[發明專利]變轉速旋轉機械振動的故障預警方法、裝置、設備以及存儲介質

有效

• 申請號: 202110411554.0
• 申請日: 2021-04-16
• 公開（公告）號: CN113237619B
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 何小鋒;劉曉鋒;盧修連;馬運翔;盧承斌;何利鵬;彭輝;張泰巖;姚永靈;陳華桂;張耀華;孫子文;楊濤;胡迪
• 申請（專利權）人: 江蘇方天電力技術有限公司;國網江蘇省電力有限公司;華中科技大學
• 主分類號: G01M7/02
• 分類號: G01M7/02;G06K9/00;G06K9/62;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 范青青

1.一種變轉速旋轉機械振動的故障預警方法，其特征在于，所述故障預警方法包括以下步驟：

根據設備正常運行振動的歷史數據和在線數據獲取各系列特征倍頻下歷史頻率向量和在線頻率向量；

將歷史頻率向量和在線頻率向量作為極坐標構建各系列特征倍頻下的振動靶圖；

基于歷史頻率向量建立各系列特征倍頻下的正常行為模型；

基于訓練好的正常行為模型，在振動靶圖上計算各系列特征倍頻下歷史頻率向量對應的模型殘差；

基于歷史頻率向量對應的模型殘差組成的模型殘差序列，得到各系列特征倍頻下的殘差分布；

基于殘差分布，從而確定各系列特征倍頻下的異常報警閾值；

基于訓練好的正常行為模型，在振動靶圖上計算各系列特征倍頻下在線頻率向量對應的模型殘差；

通過在線頻率向量與異常報警閾值對比，從而實現各系列特征倍頻下的故障預警；

所述基于訓練好的正常行為模型，在振動靶圖上計算各系列特征倍頻下歷史頻率向量對應的模型殘差包括：

基于歷史頻率向量對正常行為模型進行訓練；

將歷史頻率向量作為測試樣本輸入訓練好的正常行為模型，獲取估計樣本；

將測試樣本與估計樣本進行比較，得到相應的系列特征倍頻下模型殘差r_i：

其中，r_i表示該系列特征倍頻下第i個測試樣本的模型殘差，表示該系列特征倍頻下第i個測試樣本的相位與幅值，表示該系列特征倍頻下第i個估計樣本的相位與幅值。

2.根據權利要求1所述的一種變轉速旋轉機械振動的故障預警方法，其特征在于，所述根據設備正常運行振動的歷史數據和在線數據獲取各系列特征倍頻下歷史頻率向量和在線頻率向量包括：

采用快速傅里葉變換將設備正常運行振動的歷史數據和在線數據分解成各系列特征倍頻下的歷史振動分量和在線振動分量；

根據各系列特征倍頻下的各振動分量獲取每個振動分量的相位和幅值，并將該相位和幅值作為各系列特征倍頻下的歷史頻率向量和在線頻率向量。

3.根據權利要求2所述的一種變轉速旋轉機械振動的故障預警方法，其特征在于，所述正常行為模型還包括振動波形的統計指標以及工況參數，所述振動波形的統計指標包括歷史數據的振動信號的峰峰值、峭度、峰值因子；所述設備運行的工況參數包括設備運行轉速。

4.根據權利要求1所述的一種變轉速旋轉機械振動的故障預警方法，其特征在于，所述正常行為模型為三層的BP神經網絡。

5.根據權利要求1所述的一種變轉速旋轉機械振動的故障預警方法，其特征在于，所述基于歷史頻率向量對應的模型殘差組成的模型殘差序列，得到各系列特征倍頻下的殘差分布包括：

根據各系列特征倍頻下的模型殘差，獲取各系列特征倍頻下的驗證樣本集對應的模型殘差序列R_k：

R_k＝[r₁,r₂,r₃,…,r_N]

其中，N表示測試樣本集中測試樣本的總數；R_k表示第k個系列特征倍頻的模型殘差序列；

采用正態分布擬合殘差序列得到各系列特征倍頻下的殘差分布包括：

其中，表示第k個系列特征倍頻下的殘差分布，μ_k和σ_k分別表示第k個系列特征倍頻下模型殘差的均值和標準差。

6.根據權利要求5所述的一種變轉速旋轉機械振動的故障預警方法，其特征在于，所述基于殘差分布，從而確定各系列特征倍頻下的異常報警閾值包括：

基于3σ原理，第k個系列特征倍頻下的三級異常報警閾值為：

其中，alarm_1為第一級異常報警閾值，alarm_2為第二級異常報警閾值，alarm_3為第三級異常報警閾值。