一种基于水轮发电机组振摆数据的下机架故障诊断方法与流程

本发明涉及水轮发电机组振故障技术领域，尤其涉及一种基于水轮发电机组振摆数据的下机架故障诊断方法。

背景技术：

水轮发电机组机组状态监测是开展状态检修的基础，其通过对机组的实时运行情况进行跟踪，保证其运行在健康状态，主要包括稳定性监测、压力脉动监测、空化监测与局放监测等，其中较为常见的是振动信号分析为主的稳定性监测。机组运行时由于受强背景噪声与复杂电磁干扰的影响，导致监测到的振动信号特征频带易被背景噪声煙没，难以反映出机组真实的运行状态。通过先进的信号处理方法对监测信号进行降噪分析，有助于准确获取信号的时、频特征，进而及时发现机组运行异常。

故障诊断作为电站智能化建设的重要组成部分，即在监测系统全面采集机组运行数据的基础上，综合运用信号处理与神经网络技术，分析机组运行健康状态并诊断出可能存在的故障，最后给出决策建议，为状态检修提供指导和依据，进而避免发生重大运行事故。水电机组故障诊断在流程上包括三维模型的建立，特征值提取和缓变量预测三步。其中特征值提取是提升故障准确率的关键，因而如何从监测信号中提取能充分表征机组运行状态的特征信息一直是备受关注的热点问题。由于水电机组变工况与启、停频繁，且在运行时受多重激励因素耦合作用，导致监测到的振动信号具有明显的非平稳性、非线性与非高斯性等特点。针对此类信号，探索能深刻反映水电机组这一复杂大型动力系统所蕴含变化规律的特征提取新方法，具有重要的理论与实际意义。此外由于水电机组设备的特殊性，诊断时常面临样本分布不均匀与数量倾斜的情况。因此急需针对此类问题发展新的诊断方法，提升故障预测的准确度。实现对水电机组状态趋势的准确预测，不仅有助于及时发现机组早期运行异常，更有助于科学合理地制定状态检修计划，进而提升电站综合经济效益。

技术实现要素：

本发明的目的就在于为了解决上述问题而提供一种基于水轮发电机组振摆数据的下机架故障诊断方法。

为了实现上述目的，本公开提供一种基于水轮发电机组振摆数据的下机架故障诊断方法，包括以下步骤：

s1，根据振动波形计算得下机架水平振动的峰峰值和倍频值；

s2，建立导叶开度-水头-下机架水平振动的峰峰值和倍频值的三维模型；

s3，通过三维模型中机组振动值稳定状态下的数据，提取下机架水平振动特征值样本和下机架水平振动倍频特征值样本；

s4，下机架水平振动特征值样本和下机架水平振动倍频特征值样本引入故障诊断算法模型，得故障预测趋势。

本发明的有益效果在于：

1、本发明涉及的基于水轮发电机组振摆数据的下机架故障诊断方法，从研究机组正常运行状态的特征参数入手，按运行条件分别建立特征量健康样本，实现机组运行状态的健康评估和性能退化预测；

2、本发明详细分析不同工况下监测量的曲线特征值，通过融合水轮发电机组工况与监测量信号，提取了特征量与工况的关联规则，采用监测量与水头、导叶开度、负荷等工况参数作为健康样本特征值的提取，有效提升了特征量的代表性。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是本发明所述的故障诊断方法流程；

图2是本发明所述的下机架水平振动、倍频趋势图；

图3是本发明所述的下机架水平振动、倍频-导叶开度-净水头趋势图；

图4是本发明所述的下机架水平振动特性模型；

图5是本发明所述的下机架水平振动倍频特性模型；

图6是本发明所述的下机架水平振动-下机架水平振动特征值趋势图；

图7是本发明所述的下机架水平振动倍频-下机架水平振动倍频特征值趋势图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

分析振动信号的频谱特征是研究下机架支撑松动故障的主要方向，下机架支撑松动出现故障会引起下机架松动、断裂等重大事故故障，而主要造成故障的原因是下机架各部螺栓松动，下导油槽基础螺栓松动等。为了更准确的预测以及确定下机架支撑松动故障，需要分析在不同工况下下机架振动频谱的特征值。

本发明涉及的基于水轮发电机组振摆数据的下机架故障诊断方法，包括以下步骤：

s1，根据振动波形计算得下机架水平振动的峰峰值和倍频值。

具体地，使用振动波形算法模板：以下机架x、y方向的波形，使用傅里叶变换，计算出下机架水平振动峰峰值、下机架水平振动1倍频。

s2，建立导叶开度-水头-下机架水平振动的峰峰值和倍频值的三维模型。

具体地，将s1计算出来的下机架水平振动峰峰值、下机架水平振动倍频值作为三维的z轴，用水头和导叶开度作为x、y轴，进入三维模型算法中进行收敛计算。

s3，通过三维模型中机组振动值稳定状态下的数据，提取下机架水平振动特征值样本和下机架水平振动倍频特征值样本。

具体地，将三维模型中收敛出来的摆度影响量进行圈点，选择额定水头附近、开度50％以上的特征信号进行提取，作为特征值输出，并对从三维模型中提取出来的特征值按照实际运行情况进行预警配置。

s4，下机架水平振动特征值样本和下机架水平振动倍频特征值样本引入故障诊断算法计算，得故障预测趋势。

具体地，故障诊断算法是将提取的下机架水平振动特征值、缓变量以及下机架水平振动倍频特征值、缓变量四个量进行逻辑运算，其中任意两个量达到报警值后，算法给出下机架振动异常故障报警。

水轮发电机组故障与机组运行工况密切相关，机组振动幅值与转速、开度和励磁电流等工况参数间的关联曲线是反映机组健康状态一种有效表现形式。因此，对水轮发电机组工况过程进行监测，不仅可以为水轮发电机组稳定性分析提供可靠地信号资源，而且可以为机组故障原因分析提供一种有效的判断依据。反而，如果忽略运行工况对机组监测量的影响，仅仅孤立的采用水轮发电机组振动信号分析技术进行机组健康样本的提取，可能会导致分析结果不准确。

故详细分析不同工况下监测量的曲线特征值，通过融合水轮发电机组工况与监测量信号，提取了特征量与工况的关联规则，采用监测量与水头、导叶开度、负荷等工况参数作为健康样本特征值的提取，有效提升了特征量的代表性。

使用中间算法，计算出下机架水平振动、下机架水平振动倍频值。下面以某电厂1号机下机架水平振动、下机架水平振动倍频值。图2为1号机组某期间的下机架水平振动、下机架水平振动倍频值，从图中可以看出，由于机组结构复杂、工况转换频繁，使得其下机架水平振动、下机架水平振动倍频值参数时间序列非常复杂，难以从图中准确地分析其实际运行状态。

如图3所示，在该时间段内该机组水头在[42，52]区间波动；下机架水平振动、倍频值波动较大时导叶开度集中在[0，48]，下机架水平振动、倍频值稳态是导叶开度集中在[50，68]。机组在发电工况下、导叶开度、工作水头对机组运行参数有重要影响，由于机组工作水头及运行工况的不断转换，使得下机架水平振动、倍频值变化及其复杂，不能从振动数据中直接获取机组的真实状态。

为实时获取水电机组的真实运行状态，需要对其建立导叶开度-水头-下机架水平振动、倍频状态三维模型，获取健康状态下的样本，图4、图5是下机架水平振动、下机架水平振动倍频三维模型。

建立好三维模型后，采用机组振动值稳定的状态下无故障的数据，建立机组健康状态下振动频域特征和时域特征，提取具有代表性的、健康的特征量样本。从图6、图7中可以看出，健康样本趋势剔除了暂态、剔除噪声干扰等其他状态下的数据，只保留健康样本的数据，可以有效的分析机组在实际运行工况下机组的健康状况。

健康样本建立后，引入人工智能的数据算法模型，例如神经网络、线性回归机器学习等，具体计算过程如图1所示。

现有的故障诊断理念是基于故障征兆，利用状态监测得到的参数与故障知识库中的故障征兆进行分类、比对等手段，识别设备故障，判断设备故障发生部位、故障性质和程度及产生原因等，进一步预测设备故障的发展趋势。由于水电机组的特殊性，其“故障”表现可能多种多样，现阶段根本无法健全故障样本，基于水电机组故障特征和故障样本的诊断方法，很难在短期内取得实用成果。本文从研究机组正常运行状态的特征参数入手，以概率论与数理统计理论为基础，提出了建立特征量健康样本的理论方法，并结合实例对机组运行状态进行健康评估和性能退化预测。

以电站实际监测量为例，分析讨论了机组运行条件对监测参数特征量的影响。如果在建立健康样本时，不考虑机组运行条件的话，会导致样本分散，标准偏差较大，使得建立的健康样本界限过宽，不利于机组运行状态的健康评估。本文提出以控制机组在稳定工况下，按运行条件分别建立特征量健康样本的理论方法，可建立比较理想的健康样本。

根据水电机组监测量特征指标的时间序列特性，建立了基于时间序列变化分解的水电机组特征量趋势预测模型，提出了基于时间序列分解模型的趋势预测和性能退化预测的算法。采用电站实际监测数据对分解模型和算法进行了验证，结果表明，预测趋势与实际监测趋势具有很好的吻合性，可满足水电机组监测特征量的定量趋势预测和性能退化预测，对早期预警机组潜在异常，具有很好的实用性和应用前景。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。