汽轮发电机组低频振动实时预警方法

摘要

本发明公开了旋转机械振动状态监测与故障诊断领域的一种汽轮发电机组低频振动实时预警方法。通过采集计算存储汽轮发电机组转子轴相对振动中的低频振动数据。在此基础上，结合FFT频谱分析方法及ANFIS自适应神经模糊推理系统计算方法，通过计算分析低频振动统计性内禀参数变化情况，对汽轮发电机组转子的低频振动异常状态进行预警。本发明提供的汽轮发电机组低频振动实时预警方法，利用机组运行中转子振动数据及ANFIS方法，对机组运行中转子振动数据进行实时自动在线监测、分析及判别，提高大型汽轮发电机组低频振动实时监测预测分析工作的效率和准确度。

主权项

1.一种汽轮发电机组低频振动实时预警方法，其特征在于，所述方法具体包括以下步骤：步骤1：采用高速振动数据采集卡实时采集汽轮发电机组转子一侧支持轴承的轴相对振动数据、转子的转速信号和键相信号；步骤2：利用FFT频谱分析方法对当前时刻支持轴承的轴相对振动数据进行频谱分析，得到从低频到高频的不同振动频率所对应的振动幅值数据序列；步骤3：从步骤2得到的振动幅值数据序列中，截取当前时刻所有小于机组工作转速对应频率的低频频率，并计算所有低频频率对应的振动幅值之和A；存储低频振动幅值A，每隔Δ_s秒存储一次；步骤4：判断低频振动幅值存储时间是否大于预设时间段长度P_MN，如果大于预设时间段长度，那么记录当前时刻T_N前的低频振动幅值数据A，进入步骤5；否则，继续存储数据；步骤5：按照数据存储时间先后顺序排序，不同时刻下低频振动幅值数据以下标i表示数据存储时间先后顺序，i=1,2,3,…,m；从T_N时刻向前截取至T_M时刻的低频振动幅值数据A，将T_M时刻至T_N时刻的低频振动幅值数据表示为A_i(i=1,2,3,…,m)；|T_N-T_M|=p_MN，p_MN为预设时间段长度，$m=\frac{p_{\mathrm{MN}}}{{\Delta }_s};$步骤6：根据低频振动幅值数据A_i(i=1,2,3,…,m)，建立ANFIS预测学习训练数列$\left[\begin{array}{cccccc}{A}_{s_1}& A_{s_2}& ...& A_{s_{j-1}}& A_{s_j}& A_{s_j+p}\\ A_{s_1+1}& A_{s_2+1}& ...& A_{s_{j-1}+1}& A_{s_j+1}& A_{s_j+p+1}\\ ...& ...& ...& ...& ...& ...\\ A_{s_1+r-2}& A_{s_2+r-2}& ...& A_{s_{j-1}+r-2}& A_{s_j+r-2}& A_{m-1}\\ A_{s_1+r-1}& A_{s_2+r-1}& ...& A_{s_{j-2}+r-1}& A_{s_j+r-1}& A_m\end{array}\right]$并进行训练，得到模糊推理系统FIS的规则组R_s；步骤7：将步骤6中的学习训练数列中的前j列构成新的数列，$\left[\begin{array}{ccccc}{A}_{s_1}& A_{s_2}& ...& A_{s_{j-1}}& A_{s_j}\\ A_{s_1+1}& A_{s_2+1}& ...& A_{s_{j-1}+1}& A_{s_j+1}\\ ...& ...& ...& ...& ...\\ A_{s_1+r-2}& A_{s_2+r-2}& ...& A_{s_{j-1}+r-2}& A_{s_j+r-2}\\ A_{s_1+r-1}& A_{s_2+r-1}& ...& A_{s_{j-2}+r-1}& A_{s_j+r-1}\end{array}\right]$利用规则组R_s，进行基于ANFIS方法的模糊推理计算，得到训练学习输出项序列步骤8：计算与训练预测项序列$A_{s_j+p+k-1}(k=\mathrm{1,2},...,r-1,r)$的偏差${\Delta }_k^T(k=\mathrm{1,2},...,r-1,r);$步骤9：计算的标准偏差σ^T及最大值步骤10：根据任意当前时刻低频振幅数据及其前的低频振动幅值数据，得到当前时刻的标准偏差σ^N及最大值步骤11：如果满足σ^N>w₁×σ^T或其中w₁、w₂为预警阈值系数，判定所测得的机组轴系转子一侧的当前时刻低频振动出现异常状态。