一种发电厂引风机振动故障诊断方法与流程

本发明涉及一种发电厂引风机振动故障诊断的方法，属于风机技术领域。

背景技术：

在发电厂中，引风机是七大辅机之一，其运行状况直接关系到电厂的安全性、稳定性。根据对电厂的重要性分类，电站设备可以分成关键性设备、必要设备和辅助设备，风机被列为关键性设备。因此，对引风机进行状态评定具有极其重要的意义。

引风机主要有不平衡、不对中、松动及轴承故障等不同的振动故障模式。如何判断引风机发生何种振动故障，进而进行相关的检修处理，一直是困扰电厂工作人员的难题。

现有的引风机振动故障诊断技术给出了引风机的振动故障分析方法，但这些技术大部分采用频域分析、轴心轨迹方法，存在以下缺点：

(1)分析结果准确率往往依赖于专业技术人员的经验和对设备的熟悉程度，不同技术能力的工作人员对于同一结果可能会得出并不一致的分析结果；

(2)频谱分析方法采样频率较高，同等时间内产生大量数据，不易完成实时计算和在线分析判断，往往应用于故障后的分析之中，无法满足在线诊断引风机振动故障的要求。

技术实现要素：

本发明的目的是提供一种能够实时在线完成引风机振动故障诊断的方法，指导检修人员准确地进行故障处理。

为了达到上述目的，本发明的技术方案是提供了一种发电厂引风机振动故障诊断方法，通过不同的特征值来表征引风机的状态，并在引风机上设置特征值测点，通过特征值测点获得每个特征值的检测数据，其特征在于，所述振动故障诊断方法包括以下的步骤：

步骤1、在发电厂送风机运行及停机检修过程中，特征值测点数据实时保存，形成每个特征值的历史的特征值测点数据；

步骤2、筛选出上一步所获得的特征值测点数据中的异常数据，对于异常数据进行插值替换处理，其中：将上一步获得的特征值x的特征值测点数据定义为{x1，x2，...，xn}，特征值测点数据{x1，x2，...，xn}中的异常数据定义为xa，则将xa的值用计算得到值替换，式中，xi表示第i个特征值测点数据；

步骤3、对上一步得到的每个特征值的特征值测点数据进行归一化处理，其中：将上一步获得的特征值x的特征值测点数据定义为{x1，x2，...，xn}，特征值测点数据{x1，x2，...，xn}的归一化数据为{x1z，x2z，...，xnz}，归一化数据{x1z，x2z，...，xnz}中第i个归一化数据定义为xiz，则有：式中，xi表示第i个特征值测点数据；μ表示特征值测点数据{x1，x2，...，xn}的均值；σ表示特征值测点数据{x1，x2，...，xn}的标准差；

步骤4、在线实时计算引风机服役过程中通过上一步得到的历史的特征值测点数据的变化趋势，得出特征值相关性排列，对极其相关的变量进行简化处理，减少特征值测点数据的输入量，其中：特征值x和特征值y的相关性定义为ρx，y，则有：式中，表示特征值x的均值，表示特征值y的均值，若ρx，y∈[0.8，1.0)，则特征值x和特征值y极强相关，在特征值x和特征值y中选取任一特征值作为输入；若ρx，y∈[0.6，0.8)，特征值x和特征值y强相关，在精度要求不高、对计算性能要求高的情况下，在特征值x和特征值y中选取任一特征值作为输入；若ρx，y∈[0.4，0.6)，特征值x和特征值y中等程度相关；若ρx，y∈[0.2，0.4)，特征值x和特征值y弱相关；若ρx，y∈[0，0.2)，特征值x和特征值y极弱相关或无相关；

步骤5、利用发电厂提供的引风机故障历史数据，对各个振动故障进行编码，计算上一步得到的历史的特征值测点数据随时间和相应的振动故障的变化曲线，建立各振动故障与历史的特征值测点数据的分类模型；

步骤6、通过特征值测点获得每个特征值的实时的特征值测点数据，利用步骤2的方法，对特征值测点数据中的异常数据进行插值替换处理，随后利用步骤3的方法对实时的特征值测点数据进行归一化处理；

步骤7、在发电厂引风机服役过程中，利用步骤5建立的分类模型，根据步骤6得到的特征值测点数据，实时计算振动故障编码值，从而得到相应的振动故障。

优选地，步骤2中，利用拉依达方法筛选出上一步所获得的特征值测点数据中的异常数据。

优选地，所述特征值包括滚珠轴承温度、驱动端轴承温度、非驱动端轴承温度、电机定子a相温度、电机定子b相温度、电机定子c相温度、电流。

优选地，所述特征值还包括轴承x方向iso10816值、轴承y方向iso10816值及轴承z方向iso10816值。

优选地，所述特征值还包括轴承x方向加速度有效值、轴承x方向包络线速度有效值、轴承x方向高频峰值、轴承x方向高频有效值、轴承x方向包络线加速度有效值、轴承x方向峰值因数、轴承x方向高频峰值因数、轴承x方向偏斜度值、轴承x方向峭度值、轴承y方向加速度有效值、轴承y方向包络线速度有效值、轴承y方向高频峰值、轴承y方向高频有效值、轴承y方向包络线加速度有效值、轴承y方向峰值因数、轴承y方向高频峰值因数、轴承y方向偏斜度值、轴承y方向峭度值、轴承z方向加速度有效值、轴承z方向包络线速度有效值、轴承z方向高频峰值、轴承z方向高频有效值、轴承z方向包络线加速度有效值、轴承z方向峰值因数、轴承z方向高频峰值因数、轴承z方向偏斜度值、轴承z方向峭度值。

优选地，步骤5中，建立各振动故障与历史的特征值测点数据的分类模型时，采用人工智能技术，将分类模型存入人工智能计算服务器。

优选地，所述人工智能技术为人工神经网络。

优选地，所述人工神经网络为循环神经网络。

优选地，所述循环神经网络采用4层结构包含了输入层、2个隐藏层以及输出层。

本发明结合历史数据和在线数据，利用人工智能技术，根据在线特征值数据，实时计算引风机振动故障编码值，得到风机的振动故障，进行检修指导。本发明提供的发电厂引风机振动故障诊断的方法，考虑了振动特征值数据之间的相关性，实现了引风机状态的在线故障诊断，为引风机的状态检修提供了依据。

与现有技术相比，本发明的优点为：

(1)采用人工智能技术，从引风机历史故障与历史特征值数据的映射关系中计算出两者之间的分类模型，实现引风机振动故障编码的高精度在线计算；

(2)实时准确地判断引风机的振动故障，自动化指导检修故障部件，降低检修人员要求，为引风机的状态检修提供依据；

(3)系统采样频率可设置，日常采用低频信号作为分类模型的输入，保障计算快速性，对结果需要进一步确认时，实时调用高频信号作为输入，保障计算准确性，灵活可调。

附图说明

图1为本发明发电厂引风机振动故障诊断的系统的方框图；

图2为本发明发电厂引风机振动故障诊断的方法的流程图；

图3为本发明采用的计算机软件框图；

图4为某型号送风机故障编码列表的部分内容。

具体实施方式

为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。

图1为本发明发电厂引风机振动故障诊断的系统的方框图，所述的发电厂引风机振动故障诊断的系统由数据库服务器3、特征值数据预处理服务器4和人工智能故障分类服务器5组成，数据库服务器3的数据来源是历史特征值数据1与在线特征值数据2。

如图2所示为本发明发电厂引风机振动故障诊断的方法的流程图，如图3所示为本发明所采用的软件框图，该软件安装在数据库服务器3、特征值数据预处理服务器4和人工智能故障分类服务器5上，应用于发电厂引风机振动故障的在线诊断。

实施例1

对于某型号引风机，在该台引风机的服役期间，采用图1所示的装置、图2所示的流程图、图3所示的计算机软件及图4所示的故障编码表，在运行过程中，发现引风机有振动并有噪声。

第一步：在线特征值数据录入特征值数据预处理服务器，完成数据异常值插值；

第二步：标准化进行异常值插值后的在线特征值数据；

第三步：将标准化后的在线特征值数据输入人工智能故障分类服务器，利用振动故障与历史特征值数据的分类模型，将上述步骤的特征值数据输入分类模型进行计算。

第四步：计算得到振动故障编码值h0＝1.26，根据计算公式h＝round(1.26)＝1得到振动故障h，查询引风机故障编码表，可知分类模型计算得出引风机发生的是转速近临界转速导致的共振故障，振动故障属于叶片与叶轮转动部件。

实施例2

对于某型号引风机，在该台引风机的服役期间，采用图1所示的装置、图2所示的流程图、图3所示的计算机软件及图4所示的故障编码表，在运行过程中，发现引风机轴承温度上升。

第一步：在线特征值数据录入特征值数据预处理服务器，完成数据异常值插值；

第二步：标准化进行异常值插值后的在线特征值数据；

第三步：将标准化后的在线特征值数据输入人工智能故障分类服务器，利用振动故障与历史特征值数据的分类模型，将上述步骤的特征值数据输入分类模型进行计算。

第四步：计算得到振动故障编码值h0＝1.91，根据计算公式h＝round(1.91)＝2得到振动故障h，查询引风机故障编码表，可知分类模型计算得出引风机发生的是滚动轴承滚轴润滑不良故障，振动故障属于轴承部件。

实施例3

对于某型号引风机，在该台引风机的服役期间，采用图1所示的装置、图2所示的流程图、图3所示的计算机软件及图4所示的故障编码表，在运行过程中，发现引风机机壳处能听到轻微金属摩擦声。

第一步：在线特征值数据录入特征值数据预处理服务器，完成数据异常值插值；

第二步：标准化进行异常值插值后的在线特征值数据；

第三步：将标准化后的在线特征值数据输入人工智能故障分类服务器，利用振动故障与历史特征值数据的分类模型，将上述步骤的特征值数据输入分类模型进行计算。

第四步：计算得到振动故障编码值h0＝3.17，根据计算公式h＝round(3.17)＝3得到振动故障h，查询引风机故障编码表，可知分类模型计算得出引风机发生的是叶片与机壳碰磨故障，振动故障属于叶片与叶轮转动部件。

实施例4

对于某型号引风机，在该台引风机的服役期间，采用图1所示的装置、图2所示的流程图、图3所示的计算机软件及图4所示的故障编码表，在运行过程中，发现引风机机壳处能听到轻微金属摩擦声。

第一步：在线特征值数据录入特征值数据预处理服务器，完成数据异常值插值；

第二步：标准化进行异常值插值后的在线特征值数据；

第三步：将标准化后的在线特征值数据输入人工智能故障分类服务器，利用振动故障与历史特征值数据的分类模型，将上述步骤的特征值数据输入分类模型进行计算。

第四步：计算得到振动故障编码值h0＝4.38，根据计算公式h＝round(4.38)＝4得到振动故障h，查询引风机故障编码表，可知分类模型计算得出引风机发生的是轴承内圈松动故障，振动故障属于轴承部件。

采用本发明提供的发电厂引风机振动故障诊断的系统及方法，在线定量计算出振动故障编码值，进而判断出引风机发生的振动故障，为发电厂引风机安全运行提供了依据。

以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。