基于运行参数相关分析的汽轮机组碰磨故障诊断方法及其应用

为快速、精准地确定汽轮机组碰磨故障的原因及位置，提出一种基于机组运行参数相关分析的碰磨故障诊断方法。首先，利用数据预处理方法对汽轮机组的DCS运行数据进行预处理；然后，计算并分析振动参数间、振动与过程参数间的相关性特征，根据相关性特征指标排序法确定碰磨故障原因及发生位置；第三，结合某350MW汽轮机组的碰磨故障实例对所提出的方法进行验证；最后，将诊断结果与皮尔逊相关分析方法诊断结果进行对比分析，结果表明：本文方法可以更好地挖掘出振动参数间、振动与过程参数间的线性、非线性相关性特征，可精准地确定转子碰磨故障原因及位置，能有效指导机组的故障诊断。     

基于ARMA及神经网络的汽轮机振动故障诊断研究

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型的汽轮机转子振动故障水平方向与垂直方向的数据所建立的汽轮机转子振动故障序列自回归滑移平均(ARMA)模型,由ARMA模型参数计算自谱函数值,建立汽轮机转子振动故障时间序列的自谱函数图谱。对不同类故障所建立ARMA模型的自谱函数图谱分析表明:故障征兆信息较明显,有较好的故障区分度。另外由于ARMA模型的特征向量浓缩了原时间序列信号的全部信息,对ARMA模型的特征向量参数利用多节点输入双隐层BP神经网络完成p维欧氏空间到二维欧氏空间的非线性映射,对汽轮机转子振动故障状态进行诊断。诊断结果表明:对应故障类型的ARMA模型样本通过训练后的神经网络在二维欧氏空间中能较好地对故障进行分类,同类故障的检验样本与目标函数值在欧氏空间具有最小距离,表明基于ARMA模型的二维欧氏空间双隐层神经网络故障诊断方法有较高的故障辨识能力。     

基于EEMD-LSTM的汽轮机转子碰磨故障诊断模型及其工程应用

汽轮机转子与静子间的碰磨严重影响着机组的安全运行。为了解决汽轮机转子发生在早期和中期的碰磨故障难以通过基于振动信号检测诊断方法进行有效识别的问题,本文提出一种基于EEMD-LSTM的汽轮机转子碰磨故障诊断方法。首先,该方法通过声发射技术监测汽轮机转子的碰磨故障信号;然后,利用EEMD信号分解方法处理获取的声发射信号,并提取能量特征参数和相关的时域特征参数,从而获得碰磨故障特征数据集;最后,利用划分的数据集对LSTM神经网络进行训练与测试,从而获得碰磨故障诊断模型。工程应用结果表明,本文提出的方法能够有效识别机组在不同转速时期的早期碰磨故障,且故障诊断的准确率较高。     

小波分析技术在汽轮机故障诊断中的应用

就小波分析技术在汽轮机故障诊断中故障特征提取和小波算法的硬件实现问题进行了深入研究.提出了基于小波能量分布的故障特征提取方法,并在转子试验台上进行了验证.对于小波分析算法的硬件实现,设计了一种基于DSP的小波算法.实践检验证明,该方法能够满足振动信号实时分析的需要.     

基于小波包分析和信息融合技术的汽轮机转子故障诊断

根据Bently实验台所采集的不平衡、不对中、碰摩、松动4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行分析并提取故障特征。将提取的故障特征作为D-S证据理论的识别框架,利用信息融合技术对汽轮机转子振动故障进行诊断。诊断结果表明:基于小波包分析和信息融合技术的故障诊断方法,能提高故障诊断的准确性。     

汽轮发电机组转子裂纹故障研究及分析

通过总结分析国内外汽轮机组转子裂纹故障案例,归纳得出振动、应力集中、热应力及环境腐蚀为转子裂纹的主要原因,并得到振动特征及故障特征变化发展趋势.提出了转子裂纹故障诊断的依据,并提出采用减少机组调峰运行次数、延长启停暖机时间、控制振动水平及重点监测裂纹多发部位等措施预防转子裂纹故障.     

旋转机械不对中故障特征提取及诊断方法研究

对旋转机械转子系统不对中故障的征兆机理进行了分析,得出在不对中条件下,旋转机械产生二倍频振动这一典型征兆的原因,在转子实验台上对该类故障进行转子系统实验测试,并对原始信号进行频谱特征提取,使该类故障征兆得以验证。用实验测得的振动数据特征归一化处理后作为神经网络的输入变元,以实现对该类故障的准确分离和正确诊断     

旋转机械不对中故障特征提取提取及诊断方法研究

对旋转机械转子系统不对中故障的征兆机理进行了分析,得出在不对中条件下,旋转机械产生二倍频振动这一典型征兆的原因,在转子实验台上对该类故障进行转子实验测试,并对原始信号进行频谱特征提取,使该类故障征兆得以验证。用实验测得的振动数据特征归一化处理后作为神经网络的输入变元,以实现对该类故障的准确分离和正确诊断。     

一种基于盲源分离和流形学习的风电机组轴承故障特征提取方法

提出一种基于盲源分离(blind source separation,BSS)和流形学习算法的风电机组轴承故障特征提取方法,首先对采集的振动信号利用独立成分分析(independent component analysis,ICA)进行盲源分离,计算各源信号的峭度和负熵,然后对源信号进行包络分析并提取上、下包络线矩阵的奇异值,将峭度、负熵和奇异值组成高维特征向量,最后利用拉普拉斯特征映射流形学习算法(Laplacian eigenmaps,LE)挖掘出高维数据中包含有效信息且具有内在规律性的低维特征。该方法充分利用并有效结合ICA在信号处理和LE在挖掘特征信息方面的优势,实现风电机组轴承故障特征的提取。算例结果表明该方法可有效提取轴承故障特征。     

弹用燃气轮机不对中故障测试及诊断

对弹用燃气轮机转子系统不对中故障的征兆机理进行了分析，在高速转子实验台上对该类故障进行实际转子系统实验测试，并对原始信号进行频谱特征提取，使该类故障征兆得以验证。用实验测得的振动数据特征作为神经网络的输入变元，以实现对该类故障的诊断。