CN111289275A - 旋转机械稳定性辨识方法、装置、计算机设备及存储介质 - Google Patents
旋转机械稳定性辨识方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111289275A CN111289275A CN201911413540.1A CN201911413540A CN111289275A CN 111289275 A CN111289275 A CN 111289275A CN 201911413540 A CN201911413540 A CN 201911413540A CN 111289275 A CN111289275 A CN 111289275A
- Authority
- CN
- China
- Prior art keywords
- precession
- singular value
- power spectrum
- stability
- signals
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种旋转机械稳定性辨识方法、装置、计算机设备及存储介质,包括:获取测振平面的复数信号,其中,复数信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振动响应信号的集合;根据复数信号进行功率谱分解以获得功率谱的最大奇异值函数;基于最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号;对时域脉冲衰减信号进行处理以得到稳定性辨识结果。本申请的技术方案可以省去传统方式因安装激振器而改造设备的繁琐,避免改变轴系结构而引入理论测试误差,同时提高辨识精度和辨识效率,实现转子系统工作模态参数的在线辨识和实时监测,可达到失稳故障超前预警的目的。
Description
技术领域
本申请涉及旋转机械技术领域,具体而言,本申请涉及一种旋转机械 稳定性辨识方法、装置、计算机设备及存储介质。
背景技术
旋转动力机械是石化、电力和冶金等行业的关键设备,随着对装置的 功率、压力、流量需求的增加,转子系统的转子稳定性面临极大的挑战, 准确、稳定、便捷地测试旋转动力机械的工作模态参数对验证装置设计能 力、提升装置稳定性运转水平意义重大。通过实时监测旋转动力机械的工 作模态参数,可以提早获取稳定性参数(一阶正进动阻尼比)的变化趋势, 达到失稳故障预警的目的。
目前,主要采用在旋转动力机械转子的非驱动端安装激振器进行人工 激振的方式获取系统的模态参数。但是,这种方式需要改造转子系统结构, 测试十分不方便,并且众多在役机组并不具备安装激振器的条件。也有利 用基于随机子空间法的环境激励工作模态辨识方法来辨识机组的模态参数, 但是正反进动模态混叠严重,且单次辨识所需时间较长,并不能实现在线 实时辨识进行失稳故障的预警。
发明内容
基于以上问题,本申请公开一种转机械稳定性辨识方法、装置、计算 机设备及存储介质,以方便对旋转动力机械的工作模态参数进行在线辨识, 提高辨识精度,可实现失稳故障在线预警。
为实现上述目的,本申请公开一种旋转机械稳定性辨识方法,包括:
获取测振平面的复数信号,其中,所述复数信号为旋转机械工作状态 下多个振动平面分别在多个预设方向上的振动响应信号的集合;
根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数;
基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰 减信号;
对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果。
可选的,所述根据所述复数信号进行功率谱分解以获得功率谱的最大 奇异值函数的方法包括:
计算每个测振平面的复数信号间的自功率谱和互功率谱以组成功率谱 矩阵,实现正、反进动模态分解;
采用奇异值分解法对所述功率谱矩阵进行分解以获得所述功率谱矩阵 在各个频率点下的最大奇异值,形成功率谱的最大奇异值函数。
可选的,所述基于所述最大奇异值函数构造正、反进动模态为主的两 个时域脉冲衰减信号的方法包括:
从所述最大奇异值函数中选取正频率函数,利用傅里叶逆变换方式获 得以正进动模态为主的时域脉冲衰减信号;
从所述最大奇异值函数中选取负频率函数,利用傅里叶逆变换方式获 得以反进动模态为主的时域脉冲衰减信号。
可选的,所述对所述时域脉冲衰减信号进行处理以得到稳定性辨识结 果的方法包括:
采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参数和反 进动模态参数进行辨识并形成稳态图,其中,所述稳态图为根据各个拟合 阶次下的固有频率和阻尼比组合而成的参数分布图;
通过统计聚类算法分别对所述稳态图上的点进行自动聚类;
统计自动聚类后的模态参数的均值作为稳定性辨识结果。
可选的,所述采用反向自回归模型处理时域脉冲衰减信号以对正进动 模态参数和反进动模态参数进行辨识并形成稳态图的方法包括:
基于正进动模态为主的时域脉冲衰减信号,获取转子系统的正进动模 态参数;以及基于反进动模态为主的时域脉冲衰减信号,获取转子系统的 反进动模态参数;
通过反向自回归模型对所述正进动模态参数和反进动模态参数进行拟 合计算以确定各个拟合阶次下的系统特征系数向量,并计算得到各个阶次 的离散模型的特征根;
根据各个阶次的所述离散模型的特征根,计算各个阶次中对应的固有 频率和阻尼比。
可选的,所述通过统计聚类算法分别对所述稳态图上的点进行自动聚 类之前还包括:
剔除不在预设阈值范围内的所述离散模型的特征根。
可选的,基于所述最大奇异值函数构造正、反进动模态为主的两个时 域脉冲衰减信号之前,还包括:
对所述最大奇异值函数上形成的尖峰进行滤波处理。
第二方面,本申请公开一种旋转机械稳定性辨识装置,包括:
获取模块:被配置为执行获取测振平面的复数信号,其中,所述复数 信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振动响 应信号的集合;
分解模块:被配置为执行根据所述复数信号进行功率谱分解以获得功 率谱的最大奇异值函数;
构造模块:被配置为执行基于所述最大奇异值函数构造正、反进动模 态为主的两个时域脉冲衰减信号;
处理模块:被配置为执行对所述时域脉冲衰减信号进行处理以得到稳 定性辨识结果。
可选的,所述分解模块包括:
计算模块:被配置为执行计算每个测振平面的复数信号间的自功率谱 和互功率谱以组成功率谱矩阵,实现正、反进动模态分解;
最大奇异值获取模块:被配置为执行采用奇异值分解法对所述功率谱 矩阵进行分解以获得所述功率谱矩阵在各个频率点下的最大奇异值,形成 功率谱的最大奇异值函数。
可选的,所述构造模块包括:
第一信号构造模块:从所述最大奇异值函数中选取正频率函数,利用 傅里叶逆变换方式获得以正进动模态为主的时域脉冲衰减信号;
第二信号构造模块:从所述最大奇异值函数中选取负频率函数,利用 傅里叶逆变换方式获得以反进动模态为主的时域脉冲衰减信号。
可选的,所述处理模块包括:
图形生成模块:被配置为执行采用反向自回归模型处理时域脉冲衰减 信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图,其中, 所述稳态图为根据各个拟合阶次下的固有频率和阻尼比组合而成的参数分 布图;
自动聚类模块:被配置为执行通过统计聚类算法分别对所述稳态图上 的点进行自动聚类;
结果计算模块:被配置为执行统计自动聚类后的模态参数的均值作为 稳定性辨识结果。
可选的,所述图形生成模块包括:
参数获取模块:被配置为执行基于正进动模态为主的时域脉冲衰减信 号,获取转子系统的正进动模态参数;以及基于反进动模态为主的时域脉 冲衰减信号,获取转子系统的反进动模态参数;
拟合模块:被配置为执行通过反向自回归模型对所述正进动模态参数 和反进动模态参数进行拟合计算以确定各个拟合阶次下的系统特征系数向 量,并计算得到各个阶次的离散模型的特征根;
子参数计算模块:被配置为执行根据各个阶次的所述离散模型的特征 根,计算各个阶次中对应的固有频率和阻尼比。
可选的,还包括:
剔除模块:被配置为执行剔除不在预设阈值范围内的所述离散模型的 特征根。
可选的,还包括:
滤波模块:被配置为执行对所述最大奇异值函数上形成的尖峰进行滤 波处理。
本申请的实施例根据第三个方面,还提供了一种计算机设备,包括存 储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指 令被所述处理器执行时,使得所述处理器执行上述转机械稳定性辨识方法 的步骤。
本申请的实施例根据第四个方面,还提供了一种计算机可读介质,所 述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执 行上述所述转机械稳定性辨识方法的步骤。
本申请实施例的有益效果是:本申请一种旋转机械工作模态参数辨识 方法、装置、计算机设备及存储介质,通过构造测振平面的复数信号的方 式,削弱了转子正反进动模态的混叠,提高了正、反进动模态分别在正、 反进动对应的时域脉冲衰减信号的占比,采用功率谱矩阵奇异值分解的方 式综合了各个通道的信号数据,均有利于提升参数识别的精度;本发明不 需要人为施加激振力,即不需要改造原始机组结构,只需要测量旋转机械工作状态下的振动信号,降低了测试成本;本发明通过利用成熟的功率谱 和快速傅里叶变换计算算法,只需辨识基于最大奇异值函数的单一的时域 脉冲衰减信号,在保证辨识精度的基础上极大地减少了计算量,可实现模 态参数的在线辨识,进而实现失稳故障的早期预警,整个方式可以省去传 统方式因安装激振器而改造设备的繁琐,避免改变轴系结构而引入理论测 试误差,同时提高辨识精度和辨识效率,只需要采集旋转机械在高速运转 状态下横向测振平面的振动信号,即可方便地辨识出工作状态下的模态参 数,实现转子系统工作模态参数的在线辨识和实时监测,可达到失稳故障 超前预警的目的。
附图说明
结合附图并参考以下具体实施方式,本申请各实施例的上述和其他特 征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表 示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照 比例绘制。其中:
图1为本申请一个实施例的旋转机械稳定性辨识方法示意图;
图2为本申请获得功率谱的最大奇异值函数的方法流程示意图;
图3为本申请一实施例中复数信号功率谱矩阵的奇异值函数的幅频曲 线图;
图4为本申请构造正、反进动模态为主的两个时域脉冲衰减信号的方 法示意图;
图5为本申请一实施例正反进动时域脉冲衰减信号曲线图;
图6为本申请一实施例得到稳定性辨识结果的方法流程示意图;
图7为本申请一实施例得到稳定性辨识结果的方法流程示意图;
图8为本申请一实施例三维稳态图示意图;
图9为本申请一实施例正进动衰减信号对应的稳态图数据自动聚类结 果图;
图10为本申请一个实施例的旋转机械稳定性辨识装置模块示意图;
图11为本申请一个实施例的终端设备基本结构框图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本 申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现, 而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了 更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅 用于示例性作用,并非用于限制本申请的保护范围。
应当理解,本申请的方法实施方式中记载的各个步骤可以按照不同的 顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/ 或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。 术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个 实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一 些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中 给出。
需要注意,本申请中提及的“第一”、“第二”等概念仅用于对装置、 模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的 装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能 的顺序或者相互依存关系。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限 制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应 该理解为“一个或多个”。
本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅用 于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本申请可以应用于国防和工业系统中,对旋转机械的转子系统工作状 态下的模态参数进行测试和监测,以便定量评估机组转子动力学稳定性的 设计水平,以及跟踪转子系统一阶正反进动模态参数的变化,以达到失稳 故障预警的目的。
下面详细描述本申请的实施例,请参阅图1,本发明公开一种旋转机 械稳定性辨识方法,包括:
S1000、获取测振平面的复数信号,其中,所述复数信号为旋转机械工 作状态下多个振动平面分别在多个预设方向上的振动响应信号的集合;
在旋转机械结构中具有多个测振平面,复数信号为旋转机械结构中在 工作状态下对应的振动平面在预设方向上的振动响应信号的集合,在以实 施例中,预设方向为两个正交振动探头的运动方向,复数信号则为每个振 动平面上的正交振动探头所探测到的振动位移复数信号,具体的,该复数 信号的表达式为:
r(t)=x(t)+jy(t)
其中,x(t)是x方向的振动位移信号,y(t)是y方向的振动位移信号, 并且x(t)信号探头要比y(t)信号探头超前90度位置进行安装。
在特殊情况下,如果探头非90夹角安装,可在测振面构建任意直角坐 标进行正交分解,获得正交状态下的x(t)和y(t)信号,再进行复数信号的构 造,这样通过构造复数信号,复数信号的功率谱的正负频率轴的所含的正 反进动模态成分尽可能地分解,也即是正频率轴的幅频特性主要是由正进 动模态贡献的;类似地,负频率轴的幅频特性主要是由反进动模态贡献的。 这样就可以降低正反进动模态混叠,提高待辨识信号的信噪比。
S2000、根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值 函数;
构造了各测振平面的复数信号之后,还需要通过该复数信号获得最大 奇异值函数,最大奇异值函数为通过功率谱矩阵分解得到的最大奇异值集 合的表达函数,具体的,请参阅图2,所述根据所述复数信号进行功率谱 分解以获得功率谱的最大奇异值函数的方法包括:
S2100、计算每个测振平面的复数信号间的自功率谱和互功率谱以组成 功率谱矩阵,实现正、反进动模态分解;
当获取了各个测振平面的复数信号之后,根据这些复数信号构造功率 谱矩阵。具体地,当有有n个测振面时(n≥1),获得复数信号r1(t),r2(t),…, rn(t),所构造的功率谱矩阵为:
其中,psd表示自功率谱函数,cpsd表示互功率谱函数,并有如下定义:
式中,r(t)的自功率谱为r(t)的自相关函数的傅里叶变换,r1(t)和r2(t) 的互功率谱为r1(t)和r2(t)的互相关函数的傅里叶变换。针对计算机采集的 离散信号可以用以下表达式进行估计:
这样,通过构造所有测振平面的复数信号组成的功率矩阵,就综合了 所有测点的振动信息,且在正负频率半轴实现了正反进动模态成分的分解。
S2200、采用奇异值分解法对所述功率谱矩阵进行分解以获得所述功率 谱矩阵在各个频率点下的最大奇异值,形成功率谱的最大奇异值函数。
采用功率矩阵的奇异值分解(Singular value decomposition,SVD)方法 则可获取功率谱矩阵G(jω)在各个频率点下的最大奇异值,形成功率谱的最 大奇异值函数S(jω)。
通过奇异值分解,功率谱矩阵G(jω)可以分解为:
G(jω)=USVT
式中,S为对角矩阵S=diag{S1(ω)S2(ω)…Sn(ω)},且对角矩阵元素 的幅值满足|S1(ω)|≥|S2(ω)|≥…≥|Sn(ω)|,U和V为酉矩阵。
该步骤中,当获取到所述的功率谱的最大奇异值函数后,就可以构造 脉冲时域衰减信号,供分析装置后续进行模态参数辨识。构造最大奇异值 函数的主要目的是利用奇异值分解的特性提取所有测振点信号中的主要模 态信息,达到增加信噪比的目的。
在一实施例中,以一般旋转机械为例,横向振动的测振平面布置在两 个轴承的支承点附近,即存在两个测振截面,所述分析装置在此给定的测 量工况下,如以所述矩阵的奇异值分解方法获取功率谱矩阵在各个频率点 下的奇异值,形成功率谱的奇异值函数,如图3所示。在图3中,±133.3Hz 处的谐振频率(图3中标记为+1x和-1x)反映的是工作转速8000转/分对应的 频率。由于测振平面个数为2,所以功率谱矩阵在每个频率点的维度为2×2,进而奇异值分解后的获得的奇异值函数有两个S1(jω)和S2(jω),其中 S1(jω)的幅值要大于S2(jω),这里选取的是最大奇异值函数S1(jω)来构造后续 所需的时域脉冲衰减响应信号。从图3中的最大奇异值函数S1(jω)曲线可以 看出正负频率的幅频特性曲线反映了一阶正反进动模态信息,其中正频率 88Hz附近的峰比-88Hz附近的峰要陡峭,主要原因就是一阶正进动的阻尼 比比一阶反进动的阻尼比要小,所以幅频特性更加陡峭一些。
特殊地,针对只有单一测振平面的旋转机械的情况,该测振平面的复 数信号的自功率谱函数即视为最大奇异值函数。
S3000、基于所述最大奇异值函数构造正、反进动模态为主的两个时域 脉冲衰减信号;
在一实施例中,请参阅图4,所述基于所述最大奇异值函数构造正、 反进动模态为主的两个时域脉冲衰减信号的方法包括:
S3100、从所述最大奇异值函数中选取正频率函数,利用傅里叶逆变换 方式获得以正进动模态为主的时域脉冲衰减信号;
S3200、从所述最大奇异值函数中选取负频率函数,利用傅里叶逆变换 方式获得以反进动模态为主的时域脉冲衰减信号。
构造功率谱的最大奇异值函数S(jω)之后,可以进一步计算,从而获得 时域脉冲衰减信号以实现模态参数辨识。
具体地,基于所述的最大奇异值函数的正频率函数S(jω),ω>0,构造以 正进动为主的时域脉冲衰减信号sF(t)。基于所述的最大奇异值函数的负频 率函数S(jω),ω<0,构造以反进动为主的时域脉冲衰减信号sB(t)。
其中,构造正进动为主时域信号的方法是将S(jω)的负频率部分用正频 率的共轭替换,再利用傅里叶逆变换获得时域脉冲衰减信号。构造反进动 为主时域信号的方法是将S(jω)的正频率部分用负频率的共轭表示,再利用 傅里叶逆变换获得时域脉冲衰减信号。具体表达式如下:
式中,S*(jω)表示S(jω)的共轭复数。
举例来讲,针对图3所示的最大奇异值函数S1(jω),将其中转速频率± 133.3Hz的尖峰予以剔除,然后将正频率函数S1(jω),ω>0和负频率函数 S1(jω),ω<0进行傅里叶逆变换,然后进行最大幅值归一化处理,即可获得图 5所示的正、反进动功率谱奇异值函数对应的时域脉冲衰减信号。可以看 出,反进动对应的时域脉冲衰减信号的衰减速度要明显大于正进动的。这 也充分体现了采用构造复数信号处理的优点,即在正负频率轴上削弱了正 反进动模态的叠加,使得正频率部分以正进动模态为主,负频率以反进动 模态为主,最终获得的正反进动时域衰脉冲减信号的模态混叠不明显,可 单独用来辨识正进动或反进动的参数,并提高辨识的精度。
S4000、对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果。
在获得分别以正、反进动模态为主的两个时域脉冲衰减信号sF(t)和 sB(t)之后,对两个时域信号进行反向自回归拟合方法进行分别辨识,分别 获得正进动和反进动衰减信号在各个拟合阶次p下的模态参数并形成稳态 图。请参阅图6,在一实施例中,所述对所述时域脉冲衰减信号进行处理 以得到稳定性辨识结果的方法包括:
S4100、采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参 数和反进动模态参数进行辨识并形成稳态图,其中,所述稳态图为根据各 个拟合阶次下的固有频率和阻尼比组合而成的参数分布图;
采用反向自回归拟合的主要优点在于,该方法获得物理极点分布在z 域(离散域)的单位圆之外,可以剔除噪声引入的绝大多数虚假模态,使 得稳态图很清晰。因此,在一实施例中,所述通过统计聚类算法分别对所 述稳态图上的点进行自动聚类之前还包括:剔除不在预设阈值范围内的所 述离散模型的特征根。
请参阅图7,所述采用反向自回归模型处理时域脉冲衰减信号以对正 进动模态参数和反进动模态参数进行辨识并形成稳态图的方法包括:
S4110、基于正进动模态为主的时域脉冲衰减信号,获取转子系统的正 进动模态参数;以及基于反进动模态为主的时域脉冲衰减信号,获取转子 系统的反进动模态参数;
S4120、通过反向自回归模型对所述正进动模态参数和反进动模态参数 进行拟合计算以确定各个拟合阶次下的系统特征系数向量,并计算得到各 个阶次的离散模型的特征根;
S4130、根据各个阶次的所述离散模型的特征根,计算各个阶次中对应 的固有频率和阻尼比。
具体地,采用单输入输出的反向自回归模型:
其中,s为待辨识的衰减信号,n为信号序列,p为系统阶次,bi为系 统特征参数,w为白噪声信号,采样间隔为Δt。
信号s的序列为0,1,2,…,N-1,反向自回归模型构建线性方程组
Ab=-s+w
基于所述线性方程组,确定指定拟合阶次p下的系统特征系数向量 b=(b1,b2,…,bn),即可获得模型的参数向量b参数估计:
基于所述特征系数向量b=(b1,b2,…,bn),构造以下公式求解离散模型的 特征值根:
其中,B为系统的特征方程,z为离散变换因子。
基于所述特征方程,求得离散系统各阶特征根,对应连续系统的各阶 特征根则满足:
λi=ln(zi)/△t
进而,可以计算获得系统的固有频率f与阻尼比ξ:
fi=|λi|
ξi=-Re(λi)/|λi|
通过计算不同阶次p下的模态参数,绘制稳态图。值得注意的是,拟 合阶次满足p≤[N/2],[·]表示向下取整,并且p为偶数。因为物理模态具 有一对共轭的复数特征根,所以拟合阶次选为偶数。
具体地,该步骤所述的稳态图是指在各个拟合阶次p下获得模态参数 的分布情况,是以固有频率f为x轴,阻尼比ξ为y轴,拟合阶次为z轴 的三维稳态图。
举例来讲,以图3中的正进动时域衰减信号为信号源,采用以上步骤 所获得的三维稳态图如图8所示。
S4200、通过统计聚类算法分别对所述稳态图上的点进行自动聚类;
在获得基于所述正反进动时域脉冲衰减信号sF(t)和sB(t)处理得到的稳 态图之后,进一步剔除异常点,即不稳定极点。采用自动统计聚类算法可 以剔除异常值和规避人为处理导致结果差异的问题,也便于自动监测显示。
具体的,利用以下统计聚类公式分别对正反模态参数的稳态图上的点 进行自动聚类:
式中,f为固有频率,ξ为阻尼比,σ为方差,上标“-”表示均值。
S4300、统计自动聚类后的模态参数的均值作为稳定性辨识结果。
通过反复迭代,可以剔除异常值,确保所有辨识结果均满足上述聚类 公式,即剔除不在标准差椭圆内的模态参数。最终,统计均值作为模 态参数的估计值。其中,使用正进动稳态图数据获的参数估计值是采用反进动稳态图数据获的参数估计值是
在一实施例中,基于所述最大奇异值函数构造正、反进动模态为主的 两个时域脉冲衰减信号之前,还包括:对所述最大奇异值函数上形成的尖 峰进行滤波处理。对最大奇异值函数曲线上转速频率及其倍频成分形成的 尖峰,进行滤波处理;对最大奇异值函数曲线上其他谐振频率(如电流干 扰频率等)形成的尖峰,进行滤波处理,以提高计算的精确度。
本发明实施例公开的旋转机械工作模态参数辨识方法,构造测振平面 的复数信号;利用奇异值分解处理复数信号功率谱矩阵,构造最大奇异值 函数;利用奇异值函数的正负频率数据分别构造以正进动和反进动为主的 时域脉冲信号;采用反向自回归方式辨识模态参数,形成模态参数三维稳 态图;采用自动统计聚类算法,获取正反进动模态参数的统计估计值。
与现有技术中的旋转机械工作模态参数辨识方法相比,本发明不需要 人为施加激振力,即不需要改造原始机组结构,只需要测量旋转机械工作 状态下的振动信号,降低了测试成本。本发明通过构造测振平面的复数信 号的方式,削弱了转子正反进动模态的混叠,提高了正、反进动模态分别 在正、反进动对应的时域脉冲衰减信号的占比,采用功率谱矩阵奇异值分 解的方式综合了各个通道的信号数据,均有利于提升参数识别的精度。传统基于随机子空间法的工作模态参数方法,所需构造矩阵规模较大,所需 计算时间较长,不能满足在线监测的需求,相比于此,本发明通过利用成 熟的功率谱和快速傅里叶变换计算算法,只需辨识基于最大奇异值函数的 单一的时域脉冲衰减信号,在保证辨识精度的基础上极大地减少了计算量, 可实现模态参数的在线辨识,进而实现失稳故障的早期预警。
本申请还公开一种旋转机械稳定性辨识装置,请参阅图10,包括:
获取模块1000:被配置为执行获取测振平面的复数信号,其中,所述 复数信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振 动响应信号的集合;
分解模块2000:被配置为执行根据所述复数信号进行功率谱分解以获 得功率谱的最大奇异值函数;
构造模块3000:被配置为执行基于所述最大奇异值函数构造正、反进 动模态为主的两个时域脉冲衰减信号;
处理模块4000:被配置为执行对所述时域脉冲衰减信号进行处理以得 到稳定性辨识结果。
可选的,所述分解模块包括:
计算模块:被配置为执行计算每个测振平面的复数信号间的自功率谱 和互功率谱以组成功率谱矩阵,实现正、反进动模态分解;
最大奇异值获取模块:被配置为执行采用奇异值分解法对所述功率谱 矩阵进行分解以获得所述功率谱矩阵在各个频率点下的最大奇异值,形成 功率谱的最大奇异值函数。
可选的,所述构造模块包括:
第一信号构造模块:从所述最大奇异值函数中选取正频率函数,利用 傅里叶逆变换方式获得以正进动模态为主的时域脉冲衰减信号;
第二信号构造模块:从所述最大奇异值函数中选取负频率函数,利用 傅里叶逆变换方式获得以反进动模态为主的时域脉冲衰减信号。
可选的,所述处理模块包括:
图形生成模块:被配置为执行采用反向自回归模型处理时域脉冲衰减 信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图,其中, 所述稳态图为根据各个拟合阶次下的固有频率和阻尼比组合而成的参数分 布图;
自动聚类模块:被配置为执行通过统计聚类算法分别对所述稳态图上 的点进行自动聚类;
结果计算模块:被配置为执行统计自动聚类后的模态参数的均值作为 稳定性辨识结果。
可选的,所述图形生成模块包括:
参数获取模块:被配置为执行基于正进动模态为主的时域脉冲衰减信 号,获取转子系统的正进动模态参数;以及基于反进动模态为主的时域脉 冲衰减信号,获取转子系统的反进动模态参数;
拟合模块:被配置为执行通过反向自回归模型对所述正进动模态参数 和反进动模态参数进行拟合计算以确定各个拟合阶次下的系统特征系数向 量,并计算得到各个阶次的离散模型的特征根;
子参数计算模块:被配置为执行根据各个阶次的所述离散模型的特征 根,计算各个阶次中对应的固有频率和阻尼比。
可选的,还包括:
剔除模块:被配置为执行剔除不在预设阈值范围内的所述离散模型的 特征根。
可选的,还包括:
滤波模块:被配置为执行对所述最大奇异值函数上形成的尖峰进行滤 波处理。
上述公开的旋转机械稳定性辨识装置是实现选择机械稳定性辨识方法 一一对应的装置结构,其工作原理一致,本说明书中不再赘述。
本发明实施例提供计算机设备基本结构框图请参阅图11。
该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、 存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作 系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计 算机可读指令被处理器执行时,可使得处理器实现一种旋转机械稳定性辨 识方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算 机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种旋转机械稳定性辨 识方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员 可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框 图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计 算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或 者具有不同的部件布置。
计算机设备通过接收关联的客户端发送的提示行为的状态信息,即关 联终端是否开启提示以及贷款人是否关闭该提示任务。通过验证上述任务 条件是否达成,进而向关联终端发送对应的预设指令,以使关联终端能够 根据该预设指令执行相应的操作,从而实现了对关联终端的有效监管。同 时,在提示信息状态与预设的状态指令不相同时,服务器端控制关联终端 持续进行响铃,以防止关联终端的提示任务在执行一段时间后自动终止的 问题。
本发明还提供一种存储有计算机可读指令的存储介质,所述计算机可 读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一 实施例所述旋转机械稳定性辨识方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流 程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存 储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法 的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆 体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体 (Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次 显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文 中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他 的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步 骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成, 而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地 执行。
以上所述仅是本发明的部分实施方式,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的前提下,还可以做出若干改进 和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种旋转机械稳定性辨识方法,其特征在于,包括:
获取测振平面的复数信号,其中,所述复数信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振动响应信号的集合;
根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数;
基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号;
对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果。
2.根据权利要求1所述的旋转机械稳定性辨识方法,其特征在于,所述根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数的方法包括:
计算每个测振平面的复数信号间的自功率谱和互功率谱以组成功率谱矩阵,实现正、反进动模态分解;
采用奇异值分解法对所述功率谱矩阵进行分解以获得所述功率谱矩阵在各个频率点下的最大奇异值,形成功率谱的最大奇异值函数。
3.根据权利要求2所述的旋转机械稳定性辨识方法,其特征在于,所述基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号的方法包括:
从所述最大奇异值函数中选取正频率函数,利用傅里叶逆变换方式获得以正进动模态为主的时域脉冲衰减信号;
从所述最大奇异值函数中选取负频率函数,利用傅里叶逆变换方式获得以反进动模态为主的时域脉冲衰减信号。
4.根据权利要求3所述的旋转机械稳定性辨识方法,其特征在于,所述对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果的方法包括:
采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图,其中,所述稳态图为根据各个拟合阶次下的固有频率和阻尼比组合而成的参数分布图;
通过统计聚类算法分别对所述稳态图上的点进行自动聚类;
统计自动聚类后的模态参数的均值作为稳定性辨识结果。
5.根据权利要求4所述的旋转机械稳定性辨识方法,其特征在于,所述采用反向自回归模型处理时域脉冲衰减信号以对正进动模态参数和反进动模态参数进行辨识并形成稳态图的方法包括:
基于正进动模态为主的时域脉冲衰减信号,获取转子系统的正进动模态参数;以及基于反进动模态为主的时域脉冲衰减信号,获取转子系统的反进动模态参数;
通过反向自回归模型对所述正进动模态参数和反进动模态参数进行拟合计算以确定各个拟合阶次下的系统特征系数向量,并计算得到各个阶次的离散模型的特征根;
根据各个阶次的所述离散模型的特征根,计算各个阶次中对应的固有频率和阻尼比。
6.根据权利要求5所述的旋转机械稳定性辨识方法,其特征在于,所述通过统计聚类算法分别对所述稳态图上的点进行自动聚类之前还包括:
剔除不在预设阈值范围内的所述离散模型的特征根。
7.根据权利要求1所述的旋转机械稳定性辨识方法,其特征在于,基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号之前,还包括:
对所述最大奇异值函数上形成的尖峰进行滤波处理。
8.一种旋转机械稳定性辨识装置,其特征在于,包括:
获取模块:被配置为执行获取测振平面的复数信号,其中,所述复数信号为旋转机械工作状态下多个振动平面分别在多个预设方向上的振动响应信号的集合;
分解模块:被配置为执行根据所述复数信号进行功率谱分解以获得功率谱的最大奇异值函数;
构造模块:被配置为执行基于所述最大奇异值函数构造正、反进动模态为主的两个时域脉冲衰减信号;
处理模块:被配置为执行对所述时域脉冲衰减信号进行处理以得到稳定性辨识结果。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述的旋转机械稳定性辨识方法的步骤。
10.一种计算机可读介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述的旋转机械稳定性辨识方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413540.1A CN111289275B (zh) | 2019-12-31 | 2019-12-31 | 旋转机械稳定性辨识方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413540.1A CN111289275B (zh) | 2019-12-31 | 2019-12-31 | 旋转机械稳定性辨识方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111289275A true CN111289275A (zh) | 2020-06-16 |
CN111289275B CN111289275B (zh) | 2021-06-01 |
Family
ID=71023138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911413540.1A Active CN111289275B (zh) | 2019-12-31 | 2019-12-31 | 旋转机械稳定性辨识方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111289275B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354170A (zh) * | 2022-01-07 | 2022-04-15 | 大连理工大学 | 一种基于未知脉冲激励响应的结构阻尼比识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61218927A (ja) * | 1985-03-26 | 1986-09-29 | Fuji Electric Co Ltd | 回転機械の異常診断装置 |
CN101183241A (zh) * | 2007-12-17 | 2008-05-21 | 北京航空航天大学 | 一种设计磁悬浮高速转子系统进动交叉参数的方法 |
CN102169046A (zh) * | 2010-12-22 | 2011-08-31 | 北京航空航天大学 | 一种磁悬浮机电设备弹性模态在线测试系统 |
CN106338385A (zh) * | 2016-08-25 | 2017-01-18 | 东南大学 | 一种基于奇异谱分解的旋转机械故障诊断方法 |
CN107167306A (zh) * | 2017-05-27 | 2017-09-15 | 南京航空航天大学 | 基于阶次提取的旋转机械转子运行状态模态分析方法 |
CN108051189A (zh) * | 2017-11-20 | 2018-05-18 | 郑州工程技术学院 | 一种旋转机械故障特征提取方法及装置 |
-
2019
- 2019-12-31 CN CN201911413540.1A patent/CN111289275B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61218927A (ja) * | 1985-03-26 | 1986-09-29 | Fuji Electric Co Ltd | 回転機械の異常診断装置 |
CN101183241A (zh) * | 2007-12-17 | 2008-05-21 | 北京航空航天大学 | 一种设计磁悬浮高速转子系统进动交叉参数的方法 |
CN102169046A (zh) * | 2010-12-22 | 2011-08-31 | 北京航空航天大学 | 一种磁悬浮机电设备弹性模态在线测试系统 |
CN106338385A (zh) * | 2016-08-25 | 2017-01-18 | 东南大学 | 一种基于奇异谱分解的旋转机械故障诊断方法 |
CN107167306A (zh) * | 2017-05-27 | 2017-09-15 | 南京航空航天大学 | 基于阶次提取的旋转机械转子运行状态模态分析方法 |
CN108051189A (zh) * | 2017-11-20 | 2018-05-18 | 郑州工程技术学院 | 一种旋转机械故障特征提取方法及装置 |
Non-Patent Citations (3)
Title |
---|
JIALI YANG ET AL: "Backward-Auto-Regressive Model Based Rotor-bearing System Stability Prediction", 《MECHATRONICS AND INFORMATION TECHNOLOGY》 * |
QIHANG LI ET AL: "Damping ratio identification in rotordynamic system with inverse directional Fourier transform, multiple-tests-multiple-outputs and clustering techniques", 《INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES》 * |
李启行等: "环境激励下的旋转机械工作模态参数辨识", 《机械工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354170A (zh) * | 2022-01-07 | 2022-04-15 | 大连理工大学 | 一种基于未知脉冲激励响应的结构阻尼比识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111289275B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Batel | Operational modal analysis-another way of doing modal testing | |
EP2870450B1 (en) | Method for determining modal parameters | |
Ghahremani et al. | Dynamic state estimation in power system by applying the extended Kalman filter with unknown inputs to phasor measurements | |
Lin et al. | Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection | |
CN107357977B (zh) | 基于二阶盲辨识的线性结构工作模态参数识别方法及装置 | |
EP2993779A1 (en) | System and method for a load anticipation feature and its tuning method for a generating set | |
CN112798280A (zh) | 一种滚动轴承故障诊断方法及系统 | |
Salhi et al. | Modal parameter identification of mistuned bladed disks using tip timing data | |
CN103618492A (zh) | 一种基于时频变换的同步发电机参数辨识方法 | |
US20140222352A1 (en) | Condition Monitoring Of An Industrial Robot | |
CN111289275B (zh) | 旋转机械稳定性辨识方法、装置、计算机设备及存储介质 | |
CN107454925A (zh) | 用于确定风能设备的剩余使用寿命的方法 | |
Rjabtšikov et al. | Digital twin service unit for AC motor stator inter-turn short circuit fault detection | |
CN117474197A (zh) | 一种基于机电响应特征的系统区域惯量评估方法 | |
Boboń et al. | Computer-aided determining of parameters of generating unit models based on measurement tests | |
Goroshko et al. | Statistical methods for providing the stability of the solutions of inverse problems and their application to decrease rotor vibroactivity | |
CN112671307B (zh) | 一种表贴式永磁同步电机退磁程度评价方法及装置 | |
CN109950903A (zh) | 一种计及噪声统计特性未知的动态状态估计方法 | |
EP3385804A1 (en) | Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium | |
Aditiya et al. | Fault diagnosis system of rotating machines using Hidden Markov Model (HMM) | |
CN103279641A (zh) | 对除发电机外复杂电力系统进行多模态动态等值的方法 | |
CN113239608B (zh) | 浮式风电结构非线性效应评估方法 | |
KR20170084535A (ko) | 회전체 시스템의 축 토크 관측 장치 및 그 방법 | |
CN108399385B (zh) | 一种风力发电机组振动监测信号降噪方法 | |
Dai et al. | Multi-batch OBMA technique for large structures under rotational excitation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |