电站汽轮机转子振动故障的柯尔莫果洛夫熵诊断方法技术

本发明专利技术涉及一种电站汽轮机转子振动故障的柯尔莫果洛夫（Ｋｏｌｍｏｇｏｒｏｖ）熵诊断的方法，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，通过研究系统故障所引起的吸引子结构的动态变化，依靠混沌特征量－Ｋｏｌｍｏｇｏｒｏｖ熵对系统状态变化的敏感性，来实现故障准确定位。采用小波包滤波和Ｋｏｌｍｏｇｏｒｏｖ熵诊断相结合的技术，先对原始振动数据进行小波包滤波，再对滤波后的数据赋值给一个时间序列，然后提取该时间序列的混沌特征量－Ｋｏｌｍｏｇｏｒｏｖ熵来进行故障定位。本发明专利技术算法简单，容易实现，可以有效克服采样过程中出现的噪声干扰，计算精度比较高，这些良好的性能大大增加了它的应用范围。

【技术实现步骤摘要】

本专利技术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。
技术介绍
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巻第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 (l)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。
技术实现思路
本专利技术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。本专利技术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 波和混沌特征量一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 混沌特征量一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。本专利技术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111=3开始，进行相空间重构，则此相空间为M维， M = iV-(w-l)r，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 I,={x,,x,+1,...,x ， JTy=k.,、，.,、+M—」，当满足卜'—、1<"°时，只要计算出<formula>formula see original document page 5</formula>，且X,+M-,-X一^中小于^的连续数据的个数，即为所求的b值，当、+'i>"°， t即为所要求的b。经过b步演化后找到距离大于^的概率为= 1)-c#) = W-1)e-^这一概率密度函数被称为几何概率密度函数。可以把这一概率密度函数的归一化表示为z<formula>formula see original document page 5</formula>利用b的概率密度分布，可以通过最大似然法推导出熵的表达式/7 =—ln，(其中长度标度，。=2:<formula>formula see original document page 5</formula>(4) 根据K熵的表达式来计算各种故障小波包滤波后的时间序列的Kolmogorov熵， 并判断K熵是否已经趋于饱和，如为是，则该饱和值即为所要求的K熵值，否则使m=m+l， 一直到K熵趋于饱和为止。(5) 通过K熵值来进行故障定位，可以发现不同故障类型的Kolmogorov熵值明显不同。本专利技术的基于小波包滤波的汽轮机转子振动故障Kolmogorov熵诊断算法，为电站汽 轮机转子振动故障的诊断开辟了一条新的路径。通过小波包滤波，来滤掉噪声的干扰，再 计算Kolmogorov熵来进行故障定位。该方法算法简单，容易实现，精确度高，这些良好 的性能大大增加了它的应用范围。本专利技术的效果可以通过以下性能分析进行验证(l)将分形关联维方法的计算结果和Kolmogorov熵计算结果相比较进行分析，其中表 1为3号通道各故障类型初始与故障下的分形关联维数增量，表2为3号通道各种故障状 态下的Kolmogorov熵值。由表l数据可知，3号通道各故障类型初始与故障下的分维数增量中，碰摩与松动故 障下的分维数较初始状况的增量均较大，但不平衡故障与其初始状况的差别不大。从表2 可以看出3号通道各种故障的Kolmogorov熵明显不同，有较好的故障区分度。表l<table>table see original document page 5</column></row><table><table>table see original document page 6</column></row><table>附图说明图l为本专利技术电站汽轮机转子振动故障的Kolmogorov熵诊断的方法的流程图； 图2a、图2b、图2c和图2d分别为实施例中不平衡故障、不对中故障、碰摩故障和轴承松动的原始振动信号波形图，其中不平衡、碰摩、松动故障的转速为1500rpm，不对中故障的转速为1000rpm;图3为原始振动信号的小波包分解示意图4a、图4b、图4c和图4d分别为滤波之后的不平衡故障、不对中故障、碰摩故障 和轴承松动振动信号的重构示意图5为实施例中碰摩故障的Kolmogorov熵和嵌入维数的关系图。 具体实施例方式下面结合附图和实施例对本专利技术的实施方式作进一步说明。 实施例如图1所示(1)根据Bently实验本文档来自技高网...

【技术保护点】
一种电站汽轮机转子振动故障的柯尔莫果洛夫熵诊断方法，其特征在于包括如下步骤：（１）对原始振动数据进行小波包分解，提取各种故障频谱特征所在的信号频段再进行小波包重构，从而达到滤波的目的；（２）对滤波后的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）设置该时间序列的嵌入维数初值，对该时间序列进行相空间重构，考察该相空间吸引子上的两个初始点，该两个初始点之间的初始距离小于时间序列的平均绝对偏差，记下该两个初始点分离至间距大于所述平均绝对偏差所需的时间；分别记下吸引子上初始距离小于所述平均绝对偏差的各点对分离至所述点对间距大于所述平均绝对偏差所需的分离时间，由所有点对的分离时间的平均值计算柯尔莫果洛夫熵的大小；（４）增加嵌入维数初值，再计算在该嵌入维数初值下的柯尔莫果洛夫熵值，一直到柯尔莫果洛夫熵值不再随嵌入维数初值变化，即柯尔莫果洛夫熵值达到饱和，记下该饱和时的柯尔莫果洛夫熵值；（５）通过比较不同故障状况下所求得的步骤（４）所述饱和时的柯尔莫果洛夫熵值，进行故障定位。

【技术特征摘要】

【专利技术属性】
技术研发人员：梁平，白蕾，范立莉，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：81[]