CN112417622A - 机组机械振动的评估方法、系统、计算机设备和存储介质 - Google Patents
机组机械振动的评估方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112417622A CN112417622A CN202011406620.7A CN202011406620A CN112417622A CN 112417622 A CN112417622 A CN 112417622A CN 202011406620 A CN202011406620 A CN 202011406620A CN 112417622 A CN112417622 A CN 112417622A
- Authority
- CN
- China
- Prior art keywords
- mechanical vibration
- unit
- sample
- state
- vibration
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请涉及一种机组机械振动的评估方法、系统、计算机设备和存储介质。该方法包括：获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。该方法通过实时电机振动数据的采集并处理后，可以快速的对电机在运行过程中的振动情况进行评估，从而获取电机的运行状态；此外，通过电机运行数据的挖掘和处理，显著提供了电机运行状态的评估效率，节约了电机维护的成本。
Description
技术领域
本申请涉及电力设备技术领域，特别是涉及一种机组机械振动的评估方法、系统、计算机设备和存储介质。
背景技术
机组在运行过程中由于摩擦、部件松动及疲劳等原因导致其机械振动状态发生退化，影响机组的安全稳定运行。
传统的机组机械振动状态分析方法采用离线变转速试验的方式，通过观察振动幅值及其随转速变化趋势判断机械振动状态。然而离线试验不仅需要特定的试验条件，不具备频繁进行的可行性，并且耗费大量的物力、人力和财力，而且不能实时跟踪机组长期运行下机械振动状态变化趋势。从目前研究现状来看，大部分关于电机机械振动的评估是基于传统模式识别实现机组故障诊断的思路，针对机组开机动态过程的稳定性特征提取方法还需进一步结合机组实际情况进行改进，并且需要缺乏对开机动态过程数据深入挖掘以评价机械振动整体状态的方法。
发明内容
基于此，有必要针对上述技术问题，提供一种机组机械振动的评估方法、系统、计算机设备和存储介质。
第一方面，本发明实施例提供了一种机组机械振动的评估方法，包括以下步骤：
获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；
利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；
获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；
对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
进一步的，所述获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征，包括：
将机组在转速变化的过程划分为时段区间，计算所述时段区间内所述机械振动数据的最大值与最小值差值，得到所述机械振动峰峰值；
计算所述机械振动峰峰值平均值，并利用置信度剔除所述机械振动峰峰值中不可信数据；
提取剔除后的所述机械振动峰峰值作为所述振动幅值特征。
进一步的，所述获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离，包括：
利用所述机组大修后初期数据获得的机械振动状态数据作为健康样本；
对所述机组的起点转速和终点转速进行调节，将所述健康样本和所述状态样本的转速进行统一处理；
根据平均欧氏距离计算公式，获得所述健康样本与所述状态样本的平均欧氏距离。
进一步的，所述对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动，包括：
基于机械振动升转速过程的平均能量，将所述平均欧氏距离归一化处理；
根据归一化后的平均欧氏距离，获取各次开机过程中基于单元峰峰值数据挖掘机械振动的状态指标；
描绘所述状态指标和所述机组运行日期的状态关系图，利用所述状态关系图的变化趋势评估所述机组机械振动。
另一方面，本发明实施例还提供了一种机组机械振动的评估系统，包括：
样本获取模块，用于获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；
样本构建模块，用于利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；
数据处理模块，用于获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；
振动评估模块，用于对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
进一步的，所述样本获取模块包括数据采集单元，所述数据采集单元用于：
将机组在转速变化的过程划分为时段区间，计算所述时段区间内所述机械振动数据的最大值与最小值差值，得到所述机械振动峰峰值；
计算所述机械振动峰峰值平均值，并利用置信度剔除所述机械振动峰峰值中不可信数据；
提取剔除后的所述机械振动峰峰值作为所述振动幅值特征。
进一步的，所述数据处理模块包括样本计算单元，所述样本计算单元用于：
利用所述机组大修后初期数据获得的机械振动状态数据作为健康样本；
对所述机组的起点转速和终点转速进行调节，将所述健康样本和所述状态样本的转速进行统一处理；
根据平均欧氏距离计算公式，获得所述健康样本与所述状态样本的平均欧氏距离。
进一步的，所述振动评估模块包括量化评估单元，所述量化评估单元用于：
基于机械振动升转速过程的平均能量，将所述平均欧氏距离归一化处理；
根据归一化后的平均欧氏距离，获取各次开机过程中基于单元峰峰值数据挖掘机械振动的状态指标；
描绘所述状态指标和所述机组运行日期的状态关系图，利用所述状态关系图的变化趋势评估所述机组机械振动。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；
利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；
获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；
对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；
利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；
获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；
对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
本申请的有益效果是：本发明实施例公开了一种机组机械振动的评估方法、系统、计算机设备和存储介质。其中，在进行评估的过程中，首先获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；然后利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；最后对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。该方法通过实时电机振动数据的采集并处理后，可以快速的对电机在运行过程中的振动情况进行评估，从而获取电机的运行状态，确定电机的故障信息。此外，通过电机运行数据的挖掘和处理，显著提供了电机运行状态的评估效率，节约了电机维护的成本。
附图说明
图1为一个实施例中机组机械振动的评估方法的流程示意图；
图2为一个实施例中振动幅值特征提取的流程示意图；
图3为一个实施例中状态样本和健康样本距离计算的流程示意图；
图4为一个实施例中通过状态指标评估机械振动的流程示意图；
图5为一个实施例中机组机械振动的评估系统的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
随着机组状态检修的需求和发展，电站往往希望实时掌握机组稳定性状态及长期运行下稳定性状态变化趋势，因此建立机组机械振动状态评估模型，实现对其振动状态变化趋势实时跟踪评估及预警，对及早发现机组潜在机械故障，消除事故隐患，保障机组运行安全稳定性，以及推进机组状态检修等都具有重要的意义。
在一个实施例中，如图1所示，提供了一种机组机械振动的评估方法，包括以下步骤：
步骤101，获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；
步骤102，利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；
步骤103，获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；
步骤104，对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
具体地，机组从结构上看由不同类型的部件构成，包括固定部件、支撑部件及转动部件，其中任一部件存在问题都可能引发机械方面振动。机械振动代表的频率成分主要为转频及其谐波倍频。轴线不正引起的振动对转速不敏感，初始振动较大，而质量不平衡故障引起的振动则会随转速的增大而增大。在机组振动表现方面，健康状态下机组振动参数总是体现相近的表征，各个频率成分的幅值基本保持不变，当一些机械方面因素发生退化时，相应振动频率成分的能量值会有所增加，或在频谱中有新的频率成分产生。由此可知机械振动状态的退化，总体上体现在稳定性参数峰峰值的变化，细节上体现在稳定性参数频率成分能量上的变化。
本实施例基于电机开机升转速动态过程的机械振动特征来实现对电机运行状态评估，首先完成电机机械振动特征的提取及样本构建，然后将采集的该评估样本和健康样本进行处理计算，计算健康样本与所述状态样本的平均欧氏距离，得到机械振动的状态指标，然后利用状态指标完成对机械振动的状态评估，该方法通过实时电机振动数据的采集并处理后，可以快速的对电机在运行过程中的振动情况进行评估，从而获取电机的运行状态，确定电机的故障信息。此外，通过电机运行数据的挖掘和处理，显著提供了电机运行状态的评估效率，节约了电机维护的成本。
在一个实施例中，如图2所示，在电机转速变化过程中振动幅值特征的提取包括：
步骤201，将机组在转速变化的过程划分为时段区间，计算所述时段区间内所述机械振动数据的最大值与最小值差值，得到所述机械振动峰峰值；
步骤202，计算所述机械振动峰峰值平均值，并利用置信度剔除所述机械振动峰峰值中不可信数据；
步骤203，提取剔除后的所述机械振动峰峰值作为所述振动幅值特征。
具体地，机组转速的大小影响其大部分机械振动幅值的大小，当机组转速发生变化时，机械振动信号的波形也随之变化。在开机升转速过程前期机组没有带励磁，在机组稳定性表现上可认为主要是机械方面因素的作用，为机械振动体现最为明显的工况。因此基于此过程状态监测数据分析挖掘可以获得机组在不同转速下机械振动状态表征信息。另外想要建立在线的机械振动状态实时评估模型，基于开机升转速动态过程获取机械振动稳定性特征也是唯一的途径。为开机升转速动态过程中采用等角度间隔连续采样方式获得的机组主轴径向振动波形图，根据振动波形图并针对水电机组开机升转速动态过程快速的特点，提取振动峰峰值变化趋势特征，在相关标准及规程推荐峰峰值算法基础上，首先计算所述时段区间内所述机械振动数据的最大值与最小值差值，得到所述机械振动峰峰值；然后对开机升转速过程的“97％置信度区间平移峰峰值”进行计算；最后，提取剔除后的所述机械振动峰峰值作为所述振动幅值特征。
在一个实施例中，如图3所示，对电机振动的状态样本和健康样本距离计算包括：
步骤301，利用所述机组大修后初期数据获得的机械振动状态数据作为健康样本；
步骤302，对所述机组的起点转速和终点转速进行调节，将所述健康样本和所述状态样本的转速进行统一处理；
步骤303，根据平均欧氏距离计算公式，获得所述健康样本与所述状态样本的平均欧氏距离。
具体地，基于单元峰峰值变化趋势数据挖掘的水电机组机械振动状态评估方法中，由于特征参数只有峰峰值，不存在量纲差异对评估结果引起较大影响的问题，因此直接计算机械振动健康样本与实时监测样本的平均欧氏距离，基于机械振动升转速过程平均能量，将得到的机械振动状态监测样本与健康样本的平均欧氏距离值归一化处理，得到开机过程基于单元峰峰值数据挖掘的机械振动状态指标值。
在一个实施例中，如图4所示，通过状态指标评估机械振动的过程包括：
步骤401，基于机械振动升转速过程的平均能量，将所述平均欧氏距离归一化处理；
步骤402，根据归一化后的平均欧氏距离，获取各次开机过程中基于单元峰峰值数据挖掘机械振动的状态指标；
步骤403，描绘所述状态指标和所述机组运行日期的状态关系图，利用所述状态关系图的变化趋势评估所述机组机械振动。
具体地，水电机组稳定性在健康状态下其稳定性参数总是体现相同的特征，机械方面因素退化总体上体现在稳定性参数峰峰值的变化，细节上体现在稳定性参数频率成分能量上的变化。由此在获得水电机组机械振动总体幅值及特征频率能量占比趋势样本基础上，将数据挖掘中距离判断理论引入水电机组机械振动状态评估研究，基于计算机械振动状态健康样本与监测样本的距离来度量样本的相似度，由此实现对水电机组机械振动状态的定量评估，并建立水电机组机械振动状态归一化评估指标，也就是状态指标，状态监测样本与健康样本距离越小，状态指标越小，说明机组当前机械振动状态越好，反之说明机组稳定性状态发生退化，甚至故障。这样不仅可实现对水电机组机械振动状态定量评估，也可实现对机械振动状态分级评价。通过描绘所述状态指标和所述机组运行日期的状态关系图，利用所述状态关系图的变化趋势评估所述机组机械振动。
应该理解的是，虽然上述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，这些步骤可以以其它的顺序执行。而且，上述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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。
在一个实施例中，如图5所示，提供了一种机组机械振动的评估系统，包括：样本获取模块501、样本构建模块502、数据处理模块503、振动评估模块504，其中：
样本获取模块501，用于获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；
样本构建模块502，用于利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；
数据处理模块503，用于获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；
振动评估模块504，用于对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
在一个实施例中，如图5所示，所述样本获取模块501包括数据采集单元5011，所述数据采集单元5011用于：
将机组在转速变化的过程划分为时段区间，计算所述时段区间内所述机械振动数据的最大值与最小值差值，得到所述机械振动峰峰值；
计算所述机械振动峰峰值平均值，并利用置信度剔除所述机械振动峰峰值中不可信数据；
提取剔除后的所述机械振动峰峰值作为所述振动幅值特征。
在一个实施例中，如图5所示，所述数据处理模块503包括样本计算单元5031，所述样本计算单元5031用于：
利用所述机组大修后初期数据获得的机械振动状态数据作为健康样本；
对所述机组的起点转速和终点转速进行调节，将所述健康样本和所述状态样本的转速进行统一处理；
根据平均欧氏距离计算公式，获得所述健康样本与所述状态样本的平均欧氏距离。
在一个实施例中，如图5所示，所述振动评估模块504包括量化评估单元，所述量化评估单元5041用于：
基于机械振动升转速过程的平均能量，将所述平均欧氏距离归一化处理；
根据归一化后的平均欧氏距离，获取各次开机过程中基于单元峰峰值数据挖掘机械振动的状态指标；
描绘所述状态指标和所述机组运行日期的状态关系图，利用所述状态关系图的变化趋势评估所述机组机械振动。
关于机组机械振动的评估系统的具体限定可以参见上文中对于机组机械振动的评估方法的限定，在此不再赘述。上述机组机械振动的评估系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图6示出了一个实施例中计算机设备的内部结构图。如图6所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现权限异常检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行权限异常检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6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。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将机组在转速变化的过程划分为时段区间，计算所述时段区间内所述机械振动数据的最大值与最小值差值，得到所述机械振动峰峰值；计算所述机械振动峰峰值平均值，并利用置信度剔除所述机械振动峰峰值中不可信数据；提取剔除后的所述机械振动峰峰值作为所述振动幅值特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：利用所述机组大修后初期数据获得的机械振动状态数据作为健康样本；对所述机组的起点转速和终点转速进行调节，将所述健康样本和所述状态样本的转速进行统一处理；根据平均欧氏距离计算公式，获得所述健康样本与所述状态样本的平均欧氏距离。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于机械振动升转速过程的平均能量，将所述平均欧氏距离归一化处理；根据归一化后的平均欧氏距离，获取各次开机过程中基于单元峰峰值数据挖掘机械振动的状态指标；描绘所述状态指标和所述机组运行日期的状态关系图，利用所述状态关系图的变化趋势评估所述机组机械振动。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将机组在转速变化的过程划分为时段区间，计算所述时段区间内所述机械振动数据的最大值与最小值差值，得到所述机械振动峰峰值；计算所述机械振动峰峰值平均值，并利用置信度剔除所述机械振动峰峰值中不可信数据；提取剔除后的所述机械振动峰峰值作为所述振动幅值特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：利用所述机组大修后初期数据获得的机械振动状态数据作为健康样本；对所述机组的起点转速和终点转速进行调节，将所述健康样本和所述状态样本的转速进行统一处理；根据平均欧氏距离计算公式，获得所述健康样本与所述状态样本的平均欧氏距离。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于机械振动升转速过程的平均能量，将所述平均欧氏距离归一化处理；根据归一化后的平均欧氏距离，获取各次开机过程中基于单元峰峰值数据挖掘机械振动的状态指标；描绘所述状态指标和所述机组运行日期的状态关系图，利用所述状态关系图的变化趋势评估所述机组机械振动。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种机组机械振动的评估方法，其特征在于，包括以下步骤：
获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；
利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；
获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；
对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
2.根据权利要求1所述的机组机械振动的评估方法，其特征在于，所述获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征，包括：
将机组在转速变化的过程划分为时段区间，计算所述时段区间内所述机械振动数据的最大值与最小值差值，得到所述机械振动峰峰值；
计算所述机械振动峰峰值平均值，并利用置信度剔除所述机械振动峰峰值中不可信数据；
提取剔除后的所述机械振动峰峰值作为所述振动幅值特征。
3.根据权利要求1所述的机组机械振动的评估方法，其特征在于，所述获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离，包括：
利用所述机组大修后初期数据获得的机械振动状态数据作为健康样本；
对所述机组的起点转速和终点转速进行调节，将所述健康样本和所述状态样本的转速进行统一处理；
根据平均欧氏距离计算公式，获得所述健康样本与所述状态样本的平均欧氏距离。
4.根据权利要求1所述的机组机械振动的评估方法，其特征在于，所述对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动，包括：
基于机械振动升转速过程的平均能量，将所述平均欧氏距离归一化处理；
根据归一化后的平均欧氏距离，获取各次开机过程中基于单元峰峰值数据挖掘机械振动的状态指标；
描绘所述状态指标和所述机组运行日期的状态关系图，利用所述状态关系图的变化趋势评估所述机组机械振动。
5.一种机组机械振动的评估系统，其特征在于，包括：
样本获取模块，用于获取机组在转速变化过程中机械振动数据，提取所述机械振动数据中振动幅值特征；
样本构建模块，用于利用所述振动幅值特征，建立基于单元振动峰峰值变化趋势的状态样本；
数据处理模块，用于获取机组的机械振动健康样本，计算所述健康样本与所述状态样本的平均欧氏距离；
振动评估模块，用于对所述平均欧氏距离进行归一化处理，得到机械振动的状态指标，根据所述状态指标评估所述机组机械振动。
6.根据权利要求5所述的机组机械振动的评估系统，其特征在于，所述样本获取模块包括数据采集单元，所述数据采集单元用于：
将机组在转速变化的过程划分为时段区间，计算所述时段区间内所述机械振动数据的最大值与最小值差值，得到所述机械振动峰峰值；
计算所述机械振动峰峰值平均值，并利用置信度剔除所述机械振动峰峰值中不可信数据；
提取剔除后的所述机械振动峰峰值作为所述振动幅值特征。
7.根据权利要求5所述的机组机械振动的评估系统，其特征在于，所述数据处理模块包括样本计算单元，所述样本计算单元用于：
利用所述机组大修后初期数据获得的机械振动状态数据作为健康样本；
对所述机组的起点转速和终点转速进行调节，将所述健康样本和所述状态样本的转速进行统一处理；
根据平均欧氏距离计算公式，获得所述健康样本与所述状态样本的平均欧氏距离。
8.根据权利要求5所述的机组机械振动的评估系统，其特征在于，所述振动评估模块包括量化评估单元，所述量化评估单元用于：
基于机械振动升转速过程的平均能量，将所述平均欧氏距离归一化处理；
根据归一化后的平均欧氏距离，获取各次开机过程中基于单元峰峰值数据挖掘机械振动的状态指标；
描绘所述状态指标和所述机组运行日期的状态关系图，利用所述状态关系图的变化趋势评估所述机组机械振动。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011406620.7A CN112417622A (zh) | 2020-12-04 | 2020-12-04 | 机组机械振动的评估方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011406620.7A CN112417622A (zh) | 2020-12-04 | 2020-12-04 | 机组机械振动的评估方法、系统、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112417622A true CN112417622A (zh) | 2021-02-26 |
Family
ID=74830243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011406620.7A Pending CN112417622A (zh) | 2020-12-04 | 2020-12-04 | 机组机械振动的评估方法、系统、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112417622A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762076A (zh) * | 2021-07-29 | 2021-12-07 | 湖南五凌电力科技有限公司 | 水电机组电磁振动状态样本提取及构建方法、装置及设备 |
| CN113803201A (zh) * | 2021-07-29 | 2021-12-17 | 湖南五凌电力科技有限公司 | 水电机组机械振动状态样本提取及构建方法、装置及设备 |
| CN115293302A (zh) * | 2022-10-09 | 2022-11-04 | 华能信息技术有限公司 | 一种发电厂数据管理综合系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009074920A (ja) * | 2007-09-20 | 2009-04-09 | Osaka Prefecture Univ | 周期運動体の状態監視方法、監視システム、コンピュータプログラム及び記録媒体 |
| CN108375476A (zh) * | 2018-03-09 | 2018-08-07 | 中国水利水电科学研究院 | 一种水电机组健康评估方法 |
| CN109670400A (zh) * | 2018-11-13 | 2019-04-23 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种水电机组开机过程稳定性状态评价方法 |
| US20190285517A1 (en) * | 2017-10-25 | 2019-09-19 | Nanjing Univ. Of Aeronautics And Astronautics | Method for evaluating health status of mechanical equipment |
| CN111006758A (zh) * | 2019-12-11 | 2020-04-14 | 东方电气风电有限公司 | 一种风力发电机组稳态振动在线趋势预测方法及趋势预测系统 |
| CN111398820A (zh) * | 2020-05-07 | 2020-07-10 | 南京凯奥思数据技术有限公司 | 一种电机健康状态在线监测方法 |
| CN111486043A (zh) * | 2020-04-24 | 2020-08-04 | 华能四川水电有限公司 | 一种基于水轮发电机组振摆数据的下机架故障诊断方法 |
-
2020
- 2020-12-04 CN CN202011406620.7A patent/CN112417622A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009074920A (ja) * | 2007-09-20 | 2009-04-09 | Osaka Prefecture Univ | 周期運動体の状態監視方法、監視システム、コンピュータプログラム及び記録媒体 |
| US20190285517A1 (en) * | 2017-10-25 | 2019-09-19 | Nanjing Univ. Of Aeronautics And Astronautics | Method for evaluating health status of mechanical equipment |
| CN108375476A (zh) * | 2018-03-09 | 2018-08-07 | 中国水利水电科学研究院 | 一种水电机组健康评估方法 |
| CN109670400A (zh) * | 2018-11-13 | 2019-04-23 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种水电机组开机过程稳定性状态评价方法 |
| CN111006758A (zh) * | 2019-12-11 | 2020-04-14 | 东方电气风电有限公司 | 一种风力发电机组稳态振动在线趋势预测方法及趋势预测系统 |
| CN111486043A (zh) * | 2020-04-24 | 2020-08-04 | 华能四川水电有限公司 | 一种基于水轮发电机组振摆数据的下机架故障诊断方法 |
| CN111398820A (zh) * | 2020-05-07 | 2020-07-10 | 南京凯奥思数据技术有限公司 | 一种电机健康状态在线监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭定宇，等: "一种基于阶次分析的水电机组开机过程稳定性评价方法", 《水电能源科学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113762076A (zh) * | 2021-07-29 | 2021-12-07 | 湖南五凌电力科技有限公司 | 水电机组电磁振动状态样本提取及构建方法、装置及设备 |
| CN113803201A (zh) * | 2021-07-29 | 2021-12-17 | 湖南五凌电力科技有限公司 | 水电机组机械振动状态样本提取及构建方法、装置及设备 |
| CN113803201B (zh) * | 2021-07-29 | 2024-04-09 | 湖南五凌电力科技有限公司 | 水电机组机械振动状态样本提取及构建方法、装置及设备 |
| CN115293302A (zh) * | 2022-10-09 | 2022-11-04 | 华能信息技术有限公司 | 一种发电厂数据管理综合系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112417622A (zh) | 机组机械振动的评估方法、系统、计算机设备和存储介质 | |
| Wang et al. | A novel statistical time-frequency analysis for rotating machine condition monitoring | |
| Chen et al. | Detection of rub-impact fault for rotor-stator systems: A novel method based on adaptive chirp mode decomposition | |
| Li et al. | Multiscale symbolic fuzzy entropy: An entropy denoising method for weak feature extraction of rotating machinery | |
| CN101435799B (zh) | 基于声发射技术的水轮机故障诊断方法及装置 | |
| CN109883703B (zh) | 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 | |
| Gong et al. | Application of tentative variational mode decomposition in fault feature detection of rolling element bearing | |
| CN103645052A (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
| JPH07168619A (ja) | 機器／設備診断方法およびシステム | |
| Wu et al. | Looseness diagnosis of rotating machinery via vibration analysis through Hilbert–Huang transform approach | |
| Yan et al. | A feature selection framework-based multiscale morphological analysis algorithm for fault diagnosis of rolling element bearing | |
| CN111397877B (zh) | 一种旋转机械拍振故障检测与诊断方法 | |
| CN113632026A (zh) | 旋转机械设备故障诊断方法、系统及存储介质 | |
| CN112781820B (zh) | 一种滚刀性能退化趋势评估方法 | |
| Ali et al. | Observations of changes in acoustic emission parameters for varying corrosion defect in reciprocating compressor valves | |
| Prosvirin et al. | An improved algorithm for selecting IMF components in ensemble empirical mode decomposition for domain of rub-impact fault diagnosis | |
| CN115410729A (zh) | 一种核反应堆轴封泵振动在线监测方法、系统及介质 | |
| Shi et al. | Purification and feature extraction of shaft orbits for diagnosing large rotating machinery | |
| CN111486043A (zh) | 一种基于水轮发电机组振摆数据的下机架故障诊断方法 | |
| Junior et al. | Unbalance evaluation of a scaled wind turbine under different rotational regimes via detrended fluctuation analysis of vibration signals combined with pattern recognition techniques | |
| CN112539827B (zh) | 基于频率能量占比的机组机械振动评估方法和系统 | |
| CN110332080A (zh) | 一种基于共振响应的风机叶片健康实时监测方法 | |
| CN110646138A (zh) | 一种旋转机械无键相无试重动平衡方法和分析装置 | |
| CN112529059B (zh) | 机组电磁振动诊断方法、系统、计算机设备和存储介质 | |
| CN1150400C (zh) | 叶轮机械叶片故障叶间间距监测诊断法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |
|
| RJ01 | Rejection of invention patent application after publication |