[发明专利]一种水电机组群轴系振动故障全息识别方法

说明书

本发明公开了一种水电机组群轴系振动故障全息识别方法，属于水电群机组故障识别领域，包括：将转定子碰磨力、不平衡磁拉力、密封激振力、水力不平衡力、转子弓状回旋力、转轮弓状回旋力、油膜力和转轮涡带偏心力作为外部激励振源，建立水电机组群的非线性振动模型，并求解得到水电机组群的振动仿真信息，求解其全息谱并分析得到各全息谱特征与轴系振动故障的对应关系；对于导轴承的振动实测信号，求解全息谱并提取全息谱特征，若提取失败，则判定未发生轴系振动故障；否则，判定发生了轴系振动故障，并查找与该全息谱特征对应的轴系振动故障，将查找到的轴系振动故障作为故障识别结果。本发明能够准确、有效地实现水电机组群轴系振动的故障识别。

技术领域

本发明属于水电群机组故障识别领域，更具体地，涉及一种水电机组群轴系振动故障全息识别方法。

背景技术

随着常规水力发电和抽水蓄能在电力系统中的不断渗透，水力发电作为一种清洁的可再生能源，其容量在电力系统中的比重越来越大，已成为全球双碳目标的支柱。然而，轴系作为能量转换的关键部件，长期在复杂、恶劣的水电-机电耦合环境中运行，极大地降低了水电系统的安全性和可靠性。

近年来，国际上有大量学者对轴系振动故障识别进行了大量研究，大致可分为两类。一是建立轴系故障的振动数学模型，对故障的动态行为进行仿真分析，并应用于工程实践。二是利用机器学习或深度学习方法，从轴系振动多源监测数据中提取特征，识别故障。第一类常用的分析方法有振动时域图、相空间轨迹图、频谱图、Poincaré截面图和分岔图。常见的故障数学模型包括：质量偏心、不平衡磁拉(UMP)、转定子碰磨、轴不对中、转子弓状旋转、水力不平衡、密封激振、导轴承松动、水轮机转轮涡带偏心等。对于第二类，首先对机组轴系振动在线监测数据进行降噪处理。常用的方法有经验模态分解(empirical modedecomposition,EMD)、奇异值分解(singular value decomposition,SVD)和变分模态分解(variational mode decomposition,VMD)。然后提取去噪后的振动特征数据，输入机器学习算法或深度学习算法进行振动故障诊断。常用的诊断方法有贝叶斯、支持向量机(SVM)、卷积神经网络(CNN)、循环神经网络(RNN)等。

当前轴系振动故障的识别取得了很大的进展，但在实际运行环境中，现有的轴系振动故障识别方法仍然存在的不足之处。基于振动数学模型的故障轴系故障诊断方法，一种模型仅能针对一种特定的故障进行诊断，而在实际运行环境中，轴系仍存在许多数学理论无法描述的故障。基于机器学习或深度学习的轴系故障诊断方法，由于水电机组群系统十分复杂，其运行环境也十分复杂，无法获取到足够的故障历史数据以供学习，故障诊断的准确性也无法保证，此外，这些方法在信号处理过程中会丢失大量有效信息，进一步降低了诊断的效果。

总体而言，现有的方法并不能准确、有效地实现水电机组群轴系振动的故障识别。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种水电机组群轴系振动故障全息识别方法，其目的在于，充分利用水电机组群轴系振动的全息谱信息，准确、有效地实现水电机组群轴系振动的故障识别。

为实现上述目的，按照本发明的一个方面，提供了一种水电机组群轴系振动故障全息识别方法，包括：

故障分析阶段：将转定子碰磨力、不平衡磁拉力、密封激振力、水力不平衡力、转子弓状回旋力、转轮弓状回旋力、油膜力和转轮涡带偏心力作为外部激励振源，基于动力学拉格朗日理论建立水电机组群的非线性振动模型，用于描述水电机组群中发电机转子和水轮机转轮在外部激励振源作用下的振动情况；求解非线性振动模型，得到发电机转子和水轮机转轮的振动仿真信息，将其转换为水电机组群中导轴承的振动仿真信息后，求解其全息谱，并分析得到各全息谱特征与轴系振动故障的对应关系，得到轴系振动特征库；