CN114139567A - 一种快速辨识水轮机组转动部件轴心轨迹的方法 - Google Patents

一种快速辨识水轮机组转动部件轴心轨迹的方法 Download PDF

Info

Publication number
CN114139567A
CN114139567A CN202111214662.5A CN202111214662A CN114139567A CN 114139567 A CN114139567 A CN 114139567A CN 202111214662 A CN202111214662 A CN 202111214662A CN 114139567 A CN114139567 A CN 114139567A
Authority
CN
China
Prior art keywords
sequence
processing
vibration
wavelet
hydraulic turbine
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
Application number
CN202111214662.5A
Other languages
English (en)
Inventor
卢广陵
孙志媛
窦骞
江平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202111214662.5A priority Critical patent/CN114139567A/zh
Publication of CN114139567A publication Critical patent/CN114139567A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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
    • G06F17/148—Wavelet transforms
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Signal Processing (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种快速辨识水轮机组转动部件轴心轨迹的方法，该方法通过获取一段水轮机组转动部件原始振动信号采样序列，选取合适的小波基函数，经高低通滤波和二元下取样处理开展小波分层析构处理，再按照特定阈值算法处理某一层或某几层深度的析构数据后，还原重构数据信号，得到重构序列作轴心轨迹图，用以监测机组转动部件轴心轨迹真实情况，快速辨别大中型水电站水轮机组运行状态，有利于提高水电站水轮机组开展试运行验收、日常状态监测、设备故障检修等各项工作的效率。

Description

一种快速辨识水轮机组转动部件轴心轨迹的方法
技术领域
本发明涉及水轮机组运行状态监测识别技术领域，特别涉及一种快速辨识水轮机组转动部件轴心轨迹的方法。
背景技术
水电站由水力***、机械***和电能产生装置等组成，是实现水能到电能转换的水利枢纽工程，电能生产的可持续性要求水电站水能的利用具有不间断性，而为实现对水力资源的可持续利用，目前一般通过进行水电站水库***的建设，来人为地调节和改变水力资源在时间和空间上的分布，以达到这一目的。
现阶段，水电机组核心部件为水轮机转轴***，据统计大约80％的机组故障都在轴系振动信号中有所反应，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直接破坏，直接危及水电机组安全稳定运行，甚至引发厂房安全事故，造成严重经济损失。
因此有必要对水轮机组振动特性与振动故障之间的关联关系进行研究，使机组发生故障前就能及时准确做出判断，减少停机维修时间，将其应用到水电站水库***的建设中，促进水电站向无人值班少人值守自动监控发展，同时也更好地保障电能生产的可持续性以及对水力资源的可持续利用。但是如何能从对机组振动信号进行分析，如对轴心轨迹进行分析，进而对可能发生的故障做出准确诊断，需要有一套快速算法来支撑对多测点振动信息序列进行处理，去除***背景杂余信息，提取能够表征轴心轨迹的特征量，及时评估水电机组转轴***运行状态，对异常运行工控进行故障诊断，判断故障发生部位、原因和严重程度。
发明内容
本发明的目的在于提供一种快速辨识水轮机组转动部件轴心轨迹的方法，从而克服现有技术难以快速识别判断水轮机组在不同工况下运行状态下转动部件的真实轴心轨迹的缺陷。#
为实现上述目的，本发明的技术方案为：
一种快速辨识水轮机组转动部件轴心轨迹的方法，包括以下步骤：
S1.获取原始振动信号数据：
按照一定的采样频率采集水轮机关键部件的轴心轨迹振动录波数据，振动录波数据分为+X向和+Y向，定义为转轴振动在不同时刻位置信息O(x，y)，设为振动峰峰值；
S2.将步骤S1采集的振动录波数据排列为序列，形成原始转轴振动采样序列Ok，k序列最大可析构深度；
S3.选取小波析构算法和小波重构算法的低通滤波器组和高通滤波器组；
S4.对原始转轴振动采样序列通过二元下取样处理,依照离散小波析构算法获得小波析构后的振动采样序列的低频部分和高频部分；
S5.对原始转轴振动采样序列通过二元下取样处理,将小波析构后的振动采样序列的低频部分和高频部分进行析构深度为k的变换处理，变换完成后采用小波收缩阈值算法处理+X向和+Y向高频部分，获得阈值处理后的+X向高低频序列集和+Y向高低频序列集；
S6.将阈值处理后的+X向高低频序列集和+Y向高低频序列集做二元上插值处理，采用小波变换重构算法进行重构；
S7.步骤S6重构处理后得到的新振动序列，选择特定的小波基函数，以及适合原始转轴振动采样序列的阈值处理，得到新的轴心轨迹序列Ok'，作为机组运行状态判据。
进一步的，所述步骤S2中，原始转轴振动采样序列集Ok为：
Figure BDA0003310173600000021
其中，Ok表示一组转轴振动采样序列，k为序列最大可析构深度，n为自然数，
Figure BDA0003310173600000022
分别为图像中横坐标方向、纵坐标方向振动采样序列。
进一步的，所述步骤S3中，小波析构算法和小波重构算法的低通滤波器组和高通滤波器组分别为：
Figure BDA0003310173600000023
其中，Fdes为小波析构算法滤波器，
Figure BDA0003310173600000024
分别对应小波析构算法的低、高通滤波器，Fcon为小波重构算法滤波器，h、g分别对应小波重构算法的低、高通滤波器。
进一步的，所述步骤S4中具体包括：
Figure BDA0003310173600000025
Figure BDA0003310173600000026
其中，
Figure BDA0003310173600000031
分别为图像中横坐标方向、纵坐标方向振动采样序列，
Figure BDA0003310173600000032
为第1次析构后+X、+Y向振动采样序列的低频部分，
Figure BDA0003310173600000033
为第1次析构后+X、+Y向振动采样序列的高频部分；Down函数处理方式为保留目标序列中奇数项数据剔除偶数项数据，*为圆周卷积算符。
进一步的，所述步骤S5中，析构深度为k的变换处理：
Figure BDA0003310173600000034
则
Figure BDA0003310173600000035
参照公式(4)的方法对
Figure BDA0003310173600000036
进行变换处理，得
Figure BDA0003310173600000037
Figure BDA0003310173600000038
进一步的，所述步骤S5中，采用小波收缩阈值算法处理的过程包括：
根据小波收缩阈值算法处理+X向高频部分
Figure BDA0003310173600000039
和+Y向高频部分
Figure BDA00033101736000000310
Figure BDA00033101736000000311
Figure BDA00033101736000000312
其中，N为信号
Figure BDA00033101736000000313
的长度，Median()为取中值函数，可得各层高频序列阈值，大于阈值高频序列项保留，低于则置零，信号
Figure BDA00033101736000000314
包括
Figure BDA00033101736000000315
和
Figure BDA00033101736000000316
处理完成后即得阈值处理后的+X向高低频序列集
Figure BDA00033101736000000317
和+Y向高低频序列集
Figure BDA00033101736000000318
进一步的，所述步骤S6具体包括：
将阈值处理后的+X向高低频序列集
Figure BDA00033101736000000319
和+Y向高低频序列集
Figure BDA00033101736000000320
Figure BDA00033101736000000321
做二元上插值处理，依照离散小波变换重构算法，用以下数学形式表达：
Figure BDA00033101736000000322
Figure BDA00033101736000000323
公式(6)表明每次对+X向采样序列k-1阶低频部分
Figure BDA00033101736000000324
高频部分
Figure BDA00033101736000000325
作重构，公式(7)表示每次对+Y采样序列k-1阶低频部分
Figure BDA00033101736000000326
高频部分
Figure BDA00033101736000000327
作重构，二元上插值函数Up()将序列每一项后***0处理，*为圆周卷积算符。
进一步的，重构后得到新振动序列
Figure BDA0003310173600000041
其中，重构后的+X向高低频序列集
Figure BDA0003310173600000042
表示为：
Figure BDA0003310173600000043
重构后的+Y向高低频序列集
Figure BDA0003310173600000044
表示为：
Figure BDA0003310173600000045
Figure BDA0003310173600000046
进一步的，所述水轮机关键部件包括上机架、上导轴承、下机架、下导轴承以及水轮机导轴承。
以上所述的快速辨识水轮机组转动部件轴心轨迹的方法，应用一种小波分层处理算法，过滤、辨识求解水轮机关键部件的轴心轨迹振动类型，进而监测、诊断水轮机组机械运行状态，为水电机组试运行验收、设备故障检修以及日常状态监测提供快速判断的技术支持。本发明所提出的用于水轮机轴心轨迹辨识的分层处理算法，是基于小波分层析构的基础上，通过合理选取滤波器组及析构深度，按照特定阈值算法处理某一层或某几层深度的析构数据后，还原重构数据信号，实现对水轮机轴心轨迹或者其他类型转动部件轴心振动情况辨识。
与现有的技术相比，本发明具有如下有益效果：提供了针对大中型水电站的一种用于水轮机轴心轨迹辨识的分层处理算法，可明显提升水电机组(含贯流式)运行状态日常巡检及故障识别效率，有效降低日常巡检过程中判别故障所需专业经验的门槛；创新性地提出一种选择特定的小波基函数搭配特定阈值处理算法，快速识别轴心轨迹类型方法，成功克服以往常规复杂算法(如快速傅里叶算法)在背景噪声处理方面效果欠佳的弊端，也显著降低了日常巡检过程中依靠人为经验判断的错误概率，进而提升水电机组运行状态日常巡检及故障识别效率。
附图说明
图1是轴流转浆式水轮机组振动部件原始转轴振动采样序列采集方式示意图；
图2是上导轴承的摆度+X振动采样序列的波形图；
图3是小波析构后的振动采样序列的低频部分波形图(即
Figure BDA0003310173600000047
)；
图4是小波析构后的振动采样序列的高频部分波形图；
图5是上导轴承原始转轴振动采样序列轨迹图；
图6是重构后的上导轴承转轴新振动序列轨迹图。
具体实施方式
以下结合附图，对本发明的具体实施方式作进一步说明：
一种快速辨识水轮机组转动部件轴心轨迹的方法，包括以下步骤：
S1.获取原始振动信号数据：
按照一定的采样频率采集水轮机关键部件的轴心轨迹振动录波数据，振动录波数据分为+X向和+Y向，定义为转轴振动在不同时刻位置信息O(x，y)，设为振动峰峰值；其中，水轮机关键部件包括上机架、上导轴承、下机架、下导轴承以及水轮机导轴承。
S2.将步骤S1采集的振动录波数据排列为序列，形成原始转轴振动采样序列Ok，k序列最大可析构深度；
S3.选取小波析构算法和小波重构算法的低通滤波器组和高通滤波器组；
S4.对原始转轴振动采样序列通过二元下取样处理,依照离散小波析构算法获得小波析构后的振动采样序列的低频部分和高频部分；
S5.对原始转轴振动采样序列通过二元下取样处理,将小波析构后的振动采样序列的低频部分和高频部分进行析构深度为k的变换处理，变换完成后采用小波收缩阈值算法处理+X向和+Y向高频部分，获得阈值处理后的+X向高低频序列集和+Y向高低频序列集；
S6.将阈值处理后的+X向高低频序列集和+Y向高低频序列集做二元上插值处理，采用小波变换重构算法进行重构；
S7.步骤S6重构处理后得到的新振动序列，选择特定的小波基函数，以及适合原始转轴振动采样序列的阈值处理，得到新的轴心轨迹序列Ok'，作为机组运行状态判据。
进一步的，步骤S2具体为：原始转轴振动采样序列进行小波分层析构处理，选取合适的析构深度，获得转轴振动采样序列集Ok为：
Figure BDA0003310173600000051
其中，Ok表示一组转轴振动采样序列，k为序列最大可析构深度，n为自然数，
Figure BDA0003310173600000052
分别为图像中横坐标方向、纵坐标方向振动采样序列。
进一步的，步骤S3中，小波析构算法和小波重构算法的低通滤波器组和高通滤波器组分别为：
Figure BDA0003310173600000061
其中，Fdes为小波析构算法滤波器，
Figure BDA0003310173600000062
分别对应小波析构算法的低、高通滤波器，Fcon为小波重构算法滤波器，h、g分别对应小波重构算法的低、高通滤波器。
进一步的，步骤S4中具体包括：原始转轴振动采样序列Ok通过二元下取样处理,依照离散小波变换析构算法，用以下数学形式表达：
Figure BDA0003310173600000063
Figure BDA0003310173600000064
其中，
Figure BDA0003310173600000065
分别为图像中横坐标方向、纵坐标方向振动采样序列，
Figure BDA0003310173600000066
为第1次析构后+X、+Y向振动采样序列的低频部分，
Figure BDA0003310173600000067
为第1次析构后+X、+Y向振动采样序列的高频部分；Down函数处理方式为保留目标序列中奇数项数据剔除偶数项数据，*为圆周卷积算符。
进一步的，步骤S5中，原始转轴振动采样序列Ok依照二元下取样，按以下公式(4)进行析构深度为k的变换处理：
Figure BDA0003310173600000068
则
Figure BDA0003310173600000069
参照公式(4)的方法对
Figure BDA00033101736000000610
进行变换处理，得
Figure BDA00033101736000000611
Figure BDA00033101736000000612
根据小波收缩阈值算法处理+X向高频部分
Figure BDA00033101736000000613
和+Y向高频部分
Figure BDA00033101736000000614
Figure BDA00033101736000000615
依据序列特性选取小波分析阈值算法：
Figure BDA00033101736000000616
其中，N为信号
Figure BDA00033101736000000617
的长度，Median()为取中值函数，可得各层高频序列阈值，大于阈值高频序列项保留，低于则置零，信号
Figure BDA0003310173600000071
包括
Figure BDA0003310173600000072
和
Figure BDA0003310173600000073
处理完成后即得阈值处理后的+X向高低频序列集
Figure BDA0003310173600000074
和+Y向高低频序列集
Figure BDA0003310173600000075
进一步的，步骤S6具体包括：
将阈值处理后的+X向高低频序列集
Figure BDA0003310173600000076
和+Y向高低频序列集
Figure BDA0003310173600000077
Figure BDA0003310173600000078
依次做二元上插值处理，依照离散小波变换重构算法，用以下数学形式表达：
Figure BDA0003310173600000079
Figure BDA00033101736000000710
公式(6)表明每次对+X向采样序列k-1阶低频部分
Figure BDA00033101736000000711
高频部分
Figure BDA00033101736000000712
作重构，公式(7)表示每次对+Y采样序列k-1阶低频部分
Figure BDA00033101736000000713
高频部分
Figure BDA00033101736000000714
作重构，二元上插值函数Up()将序列每一项后***0处理，*为圆周卷积算符。
进一步的，步骤S7中，重构后得到新振动序列
Figure BDA00033101736000000715
算法结构见公式(8)、(9)：
Figure BDA00033101736000000716
Figure BDA00033101736000000717
则重构后的+X向高低频序列集
Figure BDA00033101736000000718
表示为：
Figure BDA00033101736000000719
重构后的+Y向高低频序列集
Figure BDA00033101736000000720
表示为：
Figure BDA00033101736000000721
通过选择特定的小波基函数，如Daubechies小波，以及适合原始转轴振动采样序列的阈值处理，得到可的轴心轨迹序列Ok'，作为机组运行状态判据。
以轴流转浆式水轮机组结构为例：
一套水轮机组振动测试仪器，如图1所示，在机组上机架、上导轴承、下机架、下导轴承以及水轮机导轴承等转动部件安装传感器，通过在线采集***1进行数据采集，采样序列分为+X向和+Y向，定义为转轴振动在不同时刻位置信息O(x，y)，设为振动峰峰值，如图1所示，三条箭头线依次表示采集上导轴承的X向摆度和Y向摆度、下导轴承的X向摆度和Y向摆度、水轮机导轴承的X向摆度和Y向摆度的信号传输线。进行小波分层析构处理，获取原始转轴振动采样序列集Ok。以下图中以上导轴承的振动信号数据处理为例。
选取某一段上导轴承轴心振动信号作为原始转轴振动采样序列集Ok，为其作轴心轨迹图，如图5所示。
如图2所示，考虑采样序列主频为0.5～2.5Hz，其他高频信号为10～200Hz选取Daubechies小波基4阶滤波器组hDB4、gDB4的滤波器组：
hDB4＝(0.2303778,0.7148465,0.6308807,-0.0279837,-0.1870348,0.0308414,0.0328831,-0.0105974)
gDB4＝(0.0105974,0.0328831,-0.0308414,-0.18703480.0279837,0.6308807,-0.7148465,0.2303778)
对转轴振动采样序列集Ok中+X向序列做5阶析构，利用离散小波析构算法提取各阶段低频序列
Figure BDA0003310173600000081
(图3)和高频部分序列d1，d2...d5对应
Figure BDA0003310173600000082
(图4)。通过比对启发式、神经网络式等阈值法，选取小波收缩阈值算法thr，处理得到+X向高频序列
Figure BDA0003310173600000083
Figure BDA0003310173600000084
重构得到
Figure BDA0003310173600000085
依照同样的处理方法处理+Y向高频序列。
当对上导轴心轨迹-源采样序列(即：原始采样序列Ok)+X向及+Y向采样序列完成以上处理，得到上导轴心轨迹-5阶分层辨识(重构序列Ok')，如图6所示，与图5相比，可以清晰辨识机组关键部位轴心轨迹运行情况，继而通过判断轴心轨迹大小类型及各位置相关性，快速监测判断运行部件安全状态。
当发现轴心轨迹异常如8字形、一字型或实心，则利用本算法及早明确显示得到重构图像，进行异常情况判断，通过重构图像轨迹类型，判断转动轴是否有偏折、轴瓦间隙不当，甚至轴系弯曲，再利用观察有无异常声响、红外热成像仪检测轴瓦温度，及时向生产监控指挥中心报告检查及检测结果。
其中，如重构序列Ok'仍不能判断轴心轨迹类型，则提醒使用人员调整本算法小波滤波器组类型，提高析构重构深度，加大阈值thr设定范围等措施，如发现重构序列Ok'轴心轨迹异常时，如8字形、一字型或实心，根据情况必要时还应立即申请停运处理。
与其他轨迹算法相比，本发明所述算法具有简单有效的优势，可以通过基于滤波器、析重构深度、阈值调节等多维度调节特征判据，、准确判断轴心轨迹情况，克服了以往复杂算法在背景噪声处理、界定边缘信号特征方面效果欠佳的弊端，为检测判断水轮机机组转动部件轴心轨迹的真实情况，及时通过轨迹类型研判运行情况，达到巡检过程耗费成本(人力、物力和时间成本)最小的目标。
本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种快速辨识水轮机组转动部件轴心轨迹的方法，其特征在于包括以下步骤：
S1.获取原始振动信号数据：
按照一定的采样频率采集水轮机关键部件的轴心轨迹振动录波数据，振动录波数据分为+X向和+Y向，定义为转轴振动在不同时刻位置信息O(x，y)，设为振动峰峰值；
S2.将步骤S1采集的振动录波数据排列为序列，形成原始转轴振动采样序列Ok，k序列最大可析构深度；
S3.选取小波析构算法和小波重构算法的低通滤波器组和高通滤波器组；
S4.对原始转轴振动采样序列通过二元下取样处理,依照离散小波析构算法获得小波析构后的振动采样序列的低频部分和高频部分；
S5.对原始转轴振动采样序列通过二元下取样处理,将小波析构后的振动采样序列的低频部分和高频部分进行析构深度为k的变换处理，变换完成后采用小波收缩阈值算法处理+X向和+Y向高频部分，获得阈值处理后的+X向高低频序列集和+Y向高低频序列集；
S6.将阈值处理后的+X向高低频序列集和+Y向高低频序列集做二元上插值处理，采用小波变换重构算法进行重构；
S7.步骤S6重构处理后得到的新振动序列，选择特定的小波基函数，以及适合原始转轴振动采样序列的阈值处理，得到新的轴心轨迹序列Ok'，作为机组运行状态判据。
2.根据权利要求1所述的快速辨识水轮机组转动部件轴心轨迹的方法，其特征在于：
所述步骤S2中，原始转轴振动采样序列集Ok为：
Figure FDA0003310173590000011
其中，Ok表示一组转轴振动采样序列，k为序列最大可析构深度，n为自然数，
Figure FDA0003310173590000012
分别为图像中横坐标方向、纵坐标方向振动采样序列。
3.根据权利要求2所述的快速辨识水轮机组转动部件轴心轨迹的方法，其特征在于：
所述步骤S3中，小波析构算法和小波重构算法的低通滤波器组和高通滤波器组分别为：
Figure FDA0003310173590000013
其中，Fdes为小波析构算法滤波器，
Figure FDA0003310173590000021
分别对应小波析构算法的低、高通滤波器，Fcon为小波重构算法滤波器，h、g分别对应小波重构算法的低、高通滤波器。
4.根据权利要求3所述的快速辨识水轮机组转动部件轴心轨迹的方法，其特征在于：
所述步骤S4中具体包括：
Figure FDA0003310173590000022
Figure FDA0003310173590000023
其中，
Figure FDA0003310173590000024
分别为图像中横坐标方向、纵坐标方向振动采样序列，
Figure FDA0003310173590000025
为第1次析构后+X、+Y向振动采样序列的低频部分，
Figure FDA0003310173590000026
为第1次析构后+X、+Y向振动采样序列的高频部分；Down函数处理方式为保留目标序列中奇数项数据剔除偶数项数据，*为圆周卷积算符。
5.根据权利要求4所述的快速辨识水轮机组转动部件轴心轨迹的方法，其特征在于：
所述步骤S5中，析构深度为k的变换处理：
Figure FDA0003310173590000027
则
Figure FDA0003310173590000028
参照公式(4)的方法对
Figure FDA0003310173590000029
进行变换处理，得
Figure FDA00033101735900000210
Figure FDA00033101735900000211
6.根据权利要求5所述的快速辨识水轮机组转动部件轴心轨迹的方法，其特征在于：
所述步骤S5中，采用小波收缩阈值算法处理的过程包括：
根据小波收缩阈值算法处理+X向高频部分
Figure FDA00033101735900000212
和+Y向高频部分
Figure FDA00033101735900000213
Figure FDA00033101735900000214
Figure FDA00033101735900000215
其中，N为信号
Figure FDA00033101735900000216
的长度，Median()为取中值函数，可得各层高频序列阈值，大于阈值高频序列项保留，低于则置零，信号
Figure FDA0003310173590000031
包括
Figure FDA0003310173590000032
和
Figure FDA0003310173590000033
处理完成后即得阈值处理后的+X向高低频序列集
Figure FDA0003310173590000034
和+Y向高低频序列集
Figure FDA0003310173590000035
7.根据权利要求6所述的快速辨识水轮机组转动部件轴心轨迹的方法，其特征在于：
所述步骤S6具体包括：
将阈值处理后的+X向高低频序列集
Figure FDA0003310173590000036
和+Y向高低频序列集
Figure FDA0003310173590000037
Figure FDA0003310173590000038
做二元上插值处理，依照离散小波变换重构算法，用以下数学形式表达：
Figure FDA0003310173590000039
Figure FDA00033101735900000310
公式(6)表明每次对+X向采样序列k-1阶低频部分
Figure FDA00033101735900000311
高频部分
Figure FDA00033101735900000312
作重构，公式(7)表示每次对+Y采样序列k-1阶低频部分
Figure FDA00033101735900000313
高频部分
Figure FDA00033101735900000314
作重构，二元上插值函数Up()将序列每一项后***0处理，*为圆周卷积算符。
8.根据权利要求7所述的快速辨识水轮机组转动部件轴心轨迹的方法，其特征在于：
重构后得到新振动序列
Figure FDA00033101735900000315
其中，重构后的+X向高低频序列集
Figure FDA00033101735900000316
表示为：
Figure FDA00033101735900000317
重构后的+Y向高低频序列集
Figure FDA00033101735900000318
表示为：
Figure FDA00033101735900000319
Figure FDA00033101735900000320
9.根据权利要求1所述的快速辨识水轮机组转动部件轴心轨迹的方法，其特征在于：所述水轮机关键部件包括上机架、上导轴承、下机架、下导轴承以及水轮机导轴承。
CN202111214662.5A 2021-10-19 2021-10-19 一种快速辨识水轮机组转动部件轴心轨迹的方法 Pending CN114139567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111214662.5A CN114139567A (zh) 2021-10-19 2021-10-19 一种快速辨识水轮机组转动部件轴心轨迹的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111214662.5A CN114139567A (zh) 2021-10-19 2021-10-19 一种快速辨识水轮机组转动部件轴心轨迹的方法

Publications (1)

Publication Number Publication Date
CN114139567A true CN114139567A (zh) 2022-03-04

Family

ID=80394383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111214662.5A Pending CN114139567A (zh) 2021-10-19 2021-10-19 一种快速辨识水轮机组转动部件轴心轨迹的方法

Country Status (1)

Country Link
CN (1) CN114139567A (zh)

Similar Documents

Publication Publication Date Title
CN104634571B (zh) 一种基于lcd‑mf的滚动轴承故障诊断方法
CN103398769B (zh) 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法
CN103115789B (zh) 金属结构损伤剩余寿命的第二代小波支持向量机评估方法
CN102269655B (zh) 一种轴承故障的诊断方法
CN109782603A (zh) 旋转机械耦合故障的检测方法及监测***
CN111089726A (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
CN112179691A (zh) 基于对抗学习策略的机械装备运行状态异常检测***和方法
CN107506710A (zh) 一种滚动轴承复合故障提取方法
Sheng et al. Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank
CN114004256A (zh) 基于数字孪生体的制造装备主轴承的故障诊断方法
CN112484981A (zh) 一种基于卷积自编码器的发电机异常状态监测方法
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN111855202A (zh) 一种齿轮箱故障诊断方法及***
CN116257747A (zh) 融合峭度和卷积自编码器的转子***早期异常检测方法
CN113537044B (zh) 基于STFT与改进DenseNet的航空发动机故障诊断方法
CN116089813A (zh) 一种基于机器学习的风电机组传动链故障诊断方法
CN110657989A (zh) 一种烟草包装机组振动状态的监测方法及***
CN114139567A (zh) 一种快速辨识水轮机组转动部件轴心轨迹的方法
Guo et al. Fault diagnosis of bolt loosening based on LightGBM recognition of sound signal features
CN117093938A (zh) 一种基于深度学习的风机轴承的故障检测方法和***
CN114077850B (zh) 一种变工况下的基于图数据的旋转机械设备状态监测方法
CN115186225A (zh) 一种基于自适应奇异值分解的滚动轴承微弱故障特征提取方法
CN113537051A (zh) 一种复杂大场景下的海上人员安全作业监控算法
Wu et al. Fault Diagnosis of Wind Turbine Blades Based on Image Fusion and ResNet
CN113432709B (zh) 一种基于图形学的可视化机械故障诊断方法

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