CN112541155A - 一种基于置信规则库的汽轮机转子不平衡检测方法 - Google Patents
一种基于置信规则库的汽轮机转子不平衡检测方法 Download PDFInfo
- Publication number
- CN112541155A CN112541155A CN202011057971.1A CN202011057971A CN112541155A CN 112541155 A CN112541155 A CN 112541155A CN 202011057971 A CN202011057971 A CN 202011057971A CN 112541155 A CN112541155 A CN 112541155A
- Authority
- CN
- China
- Prior art keywords
- fundamental frequency
- calculating
- confidence
- sequence
- amplitude
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 76
- 230000008859 change Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 57
- 238000005070 sampling Methods 0.000 claims description 48
- 208000024891 symptom Diseases 0.000 claims description 43
- 238000003745 diagnosis Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000819 phase cycle Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/003—Arrangements for testing or measuring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/14—Determining imbalance
- G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
- G01M1/22—Determining imbalance by oscillating or rotating the body to be tested and converting vibrations due to imbalance into electric variables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Of Balance (AREA)
Abstract
本发明涉及一种基于置信规则库的汽轮机转子不平衡检测方法,包括:采集汽轮机转子的基频数据,并记录对应的负荷值,若采集的基频幅值大于预设的阈值时,则启动规则库进行不平衡检测;根据采集的基频数据及对应的负荷值,依次进行原始质量不平衡和质量渐变不平衡检测,以得到第一检测结果和第二检测结果;若第一检测结果为发生原始质量不平衡,则进一步计算对应的结论置信度,即转子发生原始质量不平衡的概率;若第二检测结果为发生质量渐变不平衡,则进一步计算对应的结论置信度,即转子发生质量渐变不平衡的概率。与现有技术相比,本发明通过构建完整的不平衡规则库,能够自主、准确地进行汽轮机转子不平衡检测。
Description
技术领域
本发明涉及汽轮机设备故障检测技术领域,尤其是涉及一种基于置信规则库的汽轮机转子不平衡检测方法。
背景技术
汽轮机是常用的一种旋转机械,而转子是汽轮机中的主要部件。转子不平衡引发的后果严重,轻则造成转子疲劳工作,降低工作机组使用性能和寿命,重则造成转子损坏和断裂,直接停止运转。为此,需要进行汽轮机转子不平衡检测。
目前已经有针对汽轮机不平衡故障的诊断***,但是其规则库的大多数证据不可语义化,只能基于人工的判断,所以难以实现不平衡故障的智能诊断。同时规则库的证据均基于征兆的静态特性,无法反映故障的动态变化特性,另外当前的诊断***大多基于大数据分析,通过深度学习策略以得到故障智能诊断***,然而由于实际故障的样本数据较少,导致最后深度学习训练处的模型泛化能力差、诊断结果准确率较低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于置信规则库的汽轮机转子不平衡检测方法,以实现智能诊断、准确检测的目的。
本发明的目的可以通过以下技术方案来实现:一种基于置信规则库的汽轮机转子不平衡检测方法,包括以下步骤:
S1、采集汽轮机转子的基频数据,并记录对应的负荷值,其中,基频数据包括基频幅值和基频相位,若采集的基频幅值大于预设的阈值时,则启动规则库进行不平衡检测,所述规则库包括原始质量不平衡规则库和质量渐变不平衡规则库;
S2、根据采集的基频数据及对应的负荷值,依次进行原始质量不平衡和质量渐变不平衡检测,以得到第一检测结果和第二检测结果;
S3、若第一检测结果为发生原始质量不平衡,则进一步计算第一检测结果对应的结论置信度,即得到转子发生原始质量不平衡的概率;
若第二检测结果为发生质量渐变不平衡,则进一步计算第二检测结果对应的结论置信度,即得到转子发生质量渐变不平衡的概率。
进一步地,所述步骤S1中采集汽轮机转子的基频数据的具体过程为:
S11、按照设置的采样间隔时间和采样周期,通过两个电涡流位移传感器分别采集汽轮机转子在X方向和Y方向的振动信号,其中,两个电涡流位移传感器相互呈正交方向安装在汽轮机高压转子的表面;
S12、对X方向和Y方向的振动信号分别进行快速傅里叶变换,得到汽轮机转子在XY两个方向上的基频幅值和基频相位。
进一步地,所述步骤S2具体包括以下步骤:
S21、根据采集的基频数据及对应的负荷值,按照预设的原始质量不平衡故障诊断规则,原始质量不平衡规则库对转子进行不平衡检测,得到第一检测结果;
S22、根据采集的基频数据及对应的负荷值,按照预设的质量渐变不平衡故障诊断规则,质量渐变不平衡规则库对转子进行不平衡检测,得到第二检测结果。
进一步地,所述步骤S21中原始质量不平衡规则库对转子进行不平衡检测的过程为:
S211、通过计算X方向基频幅值与负荷值的关联度,即得到相应征兆,以判断X方向基频幅值是否与负荷不相关,若判断为是,则计算对应的置信度,之后执行步骤S212,否则结束检测过程;
S212、通过计算Y方向基频幅值与负荷值的关联度,即得到相应征兆,以判断Y方向基频幅值是否与负荷不相关,若判断为是,则计算对应的置信度,之后执行步骤S213,否则结束检测过程;
S213、计算相应征兆,以判断X方向基频幅值是否不变,若判断为是,则计算对应的置信度,之后执行步骤S214,否则结束检测过程;
S214、计算相应征兆,以判断Y方向基频幅值是否不变,若判断为是,则计算对应的置信度,之后执行步骤S215,否则结束检测过程;
S215、计算相应征兆,以判断X方向基频相位是否不变,若判断为是,则计算对应的置信度,之后执行步骤S216,否则结束检测过程;
S216、计算相应征兆,以判断Y方向基频相位是否不变,若判断为是,则计算对应的置信度,之后执行步骤S217,否则结束检测过程;
S217、根据步骤S211~步骤S216计算得到的置信度,进一步计算对应的匹配度,若匹配度小于或等于预设的匹配指数,则得到第一检测结果为转子发生原始质量不平衡,否则得到第一检测结果为转子未发生原始质量不平衡。
进一步地,所述步骤S22中质量渐变不平衡规则库对转子进行不平衡检测的过程为:
S221、通过计算X方向基频幅值与负荷值的关联度,即得到相应征兆,以判断X方向基频幅值是否与负荷不相关,若判断为是,则计算对应的置信度,之后执行步骤S222,否则结束检测过程;
S222、通过计算Y方向基频幅值与负荷值的关联度,即得到相应征兆,以判断Y方向基频幅值是否与负荷不相关,若判断为是,则计算对应的置信度,之后执行步骤S223,否则结束检测过程;
S223、计算相应征兆,以判断X方向基频幅值是否不断增大,若判断为是,则计算对应的置信度,之后执行步骤S224,否则结束检测过程;
S224、计算相应征兆,以判断Y方向基频幅值是否不断增大,若判断为是,则计算对应的置信度,之后执行步骤S225,否则结束检测过程;
S225、通过计算X方向基频相位的方差值,即得到相应征兆,以判断X方向基频相位是否不断变换,若判断为是,则计算对应的置信度,之后执行步骤S226,否则结束检测过程;
S226、通过计算Y方向基频相位的方差值,即得到相应征兆,以判断Y方向基频相位是否不断变换,若判断为是,则计算对应的置信度,之后执行步骤S227,否则结束检测过程;
S227、根据步骤S221~步骤S226计算得到的置信度,进一步计算对应的匹配度,若匹配度小于或等于预设的匹配指数,则得到第二检测结果为转子发生质量渐变不平衡,否则得到第二检测结果为转子未发生质量渐变不平衡。
进一步地,所述步骤S211中X方向基频幅值与负荷值的关联度计算过程为:
分别对采集的X方向基频幅值序列和负荷序列进行均值预处理,之后通过以下公式计算X方向基频幅值与负荷值的关联度:
其中,rX为X方向基频幅值与负荷值的关联度,ξX(k)为灰色关联系数,ρ为关联度系数,{aX(k),k=1,2,…,N}为采集的X方向基频幅值序列,为对应的均值,{w(k),k=1,2,…,N}为采集的汽轮机负荷序列,Mw为对应的均值,N为采集次数,为均值处理后X方向基频幅值序列{a'X(k),k=1,2,…,N}与均值处理后负荷序列{w'(k),k=1,2,…,N}之差的绝对值最小值,为均值处理后X方向基频幅值序列{a'X(k),k=1,2,…,N}与均值处理后负荷序列{w'(k),k=1,2,…,N}之差的绝对值最大值;
若rX小于预设的X方向灰色关联阈值,则判断X方向基频幅值与负荷不相关;
所述步骤S212中Y方向基频幅值与负荷值的关联度计算过程为:
分别对采集的Y方向基频幅值序列和负荷序列进行均值预处理,之后通过以下公式计算Y方向基频幅值与负荷值的关联度:
其中,rY为Y方向基频幅值与负荷值的关联度,ξY(k)为灰色关联系数,ρ为关联度系数,{aY(k),k=1,2,…,N}为采集的Y方向基频幅值序列,为对应的均值,{w(k),k=1,2,…,N}为采集的汽轮机负荷序列,Mw为对应的均值,N为采集次数,为均值处理后Y方向基频幅值序列{a'Y(k),k=1,2,…,N}与均值处理后负荷序列{w'(k),k=1,2,…,N}之差的绝对值最小值,为均值处理后Y方向基频幅值序列{a'Y(k),k=1,2,…,N}与均值处理后负荷序列{w'(k),k=1,2,…,N}之差的绝对值最大值;
若rY小于预设的Y方向灰色关联阈值,则判断Y方向基频幅值与负荷不相关;
所述步骤S213中计算相应征兆的过程为:
在一个采样周期内,选定X方向基频幅值序列中任意相邻两点的幅值分别为aX(k)、aX(k+1),以此得到一组新的序列{AX(k),k=1,2,…,N-1}:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{AX(k),k=1,2,…,N-1}同时满足以下公式,则判断X方向基频幅值不变:
所述步骤S214中计算相应征兆的过程为:
在一个采样周期内,选定Y方向基频幅值序列中任意相邻两点的幅值分别为aY(k)、aY(k+1),以此得到一组新的序列{AY(k),k=1,2,…,N-1}:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{AY(k),k=1,2,…,N-1}同时满足以下公式,则判断Y方向基频幅值不变:
所述步骤S215中计算相应征兆的过程为:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{ΦX(k),k=1,2,…,N-1}同时满足以下公式,则判断X方向基频相位不变:
所述步骤S216中计算相应征兆的过程为:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{ΦY(k),k=1,2,…,N-1}同时满足以下公式,则判断Y方向基频相位不变:
进一步地,所述步骤S223中计算相应征兆的过程为:
在一个采样周期内,选定X方向基频幅值序列中任意相邻两点的幅值分别为aX(k),aX(k+1),以此得到一组新的序列{AX(k),k=1,2,…,N-1}:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{AX(k),k=1,2,…,N-1}满足以下公式,则判断X方向基频幅值不断增大:
所述步骤S224中计算相应征兆的过程为:
在一个采样周期内,选定Y方向基频幅值序列中任意相邻两点的幅值分别为aY(k)、aY(k+1),以此得到一组新的序列{AY(k),k=1,2,…,N-1}:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{AY(k),k=1,2,…,N-1}满足以下公式,则判断Y方向基频幅值不断增大:
所述步骤S225中X方向基频相位的方差值计算过程为:
之后计算对应的方差为:
所述步骤S226中Y方向基频相位的方差值计算过程为:
之后计算对应的方差为:
进一步地,所述置信度具体是通过置信度函数计算得到的,所述置信度函数为:
其中,xi为规则库检测过程中的第i个征兆,xLi和xHi分别为xi正常值边界的低阈值和高阈值,xmax i和xmin i分别为xi的上限值和下限值,N对应为征兆正常,FL对应为征兆异常低,FH对应为征兆异常高。
进一步地,所述匹配度的计算公式为:
θ=max{0,δ1-δ′1}+max{0,δ2-δ′2}+...+max{0,δN-δ′N}
其中,θ为匹配度,δi为规则库中第i个征兆的预设置信度,δ′i为第i个征兆的计算置信度。
进一步地,所述步骤S3中结论置信度的计算公式为:
α=[1-max{0,δ1-δ′1}]×[1-max{0,δ2-δ′2}]×...×[1-max{0,δN-δ′N}]×β
其中,α为结论置信度,β为规则库中给定的预设结论置信度。
与现有技术相比,本发明提出一种基于置信规则库的汽轮机转子不平衡检测方法,通过不平衡故障的机理和专家经验提取故障征兆参数的动态特性并形成征兆及相应置信度,通过对征兆逻辑相与的布尔计算得到不平衡故障的结论以及结论置信度,以此构建完整的不平衡故障诊断置信规则库,该方法能够自主采集转子的基频数据和对应负荷值,并能自主启动原始质量不平衡与质量渐变不平衡检测,通过两种规则库中设置的故障征兆与故障类型的一一映射关系,能够得到准确的检测结果,此外,还通过对检测结果进行结论置信度计算,进一步明确了不平衡故障发生的概率,有利于后续对汽轮机组的运维控制。
附图说明
图1为本发明的方法流程示意图;
图2为原始质量不平衡的检测过程示意图;
图3为质量渐变不平衡的检测过程示意图;
图4为X方向和Y方向电涡流位移传感器的安装示意图;
图5为置信度函数曲线示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种基于置信规则库的汽轮机转子不平衡检测方法,包括以下步骤:
S1、采集汽轮机转子的基频数据,并记录对应的负荷值,其中,基频数据包括基频幅值和基频相位,若采集的基频幅值大于预设的阈值时,则启动规则库进行不平衡检测,所述规则库包括原始质量不平衡规则库和质量渐变不平衡规则库;
S2、根据采集的基频数据及对应的负荷值,依次进行原始质量不平衡和质量渐变不平衡检测,以得到第一检测结果和第二检测结果;
S3、若第一检测结果为发生原始质量不平衡,则进一步计算第一检测结果对应的结论置信度,即得到转子发生原始质量不平衡的概率;
若第二检测结果为发生质量渐变不平衡,则进一步计算第二检测结果对应的结论置信度,即得到转子发生质量渐变不平衡的概率。
本实施例针对1000MW汽轮机高压转子进行不平衡故障检测,具体过程如下:
针对不平衡故障出现的频谱特征,当出现基频幅值超过预设阈值时启动规则库,即规则库启动的条件为:
IF Af1>A1
THEN启动规则库诊断
其中,Af1为采集的实际基频幅值,A1为启动规则库的预设阈值,A1=125μm。
本发明提供了两种故障不平衡检测:原始质量不平衡和质量渐变不平衡,在实际应用中,还可根据其他不平衡机理与专家经验构建相应的置信规则库。对于原始质量不平衡检测过程,如图2所示:
①基频幅值超过阈值时启动原始质量不平衡故障检测。
②设定1000MW汽轮机高压转子振动基频幅值阈值A1=125μm,当汽轮机转子基频振动幅值高于设定阈值时,则启动原始质量不平衡故障诊断规则库。
③规则库启动后,进行原始质量不平衡故障的诊断,若诊断结果成立,则转向原始质量不平衡的诊断人机界面解释:故障类型为原始质量不平衡、原始质量不平衡的置信度、引起原始质量不平衡原因以及故障修复措施信息,并结束整个诊断过程;若诊断结果不成立,则汽轮机高压转子未发生原始质量不平衡故障。
对于质量渐变不平衡检测过程,如图3所示:
①基频幅值超过阈值时启动质量渐变不平衡故障检测。
②设定1000MW汽轮机高压转子振动基频幅值阈值A1=125μm,当汽轮机转子基频振动幅值高于设定阈值时,则启动质量渐变不平衡故障诊断规则库。
③规则库启动后,进行质量渐变不平衡故障的诊断,若诊断结果成立,则转向质量渐变不平衡的诊断人机界面解释:故障类型为质量渐变不平衡、质量渐变不平衡的置信度、引起质量渐变不平衡原因以及故障修复措施信息,并结束整个诊断过程;若诊断结果不成立,则汽轮机高压转子未发生质量渐变不平衡故障。
具体的,整个不平衡检测的过程包括:
1)幅频信号与相频信号获取:
使用X、Y两个电涡流位移传感器获取高压转子绝对轴振X向信号、Y向信号。X、Y传感器呈正交方向安装在高压转子表面,其中X传感器为左45度,Y传感器为右45度。如图4所示,将两个正交传感器检测到的振动信号分别进行快速傅里叶变换(FFT),得到两个方向上的幅频信号与相频信号,对基频幅值、基频相位进行等间隔采样,采样间隔t=10min,采样周期T=5h,共获得个数据点。
2)1000MW汽轮机高压转子不平衡故障基频幅值阈值A1=125μm。
3)基频幅值超过设定阈值时的不平衡故障规则库如下,包括证据、结论和置信度:
(1)原始质量不平衡故障规则库:
A)原始质量不平衡故障诊断规则:
B)语义化算法:
X/Y传感器进行等间隔采样,采样间隔t=10min,采样周期T=5h,共获得个数据点。将X传感器在第k次采样时获得的振动信号进行快速傅里叶变换(FFT),由此得到X方向的基频幅值aX(k)和基频相位将Y传感器在第k次采样时获得的振动信号进行快速傅里叶变换(FFT),由此得到Y方向的基频幅值aY(k)和基频相位在第k次采样时,负荷大小为w(k)。
①证据1:X方向基频幅值与负荷不相关
灰色关联度rX阈值:0.40,低限值:0.05
一个采样周期内,得到X方向基频幅值序列{aX(k),k=1,2,…,N}。该序列的均值为
一个采样周期内,得到汽轮机负荷序列{w(k),k=1,2,…,N}。该序列的均值为
计算X方向基频幅值序列{a'X(k),k=1,2,…,N}与负荷序列{w'(k),k=1,2,…,N}的灰色关联系数:
其中,ρ为关联度系数,取ρ=0.5;即序列{a'X(k),k=1,2,…,N}与序列{w'(k),k=1,2,…,N}之差的绝对值的最小值;即序列{a'X(k),k=1,2,…,N}与序列{w'(k),k=1,2,…,N}之差的绝对值的最大值。
进而得到{a'X(k),k=1,2,…,N}与{w'(k),k=1,2,…,N}的关联度
若0<rX<0.0675,则X方向基频幅值与负荷不相关的置信度大于0.95。
②证据2:Y方向基频幅值与负荷不相关
灰色关联度rY阈值:0.40,低限值:0.05
一个采样周期内,得到Y方向基频幅值序列{aY(k),k=1,2,…,N}。该序列的均值为
计算Y方向基频幅值序列{a'Y(k),k=1,2,…,N}与负荷序列{w'(k),k=1,2,…,N}的灰色关联系数
进而得到{a'Y(k),k=1,2,…,N}与{w'(k),k=1,2,…,N}的关联度
若0<rY<0.0675,则Y方向基频幅值与负荷不相关的置信度大于0.95。
③证据3:X方向基频幅值不变
一个采样周期内,X方向基频幅值序列中任意相邻两点的幅值分别为aX(k),aX(k+1),根据式(8)得到一组新的序列{AX(k),k=1,2,…,N-1}。
定义[f]为取整运算,即[f]表示不超过f的最大整数。若序列{AX(k),k=1,2,…,N-1}同时满足式(9)-(10),则X方向基频幅值不变的置信度大于0.90。
④证据4:Y方向基频幅值不变
一个采样周期内,Y方向基频幅值序列中任意相邻两点的幅值分别为aY(k),aY(k+1),根据式(11)得到一组新的序列{AY(k),k=1,2,…,N-1}。
定义[f]为取整运算,即[f]表示不超过f的最大整数。若序列{AY(k),k=1,2,…,N-1}同时满足式(12)-(13),则Y方向基频幅值不变的置信度大于0.90。
⑤证据5:X方向基频相位不变
定义[f]为取整运算,即[f]表示不超过f的最大整数。若序列{ΦX(k),k=1,2,…,N-1}同时满足式(15)-(16),则X方向基频相位不变的置信度大于0.85。
⑥证据6:Y方向基频相位不变
定义[f]为取整运算,即[f]表示不超过f的最大整数。若序列{ΦY(k),k=1,2,…,N-1}同时满足式(18)-(19),则Y方向基频相位不变的置信度大于0.85。
(2)质量渐变不平衡故障规则库:
A)质量渐变不平衡故障诊断规则:
B)语义化算法:
X/Y传感器进行等间隔采样,采样间隔t=10min,采样周期T=5h,共获得个数据点。将X传感器在第k次采样时获得的振动信号进行快速傅里叶变换(FFT),由此得到X方向的基频幅值aX(k)和基频相位将Y传感器在第k次采样时获得的振动信号进行快速傅里叶变换(FFT),由此得到Y方向的基频幅值aY(k)和基频相位在第k次采样时,负荷大小为w(k)。
①证据1:X方向基频幅值与负荷不相关
灰色关联度rX阈值:0.40,低限值:0.05
一个采样周期内,得到X方向基频幅值序列{aX(k),k=1,2,…,N}。该序列的均值由式(1)求得。将X方向基频幅值序列的数值除以均值得到预处理后的X方向基频幅值序列{a'X(k),k=1,2,…,N},其中
由式(3)计算X方向基频幅值序列{a'X(k),k=1,2,…,N}与负荷序列{w'(k),k=1,2,…,N}的灰色关联系数。进而由式(4)求得{a'X(k),k=1,2,…,N}与{w'(k),k=1,2,…,N}的关联度。
若0<rX<0.0675,则X方向基频幅值与负荷不相关的置信度大于0.95。
②证据2:Y方向基频幅值与负荷不相关
灰色关联度rY阈值:0.40,低限值:0.05
一个采样周期内,得到Y方向基频幅值序列{aY(k),k=1,2,…,N}。该序列的均值由式(5)求得。将Y方向基频幅值序列的数值除以均值得到预处理后的Y方向基频幅值序列{a'Y(k),k=1,2,…,N},其中
由式(6)计算Y方向基频幅值序列{a'Y(k),k=1,2,…,N}与负荷序列{w'(k),k=1,2,…,N}的灰色关联系数。进而由式(7)求得{a'Y(k),k=1,2,…,N}与{w'(k),k=1,2,…,N}的关联度。
若0<rY<0.0675,则Y方向基频幅值与负荷不相关的置信度大于0.95。
③证据3:X方向基频幅值不断增大
一个采样周期内,X方向基频幅值序列中任意相邻两点的幅值分别为aX(k),aX(k+1),根据式(8)得到一组新的序列{AX(k),k=1,2,…,N-1}。
定义[f]为取整运算,即[f]表示不超过f的最大整数,。若序列{AX(k),k=1,2,…,N-1}满足式(20),则X方向基频幅值不断增大的置信度大于0.90。
④证据4:Y方向基频幅值不断增大
一个采样周期内,Y方向基频幅值序列中任意相邻两点的幅值分别为aY(k),aY(k+1),根据式(11)得到一组新的序列{AY(k),k=1,2,…,N-1}。
定义[f]为取整运算,即[f]表示不超过f的最大整数。若序列{AY(k),k=1,2,…,N-1}满足式(21),则Y方向基频幅值不断增大的置信度大于0.90。
⑤证据5:X方向基频相位不断变换
方差为
⑥证据6:Y方向基频相位不断变换
方差为
(3)故障征兆置信度计算:
在规则库中,诊断规则的置信度根据领域专家经验确定,但在故障推理过程中,与规则进行匹配的故障征兆置信度需要通过置信度函数进行计算。
定义第i个征兆置信度函数的正常值边界(阈值)分别为xLi和xHi,上限值和下限值分别为xmax i和xmin i,即征兆xi落在区间[xLi,xHi]时表示征兆正常(N),超过xmax i表示征兆异常高(FH),而小于xmin i表示征兆异常低(FL)。征兆事实通过模糊隶属度函数转换为具有一定置信度的证据,征兆置信度是对征兆参数偏离界限状态的表述,它反映了参数异常的程度,其取值一般在[0,1]之间。第i个征兆置信度函数可以表示为:
第i个故障征兆的置信度函数曲线如图5所示。本实施例中不平衡故障征兆置信度函数的阈值、限值的设定如表1所示。
表1
故障诊断规则 | 单位 | x<sub>min i</sub> | x<sub>Li</sub> | x<sub>Hi</sub> | x<sub>max i</sub> |
X/Y方向基频幅值与负荷不相关 | -- | 0.05 | 0.4 | -- | -- |
X/Y方向基频幅值不变 | -- | 0 | 0.25 | -- | -- |
X/Y方向基频相位不变 | -- | 0 | 0.25 | -- | -- |
X/Y方向基频幅值不断增大 | -- | -- | -- | 0.55 | 0.9 |
X/Y方向基频相位不断变换 | -- | -- | -- | 10 | 15 |
(4)规则匹配算法与结论置信度计算:
规则匹配算法如下所示:
θ=max{0,δ1-δ′1}+max{0,δ2-δ′2}+...+max{0,δN-δ′N}≤ε (29)
上式中,θ表示匹配度;δi为规则库中第i条证据的置信度;δ′i为第i条征兆的计算置信度;ε表示匹配指数。
如果公式左边的计算结果小于等于ε,即表示证据置信度小于规则的前提置信度,则匹配结果为真,然后计算结论置信度α,其计算公式如下:
α=[1-max{0,δ1-δ′1}]×[1-max{0,δ2-δ′2}]×...×[1-max{0,δN-δ′N}]×β (30)
上式中,β为规则库中给定的结论置信度。
综上所述,本发明主要是根据实时采集转子的基频数据和负荷值,通过判断基频幅值是否超过预设阈值,以决定不平衡规则库是否启动,当不平衡规则库启动后,首先获取征兆xi,之后根据式(26)-(28)计算征兆xi的置信度δ′i,最后根据式(29)计算匹配度θ,若θ≤ε,则表明此时发生了不平衡故障,进一步根据式(30)计算结论置信度α,以得到发生该不平衡故障的概率值;若θ>ε,则故障征兆与不平衡故障规则库不匹配,转子未发生不平衡故障。
本实施例针对1000MW汽轮机高压转子,采用本发明提出的方法进行不平衡故障诊断,通过不平衡故障的机理分析提取故障特征参数,通过不平衡故障的机理和专家经验提取故障特征参数并形成证据,通过对证据逻辑相与得到不平衡故障的结论,构建完整的不平衡故障诊断置信规则库。该方法在汽轮机高压转子振动信号异常后,对汽轮机转子进行不平衡故障诊断,降低了汽轮机转子不平衡故障的发生率,提高了汽轮机高压转子不平衡故障诊断和修复效率,保障了汽轮机组安全稳定运行。
Claims (10)
1.一种基于置信规则库的汽轮机转子不平衡检测方法,其特征在于,包括以下步骤:
S1、采集汽轮机转子的基频数据,并记录对应的负荷值,其中,基频数据包括基频幅值和基频相位,若采集的基频幅值大于预设的阈值时,则启动规则库进行不平衡检测,所述规则库包括原始质量不平衡规则库和质量渐变不平衡规则库;
S2、根据采集的基频数据及对应的负荷值,依次进行原始质量不平衡和质量渐变不平衡检测,以得到第一检测结果和第二检测结果;
S3、若第一检测结果为发生原始质量不平衡,则进一步计算第一检测结果对应的结论置信度,即得到转子发生原始质量不平衡的概率;
若第二检测结果为发生质量渐变不平衡,则进一步计算第二检测结果对应的结论置信度,即得到转子发生质量渐变不平衡的概率。
2.根据权利要求1所述的一种基于置信规则库的汽轮机转子不平衡检测方法,其特征在于,所述步骤S1中采集汽轮机转子的基频数据的具体过程为:
S11、按照设置的采样间隔时间和采样周期,通过两个电涡流位移传感器分别采集汽轮机转子在X方向和Y方向的振动信号,其中,两个电涡流位移传感器相互呈正交方向安装在汽轮机高压转子的表面;
S12、对X方向和Y方向的振动信号分别进行快速傅里叶变换,得到汽轮机转子在XY两个方向上的基频幅值和基频相位。
3.根据权利要求2所述的一种基于置信规则库的汽轮机转子不平衡检测方法,其特征在于,所述步骤S2具体包括以下步骤:
S21、根据采集的基频数据及对应的负荷值,按照预设的原始质量不平衡故障诊断规则,原始质量不平衡规则库对转子进行不平衡检测,得到第一检测结果;
S22、根据采集的基频数据及对应的负荷值,按照预设的质量渐变不平衡故障诊断规则,质量渐变不平衡规则库对转子进行不平衡检测,得到第二检测结果。
4.根据权利要求3所述的一种基于置信规则库的汽轮机转子不平衡检测方法,其特征在于,所述步骤S21中原始质量不平衡规则库对转子进行不平衡检测的过程为:
S211、通过计算X方向基频幅值与负荷值的关联度,即得到相应征兆,以判断X方向基频幅值是否与负荷不相关,若判断为是,则计算对应的置信度,之后执行步骤S212,否则结束检测过程;
S212、通过计算Y方向基频幅值与负荷值的关联度,即得到相应征兆,以判断Y方向基频幅值是否与负荷不相关,若判断为是,则计算对应的置信度,之后执行步骤S213,否则结束检测过程;
S213、计算相应征兆,以判断X方向基频幅值是否不变,若判断为是,则计算对应的置信度,之后执行步骤S214,否则结束检测过程;
S214、计算相应征兆,以判断Y方向基频幅值是否不变,若判断为是,则计算对应的置信度,之后执行步骤S215,否则结束检测过程;
S215、计算相应征兆,以判断X方向基频相位是否不变,若判断为是,则计算对应的置信度,之后执行步骤S216,否则结束检测过程;
S216、计算相应征兆,以判断Y方向基频相位是否不变,若判断为是,则计算对应的置信度,之后执行步骤S217,否则结束检测过程;
S217、根据步骤S211~步骤S216计算得到的置信度,进一步计算对应的匹配度,若匹配度小于或等于预设的匹配指数,则得到第一检测结果为转子发生原始质量不平衡,否则得到第一检测结果为转子未发生原始质量不平衡。
5.根据权利要求3所述的一种基于置信规则库的汽轮机转子不平衡检测方法,其特征在于,所述步骤S22中质量渐变不平衡规则库对转子进行不平衡检测的过程为:
S221、通过计算X方向基频幅值与负荷值的关联度,即得到相应征兆,以判断X方向基频幅值是否与负荷不相关,若判断为是,则计算对应的置信度,之后执行步骤S222,否则结束检测过程;
S222、通过计算Y方向基频幅值与负荷值的关联度,即得到相应征兆,以判断Y方向基频幅值是否与负荷不相关,若判断为是,则计算对应的置信度,之后执行步骤S223,否则结束检测过程;
S223、计算相应征兆,以判断X方向基频幅值是否不断增大,若判断为是,则计算对应的置信度,之后执行步骤S224,否则结束检测过程;
S224、计算相应征兆,以判断Y方向基频幅值是否不断增大,若判断为是,则计算对应的置信度,之后执行步骤S225,否则结束检测过程;
S225、通过计算X方向基频相位的方差值,即得到相应征兆,以判断X方向基频相位是否不断变换,若判断为是,则计算对应的置信度,之后执行步骤S226,否则结束检测过程;
S226、通过计算Y方向基频相位的方差值,即得到相应征兆,以判断Y方向基频相位是否不断变换,若判断为是,则计算对应的置信度,之后执行步骤S227,否则结束检测过程;
S227、根据步骤S221~步骤S226计算得到的置信度,进一步计算对应的匹配度,若匹配度小于或等于预设的匹配指数,则得到第二检测结果为转子发生质量渐变不平衡,否则得到第二检测结果为转子未发生质量渐变不平衡。
6.根据权利要求4所述的一种基于置信规则库的汽轮机转子不平衡检测方法,其特征在于,所述步骤S211中X方向基频幅值与负荷值的关联度计算过程为:
分别对采集的X方向基频幅值序列和负荷序列进行均值预处理,之后通过以下公式计算X方向基频幅值与负荷值的关联度:
其中,rX为X方向基频幅值与负荷值的关联度,ξX(k)为灰色关联系数,ρ为关联度系数,{aX(k),k=1,2,…,N}为采集的X方向基频幅值序列,为对应的均值,{w(k),k=1,2,…,N}为采集的汽轮机负荷序列,Mw为对应的均值,N为采集次数,为均值处理后X方向基频幅值序列{a'X(k),k=1,2,…,N}与均值处理后负荷序列{w'(k),k=1,2,…,N}之差的绝对值最小值,为均值处理后X方向基频幅值序列{a'X(k),k=1,2,…,N}与均值处理后负荷序列{w'(k),k=1,2,…,N}之差的绝对值最大值;
若rX小于预设的X方向灰色关联阈值,则判断X方向基频幅值与负荷不相关;
所述步骤S212中Y方向基频幅值与负荷值的关联度计算过程为:
分别对采集的Y方向基频幅值序列和负荷序列进行均值预处理,之后通过以下公式计算Y方向基频幅值与负荷值的关联度:
其中,rY为Y方向基频幅值与负荷值的关联度,ξY(k)为灰色关联系数,ρ为关联度系数,{aY(k),k=1,2,…,N}为采集的Y方向基频幅值序列,为对应的均值,{w(k),k=1,2,…,N}为采集的汽轮机负荷序列,Mw为对应的均值,N为采集次数,为均值处理后Y方向基频幅值序列{a'Y(k),k=1,2,…,N}与均值处理后负荷序列{w'(k),k=1,2,…,N}之差的绝对值最小值,为均值处理后Y方向基频幅值序列{a'Y(k),k=1,2,…,N}与均值处理后负荷序列{w'(k),k=1,2,…,N}之差的绝对值最大值;
若rY小于预设的Y方向灰色关联阈值,则判断Y方向基频幅值与负荷不相关;
所述步骤S213中计算相应征兆的过程为:
在一个采样周期内,选定X方向基频幅值序列中任意相邻两点的幅值分别为aX(k)、aX(k+1),以此得到一组新的序列{AX(k),k=1,2,…,N-1}:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{AX(k),k=1,2,…,N-1}同时满足以下公式,则判断X方向基频幅值不变:
所述步骤S214中计算相应征兆的过程为:
在一个采样周期内,选定Y方向基频幅值序列中任意相邻两点的幅值分别为aY(k)、aY(k+1),以此得到一组新的序列{AY(k),k=1,2,…,N-1}:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{AY(k),k=1,2,…,N-1}同时满足以下公式,则判断Y方向基频幅值不变:
所述步骤S215中计算相应征兆的过程为:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{ΦX(k),k=1,2,…,N-1}同时满足以下公式,则判断X方向基频相位不变:
所述步骤S216中计算相应征兆的过程为:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{ΦY(k),k=1,2,…,N-1}同时满足以下公式,则判断Y方向基频相位不变:
7.根据权利要求6所述的一种基于置信规则库的汽轮机转子不平衡检测方法,其特征在于,所述步骤S223中计算相应征兆的过程为:
在一个采样周期内,选定X方向基频幅值序列中任意相邻两点的幅值分别为aX(k),aX(k+1),以此得到一组新的序列{AX(k),k=1,2,…,N-1}:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{AX(k),k=1,2,…,N-1}满足以下公式,则判断X方向基频幅值不断增大:
所述步骤S224中计算相应征兆的过程为:
在一个采样周期内,选定Y方向基频幅值序列中任意相邻两点的幅值分别为aY(k)、aY(k+1),以此得到一组新的序列{AY(k),k=1,2,…,N-1}:
之后定义[f]为取整运算,即[f]表示不超过f的最大整数,若序列{AY(k),k=1,2,…,N-1}满足以下公式,则判断Y方向基频幅值不断增大:
所述步骤S225中X方向基频相位的方差值计算过程为:
之后计算对应的方差为:
所述步骤S226中Y方向基频相位的方差值计算过程为:
之后计算对应的方差为:
9.根据权利要求8所述的一种基于置信规则库的汽轮机转子不平衡检测方法,其特征在于,所述匹配度的计算公式为:
θ=max{0,δ1-δ′1}+max{0,δ2-δ′2}+...+max{0,δN-δ′N}
其中,θ为匹配度,δi为规则库中第i个征兆的预设置信度,δ′i为第i个征兆的计算置信度。
10.根据权利要求9所述的一种基于置信规则库的汽轮机转子不平衡检测方法,其特征在于,所述步骤S3中结论置信度的计算公式为:
α=[1-max{0,δ1-δ′1}]×[1-max{0,δ2-δ′2}]×...×[1-max{0,δN-δ′N}]×β
其中,α为结论置信度,β为规则库中给定的预设结论置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057971.1A CN112541155B (zh) | 2020-09-30 | 2020-09-30 | 一种基于置信规则库的汽轮机转子不平衡检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057971.1A CN112541155B (zh) | 2020-09-30 | 2020-09-30 | 一种基于置信规则库的汽轮机转子不平衡检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541155A true CN112541155A (zh) | 2021-03-23 |
CN112541155B CN112541155B (zh) | 2022-06-14 |
Family
ID=75013492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011057971.1A Active CN112541155B (zh) | 2020-09-30 | 2020-09-30 | 一种基于置信规则库的汽轮机转子不平衡检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541155B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101451898A (zh) * | 2009-01-13 | 2009-06-10 | 华北电力大学 | 汽轮发电机组转子热弯曲不平衡故障实时诊断方法 |
CN101738293A (zh) * | 2009-12-18 | 2010-06-16 | 华北电力大学 | 汽轮发电机组转子原始质量不平衡故障实时诊断方法 |
CN109632315A (zh) * | 2019-01-11 | 2019-04-16 | 浙江浙能技术研究院有限公司 | 一种基于双参数规则匹配的汽轮机振动故障推理诊断方法 |
CN110057581A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 基于区间型信度规则推理的旋转机械故障诊断方法 |
CN110132603A (zh) * | 2019-05-16 | 2019-08-16 | 杭州电子科技大学 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
CN110597232A (zh) * | 2019-09-26 | 2019-12-20 | 杭州电子科技大学 | 一种基于动态置信规则库的变频器冷却水泵故障报警方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
-
2020
- 2020-09-30 CN CN202011057971.1A patent/CN112541155B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101451898A (zh) * | 2009-01-13 | 2009-06-10 | 华北电力大学 | 汽轮发电机组转子热弯曲不平衡故障实时诊断方法 |
CN101738293A (zh) * | 2009-12-18 | 2010-06-16 | 华北电力大学 | 汽轮发电机组转子原始质量不平衡故障实时诊断方法 |
CN109632315A (zh) * | 2019-01-11 | 2019-04-16 | 浙江浙能技术研究院有限公司 | 一种基于双参数规则匹配的汽轮机振动故障推理诊断方法 |
CN110057581A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 基于区间型信度规则推理的旋转机械故障诊断方法 |
CN110132603A (zh) * | 2019-05-16 | 2019-08-16 | 杭州电子科技大学 | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 |
CN110597232A (zh) * | 2019-09-26 | 2019-12-20 | 杭州电子科技大学 | 一种基于动态置信规则库的变频器冷却水泵故障报警方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112541155B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110823576B (zh) | 基于生成对抗网络的机械异常检测方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及*** | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN110399986B (zh) | 一种泵站机组故障诊断***的生成方法 | |
CN112052871B (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及*** | |
CN114894468B (zh) | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN116257747A (zh) | 融合峭度和卷积自编码器的转子***早期异常检测方法 | |
CN112197968B (zh) | 基于置信规则库的汽轮机转子动静碰摩故障智能诊断方法 | |
CN112541155B (zh) | 一种基于置信规则库的汽轮机转子不平衡检测方法 | |
Huo et al. | A class-level matching unsupervised transfer learning network for rolling bearing fault diagnosis under various working conditions | |
Hajnayeb et al. | Vibration measurement for crack and rub detection in rotors | |
Lu et al. | An automated bearing fault diagnosis using a self-normalizing convolutional neural network | |
Zhang et al. | A novel hybrid compound fault pattern identification method for gearbox based on NIC, MFDFA and WOASVM | |
CN115165364A (zh) | 基于迁移学习的风力发电机轴承故障诊断模型构建方法 | |
CN114742093A (zh) | 基于时频曲线提取和分类的滚动轴承故障诊断方法及装置 | |
CN111947927B (zh) | 一种基于色度理论的滚动轴承故障检测方法 | |
CN112161805A (zh) | 一种基于时间序列标度分析和cnn的轴承微小故障诊断方法 | |
Zhong et al. | Failure prediction for linear ball bearings based on wavelet transformation and self-organizing map | |
CN113447273B (zh) | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 | |
KR101967629B1 (ko) | 원자력 발전설비 예측진단용 신호데이터 처리장치 | |
Bachir et al. | Application of principal component analysis approach in gas turbine defect diagnosis | |
Jiang | Fault detection method of motor bearing based on improved random forest algorithm | |
Qian et al. | A diagnosis method for diesel engine wear fault based on grey rough set and SOM neural network | |
Li et al. | Detection Method and Experimental Research on Generator Bolt Loosening Fault Characteristics |
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 |