亚星游戏官网-www.yaxin868.com

专利名称：大型旋转机械复杂工况下的早期故障搜索方法
技术领域：
本发明大型属于旋转设备的运行安全评估技术领域，特别涉及ー种大型旋转机械复杂エ况下的早期故障捜索方法，具体说是涉及关于能源、钢铁、煤矿、运输等企业的大型旋转设备总复杂エ况下的故障运行信息的深度挖掘，实现早期预防的方法。
背景技术：
随着工业的发展和现代科学技术的进步，提高企业运行效益成为各大中型企业管理的重点。能源、钢铁、煤炭等行业在激烈的市场竞争中谋求更好地发展，力求全面提升企业的综合竞争力，其中最重要的手段就是研发或引进具有国际先进化水平的运行设备。随着中大型企业运行设备结构和功能上的日趋复杂化，企业对设备正常、安全、稳定运行的要求越来越高，在保障设备安全运行方面，若出现故障再进行故障诊断往往为时已晚，因此如何保障大型旋转设备在负荷复杂多变的エ况下的安全运行，避免严重的设备运行故障造成巨大经济损失成为企业研究的焦点。国内外研究现状表明，传感器监测技术、振动分析诊断技术在相关领域内的应用基本实现了大型旋转机械的状态监测与故障诊断，但故障诊断及排除缺乏预见性，具有一定的功能滞后性，无法实现大型旋转机械运行故障的早期趋势分析。另外大型旋转机械运行历程长、エ况多变、非平稳性突出，无形的増加了大型旋转机械设备早期故障捜索的难度，传统的无量纲幅域參数是与能量有关的指标，会受到剧烈エ况变化的干扰，或者因为能量变化不明显而失去故障特征量的意义。在这个背景下，需要构建新的故障信息分析因子来实现大型旋转设备运行早期故障的定性和定量分析，并通过特定的数据处理方法实现故障信息的量化分析，从海量的设备监测振动信号中捜索具有异常趋势的时间序列，为后期设备故障的预警及诊断提供依据。

发明内容
本发明的目的是提供在复杂多变、非稳定的エ况下运行的ー种大型旋转机械复杂 エ况下的早期故障捜索方法，其特征在干，具体实施步骤如下(1)大型旋转机械设备振动故障征兆识别分析，即研究常见设备频发振动故障征兆特征与振动參数异常波形特点，形成大型旋转机械设备常见故障模式征兆分类表；(2)输入參数的初始化处理，即输入參数的时间序列分割，结合匹配參数的物理特性采取不同的时间序列划分原则，实现运行设备振动參数的时间划分算法；(3)振动參数无量纲特征因子定性化、定量化分析，分析比较构建的振动參数特征因子与传统时域特征值的区別，深入研究特征因子随着故障信息发展的走势及变化特征， 阐述特征因子物理意义，形成设备常见故障模式征兆与相应故障提取因子匹配；(4)无量纲特征因子的计算、中心化及标准化，首先实现振动參数时间子序列的特征因子计算，为了减少不同性质、度量単位特征因子的相对影响，避免绝对值较小因子被湮灭，对时间子序列特征因子进行中心化和标准化，使各因子具有相同的评价基点和变化范围；(5)特征因子异常边界的界定，即在上述输入初始处理基础上，从设备运行监控历史数据库中提取一定训练空间的监测參数数据序列，通过特定的训练算法得到判定特征因子边界标准，作为监测參数异常捜索的准则；(6)时间子序列多维属性因子向量的异常序列捜索，选取ρ个特征因子描述η个振动參数时间子序列，通过P维属性向量反映η个时间子序列的性质，挖掘异常时间子序列， 找出大型旋转机械运行的潜在故障危险点。所述大型旋转机械包括能源、钢铁、煤炭和运输行业内的大型旋转机械，具体包括火力发电机机组传动系统，风力发电机组传动系统，飞机，火车，轮船以及煤炭和地铁的挖掘机。所述风カ发电机组传动系统在变风速、变载荷エ况下的早期故障搜索过程包括如下步骤1)风カ发电机组传动系统振动监测测点布置(1)监测风电机组主轴前轴承径向振动，(2)风电机组增速箱前轴承径向振动，⑶增速箱一级传动级箱体振动，⑷增速箱ニ 级传动级箱体振动和( 表示增速箱高速级箱体振动；以该5个传感器采集数据參数得到频发振动故障征兆特征与振动參数异常波形特点，形成风电机组传动系统早期故障特征频率信息识别表；2)以风电机组传动系统监测布置方案3号传感器采集的增速箱一级传动级箱体振动的振动參数λ为研究參数，设置振动參数χλ的时间序列χλ = {χ,α^,χ,α^,...., χλαη)}的维度η，振动參数时间序列维度表示时间序列χλ在采集时间段内包含的信号数据个数，对于时间序列维度η充分考虑算法以及參数数据采样粒度，结合风电机组运行エ 况中风速相关因素的变化情况，则通过计算列出振动參数时间序列维度n = t/ts，对振动监测參数进行基于整周期或整周期倍数的时间子序列划分，根据振动參数时间序列的初步划分进行整周期分割优化，将记录值为零点的数据点作为起始点有利于算法的实现；3)在对时间序列数据进行算法运算前，需要对振动參数时间序列进行预处理，其中包括数据的中心化和标准化。特征因子时间序列的中心化公式为ァル‘ト凡⑴-は想八⑴バ又ぶ)表示k类特
征因子下h维时间子序列，yk(i)表示编号为i的时间子序列的k类特征因子的记录值， 1’ k(i)表示中心化后的特征因子值，经过中心化后各变量的均值将为0，即各变量的取值都有相同的基点；标准化为了实现特征因子的变化范围统ー化，采用极差正规化实现特征因子时间序列的标准化，则特征因子时间序列y' k(i)的标准化公式为、(0= /ル)-·^の，经
W)腿-W)mm
过标准化变换后各变量基点相同，变化范围也相等，其得到经过中心化、标准化的特征因子时间序列为y" k(i) = {y" k⑴，y" k(2).......y" k(h)}；4)构建振动參数时间序列早期故障提取特征因子，由于风电机组传动系统的早期故障主要体现为ェ频或倍频和频率调制两方面，所以其早期故障提取因子关联匹配分类主要分为故障模式和频率特征两种，故障模式的典型特征选取其较为敏感的特征因子作为每种故障模式特有的故障信息提取因素，风电机组传动系统早期故障提取因素为振动參数整周期时间划分和早期故障模式与早期故障信息提取因子的关联匹配；对故障与征兆匹配度关联分析、故障分类征兆异常參数分析，实现表征早期故障危险潜在点的时间序列的捜索。本发明的有益效果是能够针对当前能源、钢铁、煤炭、运输等行业内的大型旋转机械在复杂エ况运行下的早期故障趋势搜索问题，解决在强干扰、多噪音下非平稳振动信号的早期故障无法提取的难题，该发明实现了变エ况条件下的大型旋转机械早期故障捜索， 提高了借助振动參数分析挖掘设备早期故障的精确度，及时的发现设备运行的潜在故障危险点，便于采取故障的预防性措施。本发明为大型旋转机械的状态监测与故障预警系统的功能实现提供可靠性较高的理论依据，提高大型旋转机械设备在复杂运行条件下早期故障预警功能的精度，增强大型旋转机械设备的安全性、可靠性和稳定性，避免了大型旋转机械设备严重故障的发生，提升了能源、钢铁、煤炭、运输等行业的经济效益。


图1为风カ发电机组传动系统的早期故障捜索步骤示意图。图2为风电机组传动系统振动监测测点布置图。图3为风电机组传动系统振动參数时间划分流程示意图。图4为风电机组传动系统振动參数早期故障提取因子及故障、特征因子匹配研究流程图。图5为振动參数特征因子聚类的风电机组传动系统早期故障潜在危险的捜索流程图。
具体实施例方式本发明ー种大型旋转机械复杂エ况下的早期故障捜索方法。下面结合附图对本发明予以说明。大型旋转机械的振动參数数据实质上是设备振动记录值随运行时间变化的有序时间序列，设备运行状况的变化势必会引起振动记录值与时间变量的相应变动，设备运行 エ况的变化或潜在故障的发生均会引起參数变动。实际背景下，绝大多数大型旋转机械的运行时伴随着环境、转速、温度、压カ等因素的变化运行的，我们在挖掘潜在运行故障时，需要排除设备监测參数因外界因素变化造成异变的干扰，影响大型旋转机械早期故障的提取的精度。本发明旨在解决变负荷条件下运行的大型旋转机械的早期故障捜索问题，需要构建适合变负荷背景下的振动信号特征因子，通过研究故障模式异常变动与特征因子的匹配，体现发明中构建特征因子的优势。采用聚类分析处理设备运行的振动信号，挖掘复杂エ 况下设备运行的潜在故障危险点，具体流程如图1所示。具体实施步骤如下步骤1，掌握所研究大型旋转机械的振动监测方案，风カ发电机组传动系统振动监测测点布置图參见图2，图中1表示监测风电机组主轴前轴承径向振动、2表示风电机组增速箱前轴承径向振动、3表示增速箱一级传动级箱体振动、4表示增速箱ニ级传动级箱体振动、5表示增速箱高速级箱体振动。积累风カ发电机组传动系统的常见故障模式，研究风电机组传动系统各部件运行时的工作频率及故障条件下的异常频率变化情況，形成风电机组传动系统早期故障特征频率信息识别表，如表1所示。特征频率信息识别表的分析是为了深入了解故障振动參数异常变化的特征，为寻找相匹配的參数特征因子作准备。表1风电机组传动系统早期故障特征频率信息识别表
权利要求
1.ー种大型旋转机械复杂エ况下的早期故障捜索方法，其特征在干，具体实施步骤如下(1)大型旋转机械设备振动故障征兆识别分析，即研究常见设备频发振动故障征兆特征与振动參数异常波形特点，形成大型旋转机械设备常见故障模式征兆分类表；(2)输入參数的初始化处理，即输入參数的时间序列分割，结合匹配參数的物理特性采取不同的时间序列划分原则，实现运行设备振动參数的时间划分算法；(3)振动參数无量纲特征因子定性化、定量化分析，分析比较构建的振动參数特征因子与传统时域特征值的区別，深入研究特征因子随着故障信息发展的走势及变化特征，阐述特征因子物理意义，形成设备常见故障模式征兆与相应故障提取因子匹配；(4)无量纲特征因子的计算、中心化及标准化，首先实现振动參数时间子序列的特征因子计算，为了减少不同性质、度量単位特征因子的相对影响，避免绝对值较小因子被湮灭， 对时间子序列特征因子进行中心化和标准化，使各因子具有相同的评价基点和变化范围；(5)特征因子异常边界的界定，即在上述输入初始处理基础上，从设备运行监控历史数据库中提取一定训练空间的监测參数数据序列，通过特定的训练算法得到判定特征因子边界标准，作为监测參数异常捜索的准则；(6)时间子序列多维属性因子向量的异常序列捜索，选取ρ个特征因子描述η个振动參数时间子序列，通过P维属性向量反映η个时间子序列的性质，挖掘异常时间子序列，找出大型旋转机械运行的潜在故障危险点。
2.根据权利要求1所述大型旋转机械复杂エ况下的早期故障捜索方法，其特征在干， 所述大型旋转机械包括能源、钢铁、煤炭和运输行业内的大型旋转机械，具体包括火力发电机机组传动系统，风力发电机组传动系统，飞机，火车，轮船以及煤炭和地铁的挖掘机。
3.根据权利要求1所述大型旋转机械复杂エ况下的早期故障捜索方法，其特征在干， 所述风カ发电机组传动系统变风速、变载荷エ况下的包括如下步骤1)风カ发电机组传动系统振动监测测点布置(1)监测风电机组主轴前轴承径向振动，(2)风电机组增速箱前轴承径向振动，(3)增速箱一级传动级箱体振动，(4)增速箱ニ级传动级箱体振动和( 表示增速箱高速级箱体振动；以该5个传感器采集数据參数得到频发振动故障征兆特征与振动參数异常波形特点，形成风电机组传动系统早期故障特征频率信息识别表；2)以风电机组传动系统监测布置方案3号传感器采集的增速箱ー级传动级箱体振动的振动參数λ为研究參数，设置振动參数Χλ的时间序列Χλ = (X^t1), xA(t2), xA(tn)}的维度η，振动參数时间序列维度表示时间序列Χλ在采集时间段内包含的信号数据个数，对于时间序列维度η充分考虑算法以及參数数据采样粒度，结合风电机组运行エ 况中风速相关因素的变化情况，则通过计算列出振动參数时间序列维度n = t/ts，对振动监测參数进行基于整周期或整周期倍数的时间子序列划分，根据振动參数时间序列的初步划分进行整周期分割优化，将记录值为零点的数据点作为起始点有利于算法的实现；3)在对时间序列数据进行算法运算前，需要对振动參数时间序列进行预处理，其中包括数据的中心化和标准化，特征因子时间序列的中心化公式为ァル‘ト凡⑴-！^化⑴バれ⑶表示k类特征因子下h维时间子序列，yk(i)表示编号为i的时间子序列的k类特征因子的记录值，y' k(i) 表示中心化后的特征因子值，经过中心化后各变量的均值将为0，即各变量的取值都有相同的基点；标准化为了实现特征因子的变化范围统ー化，采用极差正规化实现特征因子时间序列的标准化，则特征因子时间序列y' k(i)的标准化公式为ん(0= ノル)-タル)，经过标W)腿-W)mm准化变换后各变量基点相同，变化范围也相等，其得到经过中心化、标准化的特征因子时间序列为:y" k(i) = {y" k(l)，y〃 k(2).......y" k(h)}；.4)构建振动參数时间序列早期故障提取特征因子，由于风电机组传动系统的早期故障主要体现为エ频及倍频、频率调制两方面，所以其早期故障提取因子关联匹配分类主要分为故障模式和频率特征两种，故障模式的典型特征选取其较为敏感的特征因子作为每种故障模式特有的故障信息提取因素，风电机组传动系统早期故障提取因素为振动參数整周期时间划分和早期故障模式与早期故障信息提取因子的关联匹配；对故障与征兆匹配度关联分析、故障分类征兆异常參数分析，实现表征早期故障危险潜在点的时间序列的捜索。
全文摘要
本发明公开了属于大型旋转设备的运行安全评估技术领域的一种大型旋转机械复杂工况下的早期故障搜索方法，大型旋转机械设备振动故障征兆识别分析、系统振动监测测点布置输入参数的时间序列分割，实现运行设备振动参数的时间划分算法，对振动参数时间序列进行预处理，其中包括数据的中心化和标准化；构建振动参数时间序列早期故障提取特征因子，对故障与征兆匹配度关联分析、故障分类征兆异常参数分析，实现表征早期故障危险潜在点的时间序列的搜索；提高大型旋转机械设备安全性、可靠性和稳定性，避免了大型旋转机械设备严重故障的发生，提升了能源、钢铁、煤炭、运输等行业的经济效益。
文档编号G01H17/00GK102564568SQ20111045299
公开日2012年7月11日 申请日期2011年12月29日 优先权日2011年12月29日
发明者代数建, 刘佳, 宋磊, 徐天金, 王兵兵, 王敏, 陈昆亮, 顾煜炯, 马杨, 高崭 申请人:华北电力大学