相关建议措施。将调相机运行、检修数据和对应转轴数据作为输入，通过历史数据统计分析，计算得出各工况下轴系振动基准值，实时振动征兆与该测点振动基准值进行动态差值计算，若差值大于故障发生基准值条件，则进行正反双向推理，直至求得故障原因，并输出故障类型、故障严重程度和运检指导决策。

系统的结构框架如图2所示。通过调相机系统实时数据库与B/S版BCT101系统数据库数据通讯对接，将调相机各类运行参数和振动数据，引入到参数分析系统，转换为计算机语言，通过特征分离提取系统进行不同位置和不同性质的故障特征，将典型故障特征在故障评判系统中进行判断，若符合故障发生条件，则输出信号通知运行人员，同时根据各类型的故障特征给出处置建议。

故障特征分析模块是调相机故障诊断系统的基础，是研究的核心目标。调相机故障特征分析主要分为两部分：第一部分是调相机是否发生故障，第二部分是若已确认出现故障，则继续判断故障发生的部位及原因。本模块将根据运行数据和转轴振动变化特征作为输入，通过数学计算和变换形成故障特征，并对比专家系统数据进行评判，做定性和定量分析。

故障处置建议模块基于故障诊断结果，结合调相机故障部位进行分析，提出具有针对性的故障处置建议。

用户输出端口用于人机友好界面的开发。

调相机故障诊断方法的功能结构图如图3所示。从故障诊断角度来说，征兆是有助于判断故障各种现象，包括某些正常现象，如振动稳定，利用正常现象可以排除某些故障。系统对调相机振动在线状态进行实时监测，从系统中可以获取转速、振动波形、频谱、倍频幅值和相位等振动的各征兆数据，用于计算各征兆可信度。

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”、“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：

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，与故障性质有关，同样的条件描述，在不同的故障中，计算方法是不相同的。a1、a2、a3主要是根据经验确定，数值大小反映不同频率成分对其影响程度大小。

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，变化率型在计算转速不变时振幅波动较大的可信度时，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：

A₀和A₁是先后两组数据的振幅，A_b是振幅变化的阈值。

根据故障的特征频率，可以将调相机的振动频段划分为八段，如表2所示。

表2调相机故障频率区间划分(单位：倍频)

	F1	F2	F3	F4	F5	F6	F7	F8
									下限L	0.01	0.36	0.49	0.52	0.96	1.06	2.06	5.06
上限H	0.35	0.48	0.51	0.95	1.05	2.05	5.05	16
									基准值B	3	4	4	4	40	12	8	5
预警值A	6	8	8	8	60	25	15	10

其中，基准值B与预警值A均是警告值的百分比。基准值是开始计算的依据，预警值是征兆可信度计算的参考依据。

瞬时值型计算中不同频段的可信度系数、变化率型计算中幅值变化的阈值与机组的类型、故障机理、机组负荷及工艺参数有密切关系，其准确确定是故障模式识别的关键和难点。

根据征兆可信度进一步推导出故障可信度，下面以诊断“质量不平衡”故障的一条诊断规则为例：

如果振动频谱中一倍频较大

且转速不变时振幅基本不变

且转速不变时一倍频相位基本不变

则质量不平衡

规则本身的可信度由领域专家给定，结论的可信度通过计算得到。质量不平衡规则可信度CF_r＝0.95，每个诊断规则的征兆之间一般为“与”关系，故障可信度CF取征兆可信度中的最小值与规则可信度的乘积：

CF＝CF_r×min(CF_S)

在诊断故障时，需要近一步引入影响因子IF(Impact Factor)，用于表示该故障对调相机振动的影响程度。例如，对于旋转部件脱落振动故障，如机组在3000转/分时，振动幅值60μm，2秒后机组振动幅值120μm，旋转部件脱落故障主要影响因素是时间、转速和负荷，以3000转/分为基准，可以计算出：2秒后3000转/分时影响因子IF＝120/60＝2。

故障严重程度用SF表示，是振动故障可信度和故障影响因子乘积，即SF＝CF×IF。

SF判定标准如下：

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，机组可以短期运行；

SF≥0.8时为危险，应尽快停机处理。

当SF值达到警告值，诊断系统输出故障名称(以可信度高低排序)及对诊断结论解释。如表3所示。

表3故障名称及诊断结论

序号	故障名称	可信度
			1	旋转部件脱落	1.00
2	质量不平衡	0.60
			3	转子热弯曲	0.46

为了进一步确认故障具体因素，诊断系统会对输入的运行参数、振动数据进行分析处理，计算各运行参数(如润滑油温、机组偏离额定周波运行、负荷等)与振动数据关联度。

时间序列数据关联度计算是应用灰色关联分析方法，对专家系统输入的运行数据、检修数据和振动数据进行灰色关联度计算，具体包括如下步骤。

1、确定分析序列

为实现振动故障原因的定性分析，首先要确定一个因变量因素(如某测点振动矢量改变量、频率分量幅值等)和多个自变量因素(如励磁电流、无功功率等参数)。设因变量数据构成参考序列X′₀，各自变量数据构成比较序列X′_i(i＝1，2，...，n)，n+1个数据序列形成如下矩阵：

其中，X′_i＝[x′_i(1)，x′_i(2)，...，x′_i(N)]^T，i＝0，1，2，...，n，N为变量序列的长度；

X′₀代表因变量因素，主要是振动数据，如某测点振动矢量改变量、频率分量幅值等；

X′_i(i＝1，2，...，n)代表自变量因素，主要是运行数据，如励磁电流、无功功率等参数。

2、对变量序列进行无量纲化

原始变量序列具有不同的量纲或数量级，为了保证分析结果的可靠性，需要对变量序列进行无量纲化。这里采用均值化法，即对各列数据求平均值，再用各列各值除以各列数据平均值，无量纲化后各因素序列形成如下矩阵：

例如，

代表第1排第1列振动数据无量纲值。

3、求差序列、最大差和最小差

计算矩阵中第一列(参考序列：振动数据无量纲值)与其余各列(比较序列：运行数据无量纲值)对应期的绝对差值，形成如下绝对差值矩阵：

其中，Δ_0i(k)＝|x₀(k)-x_i(k)|，i＝0，1，...，n，k＝1，2，...，N，即第k排第1列振动数据无量纲值与第k排第i列运行数据无量纲值的绝对差值。

绝对差值矩阵中最大数和最小数即为最大差和最小差：

4、计算关联系数

对绝对差值矩阵中数据作如下变换：

得到关联系数矩阵：

式中分辨系数ρ在(0，1)内取值，根据经验，一般取ρ≤0.5为宜，关联系数是不超过1的正数，Δ_0i(k)越小，ξ_0i(k)越大，它反映第i个比较序列X_i与参考序列X₀在第k个期关联程度。

5、计算关联度

比较序列X_i(运行数据)与参考序列X₀(振动数据)的关联程度是通过N个关联系数来反映的，求平均就可得到X_i(运行数据)与X₀(振动数据)的关联度

6、依关联度排序

对各比较序列与参考序列的关联度从大到小排序，关联度越大，说明比较序列与参考序列变化的态势越一致。关联度大的诊断为引起该故障的运行因素，相应推送出运行指导建议。

上述计算过程数据、自动诊断结论、影响因素关联度及运行检修建议，在平台界面实时展示，并存入历史数据库，供后期查询。

图4和图5是以轴瓦自激振动故障为例的反向和正向推理示意图。

由上可知，本发明对输入系统的运行数据和振动数据进行关联度和可信度计算，综合运用正反向混合推理与专家现场诊断规则(知识库)对调相机故障进行诊断。通过实时数字信息的采集、加工处理，实现数据融合，使运行数据和在线振动数据进行有效的结合，可以灵活配置修改故障诊断规则。结合调相机设计的保护定值、故障诊断专家经验和算法模型，对单台调相机进行定制式智能诊断规则配置，从而实现智能预警和处置建议推送。本发明能及时预警和智能诊断故障，可有效降低调相机设备非停次数，预防恶性事故发生，提高设备可靠度，延长设备寿命，为企业和社会带来巨大的经济效益。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种调相机故障诊断方法，其特征在于，包括以下步骤：

步骤1：振动故障的识别：对调相机振动在线状态进行实时监测，获取振动的各征兆数据，用于计算各征兆可信度；根据征兆可信度进一步推导出故障可信度和故障严重程度；当故障严重程度达到警告值时，根据故障可信度高低排序输出故障名称；

步骤2：确定振动故障的原因：对调相机的运行数据、振动数据进行分析处理，计算各运行数据与振动数据之间的关联度，根据关联度排序确定引起该故障的运行因素；具体如下：

步骤2.1：根据调相机的运行数据和振动数据，确定参考序列和比较序列，共同形成变量序列；

步骤2.2：对变量序列进行无量纲化；

步骤2.3：计算变量序列的绝对差值矩阵以及绝对差值矩阵的最大差和最小差；

步骤2.4：对绝对差值矩阵进行变换，得到关联系数矩阵；

步骤2.5：计算比较序列与参考序列的关联度；

步骤2.6：对比较序列与参考序列的关联度从大到小排序，关联度大的运行数据诊断为引起故障的运行因素。

2.如权利要求1所述的一种调相机故障诊断方法，其特征在于：所述步骤1中，征兆用于判断故障各种现象，征兆数据包括转速、振动波形、频谱、倍频幅值和相位，征兆可信度分为瞬时值型条件可信度和变化率型条件可信度，瞬时值型条件是由某一时刻的征兆数据确定的，变化率型条件是由不同时刻的征兆数据确定的。

3.如权利要求1所述的一种调相机故障诊断方法，其特征在于：所述步骤1中，每个故障的诊断规则对应于若干个征兆，故障可信度取征兆可信度中的最小值与诊断规则可信度的乘积：

CF＝CF_r×min(CF_S)

式中，CF为故障可信度，CF_s为征兆可信度，CF_r为诊断规则可信度，由领域专家给定。

4.如权利要求3所述的一种调相机故障诊断方法，其特征在于：所述步骤1中，故障严重程度是故障可信度和故障影响因子乘积：

SF＝CF×IF

式中，SF为故障严重程度，IF为故障影响因子，表示故障对调相机振动的影响程度。

5.如权利要求1所述的一种调相机故障诊断方法，其特征在于：所述步骤2.1中，首先确定一个因变量因素和多个自变量因素，设因变量数据构成参考序列X′₀，各自变量数据构成比较序列X′_i(i＝1,2,...，n)，n+1个变量序列形成如下矩阵：

其中，X′_i＝[x′_i(1),x′_i(2),...，x′_i(N)]^T，i＝0,1,2,...,n，N为变量序列的长度；X′₀代表因变量因素，为振动数据；X′_i(i＝1,2,...，n)代表自变量因素，为运行数据。

6.如权利要求5所述的一种调相机故障诊断方法，其特征在于：所述步骤2.2中，采用均值化法，对矩阵的各列变量序列求平均值，再用各列各值除以各列数据平均值，无量纲化后变量序列形成如下矩阵：

7.如权利要求6所述的一种调相机故障诊断方法，其特征在于：所述步骤2.3中，计算无量纲化后矩阵中参考序列与比较序列对应期的绝对差值，形成如下绝对差值矩阵：

其中，△_0i(k)＝|x₀(k)-x_i(k)|，i＝0,1,...,n，k＝1,2,...,N，即第k排第1列振动数据无量纲值与第k排第i列运行数据无量纲值的绝对差值；

绝对差值矩阵中最大数和最小数即为最大差和最小差：

8.如权利要求7所述的一种调相机故障诊断方法，其特征在于：所述步骤2.4中，对绝对差值矩阵中数据作如下变换：

得到关联系数矩阵：

其中，ρ为分辨系数，在(0,1)内取值，关联系数ξ_0i(k)是不超过1的正数，它反映第i个比较序列X_i与参考序列X₀在第k个期关联程度。

9.如权利要求8所述的一种调相机故障诊断方法，其特征在于：所述步骤2.5中，比较序列X_i与参考序列X₀的关联程度是通过N个关联系数来反映的，求平均得到X_i与X₀的关联度：

Images