CN112541160B - 一种旋转机械振动故障诊断相关特征提取方法 - Google Patents
一种旋转机械振动故障诊断相关特征提取方法 Download PDFInfo
- Publication number
- CN112541160B CN112541160B CN202011220976.1A CN202011220976A CN112541160B CN 112541160 B CN112541160 B CN 112541160B CN 202011220976 A CN202011220976 A CN 202011220976A CN 112541160 B CN112541160 B CN 112541160B
- Authority
- CN
- China
- Prior art keywords
- process parameters
- group
- parameter
- coefficient
- relevance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000003745 diagnosis Methods 0.000 title claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 90
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000012417 linear regression Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims 1
- 238000010220 Pearson correlation analysis Methods 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000001816 cooling Methods 0.000 description 8
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 7
- 239000001257 hydrogen Substances 0.000 description 7
- 229910052739 hydrogen Inorganic materials 0.000 description 7
- 239000010687 lubricating oil Substances 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 101150050759 outI gene Proteins 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种旋转机械振动故障诊断相关特征提取方法,将过程参数按物理意义分组并建立多元线性回归模型,剔除关联性大的过程参数,再利用偏相关分析模型计算偏相关系数,实现过程参数关联性条件下故障诊断相关特征提取。采用本发明方法,可在不进行专项试验的基础上在多个过程参数同时变化的情况下提取得到故障诊断相关特征。本发明方法可有效消除传统Pearson相关分析技术在过程参数存在关联性条件下可能出现的较大偏差。
Description
技术领域
本发明涉及一种旋转机械振动故障诊断相关特征提取方法,尤其涉及过程参数存在较强关联性的情形。该方法考虑了过程参数之间的关联性,可以在一定程度上弥补传统Pearson相关分析模型和偏相关分析模型分别存在的相关特征偏差和物理意义不明确的问题。主要应用领域为风机、泵、燃气轮机、汽轮发电机组等大型旋转机械。
背景技术
及时、准确诊断旋转机械振动故障对于保证机组安全稳定运行至关重要。以大型汽轮发电机组为例,正常情况下汽轮发电机组振动只与转速有关,出现故障后其振动不仅与转速有关,还和很多过程参数之间存在一定的关联性。提取振动和过程参数之间的关联性特征,可以发现故障之间的细微特征差异,提高故障诊断结论的准确性,是故障诊断的有效手段。
相关系数是衡量变量之间关联性的指标,最常用的是Pearson相关系数。Pearson相关分析时,要求每次只有一个过程参数发生变化,这样得到的结论才是准确的。这就要求开展过程参数对振动影响的专项试验,需要耗费大量的人力和物力,很多时候并不具备这样的条件。
以大型汽轮发电机组为例,大型汽轮发电机组都安装了SIS系统,实时监测和记录了机组不同工况下的海量运行数据,为开展相关分析提供了先决条件。和专项试验不同,SIS系统提供的数据中,振动和多个过程参数同时发生变化,各过程参数之间往往具有一定的关联性。由于没有考虑过程参数的耦合性,传统Pearson相关分析模型应用于这类系统时就有可能会出现较大偏差,而传统的偏相关分析模型将全部参数作为控制参数,没有考虑各过程参数背后反映的物理意义,使得提取得到的相关特征物理意义不明确。在提取这类系统相关特征时必须同时考虑过程参数之间的关联性和参数背后反映的物理意义,尽可能弥补传统Pearson相关分析模型和偏相关分析模型存在的问题。
发明内容
发明目的:在过程参数存在关联性条件下,为了克服现有Pearson相关分析和偏相关分析模型存在的问题,本发明提出了一种相关特征提取方法。该方法提出了一种过程参数分组剔除方法,以判定系数的大小为依据剔除关联性高的参数,充分考虑了过程参数之间的关联性,可在不进行专项试验的基础上提取得到真实的过程参数相关特征,且提取得到的过程参数相关特征物理意义明确。
技术方案:为解决上述技术问题,本发明提供的过程参数存在关联性条件下旋转机械故障诊断相关特征提取方法,包括以下步骤:
步骤1,过程参数采集和中心化、标准化处理;
步骤2,根据过程参数反映的物理意义对过程参数分组;
步骤3,建立线性回归模型,计算每个过程参数对应的判定系数,以判定系数的大小为依据剔除组内关联性高的过程参数,保留具有代表性的过程参数;
步骤4,利用每组内具有代表性的过程参数建立偏相关分析模型,计算偏相关系数,提取过程参数相关特征。
有益效果:该发明设计了一种过程参数分组剔除方法,以判定系数的大小为依据剔除关联性高的参数,充分考虑了过程参数之间的关联性,提取得到真实的过程参数相关关系,具有如下显著的进步:
1.该方法考虑了过程参数之间的关联性。可以在一定程度上弥补传统Pearson相关分析在过程参数存在关联性的条件下存在的偏差。
2.本方法在提取相关性特征时只需振动数据和过程参数数据,不要求每次只有一个过程参数发生变化(可不进行专项试验),可节省大量人力物力。
3.相比传统的偏相关分析模型,该过程参数相关特征提取方法提取得到相关特征物理意义更加明显,计算结果可作为故障诊断的依据。
除了上面所述的本发明解决的技术问题、构成技术方案的技术特征以及由这些技术方案的技术特征所带来的优点外,本发明过程参数存在关联性条件下发电机故障诊断相关特征提取方法所能解决的其他技术问题、技术方案中包含的其他技术特征以及这些技术特征带来的优点,将结合附图做出进一步详细的说明。
附图说明
图1为轴系布置图;
图2为本发明实施例中本方法的实施流程图;
图3、图4、图5为标准化振动和过程参数的趋势图;
图6是本方法给出的结果;
图7是传统Pearson相关分析结果;
具体实施方式
实施例1
以汽轮发电机为例说明。某台600MW汽轮发电机组轴系由高压转子、2根低压转子、发电机转子和励磁机转子组成。一段时间以来,该机组带负荷运行时发电机振动出现波动,突出表现在发电机前轴承上。电厂SIS系统中与汽轮发电机振动相关联的过程参数包括:负荷、励磁电流、无功、励磁电压、润滑油温、润滑油压、密封油温、氢压、空气侧密封油压、氢气侧密封油压,氢温、定子线圈温度、铁芯温度、轴向位移,合计14个测点。该机组轴系布置图如图1所示。
以该机组为例进行本方法实施过程的说明,实施流程如图2所示。
(1)提取SIS系统中保存的过程参数,并进行标准化
将过程参数X中心化、标准化为X*的方法如下:
式中:Xi为过程参数X的第i样本值;μX为过程参数X的均值;n为样本数。图3、图4、图5为将过程参数标准化后的趋势图。
(2)按照参数背后反映的物理性质,对参数进行分组。参数的分类情况如下表所示:
(3)利用回归模型进行组内参数剔除
设某一组内的过程参数为[x1,x2,...xk],分别以各过程参数为因变量,该组内其余的过程参数为自变量,建立如下回归模型并计算判定系数:
其中,cij(i=0...k,j=1...k),为因变量xj对自变量xi的线性回归系数。
计算判定系数:
式中x1m是过程参数x1的第m样本值;是过程参数x1的回归值的第m样本值;n为样本总数;/>为过程参数x1的平均值。用同样的计算方法得到其他过程参数对应的判定系数/>
若组内过程参数个数大于2,则找出的最大值。设找到的最大值为/>则相应剔除xm。建立不含xm的回归模型,重复步骤3,直到只包含2个参数。若组内过程参数个数为2,则计算Pearson相关系数。若Pearson相关系数大于0.9则任意剔除两个参数中的一个参数,保留1个参数,否则同时保留这两个参数。留下的参数作为该组参数的代表,进行下一步计算。
参数剔除结果如下表所示:
过程参数物理意义 | 保留的过程参数 |
发电机电气参数 | 励磁电流 |
密封系统 | 空气侧密封油压力 |
轴承润滑 | 润滑油温度 |
转子冷却状态 | 氢气温度 |
发电机线圈状态 | 线圈温度 |
(4)相关特征提取
设各组筛选出的具有代表性的过程参数分别为[X1,X2,...Xk],参数相关特征提取方法如下:首先计算包括振动在内的各组过程参数之间Pearson相关系数矩阵:
计算y和X1之间的偏相关系数:
上式中:aij为矩阵中第(i,j)元素的代数余子式,ry1,234…k为变量y和X1在消除变量X2、X3...Xk影响后的偏相关系数。
计算y和X2之间的偏相关系数:类似地可以计算得到ry3,124…k,ry4,124…k…,ryk,123…k-1。偏相关系数绝对值越大则说明相关特征越明显。
本方法给出的相关特征提取结果如图6所示。作为对比,图7给出了传统Pearson相关分析的计算结果。对比图6和图7发现,根据传统Pearson相关分析的计算结果,振动与诸多因素相关,无法确定振动原因。根据本方法结果,振动主要与发电机转子冷却状态和负荷相关。
如果发电机存在匝间短路、冷却风道堵塞等故障,运行中会出现局部受热或冷却不均现象,氢温降低或氢压升高后,冷却速率加快,从而圆周截面温差及其引发的热变形会增大,不平衡量增加,从而导致振动增大。氢温升高后或氢压降低后,冷却速率减慢,从而圆周截面温差及其引发的热变形会减小,从而导致振动减小,表现出来的特征就是振动和冷却状态相关。当负荷降低后,蒸汽温度下降,蒸汽冷却转子表面速度加快,圆周截面温差及其引发的热变形也会增大,从而导致振动增大,表现出来的特征就是振动和负荷相关。本方法提取得到的相关特征可以比较好地解释该机组上发生的振动不稳定故障。
以上结合附图对本发明的实施方式做出详细说明,但本发明不局限于所描述的实施方式。对本领域的普通技术人员而言,在本发明的原理和技术思想的范围内,对这些实施方式进行多种变化、修改、替换和变形仍落入本发明的保护范围内。
Claims (2)
1.一种旋转机械振动故障诊断相关特征提取方法,其特征在于包括以下步骤:
步骤1,过程参数采集和中心化、标准化处理;
步骤2,根据过程参数反映的物理意义对过程参数分组;
步骤3,建立线性回归模型,计算每个过程参数对应的判定系数,以判定系数的大小为依据剔除组内关联性高的过程参数,保留具有代表性的过程参数;
步骤4,利用每组内具有代表性的过程参数建立偏相关分析模型,计算偏相关系数,提取过程参数相关特征;
所述步骤3中,回归模型的建立方法如下:
设某一组内的过程参数为[χ1,χ2,…χk],k为该组内过程参数的数量,分别以各过程参数为因变量,该组内其余过程参数为自变量,建立如下多元线性回归模型:
…
其中,cij,i=0…k,j=1…k,为因变量xj对自变量xi的线性回归系数;
所述步骤3中,设某一组内的过程参数为[x1,x2,…xk],k为该组内过程参数的数量,判定系数的计算方法如下:
式中x1m是过程参数x1的第m样本值;是过程参数χ1的回归值的第m样本值;n为样本总数;/>为过程参数χ1的平均值,用同样的计算方法得到其他过程参数对应的判定系数
所述步骤3中组内参数剔除方法如下:
(1)当组内过程参数个数大于2,则找出判定系数的最大值,剔除相对应的过程参数;
(2)对剩余的过程参数重新建立线性回归模型,重复步骤3,直到只剩下2个过程参数
(3)当组内过程参数个数为2,计算Pearson相关系数,若Pearson相关系数大于0.9,则任意剔除两个过程参数中的一个,保留1个过程参数,否则同时保留这两个过程参数;保留下来的过程参数作为该组过程参数的代表。
2.根据权利要求1所述的旋转机械振动故障诊断相关特征提取方法,其特征在于:同一组内的过程参数所反映的物理意义相同,彼此之间关联性大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220976.1A CN112541160B (zh) | 2020-11-05 | 2020-11-05 | 一种旋转机械振动故障诊断相关特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011220976.1A CN112541160B (zh) | 2020-11-05 | 2020-11-05 | 一种旋转机械振动故障诊断相关特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541160A CN112541160A (zh) | 2021-03-23 |
CN112541160B true CN112541160B (zh) | 2024-04-26 |
Family
ID=75015054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011220976.1A Active CN112541160B (zh) | 2020-11-05 | 2020-11-05 | 一种旋转机械振动故障诊断相关特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541160B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201848A (zh) * | 2021-06-23 | 2022-03-18 | 核动力运行研究所 | 一种主泵振动数据与工艺参数的关联性分析方法 |
CN114019298B (zh) * | 2021-09-28 | 2023-12-05 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016018526A (ja) * | 2014-07-11 | 2016-02-01 | 株式会社荏原製作所 | 故障診断システム及び故障診断方法 |
CN108205110A (zh) * | 2016-12-20 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风力发电机组发电机故障的检测方法及装置 |
CN109993232A (zh) * | 2019-04-04 | 2019-07-09 | 浙江大学 | 基于深度学习人工神经网络的汽轮机振动故障诊断方法 |
CN110059737A (zh) * | 2019-04-11 | 2019-07-26 | 东南大学 | 基于集成深度神经网络的配电变压器连接关系辨识方法 |
CN110288022A (zh) * | 2019-06-26 | 2019-09-27 | 华北水利水电大学 | 一种提取参数非线性关系的水电机组振动故障诊断算法 |
-
2020
- 2020-11-05 CN CN202011220976.1A patent/CN112541160B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016018526A (ja) * | 2014-07-11 | 2016-02-01 | 株式会社荏原製作所 | 故障診断システム及び故障診断方法 |
CN108205110A (zh) * | 2016-12-20 | 2018-06-26 | 北京金风科创风电设备有限公司 | 风力发电机组发电机故障的检测方法及装置 |
CN109993232A (zh) * | 2019-04-04 | 2019-07-09 | 浙江大学 | 基于深度学习人工神经网络的汽轮机振动故障诊断方法 |
CN110059737A (zh) * | 2019-04-11 | 2019-07-26 | 东南大学 | 基于集成深度神经网络的配电变压器连接关系辨识方法 |
CN110288022A (zh) * | 2019-06-26 | 2019-09-27 | 华北水利水电大学 | 一种提取参数非线性关系的水电机组振动故障诊断算法 |
Non-Patent Citations (2)
Title |
---|
基于参数相关性分析的火电设备故障诊断方法;罗婵纯;发电设备;20181115(第06期);全文 * |
汽轮发电机组振动故障诊断相关分析方法及应用;孙和泰 等;汽轮机技术;20200825(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112541160A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541160B (zh) | 一种旋转机械振动故障诊断相关特征提取方法 | |
CN109085814B (zh) | 一种火电汽轮机组整体设备系统延寿评估方法 | |
CN107489464B (zh) | 汽轮发电机组故障预警方法及系统 | |
CN110702394B (zh) | 一种基于振动变化特征的汽轮发电机组振动故障诊断方法 | |
CN112284521B (zh) | 一种汽轮发电机组振动故障特征的量化及应用方法 | |
He et al. | Remote monitoring and diagnostics of pitch-bearing defects in an MW-scale wind turbine using pitch symmetrical-component analysis | |
Dash et al. | Condition monitoring of induction motors:—A review | |
CN113378107B (zh) | 一种基于振动相关性的汽轮机异常参数确定方法 | |
CN112285562A (zh) | 基于电磁场与热场多信号融合的异步电机故障检测方法 | |
CN110554316B (zh) | 一种电机故障诊断方法 | |
Bradley et al. | A general approach for current-based condition monitoring of induction motors | |
Cao et al. | Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator | |
Ranga et al. | Advanced tool based condition monitoring of induction machines by using LabVIEW—A review | |
Kovalchuk et al. | Ensuring the reliable operation of the pumping units by efficient state diagnosis | |
Swędrowski et al. | Use of neural networks in diagnostics of rolling-element bearing of the induction motor | |
Barszcz et al. | Concept of automated malfunction detection of large turbomachinery using machine learning on transient data | |
CN113532776B (zh) | 一种发电机轴瓦瓦枕绝缘垫失效诊断方法及系统 | |
CN115372039A (zh) | 汽轮发电机组振动故障诊断系统的构建方法和应用方法 | |
CN110441081B (zh) | 一种旋转机械故障的智能诊断方法及智能诊断系统 | |
Milovančević et al. | THE OPTIMIZATION OF THE VIBRODIAGNOSTIC METHOD APPLIED ON TURBO MACHINES. | |
Jose et al. | Induction motor fault diagnosis methods: A comparative study | |
Kudelina et al. | Methods of Condition Monitoring and Fault Detection for Electrical Machines. Energies 2021, 14, 7459 | |
Gorbiychuk et al. | Development of the method for estimating the technical condition of gas pumping units by their accelerating characteristic | |
Kumar et al. | Probabilistic evaluation and design aspects for reliability enhancement of induction motor | |
Mironenko et al. | Maintenance Optimization Within the Lifecycle Management of the Gas Compressor's Electric Motors |
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 |