往复压缩机故障诊断技术研究,利用时序分析法构建机械设备数学模型

一般情况下,正确的时序模型能比较可靠地回答机器是属于正常还是异常状态。频域分析就是将时域信号经过一定的数学变换到频域内进行分析。幅值谱分析、相位谱分析、功率谱分析、倒频谱分析、差谱分析等均属于频域分析技术。

1)wt

按照机械故障诊断的技术路线,结合往复压缩机故障特点,分别就诊断信号选择、故障文档的建立、状态识别技术的应用等过程中一些具体问题展开了较深入的研究,提出采用阀腔脉动压力作为诊断信号,通过计算机仿真建立故障文档,将模糊诊断与人工神经网络结合等新观点,这些观点将有利于推进往复压缩机诊断技术的发展。诊断技术的发展已有30多年历史,随着信号分析与处理技术、计算机技术的飞速发展,它已逐渐地形成了自己的理论体系,人们对于如何实施有效诊断形成了共识,通用的诊断技术路线为:通过信号检测与特征信息提取,获得反映机组运行状态的特征信息,然后按照一定的状态识别方法将之与故障档案库中的标准样本模式相比较,得出对机组运行状态的识别结果,最后给出诊断决策,干预机组的运行状态,防患于未然。从该技术路线可知,整个诊断过程主要包括三方面内容,即诊断信号的选择,故障文档的建立以及状态识别技术。本文正是从这三个方面来论述往复压缩机故障诊断技术的。 1 诊断信号选择与特征信息提取技术 在旋转机械故障诊断系统中,通常选用振动信号作为诊断信号,通过对振动信号的有效处理来达到识别故障的目的。就往复机械而言,由于其结构的复杂性、振源的多样性及故障类型的多样化,完全依靠振动信号进行诊断并不一定可行,正确的方法应是根据故障类型的特点选择相应诊断信号。 往复压缩机常发生的故障有:气阀故障,活塞环故障,填料函故障,冷却水路故障,吸气滤清器故障,连杆大小头与轴承之间过度磨损,十字头销与衬套过度磨损,连杆螺栓及十字头螺栓松动,活塞杆下沉及裂纹等。据统计,往复压缩机有60%以上故障发生在气阀上,而活塞杆断裂事故占重大事故的25%左右,因此,能够及时发现气阀故障及诊断出活塞杆的裂纹存在对于压缩机的安全运行无疑是十分重要的。根据压缩机故障特征可将机械故障分成两类,一类是带有流体性质的,属于机器热力性能故障,其主要表征是排气量不足,压力、温差异常,产生的原因主要是气阀,活塞环,填料函,冷却水路,吸气滤清器等部位发生故障,可采用参数法进行诊断;另一类是带有机械性质的,属于机器动力性能故障,主要表征是机器工作时异常的响声、振动和过热,产生的原因主要是运动部件配合间隙的变化,结构的裂纹等,它可采用振动法来进行诊断。事实上,只要机器有故障存在,它就会引起其热力性能和动力性能变化,但反映的力度并不相同。 运用参数法诊断机器热力性能故障时,可选用的参数很多,如电力参数,热力性能参数,气缸压力信号等,它们都具有各自的特点和适用范围。目前采用较多的有两类,一类是以各级间压力,温度及冷却水流量,润滑油温为代表的热力性能参数,它主要用于对压缩机运行状态进行监测,并可粗略判断故障发生的部位,在采用分级诊断策略对多级压缩机进行诊断时,这些参数还可作为第一级诊断信号2];另一类就是气缸压力信号,气缸压力的变化可直接反映热力故障的原因,是较理想的诊断信号,但在实际工作中,直接检测气缸压力并不容易实现,这不仅是由于缸壁开孔会损坏气缸结构,而且生产现场开取压孔及对取压孔的密封都需要较高的技术,正是这些因素限制了气缸压力信号在故障诊断中的广泛应用。解决该问题的途径有两个,一是寻求无损气缸缸壁的气缸压力检测方法,并要求该方法便于现场操作;二是寻求气缸压力的替代信号,它要求该信号既能敏感的反映故障原因,又可方便检测。文献3]通过对气缸盖螺栓的振动信号分析来析出气缸压力变化规律就是解决该问题的一种探索,笔者也通过对气缸布置的仔细研究,提出了一种通过在气阀螺栓上开孔测取气缸压力的方法,它既无损于气缸缸壁,同时可直接测取气缸压力,现场操作简单,具有很强的实用性,其具体措施可见文献2]。通过研究,笔者同时认为,可采用阀腔脉动压力替代气缸压力,来作为压缩机热力性能故障的主要诊断信号,它不仅具有气缸压力信号的优点,同时方便测取。 采用气缸压力信号时,可通过示功图像比较来识别故障原因。在进行示功图比较时,可选用压缩过程指数n,膨胀过程指数m,吸、排气阀开启时曲轴转角j1、j3关闭时转角j2、j4,最低吸气压力Ps,最高排气压力Pd,示功图面积W,排气量Q等参数作为特征参数;采用阀腔脉动压力信号时,可首先建立脉动压力信号的时序模型,通过对模型的分析来判别机器状态,通过对脉动信号的频谱分析来析出故障原因。在笔者研究中,曾通过对阀腔脉动压力建立三阶AR模型来诊断气阀故障,通过AIC指标判别气阀状态,频谱图判别故障原因,获得较好诊断效果2]。 运用振动法诊断机器动力性能故障时,由于往复压缩机振动十分复杂,随机信号,周期信号,冲击信号等混杂在一起,从振动的原始数据中直接给出的信息十分有限,如何提取有关特征信息就是该法的关键问题。近年来在Fourier分析的基础上发展起来的小波分析技术就是解决该问题的有力工具,但小波变换在工程中的应用尚属于探索阶段,目前常用的处理方法是:时域征兆的提取,频域征兆的获取。 频谱征兆在故障诊断中应用最广泛,反映在振动功率谱中,则是某些特定的谱峰及能量的变化。例如采用功率谱来诊断活塞-气缸的间隙变化,在不同间隙状态下,相同的侧推力将引起活塞撞击气缸套的速度发生变化,从而撞击能量也相应变化,同时由于间隙改变,活塞在缸内的横向运动也发生变化,使得撞击位置等随之变化,这些变化将使气缸表面的振动特征发生变化,随间隙量增加,功率谱峰值增加,振动的总能量增加。如果能将大量典型的振动信号频谱值以一定的表格形式存放在计算机中,构成诊断用的频谱数据库,那么通过频峰的寻找对比,由其高度变化和各种故障原因可能出现的频率分布概率,便可得出相应的诊断结论。但要得到数据库的对应关系,则有赖于进行大量的模拟实验和经验积累。这往往需要付出很大的代价,有时甚至是不可能作到的。因此实际使用中常采集正常状态下的一组时域信号,通过付氏变换成频域信号,给出正常运行状态的功率谱的极限指标,一旦超过此极限时,则将机器状态判定为异常运行状态。 往复压缩机因其结构的复杂性,运动形式的多样性,给振动法的故障识别与诊断带来了很大困难,具体而言,主要困难有如下几方面:1)众多的频率范围与广阔的激励源的识别;2)运动部件多而且形状复杂,这些部件藏在机身里,在工作状态下难以接近,如何测试;3)压缩机不同部件中,激励力的传递途径及其对表面振动的响应是不同的,应该如何识别;4)当压缩机运动部件出现不同程度的机械故障时,相应的激励力是如何变化的,能否从表面振动信号中检测出来;5)早期故障振动信号的提取和阈值的设立等。如何解决这些问题,有待于进一步研究。 2 故障文档的建立方法 一般来说,故障文档的建立包括经验案例知识的汇编,实验测试知识的积累和计算机模拟计算三种基本途径。由于经验案例知识的内容比较丰富,涉及的故障现象较全面,因而在以往的故障诊断研究中,大多采用经验案例知识的汇编来实现故障文档的建立;实验测试知识的积累情况则恰恰相反,由于测试大多在小型模拟试验台上进行,且由于测试的故障现象受到局限,因而这种途径在工程应用中不能单独使用;对于计算机仿真计算,过去人们重视不够,分析原因来自两方面:一是难以建立数学模型及数学模型求解困难,二是计算机的普及程度不高。随着人们对机器机理的深入了解和微机性能的提高,这方面工作将会有较大的发展。 对于往复压缩机而言,不仅由于其品种多,结构复杂,而且由于其机电一体化程度较低,原始故障数据保存较少,因而完全通过实践积累不仅需要的时间长、经费多,而且在实际工作中可能难以实现。直接,经济的途径就是将实验和计算机仿真结合起来,即建立压缩机数学模型,并通过实验验证模型的正确性,然后改变模型中某些参数来模拟机器故障,以求迅速建立故障文档。随着压缩机工作过程数学模型研究的深入,这方面的工作不但能够实现,而且具有较高的准确性,可信性。如笔者建立阀腔脉动压力的故障文档时,就是采用这种途径,其具体步骤如下2]:1)建立压缩机级的数学模型;2)建立阀腔脉动压力计算模型;3)通过“压力激发”将气缸压力与阀腔脉动压力的计算联系起来;4)实验验证数学模型及计算程序的正确性;5)改变有关参数,模拟故障状态,建立相应的故障文档。建立机器故障状态下标准模式时,应充分考虑其波动性。这是因为,首先机器无故障状态和故障状态的界限并不是清晰的,无故障状态本身就包含有一定的状态变化范围;其次对于每一类故障,严重程度不同,其特征参数必然随之变化;此外,参数测量时控制上的偏差、环境条件的变化等,也会使特征参数发生波动。为了提高故障诊断准确性,可用一种考虑特征参数波动性质即以参数域来构造标准模式,有关这方面探索可见文献4]。 3 状态识别技术 在智能技术引入诊断领域之前,状态识别实际上是由领域专家来完成的,随着人工智能的发展及在诊断领域的应用,状态识别技术已逐步步入人工智能诊断时代。目前,用于压缩机状态识别的方法可分两大类:一类是完全基于检测数据的诊断方法,如对比诊断法,函数诊断法,振动诊断法等,它们是通过对故障检测信号的处理而较早地发现故障,以至预报故障;另一类则是基于专家经验及知识处理的专家系统,它模仿人类专家在进行故障诊断时,首先观察机器的症状,然后依所观察到的症状,利用自己所具有的知识来推断故障原因。根据知识处理途径的不同,它又可分为两类:一是基于符号推理,如经典专家系统,另一类是基于数值计算,如人工神经网络等。虽然专家系统出现历史并不长,但它独特的优点却是状态识别技术发展的方向。 专家系统的核心是知识。大量事实表明5],知识获取是建造专家系统的“瓶颈”问题。一个诊断系统在其运行过程中所获取的诊断信息越丰富,其诊断结果可靠性越高。因而,专家系统的性能水平主要取决于它所拥有的知识数量和质量。对于经典专家系统而言,虽然它具有持久性,一致性和周密性等优点,但交互式系统使得其诊断速度较慢,不能满足迅速诊断故障的要求。近年来,人工神经网络以其全新的信息表达方式,高度平行分布处理,联想,自学习及自组织等能力和极强的非线形映射能力使它渗透到科学技术的各个领域。它为人工智能的专家系统研究开辟了一条新的途径,它改进了经典专家系统中知识获取,知识表达和平行处理等问题。神经网络的诊断能力主要取决于文档知识的完善与正确性,学习样本的组织方法以及网络模型的学习训练程度三个方面。如何得到所必需的学习样本是网络诊断的前提,在笔者采用BP网络诊断三级工艺流程用的压缩机故障中,故障文档及学习样本是通过计算机仿真计算建立的,经检验,可达到较好诊断效果2]。在工厂现场故障诊断中,人们常用“看”、“听”、“摸”等手段借助人类的感官来判别机器运转状态,专家系统的目的就是让计算机模拟人的这种行为。然而人的感觉和机器检测的参数有很大的区别,人类感觉和经验都带有着很大的模糊性,并且在推理时不是绝对的二值逻辑,但机器仪表检测的参数都是比较精确的,所以为了使机器的推理过程类似人的思维活动,正确有效地进行故障诊断,应将模糊数学知识引入到状态识别过程中,即采用模糊诊断法。其诊断思想如下:首先根据现有的领域知识建立各种故障的标准模式,设这些标准模式构成故障空间E,取症候群空间X为论域,显然E是X的子集,同时将这些标准模式看成E上的模糊集,于是故障诊断问题就转化为确定X上的元素Xi以多大程度隶属于E上的哪个模糊集的问题。如何将模糊诊断思想与人工神经网络结合起来是笔者努力的方向。 4 结论 往复压缩机常用故障可分为两类,对于热力性能类故障可选用气缸压力或阀腔脉动压力作为主要诊断信号;对于动力性能类故障可采用振动信号来诊断,为解决从复杂振动信号中提取故障特征的困难,可开展小波分析技术在往复压缩机中的应用研究。随着对压缩机工作机理的深入研究及其数学模型的进一步完善,采用计算机仿真将成为建立故障文档的经济、实用途径。专家系统将是状态识别技术的发展方向,但如何将模糊诊断思想与人工神经网络相结合,并应用于往复压缩机故障诊断中,则有待于人们进一步研究。

二 时域分析法

时域(time domain)分析方法主要是从序列自相关的角度解释时间序列的发展规律。相对于谱分析方法,它具有理论基础扎实、操作步骤规范、分析结果易于解释等有点。目前它已经广泛应用于自然科学和社会科学的各个领域,成为时间序列分析的主流方法。本书就是介绍时域分析方法。

时域分析方法的基本思想是事件的发展通常都具有一定的惯性,这种惯性用统计的语言来描述就是序列值之间存在一定的相互关系,而且这种相互关系具有某种统计规律。我们分析的重点就是寻找这种规律,并拟合出适当的数学模型来描述这种规律,进而利用这个拟合模型来预测序列未来的走势。

时域分析方法具有相对固定的分析套路,通常都遵循如下分析步骤:

  1. 第一步:考虑观察值序列的特征
  2. 第二步:根据序列的特征选择适当拟合模型
  3. 第三步:根据序列的观察数据确定模型的口径
  4. 第四步:检验模型,优化模型
  5. 第五步:利用拟合好的模型来推断序列的其他统计性质或预测序列将来的发展。

时域分析方法的产生最早可以最早追溯到1987年,英国统计学家G.M.JenKins联合出版了 Times Series Ananlysis Forecasting and Control一书。在书中,Box和Jenkins在总结前人的基础上,系统的阐述了对求和自回归移动平均(autoregressive integrated moving average)ARIMA模型的识别、估计、检验及预测的原理和方法。这些知识现在被称为经典的时序序列分析方法,是时域分析的核心方法。为了纪念Box和Jinkens对时间序列的发展的特殊贡献,现在人们也常把ARIMA模型称为Box-Jenkins模型。
Box-Jenkins模型实际上是主要运用于单变量、同方差的线性模型。随着人们对各领域时序序列的深入研究,发现该经典模型在理论和应用上都还存在许多局限性。所以近20年来,统计学家纷纷转向多变量场合、异方差场合和非线性场合的时序序列分析方法的研究,并且取得了突破进展。

在往复压缩机中采用在气阀阀片上开孔来模拟泄漏故障;减少气阀弹簧个数来模拟气阀弹簧故障;人为折断阀片来模拟阀片故障;通过自制的压电式压力传感器来检测阀腔脉动压力。在采入的压力信号中,存在着各种因素的干扰,对于这些干扰,仅靠屏蔽、接地、隔离等措施并不能完全消除。还需要利用数字滤波技术加以抑制。数字滤波即程序滤波,它是针对干扰频率及特点而设计的算法。

wt同时兼顾了时间分辨率和频率分辨率,使其结果在两个域内都具有良好的局部特性,但实际应用中需要解决小波基的选择问题,不具有自适应性。

一 频域分析方法

频域分析方法也成为频谱分析或谱分析方法
早期的频谱分析方法假设任何一种无趋势的时间序列都可以分解成若干不同频率的周期波动,借助傅里叶分析从频率的角度揭示时间序列的规律,后来又借助了傅里叶变换,用正弦、余弦项之和来逼近某个函数。20世纪60年代,burg在分析地震信号时提出最大熵谱值估值理论,该理论克服了传统谱分析所有雇的分辨率不高和频率漏泄等缺点,使得谱分析仅以一个新阶段,称之为现代谱分析阶段。

目前谱分析方法主要用于电器工程,信息工程,物理学,天文学,海洋学和气象科学等领域,它是一种非常有用的纵向数据分析方法,但是由于谱分析过程一般都比较复杂,研究人员通常需要很强的数学基础才能熟练使用它,同时它的分析结果也比较抽象,不易于进行直观的解释,所以谱分析方法的使用具有很大的局限性。

什么是时序分析法?它与机械设备模型构建有何关系?时域分析法是指一切在时间域内对信号进行分析的技术。它包括时间序列分析法、时域波形的合成与分解、时域波形的形态分布及时域波形的统计分析等。时域分析比较形象和直观,适于分析波形简单的信号。

4 展望

1.3.1 描述性时序分析

早期的时序分析通常都是通过直观的数据比较或绘图观测,寻找序列中蕴含的发展规律,这种分析方法就成为描述性时序分析。古埃及人发现尼罗河泛滥的规律就是依靠这种分析方法。而在天文、物理、海洋学等自然科学领域,这种简单的描述性时序分析方法也常常使人们发现意想不到的规律。

比如根据《史记 货殖列传》记载,早在春秋战国时期,范蠡和计然就提出我国农业生产具有“六岁穰、六岁旱,十二岁一大饥”的自然规律。《越绝书 计倪内经》则描述的更加详细,“太阴三岁处金则穰,三岁处氺则毁,三岁处木则康,三岁处火则旱......天下六岁一穰,六岁一康,凡十二岁一饥”。
用现代汉语来表述就是“木星绕天空运行,运行三年,如果处于金位,则该年为大丰收年;如果处于水位,则该年为大灾年;再运行三年,如果处于木位,则该年为小丰收年,如果处于火位,则该年为小灾年,所以天下平均六年一个大丰收年,六年一个小丰收年,十二年为一个大饥荒”。这是2500多年前,我国对农业生成具有3年一个小波动,12年左右一个大周期的记录,是一个典型的描述性时间序列分析。
描述性时序序列分析方法是人民在认识自然、改造自然的过程中发现的实用方法,对于很多自然现象,只要人们观察时间足够长,就能运描述性时序分析发现蕴含在时间里的自然规律,根据自然规律,做恰当的政策安排,就能有利于社会的发展和进步。

人们没有采取任何复杂的模型或分析方法,仅仅是按照时间序列收集数据,描述和呈现序列的波动,就了解到小麦产量的周期波动特征,产生该周期特征的气候原因以及周期波动对价格的影响。操作简单,直观有效是描述性时间序列分析方法的突出特点。它通常也是人们进行统计时序分析的第一步,通过图示的方法直观的反映出序列的波动特征。

在时域分析中,经常采用时序模型分析法。所谓的时序模型分析法,就是根据实验所采集的有序数据建立差分方程形式的数学模型,再利用模型进行分析的一种方法。从机械设备的角度来看,这些数据来自机械设备,建立的数学模型也是对设备的一种数学描述,它反映了设备的运行状态。因此,一方面可基于模型对设备进行状态分析,另一方面还可基于模型对设备的未来状态和趋势进行预测。

在上述影响振动因素的相互作用下,水电机组振动信号通常展现出非平稳、非线性的特性。由于傅里叶变换是建立在信号全局上的变换,无法对非平稳、非线性信号进行局部分析,同时纯频域分析方法在时域上不具备分辨能力。因此以傅里叶变换为基础的频域分析方法存在一定的局限性。

非线性场合

  • Granger和Andersen在1987年提出了双线性模型
  • Howell Tong与1987年提出门限自回归模型
  • Priestley于1980年提出了状态相依模型
  • Hamilton于1989年提出了马尔科夫转移模型
  • Lewis和Stevens于1991年提出了多元适应回归样条方法
  • Carlin于1992年提出了非线性状态空间建模的方法
  • Chen和Tsay于1993年提出了非线性可加自回归模型

1)强噪声背景下的故障特征提取。水电机组在实际工作中存在着大量噪声干扰,在故障早期阶段,有效的振动特征微弱。目前对微弱故障特征的提取工作已有一些成果,但仍需要深入研究和不断充实。

1.3.2 统计时序分析

随着研究领域的不断拓广,人们发现单纯的描述性时序分析有很大的局限性,在金融、保险、法律、人口、心理学等社会科学研究领域,随机变量的发展通常会呈现出非常强的随机性,想通过对时序序列简单的观察和描述,总结出随机变量发展变化的规律,并准确预测出它们将来的走势通常是非常困难的。

为了更准确的估计随机时序发展变化的规律,从20世纪20年代开始,学术界利用数理统计学原理分析时序序列。研究重心从总结表现现象转移到分析序列值内在的相互关系上,由此开辟了一门应用统计学科,时序序列分析。
纵观时间序列分析方法的发展历史可以将时间序列分析方法分为两大类。

2.2 基于频域分析的特征提取方法

异方差

  • 美国统计学家、计量经济学家Robert F Engle在1982年提出了自回归条件异方差(ARCH)模型
  • Bollerslov在1985年提出了广义自回归条件异方差模型(GARCH)
  • Nelson等人又提出了指数广义自回归条件异方差(EGARCH)模型,方差无穷广义自回归条件异方差(IGARCH)和依均值广义自回归条件异方差(GARCH-M)模型

粗糙集理论是一种处理不精确、不确定与不完全数据的分析理论,通过对数据进行分析和推理,挖掘数据的潜在信息。有学者提取了水电机组振动的重叠故障模式,先用粗糙集定义每种故障类别的上下近似,再与重叠故障模式进行比较,最后结合支持向量机计算故障模式属于某一种故障类别的可能性。

1 水轮发电机组振动特性

水电机组设备庞大、机理复杂,水力振动、电磁振动及机械振动是其运行过程中产生振动的主要因素,下面展开具体说明。

水电机组的故障诊断通常基于振动信号进行分析。首先,采集水轮发电机组一个或多个测点的振动信号,然后处理信号,并提取能够表征信号的特征量,评估水电机组的运行状态,最后对异常的运行工况进行故障诊断,判断故障发生的部位、原因和严重程度。具体流程图如图1所示。

3.1 传统故障诊断方法

时域分析方法,是通过获取振动信号波形中各种时域参数和指标并进行分析,从而提取时域特征量的方法。迄今为止,在时域中应用较为广泛的参数及其指标主要包括峰值、方差、均值、峭度、脉冲值、相角、裕度因子等。

为了更好地体现非平稳、非线性振动信号的局部特性,获得相对于频率和时间的信号变化规律,引入基于时频分析的特征提取方法。目前常见的时频分析方法有小波变换、希尔伯特黄变换、cohen类分布等。

2.3 基于时频分析的特征提取方法

对于非线性非平稳的水电机组振动信号的处理,主要通过提取信号的有效特征量,使故障征兆从嘈杂的噪声中突显出来,作为故障诊断的输入。到目前为止,时域、频域、时频域、轴心轨迹分析法等是水电机组提取故障特征量的重要方法。

4)支持向量机

wt是用一组宽度不断变化的基函数对信号进行分析的时频分析方法,通过多分辨率分析将振动信号变换到不同频段和时段进行局部分析,从而得到信号异常部分的细节特征。有学者通过对振动信号使用小波变换,选择合适的小波分解尺度和类型,获得了能够反映振动特征的系数图。同时结合灰度矩,将其数值作为判断振动信号强度的定量指标。

本文从水电机组的振动特性出发,介绍了常见的故障特征提取方法,总结了当下的水电机组振动故障诊断方法,包括传统故障诊断方法和基于人工智能的故障诊断方法,并着重分析了各类方法的适用性、优越性和各自的局限性。最后对水电机组今后的故障诊断趋势进行了展望,未来这一技术的发展还有待进一步研究。

从国内外水轮发电机组故障诊断的研究及应用情况来看,现有的方法能够较好地实现特征提取和故障类型识别。但从上文的介绍可以了解到,目前故障诊断方法还存有自身的局限性。对于水电机组,未来其故障诊断方法可能存在以下几个发展趋势:

有学者分解并重构了水轮机转动部分同一切面上两个互相垂直的传感器采集的数据,得到二维全息谱图。信号的相位信息和幅频信息都包含在谱图中,能够直接看出最大幅值、旋转方向、轨迹的形状等。根据二维谱图中的形状,可以从已有的案例中,初步得出造成机组振动的主要原因。

模糊数学在水轮机组故障诊断中有良好的效果,但该方法需要经验知识的参与,比如对故障程度的描述、核心隶属度函数的确定等。

支持向量机作为一种监督学习方法,具有较强的分类能力,在解决小样本、高维非线性决策问题方面有很大优势。有学者采用支持向量数据描述方法以便提取不平衡故障样本域的边界支持向量样本,并构建了基于模糊阈值和k近邻决策规则的故障诊断模型,解决了样本稀缺且分布不均匀的问题。

有学者结合集合经验模态和奇异谱分解对振动波形去噪并得到奇异谱熵,将其作为特征量输入som神经网络进行训练和诊断,提高了识别精度和计算速度。

2)hht

有学者提出了一种典型谱相关峭度图算法,用相关峭度指标代替峭度指标,既反映了信号中的瞬态信息,同时满足相关系数,有利于快速定位故障信号所在的频率区间,提高算法的鲁棒性。

电动机设备内部的电磁力导致了电磁振动,主要因素包括:不平衡的三相电流,定、转子间气隙不均,定子铁心松动等。一般来说,电磁振动的频率特性表现为:极频及其整数倍频。

支持向量机虽然应用广泛,但也存在核参数单一、样本参数的选择、只支持二分类等缺点,对故障诊断的准确性有一定影响。

有学者利用多小波在正交性、对称性等方面的良好特性,选择其尺度函数,作为神经网络的核函数,对三种故障的特征集进行训练。通过对比简单神经网络,验证了该方法对训练初始参数有较低的敏感度,同时具有较好的收敛性和收敛速度,能更准确、及时地判别故障。

因此有必要研究水轮发电机组的振动特性、运行状态和故障防护,使机组在发生故障时能够迅速而准确地做出诊断,以减少停机维修时间,同时也促进水电站向无人值守的自动化方向发展,获得巨大的经济效益和社会效益。

有学者将hht运用于水电机组空化信号特征的提取,得到不同空化状态所对应的频带特征,快速准确地反映了机组的空化程度。有学者利用emd、变分模态分解方法于水轮机压力波动信号分析中,准确描述了压力波动信号中的低频分量,成功提取了尾水管的涡带特征。有学者采用emd分解振动信号波形,获得信号的不同特征尺度序列,并求取不同故障下的emd近似系数作为主要趋势曲线,以描述每一类故障信号的能量特性。

3 故障诊断方法

模糊数学一个是描述人脑思维处理模糊信息的方法,在处理不确定性、不精确性问题上具有很好的适应性。有学者建立了状态论域与征兆论域的模糊关系矩阵,并对故障状态下的关系矩阵进行模糊推理,判别滚动轴承故障情况。有学者对故障程度对应的振动强度进行了分级描述,针对不同水电机组建立了多个模糊矩阵模式,成功诊断了某水电站的水轮机故障,验证了模糊诊断的有效性。

2)粗糙集理论

有学者采用粗糙集建立规则提取数据决策表,并引入聚类算法和粒子群算法改进粗糙集属性约简方法,对故障信息进行约简,提取能表征故障类别的信息,作为神经网络的输入。该方法降低了数据维度并提高了诊断精度。

福州大学电气工程与自动化学院的研究人员陈珊珊、杨耿杰,在2019年第6期《电气技术》杂志上撰文指出,故障诊断技术是保证水轮发电机组安全可靠运行的关键。本文描述了水轮发电机组的振动特性、特征量提取、故障诊断方法,对现有方法进行归类并分析其优缺点,介绍了近年来国内外水电机组振动故障诊断研究最新进展及应用情况,探讨了水电机组故障诊断技术未来可能的发展趋势。

1)轴心轨迹分析

图1 水轮机组振动故障诊断流程图

近年来,我国水电机组的单机容量、装机容量都保持着高速增长,水电发展规模日益增大。大约80%的水电机组故障都反映于振动信号中,异常的振动轻则对设备正常运行产生影响,重则可能造成设备的破坏,直接影响水电机组的安全稳定运行,甚至可能引发厂房事故,造成严重的经济损失。

图片 1

结论

hht在振动信号分析中应用非常广泛,其分析过程主要包括两部分:经验模态分解和希尔伯特变换。hht可以自适应地将信号分解为若干出自信号本身的本征模式函数且获得相对应信号的hilbert谱以反映原信号的时频属性。

有学者在不同负荷情况下,确定了混流式水电机组的大轴摆度和尾水管涡带部位轴心轨迹的变化趋势,为水轮机故障诊断提供了理论基础;有学者研究了水轮机组不同运行工况下的轴心轨迹分析,并结合支持向量机对几种典型故障状态进行识别。

由此可知,水力、机械、电磁三种因素互相影响、共同作用于机组,使得机组的振动信号包含信息众多,故障发生时往往难以确定故障原因。因此,对于故障的前兆与类别之间的不确定信息乃至二者复杂的映射关系,还需要进行深入地研究与实践。

2)故障树分析

基于振动信号的故障诊断方法有很多,目前应用于水电机组的大致可分为两类:一类是基于检测数据处理的传统方法,包括故障树分析法、贝叶斯理论等;另一类是基于专家经验和知识处理的智能诊断,包括模糊理论、粗糙集、神经网络、支持向量机等方法。

分形理论是由分形几何学衍生的一种数学方法,可以将难以定量的复杂系统分析解构成简单的局部表征,为能够全面掌握复杂和不规则的振动信号的特性,可采用分形维数作为评价指标。有学者对去噪后的电动机轴承信号进行维数分解,并在轴承不同运行情况下,计算出这一信号的关联维数值,从全局上定性、定量地描述轴承故障前后的情况变化,并通过实例证明了这一理论在实际运用中的有效性。

轴心轨迹分析常应用于水电机组特别是轴承运行状态的监测。轴心轨迹不仅可以显示转子轴径相对滑动轴承的位移,还可以监测转子径向受力的变化、轴承的对中程度,从而判断轴的状态。

2.1 基于时域分析的特征提取方法

有学者对振动信号进行vmd分解,计算故障时各模态分量的能量作为特征,再结合遗传算法对支持向量机加以优化,在样本量不丰富的情况下,对故障特征进行识别与诊断,成功识别出水电机组低频涡带故障、水力脉动故障以及水力不平衡三种故障。

贝叶斯网络和故障树分析二者都是在给出随机变量因果的条件下进行诊断,其模型的建立都需要本领域专家和工程师的参与,在实际应用时具有局限性。

由于神经网络的训练依靠大量已知样本,且故障诊断的效果与样本数据的准确性和完备性密切相关。因此如何获得大批量故障样本数据,是目前基于神经网络的故障诊断急需解决的问题。

2)分形理论

时域分析计算简单,且能直观反映特征信息,随着机组故障的出现,大多时域特征参量会发生改变。但对于不同故障类型及严重程度,时域分析统计参量则难以做出具体判断,也无法有效反映信号的频率变化。

3.2 基于人工智能的故障诊断方法

3)神经网络

神经网络是模拟生物神经系统建立的一种自学习方法,通过对大量已知样本故障数据进行网络层间学习,建立故障征兆和故障类别之间的映射关系,并将待诊断样本输送至已训练好的网络进行故障判定。

故障树分析作为一种直观、明了的逻辑关系分析方法,其诊断过程从故障状态切入,对系统故障模式及其部件进行逐级的分析推理,直到得出故障发生的原因。有学者利用故障树图进行诊断系统的建模和可靠性分析,从上至下地挖掘与故障相关的可能因素,结合专家系统判断,清晰可靠地表达了潜在的故障因素。

由于水电机组振动信号在频域内具有明显的分布特征,因此频域分析方法在故障特征量提取中应用较为广泛。频域分析方法以傅里叶变换为基础,通过对振动信号进行谱分析,提取频率特征作为故障特征量。常用的频域分析方法主要包括功率谱、幅值谱、包络谱、倒频谱、全息谱分析等。

2.4 其他方法

尽管粗糙集理论在处理不精确、不完备信息方面效果显著且具有较好的鲁棒性,但仍存在一些理论上的问题,例如与非标准分析、和非参数化统计等之间的关系等。

水轮机组机械部件的摩擦力、惯性力和其他力导致了机械振动。影响机械振动的主要因素包括:轴线不对中或对中不良,导轴承缺陷,旋转部件质量不平衡等。在机械振动中,其频率特性主要表现为:转频及其整数倍频。

贝叶斯理论是一种统计模型决策方法,通过概率推理对部分未知状态进行估计,利用贝叶斯公式更新概率信息,从而实现对不完整、不确定信息的诊断决策。有学者采用noisy or模型与贝叶斯网络结合的方法对水轮发电机组进行故障诊断,在保证诊断效果的前提下,提高了诊断速度和效率。

2 故障特征提取

有学者利用小波包分析,根据故障发生时各频带能量发生的变化,建立振动故障与能量的映射关系,通过频带的能量谱图,实现了故障信号特征量的提取。有学者用图像拟合了连续小波变换的模极大值与尺度的对数关系,用lispschitz指数的大小表征机组故障程度,在实际故障诊断分析中效果显著。

水轮机中水流与设备之间相互作用产生的动水压力导致了水力振动。影响水力振动的主要因素有:尾水管压力脉动、水力不平衡、卡门涡列、水封间隙不均匀、空腔气蚀、水流不均匀等。其频率特性主要表现为:涡带频率和类转频频率。

3)随着故障诊断技术的不断发展,基于人工智能、物联网技术等新型的诊断方法逐渐代替传统诊断方法成为首选,但是这些诊断算法通常在诊断过程中依赖于大量数据和训练样本。因此,建立实时在线的故障诊断系统,充分利用在线系统中丰富的样本量,使算法可以摆脱对历史数据的依赖,减少训练时间,真正实现在线故障诊断,也是水电机组故障诊断未来的发展趋势之一。

2)故障诊断方法的融合。由上文可知,目前每一种单独的诊断方法都存在各自的优缺点。对于水电机组而言,新型的故障诊断系统需要融合不同方法,利用每种方法的自身优势、克服缺陷,建立集成专家系统,以确保故障诊断的智能性、准确性。

1)模糊数学

hht具有自适应性、正交性和完备性的特点,且避开了基函数的特定选取,克服了时域分析方法和小波变换的不足。于此同时,hht也存在着诸如模态混叠、端点效应等问题,仍需进行深入研究。

1)贝叶斯理论

责编:
分享:

版权作品,未经新濠lottery-新濠注册网址「官方网站」书面授权,严禁转载,违者将被追究法律责任。