[发明专利]电站汽轮机转子振动故障的柯尔莫果洛夫熵诊断方法

说明书

技术领域

本发明涉及一种电站汽轮机转子振动故障的柯尔莫果洛夫(Kolmogorov)熵诊断方法，是一种算法简单，容易实现特别适用于有噪声干扰的电站汽轮机转子振动故障的诊断方法。

背景技术

汽轮机发电机组的故障率较高，而且故障危害性也较大，所以汽轮机的故障预测及诊断问题历来受到有关研究机构、企业和管理部门的高度重视，是现代故障诊断技术应用的一个重要方面。汽轮机转子振动波形提供了丰富的故障征兆信息，如何准确、全面地提取征兆信息对于故障类型的确定、故障发展的预测以及汽轮发电机组的状态检修都具有十分重要的意义。

在目前研究的汽轮机转子振动故障诊断方法当中，有以下2种典型方法。

(1)快速傅立叶变换(FFT)法

目前，应用最广泛的故障信号分析处理方法是傅立叶(Fourier)分析和相应的FFT快速算法，借助于FFT算法实现的信号处理有频谱分析、相关分析、相干分析、传递函数分析、细化谱分析、时间序列分析、倒频谱分析、包络分析等。这些分析方法在故障诊断过程中起到了重要的作用，比如参考文献“汽轮发电机组振动”。

但是，这种方法存在下述问题：

FFT只适合于分析连续的、平稳的时域信号，但实际中的很多信号是非线性、非平稳的。

(2)分形法

近年来，国内有一些学者提出用分形的方法来进行故障诊断，通过相空间重构理论，对满足随机分形统计自相似性的振动信号序列进行相空间重构，计算其关联维数，从而再现动力学特性。比如参考文献“基于分形关联维的汽轮机转子的振动故障诊断”(梁平，龙新峰，樊福梅，华南理工大学学报(自然科学版)第34卷第4期)，针对故障振动位移首先进行了一个测点两个方向上的关联维数的计算，结合对应故障的波形图和频谱图进行分析。

但是，这种方法存在下述问题：问题一，分形无标度区的确定存在着很大的人为因素，导致最后结果精确度不高。

问题二，不能消除噪声的干扰。

综上所述，对于一个性能良好的腐蚀深度预测方法，必须符合下面几点基本要求：

(1)算法简单；(2)计算速度快；(3)精确度较高；(4)适合工程实际应用，等等。而现有技术尚未能很好的解决这些问题。

发明内容

本发明的目的在于针对现有技术的存在的上述不足，提供一种电站汽轮机转子振动故障的柯尔莫果洛夫(Kolmogorov)熵诊断的方法。

本发明基于混沌对系统初始条件的敏感依赖性和相空间轨道的稠密性，采用小波包滤波和混沌特征量-Kolmogorov熵相结合的技术，将原始振动数据先用小波包分解，提取有用的频段进行分析，以达到滤波的目的，然后利用混沌动力学理论对滤波后的信号提取混沌特征量-Kolmogorov熵进行故障定位。该方法原理清晰简单，算法简单，实现速度快，并且能有效的滤掉噪声的干扰，对于故障类型能够精确的定位。

本发明的方法包括如下具体步骤：

(1)利用Bently实验装置模拟汽轮机转子的振动过程，并使其转速达到所需要求范围内。通过设置预置故障，经传感器及放大滤波采样，采集到在一定转速下各种常见转子故障的振动位移数据，经过数据的格式转换保存在相应的目录下，便于实验结束后的数据处理与分析。

由于汽轮机转子的四种典型故障：不平衡，不对中，碰摩，轴承松动的主要频谱特征主要分布在：0～100Hz，所以将原始信号进行三层小波包分解，选取第一个频带：0～125Hz进行分析，可以滤掉噪声和不需要的频率成分。然后再进行小波包重构，可以保留该小波包的数据，使信号恢复到原来的时域分辨率。

(2)将小波包重构结果赋值给一个时间序列，运用C-C方法计算出该时间序列的时间延迟。

(3)设置嵌入维数初值，例如从m＝3开始，进行相空间重构，则此相空间为M维，M＝N-(m-1)τ，其中N为时间序列序列的长度，对于M维相空间中的一对相点：