专利名称：汽轮发电机组汽流激振故障在线判别方法
技术领域：
本发明属于旋转机械振动状态监测与故障诊断技术领域，尤其涉及ー种汽轮发电机组汽流激振故障在线判别方法。
背景技术：
汽流激振是ー种通常发生在大型汽轮机高(中)压转子上的，由蒸汽激振カ诱发的低频振动现象。由于高參数机组随着汽轮机蒸汽參数的提高，会导致高压缸进汽密度增大、流速提高，蒸汽作用在高压转子上的切向カ对动静间隙、密封结构以及转子与汽缸对中度的灵敏度提高，増大了作用在高压转子的激振力，直接影响了机组的可用率。机组发生汽流激振故障，经常表现为低频振动突然变大并且汽流机组故障经常发生在机组的高负荷阶段。判断机组是否发生汽流激振故障，通常由具有一定现场运行经验及专业知识技能的专业人员完成，由此带来分析结果对人员的主观性依赖程度较高、分析过程耗费人力资源时间，分析工作成本高等问题，并且无法做到汽流激振故障的实时自动在线监测、分析及判別。因此，提出ー种大型汽轮发电机组汽流激振故障在线判别方法就显得十分重要。本发明提供的大型汽轮发电机组汽流激振故障在线判别方法，对机组运行中转子轴相对振动、机组功率等数据进行实时自动在线监测、分析及判别，判定高压转子是否发生汽流激振故障，提高高压转子汽流激振故障分析诊断工作的效率和准确度。
发明内容
本发明的目的在于，提出ー种汽轮发电机组汽流激振故障在线判别方法，用以实现大型汽轮发电机组汽流激振故障的实时自动在线监测、分析及判別。为实现上述目的，本发明提供的技术方案是，一种汽轮发电机组汽流激振故障在线判别方法，其特征是所述方法包括步骤I :设定起始时刻Ts、第一时间步进长度h、第二时间步进长度t2、第一设定值D1和第二设定值D2 ；步骤2 :实时采集汽轮发电机组高压转子ー侧支持轴承的轴相对振动数据、转子的转速信号、转子的键相信号以及机组功率数据；步骤3 :从起始时刻Ts开始，每隔第一时间步进长度h存储当前时刻的机组功率数据Pu ;每隔第二时间步进长度t2，计算当前时刻低频振动幅值序列的最大值Afm'当前时刻低频振动幅值序列的熵E和当前时刻低频振动幅值序列的变化峰度參数K\并存储当前时刻低频振动幅值序列的最大值Afmax和当前时刻低频振动幅值序列的熵E ；当满足当前时刻低频振动幅值序列的变化峰度參数K A大于第一设定值Dl并且当前时刻与起始时刻Ts的差值大于等于第二设定值D2与第一步进长度的乘积吋，将当前时刻作为终止时刻TN，将存储的当前时刻的机组功率数据Pu作为终止时刻Tn的机组功率数据iS.，执行步骤4;
步骤4 :选取终止时刻Tn之前的两个时刻，分别记为第一在先时刻T1和第二在先
权利要求
1.ー种汽轮发电机组汽流激振故障在线判别方法，其特征是所述方法包括 步骤I :设定起始时刻Ts、第一时间步进长度、第二时间步进长度t2、第一设定值D1和第二设定值D2 ； 步骤2 :实时采集汽轮发电机组高压转子ー侧支持轴承的轴相对振动数据、转子的转速信号、转子的键相信号以及机组功率数据； 步骤3 :从起始时刻Ts开始，每隔第一时间步进长度、存储当前时刻的机组功率数据Pu ;每隔第二时间步进长度t2，计算当前时刻低频振动幅值序列的最大值Afm'当前时刻低频振动幅值序列的熵E和当前时刻低频振动幅值序列的变化峰度參数K\并存储当前时刻低频振动幅值序列的最大值Afmax和当前时刻低频振动幅值序列的熵E ； 当满足当前时刻低频振动幅值序列的变化峰度參数K A大于第一设定值D1并且当前时刻与起始时刻Ts的差值大于等于第二设定值D2与第一步进长度、的乘积时，将当前时刻作为终止时刻TN，将存储的当前时刻的机组功率数据Pu作为终止时刻Tn的机组功率数据P:，执行步骤4; 步骤4 :选取终止时刻Tn之前的两个时刻，分别记为第一在先时刻T1和第二在先时刻 Tn-T1 Tn-JT2，且满足^^ =」^， 步骤5 :将从第一在先时刻T1起至终止时刻Tn止，每隔第一时间步进长度も存储的机组功率数据Pu按照存储时间的先后顺序排成机组功率数据序列/=し2，…，Nf 1 ;将 {Pr }ftI从第二在先时刻T2起至终止时刻Tn止，每隔第二步进长度t2存储的低频振动幅值序列的最大值Afnax按照存储时间的先后顺序排成低频振动幅值最大值序列μ; ΠΒΧ}，每隔第二步进长度t2存储的低频振动幅值序列的熵E按照存储时间的先后顺序排成低频振动幅值序列的熵序列= >2 步骤6 :计算机组功率參数和低频振动參数,包括 O计算机组功率数据序列的递增趋势參数Ip ; 2)计算低频振动幅值最大值序列的最大值ヰ:1=； 3)计算低频振动幅值序列的熵序列的变化偏度參数Se； 4)计算低频振动幅值序列的熵序列与机组功率数据序列的Kendall相关系数τ； 步骤7 :根据终止时刻Tn的机组功率数据iS,、机组功率数据序列的递增趋势參数IP、低频振动幅值最大值序列的最大值Cax、低频振动幅值序列的熵序列的变化偏度參数Se和低频振动幅值序列的熵序列与机组功率数据序列的Kendall相关系数τ，判断高压转子是否发生汽流激振故障。
2.根据权利要求I所述的汽轮发电机组汽流激振故障在线判别方法，其特征是所述计算当前时刻低频振动幅值序列的熵E采用公式E = ^i(Atq)2H(Ateq)2)], k=l 其中，为低频振动幅值序列的第k个数据，k=l，2,...1,1为预先设定的低频振动幅值序列的数据个数，并且规定当( 吋
3.根据权利要求I所述的汽轮发电机组汽流激振故障在线判别方法，其特征是所述当前时刻低频振动幅值序列的变化峰度參数K Α采用公式
4.根据权利要求I所述的汽轮发电机组汽流激振故障在线判别方法，其特征是所述计算机组功率数据序列的递增趋势參数Ip采用公式
5.根据权利要求I所述的汽轮发电机组汽流激振故障在线判别方法，其特征是所述计算低频振动幅值序列的熵序列的变化偏度參数Se采用公式
6.根据权利要求I所述的汽轮发电机组汽流激振故障在线判别方法，其特征是所述计算低频振动幅值序列的熵序列与机组功率数据序列的Kendall相关系数τ采用公式x=(ns-nd)/[1/2 Χ(η2-1)], 其中，η为低频振动幅值序列的熵序列或机组功率数据序列的数据个数，ns是低频振动幅值序列的熵序列与机组功率数据序列中，调和排列的序列对的总数，nd是低频振动幅值序列的熵序列与机组功率数据序列中，非调和排列的序列对的总数； 所述调和排列的序列对是指，对于2个序列{AJ和{Bk}中的任意2个序列对(Am，Bm)和(An, Bn)，q≥m, η≥1，q为序列{Ak}和序列{BJ的数据个数，如果同时满足Am>An并且Bm>Bn或者同时满足Am〈An并且Bm〈Bn，则2个序列对(Am，Bm)和(An，Bn)是调和排列的序列对；所述非调和排列的序列对是指，对于2个序列{AJ和{Bk}中的任意2个序列对(Am，Bm)和(An, Bn)，q≥m, η≥1，q为序列{Ak}和序列{BJ的数据个数，如果同时满足Am>An并且Bm〈Bn或者同时满足Am〈An并且Bm>Bn，则2个序列对(Am，Bm)和(An，Bn)是非调和排列的序列对。
7.根据权利要求I所述的汽轮发电机组汽流激振故障在线判别方法，其特征是所述步骤7具体是，当同时满足下述5个条件 .1)终止时刻TN的机组功率数据/^大于第三设定值； .2)机组功率数据序列的递增趋势參数Ip大于第四设定值； .3)低频振动幅值最大值序列的最大值大于第五设定值； .4)低频振动幅值序列的熵序列的变化偏度參数大于Se大于第六设定值； .5)低频振动幅值序列的熵序列与机组功率数据序列的Kendall相关系数τ大于第七设定值； 则判定高压转子发生汽流激振故障；否则，判定高压转子没有发生汽流激振故障。
全文摘要
本发明公开了旋转机械振动状态监测与故障诊断技术领域中一种汽轮发电机组汽流激振故障在线判别方法。包括实时采集汽轮发电机组高压转子一侧支持轴承的轴相对振动数据、转子的转速信号、转子的键相信号以及机组功率数据；形成机组功率数据序列、低频振动幅值最大值序列和低频振动幅值序列的熵序列；计算机组功率数据序列的递增趋势参数、低频振动幅值最大值序列的最大值、低频振动幅值序列的熵序列的变化偏度参数和低频振动幅值序列的熵序列与机组功率数据序列的Kendall相关系数；最后利用上述结果判断高压转子是否发生汽流激振故障。本发明实现了高压转子汽流激振故障的自动实时在线监测和判别，提高了分析诊断的效率和准确性。
文档编号G01M15/12GK102680243SQ20121014943
公开日2012年9月19日 申请日期2012年5月14日 优先权日2012年5月14日
发明者宋光雄 申请人:华北电力大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
