[发明专利]一种旋转机械振动故障诊断方法

说明书

技术领域

本发明涉及旋转机械振动故障诊断领域,特别是一种利用异类传感器过程信息融合技术和图像识别技术来监测及高精度自动诊断旋转机械振动故障类型的方法。 

背景技术

旋转机械是电力、冶金、石化、交通等行业广泛使用的关键设备，对旋转机械进行在线监测及故障诊断是保证旋转机械安全稳定运行的重要手段。基于振动数据的旋转机械现代故障诊断技术已经发展了30多年，但目前绝大多数故障诊断方法归根结底是依靠采集的原始振动数据来进行诊断的。这些原始振动数据往往是针对特定测点在某短瞬间采集的一段波形，是对应某时刻状态的信息，是状态的一种表现。而在远大于采集周期的较长时段中，旋转机械的状态可能会明显变化。如果产生故障，在某一状态下，振动波形不一定含有明显的故障信息，或故障信息被淹没在其他信息中。这时，依靠随机抽取的状态信息来进行诊断是会碰到困难的，如果故障特征不是绝对清晰的，基于某时刻状态波形的方法就不能很好区分这些故障。

汽轮发电机转子是电力行业中最重要的旋转机械，目前国内外使用的大部分汽轮机转子振动监测诊断系统普遍还存在着对机组运行数据监测、使用不够全面的问题，一般以振动量为主，不能接入负荷、压力、温度、真空、电流等机组相关工艺量数据。即使有部分振动监测诊断系统采集了机组相关工艺量数据，也只是用于显示相关数据，没有将其与振动信号结合起来综合分析进行故障诊断。然而旋转机械振动故障征兆并不都只体现在振动数据中，某些故障征兆既体现在振动数据中，也体现在机组相关工艺量数据中，如汽轮机转子热变形、发电机转子故障、轴系负载分配不均衡等故障。因此，如果只是单纯分析振动数据，而不考虑工艺量数据，就不能很好的区分相关故障类型。 

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种旋转机械振动故障诊断方法，同时分析多状态的振动数据和工艺量数据，更好地区分振动故障类型，提高故障诊断的准确性，避免盲目处理故障。

为解决上述技术问题，本发明所采用的技术方案是：一种旋转机械振动故障诊断方法，该方法为：

1）采集旋转机械各种典型振动故障状态下的各个振动测点的振动数据，其中任意一个振动测点在一个采样过程中的典型振动故障数据由若干个采样转速点或采样时间点下的振动数据组成；同时在同样的采样转速点或采样时间点下对应采集各个工艺量测点的工艺量数据； 

2）对上述各种典型振动故障状态下的振动数据和工艺量数据进行特征值提取，对每一种典型振动故障构建一个振动故障样本矩阵X：

，

其中，表示升、降速或定速过程中振动数据采样转速点或采样时间点的个数，表示振动数据的测点个数，表示工艺量数据的测点个数，矩阵中的任意一个元素表示在第个采样点下第个振动测点的振动数据特征值，表示在第个采样点下第个工艺量测点的工艺量数据特征值，其中，，，；

3）对于待检故障信号，取与步骤1）相同的振动测点和工艺量测点，分别采集各个振动测点和工艺量测点的待检故障振动数据和工艺量数据，并对该振动数据和工艺量数据进行特征值提取，构建一个反映了待检故障信号的过程变化规律的的特征值矩阵Y；

4）将矩阵Y与每一种典型振动故障的振动故障样本矩阵X相减，得到N个中间对比矩阵Z，即，其中N为典型振动故障种类数量；

5）求矩阵Z的均值和方差，并求均值的绝对值；

6）比较上述N个中间对比矩阵的均值的绝对值和方差，得到使和最小的中间对比矩阵，则该中间对比矩阵对应的振动故障样本矩阵X的故障类型即为待检故障信号的故障类型。

由此可见，上述步骤的故障诊断方法即是利用数字图像识别技术中的矩阵匹配计算方法来实现的。

所述步骤1）中，典型振动故障类型一般为不平衡、不对中、动静碰磨、部件松动、油膜涡动、汽流激振、转子热变形、发电机转子故障、轴系负载分配不均衡。

所述步骤1）中，工艺量数据包括旋转机械的负荷、压力、温度、真空值、电流值。

所述步骤2）中，利用小波分析或流形学习方法对各种典型振动故障状态下的振动数据和工艺量数据进行特征值提取。