转子故障诊断（共8篇）
转子故障诊断 篇1
乙烯压缩机是乙烯生产中的关键设备, 由于乙烯压缩机故障导致停产而引起的经济损失可以数百万元每天计, 因此对出现的故障准确、及时做出判断, 并采取相应措施是必要的。
一、运行描述
某乙烯厂乙烯压缩机工作转速6 400r/min, 临界转速3 700r/min, 由汽轮机拖动, 机组结构及测点如图1所示。此压缩机运行到检修期, 检修后重新启机, 当转速接近工作转速时, 由于出口压力过高连锁停机。排除仪表、压缩机性能的原因后, 确定是气管路造成的。为了排查管路故障进行了数十次启停机操作, 最后通过改造管路解决了压力过高连锁停机的问题。压缩机在工况下运行2h后, 由于管路冷却器故障导致再次停机, 冷却器修复后再次开机, 过临界时压缩机低压缸后轴承侧 (测点11、12) 振动幅值陡增至90μm以上连锁停机。压缩机检修后在排除管路故障时, 初始时期过临界振动幅值15μm以下, 后突增至60μm, 但过临界后振动幅值降至24μm, 对压缩机的正常运转无影响, 为了尽早投入生产, 未采取任何措施, 直至过临界连锁停机, 不能再启机。
二、故障分析
图2a是压缩机初期某次启停机的Bode图, 图2b是过临界幅值增加到60μm后某次启停机的Bode图, 对比两图可看出, 振动幅值发生了明显变化, 停机曲线基本与启机曲线重合。
低压缸振动幅值达到临界转速时的轴心轨迹和频谱图如图3、图4所示, 后轴承测点11、12合成轴心轨迹接近椭圆, 具有很好的重复性, 频率以一倍频为主, 幅值约40μm, 且自始至终频率都以一倍频为主, 幅值随转速增加而增大。
由此认为压缩机低压缸转子存在不平衡的迹象, 由于短时期内启停机次数频繁, 很有可能是转子弯曲引起的。由弹性支撑的转子不平衡响应曲线 (图5) 可看出, 转子在过临界时, 阻尼越小, 幅值越大;如果没有阻尼, 幅值无穷大。可见过临界的瞬时对转子的影响很大, 短时期内频繁过临界, 转子不断处于弯曲、伸直状态, 使转子产生塑性变形, 发生弯曲。
图6为压缩机排除管路故障达到工作转速后, 连续运转的启停机Bode图, 可看出停机时转子的临界转速比启机时增大了约600r/min, 隔离裕度变宽, 停机时的振动幅值明显增加, 此外轴心轨迹为椭圆, 频率主要以一倍频为主。
上述现象表明, 低压缸转子的刚度发生了变化。由于此压缩机工况时乙烯气体的温度为-120℃, 使转子温度发生较大变化。转子温度下降会使转子刚度增加, 临界转速也会有少许增加, 但临界转速增大600r/min是不可能的, 这说明转子发生了弯曲, 从而使得停机振动幅值高出启机很多, Bode图停机与启停机曲线不重合。由压缩机最后一次启停机的Bode图 (图7) 可看出, 随着转速增加, 振动幅值也随之增加, 直至再次连锁停机, 这也是转子不平衡的一个突出表现。
三、处理措施
鉴于以上分析, 决定对压缩机进行拆机检查, 转子返厂打表, 打表位置如图8所示, 发现a5、a6、a9在180°位置, a10、a4在90°位置有50~60μm的径向跳动, 转子弯曲并不严重, 通过高速平衡校正, 重新安装后, 振动幅值低于20μm, 运行良好。
四、总结
压缩机频繁启停机是引起转子弯曲故障的主要原因, 频繁过临界、转子温度大幅度变化最终使转子弯曲。目前关于离心压缩机的标准 (如API617) 未对连续启停机的时间间隔加以规定, 因此压缩机制造厂商或相关部门有必要对连续启停机制定相关规范, 以确保压缩机安全顺利运行。
参考文献
[1]马雷.离心式压缩机故障原因分析及处理措施[J].风机技术, 2007 (1) .
[2]张韬, 孟光.具有初始弯曲和刚度不对称的转子碰磨现象分析[J].上海交通大学学报, 2002 (6) .
电动机转子故障的分析 篇2
关键词 电动机 转子故障
中图分类号：G718.1 文献标识码：A 文章编号：1002-7661（2016）05-0003-02
我在学校工作的十几年中，很多厂矿送了些电动机到学校进行修理，曾多次出现过转子绕组断路的情况，按时间先后摘录几例：2000年一台给水泵电动机转子绕组开路，铜条刮伤定子端部线棒绝缘；2001年一台工业水泵电动机转子短路环开路；2005年一台供油泵电动机转子开路。从中可见，基本都是380V、200kW以上的低压电动机存在这种问题。因此，检修人员对此类问题必须重点关注，每次对电机大修时，均要对转子绕组作细微检查，做到预防为主。在实际工作中，我们怎样去发现问题以及采取何种对策去进行处理，是一个值得思考的问题，下面简要介绍一下转子故障的检查及相关处理方法。
一、转子故障的原因及检查方法
所有异步电动机转子绕组都是由鼠笼或绕线组成。鼠笼转子绕组又分为铜条焊接和铸铝两种。转子的故障大多发生在鼠笼转子的两端。对于绕线式转子的故障与定子绕组故障检查的方法差不多，比较容易判断和处理，在此不详细讨论。此处主要讨论鼠笼式电动机的检查方法。
1.铸铝转子的检查
电机运行时，根据其声音和电流表的指示可初步判断其情况。当判断为存在故障时，在电机停运后，拆开电机，抽出转子，此时主要检查有无断条、裂纹等缺陷。这是因为故障中断条所占比例较多，而且这种故障一般是浇铸工艺质量差或频繁起动受力过大所造成。对于这种情况用下面方法可查出：（1）定子通入三相低压电流法。将转子慢慢转动，当电流表指针实然下降时，即可判断该处为断条处。（2）转子导条通电流法。给转子加20～30V交流电，在转子上撒铁粉，不吸铁粉处即为断条点，表明此处无电流通过，产生不出电磁场。不过这种方法应尽量少用，因为铁粉难于彻底清干净，电机运行时极易引起接地短路或相间短路。（3）转子断条检查法。如图1所示，若鼠笼条是完好的，因为其等效电阻较小，故副边绕组的端电压值很小，而原边电流却比较大；若鼠笼条有断裂则其电阻相应变大，此时电压值变大，原边电流则相对较小。
2.铜条转子的结构和故障的原因
焊接鼠笼转子是采用成型裸铜导体，两端与铜端环焊接成绕组回路。笼条的截面多种多样，有圆形、矩形、楔形等各种规格。端环通常钻孔后与对应铜条相连接。有些电机没有钻孔，只是表面相连焊，这种情况特别容易因应力、电磁力等产生裂缝。对于2极高速电机，一般由于端环不是整块铜料锻成，其接焊缝焊接不良，在运行中受热应力容易造成开裂。此时，往往还会因铜甩出而刮伤定子绕组的端部绝缘层，引起相间短路或对地短路。铜条断裂大多发生在伸出铁芯端靠近端环焊接处。断裂的一般原因是由于长期受热力和电磁力作用而产生疲劳损伤。比如起动过程中铜条上下温差大，热膨胀不匀；双鼠笼条转子的外笼条铜条密度太大，致使在起动瞬时温升超高；起动时铜条的离心力和切向应力作用使铜条受到朝向铁心槽口方向的冲力；双鼠笼铜条与铁芯配合过松致使铜条在槽内发生振动；冷轧铜条在焊接过程中受热退火不匀而使机械强度降低等等，这些因素均可引起铜条或端环断裂。
3.铜条焊接转子的故障检查
根据上述故障原因，可采用如下的检查方法：（1）采用铸铝转子故障的检查方法和工具。（2）采用另外一种方法，就是根据其电阻的大小来判断的方法。这种方法可直观、准确地测出焊接点的缺陷。检查时把针形插棒直接插入铜条的末端靠近端环附近。在笼条完好的情况下，微欧表测量出的是整个笼条的电阻，当铜条在焊点处断裂时，则微欧表测出的是一条铜条的有效电阻。当该电阻值超过正常值的1.5倍时，就应处理该铜条。
二、绕组的材料
为了对转子绕组有进一步了解，有必要分析一下铜绕组的材料。当异步电动机容量大于100kW时，由于铸铝质量不易保证，常采用铜条绕组，而为了消除齿谐波的影响，把转子槽做成斜槽。大电机转子内外笼条采用不同材料，且二者的作用性质也不同。内笼条为运行绕组，用导电率p较小的紫铜，根据公式R=pI/s，可知电阻与电阻率成正比，ρ↓→R↓，而热量Q=0.2412Rt，Q亦正比例于R，从中可推断出ρ↓→R↓→Q↓，这对于长期运行的转子绕组来讲，热量的降低无疑延长了绕组的运行寿命；外笼条为起动绕组，用导电率较大的青铜或黄铜制成，根据上述分析，外笼条在相同条件下比内笼条发热程度要高，但由于位于转子外侧，与定子之间又有间隙，且间隙大小与电机容量成正比，因此散热比较容易。
三、转子故障的处理
1.铜转子绕组
鼠笼绕组断条是电动机常见故障。断条后电动机虽可空载起动，但当带满负载时其定子电流就会不稳，电流表来回摆动，有时电动机还会发出异声。经用前述方法确定断条后就可进行修理。其修理方法如下：（1）转子铜条的断条故障大部分是铜条和短路环的焊接处脱焊，此时处理起来比较方便，像给水泵电机处理那样，先清理、后银焊。当然，清理并不是一件容易做到的事，因电机运行时间长，转子处灰尘、油渍、青苔等积累较多，因而清理起来相当困难，用手锉、电动磨光机耐心打磨，必须打磨干净，否则无法焊牢。（2）检查出铜条在转子槽中部发生断裂，则应将断裂的铜条完全打出，然后仔细清理铁心槽内的杂物，再根据槽形尺寸裁出适当的新铜条打入槽内，用银焊把它与端环焊接牢固。之后，用环氧树脂填充转子槽内的气隙，使铜条与铁心凝固成一个整体，这样就可有效地防止铜条在槽内振动而引起疲劳断裂。
2.铸铝转子绕组
这种情况修理起来相当困难，只能采用2种方法：（1）送厂家重新浇铸；（2）使整个转子铸铝熔化后，改成铜条绕组。具体处理过程是：在铸铝被全部熔化后，在空出的铸铝槽中，根据槽的形状和大小，把整条紫铜加工成几段长方体，而且其表面积应小于槽面积的2/3，这样就可避免起动时转矩减小、定子电流增大等问题的出现，从而可使电机在满负荷下平稳地运转，紫铜条的长度和宽度必须符合一定的比例，不能使它在槽内有过多的间隙，以免产生振动。紫铜条全部放进槽内后，在两端用短路环连接，焊接成两个小端环，从而组成一个闭合回路。
经上述2种方法处理后的转子，都需要重新校验几何平面并作动力平衡试验，促使转子能在一个中心下均匀地切割磁力线，从而使电机平稳运行，电机从开始出现故障，到找出故障点以及经过多个环节的处理，需花费很多人力和物力才能完成。因此，对此问题必须引起高度重视。
转子故障诊断 篇3
基于Volterra级数的非线性故障诊断方法是一种典型的非参数模型估计法。它利用系统的输入输出信号,建立系统模型,通过判别Volterra核的变化来判断系统是否处于故障状态。Wiener将Volterra级数用于非线性系统分析[1,2,3]。Boy等[4]提出了测量Volterra核的方法。焦李成[5]提出了基于Volterra泛函级数理论的故障诊断思想。
本文在前人研究的理论基础上,将基于Volterra级数的非线性故障诊断方法应用到机械系统,利用遗传算法对转子-轴承系统建立Volterra级数模型。通过研究正常状态和碰摩状态下起车时Volterra级数核的变化,来判断系统状态的改变。仿真与实验证明了该方法的可行性与有效性。
1 Volterra级数理论
大多数情况下,在允许的误差范围内,我们可以用截断的Volterra级数来描述实际的非线性系统。任意非线性系统y(t)=f(t,u(t)),对输入信号u(t)的响应y(t)可以表示为如下卷积序列之和的形式:
式中,yn(t)为非线性系统的n阶输出;hn(τ1,τ2,…,τn)为非线性系统的n阶Volterra时域核或n阶脉冲响应函数;n为非线性系统中的阶次;τi为时间延迟,i=1,2,…。
将式(1)离散化,并取n、mi为有限项,可以得到
式中,N、M、e(k)分别为非线性系统的最高阶次、记忆长度和截断误差(k=1,2,…)。
当N、M取适当值时,e(k)可充分小。
对于实际非线性系统,其n阶时域核是对称的[6]。于是,非线性系统的二阶、三阶输出分别为
利用时域核的对称性,可大大减小用Volterra级数描述非线性系统的计算量,有利于减小计算误差,提高整个系统的精度。
2 Volterra泛函级数的核辨识
单输入单输出有限阶非线性离散系统的Volterra级数模型见式(3)。对于系统的输入输出测量序列{u(k)}、{y(k)},我们有
Y=Pθ+e (6)
P=[U(k) U(k+1) … U(k+L-1)]T
U(k)=[u(k) u(k-1) … u(k-M+1)
u2(k) u(k)u(k-1) … uN(k-M+1)] (7)
Y=[y(k) y(k+1) … y(k+L-1)]T
θ=[h1(0) h1(1) … h1(M-1) h2(0,0) h2(0,1)
… hN(M-1,…,M-1)]T (8)
式中,P为输入矩阵;Y为定义系统的输出;θ为非线性系统的截断Volterra核向量的估计值;L为数据长度;e为误差。
基于截断Volterra级数的非线性系统辨识,就是在已知非线性系统的输入输出序列{u(k)}、{y(k)}的情况下,利用式(6)求解核向量θ。本文采用遗传算法对Volterra级数的时域核进行辨识[7,8,9]。待辨识项h随着记忆长度和模型阶次的增加呈指数增加[10]。我们对核向量θ创建实值原始种群,将
3 仿真研究
考虑下面的二阶非线性系统Volterra级数模型:
y(k)=0.8u(k)-0.2u(k-1)+0.25u(k-2)+
0.45u2(k)-0.3u(k-1)u(k-2) (9)
系统的激励信号为[0,1]之间的均匀白噪声,产生1024组输入数据,并根据式(9)得到相应的1024组输出数据。其中,101～400对输入输出数据用作模型辨识,501～600对输入输出数据用作模型检验。系统输出的最大幅值为1.3721。模型记忆长度取10,阶数取2,待辨识的核向量长度为65。根据精英特权思想直接复制个体数s取1,种群规模定为100,交叉率为0.5,变异率为0.03。利用遗传算法对Volterra级数模型的时域核进行辨识。图2所示为仿真试验辨识结果。图3a是501～600对测试数据的实际输出与Volterra模型的估计输出,图3b为拟合误差曲线。经过多次迭代得到实际输出与模拟输出的最终均方误差分别为εidentify=8.90×10-4,εtest=1.676×10-3。从图2、图3可以看出,用遗传算法所得的Volterra级数模型与系统的真实模型近似一致。
4 应用Volterra级数检验转子-轴承系统的状态
以下运用基于系统模型的Volterra级数非线性故障诊断方法,研究转子-轴承系统在正常状态和碰摩状态下起车时Volterra核的变化。碰摩故障形式多种多样,它一般会引起系统的非线性振动,频带范围较宽,除了1倍基频外还有2倍基频、3倍基频等高次谐波,以及1/2倍基频、1/3倍基频等低次谐波。Volterra级数模型作为一种非参数模型,它的时域核可以反映系统的前期输入对当前输出的影响程度,其一阶时域核代表了系统的线性特性,高阶时域核反映出系统的非线性特性。
实验在Bentley双盘单跨转子实验台上进行。该转子的工作转速为4000r/min,一阶临界转速在2100r/min左右,采集转子在起车过程中的振动数据,采样频率为12kHz。3对涡流传感器和1个键相传感器安装位置如图4所示,其中x方向、y方向分别表示水平方向与竖直方向。A位置为加装碰摩杆的地方。
1.x向涡流传感器安装位置 2.y向涡流传感器安装位置 3.x向涡流传感器安装位置 4.y向涡流传感器安装位置 5.x向涡流传感器安装位置 6.y向涡流传感器安装位置 7.键相传感器安装位置 A—碰摩杆安装位置
根据Volterra级数理论,取1、2位置测得的振动信号作为输入,5、6位置的振动信号作为输出,对系统建模。模型一阶时域核的记忆长度定为25,核向量长度为25;二阶时域核的记忆长度定为11,核向量长度为66;三阶时域核的记忆长度定为7,核向量长度为84。用上述遗传算法对系统时域核进行辨识,得到了如图5所示的结果。
经过多次实验后发现,碰摩状态下,一阶时域核的均方值减小了51%左右,二阶时域核的均方值减小了37%左右,三阶时域核的均方值减小了16%左右。从图5中还可以看出,碰摩状态下的二阶时域核比正常状态下的尖点更多。这说明系统的非线性程度相对增加了。由此可见,通过对模型时域核的监测,可以有效地识别系统状态的改变。
5 结束语
本文将基于Volterra级数理论的非线性故障诊断方法引入转子轴承系统的故障诊断中。分析了转子在正常与碰摩两种状态下起车时,Volterra级数时域核的变化情况,取得了较好的辨识效果。与传统的基于信号处理的诊断方法不同,该方法是基于系统模型的诊断方法。
摘要：在简要介绍了Volterra级数基本理论的同时,应用遗传算法对Volterra级数的核进行了辨识,并取得了良好的辨识效果。与传统的基于信号处理的诊断方法不同,该方法将基于系统模型的Volterra级数非线性故障诊断方法应用于转子轴承系统的故障诊断,研究了转子在正常状态和碰摩状态下的起车过程中Volterra级数核的变化。实验结果验证了该方法的可行性与有效性。
关键词：Volterra,非线性,遗传算法,故障诊断
参考文献
[1]Schetzen M.The Volterra and Wiener Theories ofNonlinear Systems[M].Melbourne:Krieger,2006.
[2]Wray J,Green G G R.Calculation of the VolterraKernels of Non-linear Dynamic Systems Using anArtificial Neuronal Network[J].Biological Cyber-netics,1994,71(3):187-195.
[3]Evans C,Rees D,Jones L,et al.Periodic Signals forMeasuring Nonlinear Volterra Kernels[J].IEEETrans.onInstrumentation and Measurement,1996,45(2):362-371.
[4]Boy S,Tang Y,Chua L.Measuring Volterra Kernels[J].IEEE Transactions on Circuits and Systems,1983,30(8):571-577.
[5]焦李成.非线性电路和系统的故障诊断:一种新理论和方法[J].中国科学A辑,1988(6):91-99.
[6]Nam S W,Power E J.Application of Higher OrderSpectral Analysis to Cubically Nonlinear SystemIdentification[J].IEEE Trans.Signal Processing,1994,42(7):1746-1765.
[7]Nissinen A S,Koivisto H.Identification of Multiva-riate Volterra Series Model Using Genetic Algo-rithms[C]//Proc.of the 2nd Nordic Workshop onGenetic Algorithms and Their Applications.Vaosa,Finland,1996:151-161.
[8]李涌.基于非线性频谱分析的故障诊断理论和应用[D].西安:西安交通大学,2001.
[9]唐晓泉.非线性系统频谱分析理论及其在故障诊断中的应用研究[D].西安:西安交通大学,1999.
转子故障诊断 篇4
随着航空发动机性能的不断提高，系统结构日趋复杂，工作环境日益恶劣，故障发生在所难免，势必影响飞行安全性和经济性。统计资料表明，民航领域发动机故障占飞机所有机械故障的1/3;飞机维修费用中的31%用于发动机维修。发动机健康管理系统应运而生，并取得极大发展。故障诊断系统作为发动机健康管理系统的重要组成部分，是实现发动机视情维修的关键技术之一，进行相关的研究与设计，及时发现并定位故障，对保障发动机安全运行、降低维修成本具有重要意义。
近些年，国内学者在航空发动机故障诊断系统研制方面进行了大量研究和探索，相继研制了基于气路分析[1,2]、基于油液分析[3,4]和基于振动分析[5,6,7]的发动机故障诊断系统。其中，振动分析是诊断发动机结构强度故障最直接有效的方法[8]，航空发动机转子系统故障诊断的大部分工作集中于此。刘宏[5]设计了改进的功率谱估计算法，并基于此开发了航空发动机转子振动分析系统;艾延廷[6]采用虚拟仪器技术设计了航空发动机振动信号分析和远程监测系统;徐涛[7]综合利用Visual Basic、Oracle数据库和Matlab实现了振动信号谐波小波分析和振动信息自动化管理。以上系统拥有较强的信号分析能力，但在故障推理和模式识别方面较为欠缺，需要技术人员运用专业知识给出诊断结论，系统的自动化、智能化程度较低。除系统设计外，研究人员在航空发动机故障诊断理论与方法上也开展了大量的研究工作[9,10,11]，为故障诊断系统设计提供了良好的支持。
基于以上分析，本文结合航空发动机转子故障诊断研究的新进展，借鉴旋转机械故障诊断系统设计的经验[12]，采用面向对象的程序设计方法，基于振动信号，在Visual C++开发环境下，设计、开发了航空发动机转子故障诊断系统。该系统面向故障诊断全过程，包含数据采集、信号分析、特征提取和模式识别四个功能模块。数据采集模块配合数据采集设备实现多通道同步采样;信号分析与特征提取模块采用改进的经验模态分解EMD(Empirical Mode Decomposition)进行故障信号处理与特征提取;模式识别模块利用遗传算法GA(Genetic Algorithm)优化的支持向量机SVM(Support Vector Machine)建立故障识别模型并实现智能故障诊断。系统调试成功后，在航空发动机转子模拟实验台上对其性能进行了验证，并对结果进行了分析。
1 系统总体设计
航空发动机转子故障诊断系统由数据采集硬件和应用软件两部分构成，其总体结构如图1所示。
1.1 数据采集硬件
系统硬件部分主要包括传感器、信号调理器、A/D转换器、个人计算机等。系统采用电涡流位移传感器、集成电路压电式IEPE(Integrated Electronics Piezo Electric)加速度传感器和光电转速传感器分别获取转子的振动信息和转速;信号调理器对传感器的输出进行转换、放大、滤波等以满足A/D转换器的需要，A/D转换器的位数和转换速率决定着采样精度和可采集的信号频率上限，本系统采用的TST-5912数据采集仪对数采硬件进行了高度集成，每通道集成一片100 ksps 16 bit A/D转换器和10档程控运算放大器以及抗混滤波电路，并同时为IEPE传感器提供电流激励，可实现16通道同步并行采样;个人计算机是数据采集与故障诊断软件的运行平台，提供人机交互和采集诊断结果的显示、存储等功能。
1.2 软件设计
软件部分采用面向对象程序设计方法，在Microsoft Visual C++集成开发环境下进行设计。Visual C++不仅与Windows操作系统紧密相连，而且集成了功能强大的微软基础类库MFC，使得程序设计方便灵活，所编写的应用程序不需要第三方运行环境支持，具有体积小、运行速度快、效率高等优势。
该软件依据模块化设计原则，由三层、四模块构成:三层分别是系统欢迎界面、功能选择界面及功能模块界面;四个模块分别为数据采集模块、信号分析模块、特征提取模块和故障识别模块。各模块均为MFC的单文档界面SDI应用程序。系统功能选择界面如图2所示。
数据采集模块是整个系统的基础，该模块通过调用数据采集仪的驱动接口程序与之进行通信，实现转子振动信号的获取以及实时数据的图形显示与存储。信号分析和特征提取模块基于EMD方法实现复杂信号的处理与特征参数的计算。模式识别模块由主界面及一个弹出对话框界面组成，利用SVM和GA完成故障诊断模型的训练及故障诊断结果的输出等功能。
2 关键技术研究与实现
2.1 数据采集
TST-5912数据采集仪提供了Win32封装的动态链接库DLL接口，数据采集时计算机调用DLL中封装的函数对数采仪进行控制并获取数据。数据采集模块的流程如图3所示，计算机连接数采仪后，程序检测仪器并进行初始化，用户进行各通道输入方式、传感器灵敏度、增益及滤波等参数设置并将其下传至仪器，设定数据显示模式后启动采样。该模块最高采样频率达100 k Hz，可同时采集16个通道的振动信号和2个通道的转速信号，界面上能同时显示6个通道的实时数据图形，并设计了时域和频域两种数据显示模式，通过一个BOOL型变量m＿ShowType控制。计算机与仪器断开时，系统设计了离线数据回放功能。
为保证采集过程不丢失数据，数据采集模块采用了多线程处理，主线程主要实现人机交互和数据的实时显示与存储，而数据采集则由一个单独的任务线程Thread Sample来完成。采样开始前创建新工程*．dat文件，用户按下开始采样按钮后，首先触发采样控制属性事件m＿ifStart为TRUE，接着调用DLL接口中的Start Sample函数向数采设备发送开始采样命令，数采设备开始获取数据并将其暂存至缓存中。数据采集线程Thread Sample创建后，计算机分配一块数据缓冲区用以存放实时数据，程序调用DLL接口的Get Sample函数将数采设备缓存中的数据读取到计算机准备好的数据缓冲区中，并利用fwrite函数将数据写入计算机磁盘。完成一次数据传递后，用fflush函数刷新计算机缓冲区以避免数据丢失，同时系统发送WM＿PAINT消息，对客户区进行重绘，将数据以图形形式实时显现在界面上。上述过程在While结构中循环执行以实现连续采样，每次循环开始时需要检查采样控制属性事件m＿ifStart的状态，判断是否进行循环，当需要停止数据采集时，用户按下停止采样按钮，m＿ifStart变为FALSE,While循环停止，程序调用DLL中的Stop Sample函数通知数采设备停止工作，同时主线程与采样线程运行结束。
2.2 信号分析与故障特征提取
从复杂的振动信号中提取能够反映故障原因的特征参数是故障诊断的关键，该系统利用现代信号分析方法EMD将复杂信号分解为若干简单信号，并从中提取故障特征。
2.2.1 EMD方法
EMD是近年来发展起来的一种自适应非平稳信号分析方法[13]，其基本思想是将一时间序列分解为一系列不同尺度的本征模函数IMF(Intrinsic Mode Function)，每一IMF须满足两个条件:1)在整个序列中，极值点(包括极大值和极小值)的数量与过零点的数量必须相等或至多相差一个;2)在任意时间点上，信号局部极大值确定的上包络线与局部极小值确定的下包络线的均值为零。每个IMF可视为信号中的一个固有振动模式，能够表征信号的局部特征。
给定信号x(t),EMD的实现过程如下:
1)确定信号的所有极值点;
2)采用三次样条将极大、极小值分别拟合为上包络u(t)、下包络l(t);
3)计算包络均值m(t)=(u(t)+l(t))/2;
4)令h(t)=x(t)-m(t)，检测h(t)是否满足成为IMF的条件;
5)对h(t)重复执行上述过程，直至h(t)成为一个IMF，将其记为c1(t)，不同学者针对这一筛分过程提出了不同的停止准则，文献[14]的研究结果表明，筛分次数固定为10次时，便能够保证IMF具有良好的对称性并避免了过度筛分;
6)令r1=x(t)-c1(t)，再次执行以上过程，得到c2(t),r2=r1-c2(t)，…，依次类推直至rn不可再分解。
最终，x(t)可表示为n个IMF和一个余项之和:
2.2.2 EMD实现与特征提取
笔者将EMD的实现封装为类CEmd，类中定义了三个关键成员函数:查找极值点函数Find Peak，三次样条插值函数Spline和筛函数Imf Sifting。EMD在执行过程中存在端点效应问题，致使IMF端点处的信号失真，为解决这一问题，研究人员提出了多种措施，其中，极值镜像延拓是一种便捷有效的方法，笔者在函数Find Peak中对信号端点处的极值进行了镜像延拓，将极大值和极小值各向外延拓两个极值点，根据边界极值点和端点的关系，又将延拓分为若干种情况并分别设计相应程序，以左端点极大值向外延拓的一种情况为例，其代码如下:
函数Spline采用节点处的一阶导数构造三次样条插值函数，采用自然边界条件建立关于节点导数的三对角方程组，并利用追赶法求解。Imf Sifting函数为筛过程函数，对输入信号重复筛分直至满足终止条件，输出对应的IMF分量。
信号分析模块首先载入工程文件*．dat，然后选择测量通道以确定待分析的信号，同时该模块设计了数据截取功能来选择关心的时间段内的信号。信号分解时，在While循环中重复调用CEmd对象的Imf Sifting函数以计算各IMF分量，循环终止条件为余项rn的极值点个数不大于2。
当航空发动机转子发生故障时，其振动信号在时域的峰值和概率分布将发生变化;信号的频率成分，不同频率成分的能量，以及频谱的主能量谱峰位置等也会发生变化，信号的时域和频域统计参数可以作为反映系统状态的故障特征。特征提取模块从中计算了12个时域参数和6个频域参数，如表1所示。其中，xn表示信号时间序列，n=1,2，…，N,N为序列长度;sk为信号xn的频谱值，k=1,2，…，K,K为谱线数，fk表示第k条谱线处的频率值。同时，不同故障信号经EMD分解所得的各阶IMF分量也有所不同，在该系统中，各阶IMF的能量系数也被计算为故障特征。
第i阶IMF的能量定义为:
其中，L表示信号的长度。对各阶能量进行归一化，得各IMF的能量系数为:
2.3 故障识别
故障诊断的本质问题是故障模式识别，即建立故障特征与故障原因间的映射关系，为充分反映故障信息，该系统计算了较多的故障特征，然而即使是经验丰富的技术人员，直接判断故障也是不现实的。本系统基于SVM算法建立故障模式识别模型，利用该模型进行故障推理，实现自动、智能故障诊断。
2.3.1 SVM原理
SVM[15]是建立在统计学习理论基础上的一种通用机器学习方法，在解决小样本、非线性、高维问题中有诸多优势，具有良好的泛化能力，在模式识别等领域取得了广泛应用。由于航空发动机转子故障样本不易获取，故障特征与故障原因之间的关系复杂，本系统选择SVM建立故障识别模型是较为合适的。
给定训练样本集S={(yi,xi)}(i=1,2，…，l)，其中，xi∈RN表示样本输入，yi∈{-1,1}为其分类标识。SVM的基本思想是将输入空间映射到高维特征空间，并在高维空间构造最优分类超平面。令z=φ(x)表示样本从输入空间RN到高维空间Z的映射。
为保证最优分类面有解，引入松弛因子ξi(ξi≥0)，ξi表示样本xi的错分误差，SVM的最优分类面问题为如下优化问题:
式中，w∈Z表示分类面的权值，b∈R为偏置，C称为惩罚因子，可视为分类间隔最大化和分类误差最小化的折衷。上述优化问题通常转化为拉格朗日对偶问题进行求解:
式中α为约束条件的拉格朗日乘子。
通过二次规划方法求得式(5)的最优解α，并根据对偶问题的Karush-Kuhn-Tucker(KKT)条件求得w和b:
可得SVM的决策函数:
SVM的精髓之一在于可以引入核函数K(xi,x)=ziTz来代替高维空间的内积计算，而不必明悉φ(x)的显示表达式。
2.3.2 基于SVM的故障识别实现
由以上分析可知，基本SVM是二值分类算法，而航空发动机转子的故障模式不仅有两种，为实现多类分类，故障识别模块采用了“1-a-1”方式构造多分类SVM。惩罚因子C和核函数决定了SVM分类面的形式，即决定了分类精度，为提高故障识别精度，该模块设计了GA程序进行参数优化。
为提高开发效率，系统应用了Lib SVM和GAlib库模板设计故障识别模型建模和参数优化程序，建立故障识别模型的流程如图4所示。程序首先载入故障特征信息，并将其组织成训练样本和测试样本。然后等待用户确定核函数、核参数及惩罚因子，系统内建了三种常用的核函数:多项式(Polynomial)核、径向基函数RBF(Radial Basis Function)核和Sigmoid核，系统同时支持用户自定义核函数;为避免没有经验的技术人员在确定参数时的盲目性，该模块设计了参数优化对话框，利用GA选择最优参数，程序设计了二进制编码和实数编码两种参数编码方式，针对不同编码方式设计相应的选择、交叉、变异算子，并根据SVM模型的交叉验证精度设计适应度函数，遗传终止条件为达到指定进化代数或种群最佳适应度不再变化。优化完成后，将最优参数回传至模块主窗口，程序调用Lib SVM库中的svm＿train函数依据最优参数和训练样本训练SVM模型，并调用svm＿predic函数依据测试样本测试所建立模型的泛化能力。满足要求后将模型输出并保存，即可用于未知故障样本的识别工作。故障识别模块的主界面及参数优化界面见图5、图6所示。
3 系统测试与验证
为验证本文建立的航空发动机转子故障诊断系统的性能，笔者在航空发动机转子模拟试验台上进行了系统测试。该试验台主轴以某民航发动机低压转子为蓝本，结构分为二段，中间以齿式联轴器联接，整体采用0-2-1支承形式，支承元件为滚动轴承，风扇、压气机、涡轮等简化为单级轮盘，利用变频调速电机进行驱动，如图7所示。结合故障模拟装置，该试验台可模拟航空发动机转子不平衡、不对中、碰摩及各种滚动轴承故障。
试验台左右两端各有一对垂直安装的传感器支架，用于安装位移传感器，加速度传感器通过磁座安装在轴承座上。利用本文设计的系统进行振动数据采集，图8为不对中状态下振动位移采集结果，其中第一行为信号时域波形，第二行为对应的频谱;图9为其中一时域信号EMD分解部分界面。笔者采集了多种状态下的转子振动信号，并利用该系统提取故障特征，最终整理出三组故障样本用以测试故障识别模块的表现。第一组(A)为转子故障样本，包含不对中、碰摩、不对中-碰摩耦合故障及正常四种状态;第二组(B)由滚动轴承内滚道破损、外滚道破损、滚动体破损及正常四种样本构成;第三组(C)同样为滚动轴承故障样本，但每种故障类型包含三种故障程度(轻度、中度、重度)，加上正常共计十种状态。
将上述三组样本分别输入故障识别模块，进行模型训练与测试，笔者测试了三种核函数下模型优化前后的性能，结果如表2。图10为A样本下采用RBF核函数的模型优化过程中适应度变化曲线，其中实线表示最佳适应度，虚线表示平均适应度，可见，遗传进化50代后，适应度趋于稳定，参数达到最优。
由表2结果可见，采用Sigmoid核函数的模型精度普遍较低，优化仅对A样本有效;采用Polynomial和RBF核函数时，模型在优化前的精度就达到了90%以上，优化后模型精度有不同程度增长。这一结果表明，核函数类型对故障识别结果有重要影响，实际应用时应注意选择合适的核函数;同时，在参数设置适当的情况下，本文设计的故障诊断系统具有较高的故障诊断精度，能够满足自动、智能故障诊断的要求。
4 结语
转子故障诊断 篇5
对振动信号进行分析是对旋转机械转子进行故障诊断研究的重要手段,振动信号包括丰富的机械运行状态信息,且便于在不影响设备运行的情况下进行在线监测和诊断。旋转机械的转子故障主要与其转子及转子支承部件(如轴承)相关,目前对旋转机械的故障诊断主要是以转子部件为对象,通过传感器监测转子部件的运行情况[1]。但是,在实际应用中,不同的被测对象由于构件上的区别,经常要选取不同的传感器安装方式,设计不同的传感器安装附件,使得在旋转机械的故障诊断中信号的拾取成为一个重要工作。
旋转机械的转子通过轴承、轴承座支承在基座上,构成转子-轴承-基座系统,转子部件的故障振动信息都可以通过支承部件传递到基座上。因此,对旋转机械进行故障分析诊断,不仅可以以转子为监测对象,同样也可以通过对基座的振动分析来实现。但是,通过基座采集到的振动信号离故障源较远,其故障信号特征也相对要微弱一些,同时,基座上的振动信号也会掺杂更多的来自基座、轴承座等其他位置的干扰信号,所以通常情况下直接对其进行信号分析相对影响较大。因此,本文拟以综合故障试验台为基础,通过基于相关函数法的布置方案在基座上布置多个传感器,对其采集的信号采用自适应加权的数据融合方法[2,3]进行信息融合,综合多处的故障特征信息,最后得出较为理想的故障诊断结果。
2 基于相关函数法的基座多传感器布置方案设计
2.1 相关函数
设x(t)、y(t)是两个实能量的确定性信号,且不含直流分量,在初始条件下两信号的相对延时τ=0。则x(t)、y(t)的相关系数为:
根据许瓦兹不等式可以证明:
相关系数表示两个信号之间的相关程度,ρxy在0到1之间取值,波形越相似,其值越接近于1[4]。
2.2 基于相关函数的基座传感器布置方案设计
在综合故障试验台的左右轴承座上各布置一个传感器,在基座上以三行三列为基准均匀布置9个传感器,基座上传感器按从左到右、从前到后的顺序一次编号为1-9,轴承座左侧传感器编号为10,右侧为11,如图1所示。
在综合故障试验台无故障运行以及在转子不平衡故障条件下采用Dewetron多通道数据采集系统对以上传感器数据进行数据采集。将采集到的数据进行小波消噪。然后对1-6号传感器与10号传感器的数据进行相关函数求解,对4-9号传感器与11号传感器的数据进行相关函数求解。相关函数值如表1、表2所示。
根据表1和表2的数据,可以看到基座松动故障和转子不平衡故障条件下的基座上的振动特性基本相似,离轴承座比较近的地方有较大的相关函数值,可以确定其有较大的波形相似性。根据传感器的相关函数值,确定基座传感器布置点为1、2、3、7、8、9号传感器处。
3 基于自适应加权的多传感器信息融合[5,6,7]
自适应加权融合算法的基本思想:在总均方误差最小的最优条件下,根据各传感器所提供的测量值,以自适应的方式寻找各个传感器对应的最优加权因子,使得融合后的结果X达到最优。
根据传感器布置方案,在1、2、3、7、8、9处布置传感器,采用综合故障试验台人为地模拟转子不平衡、基座松动试验,通过Dewetron数据采集系统进行多通道的数据采集。对采集数据进行软阈值的小波消噪后再进行自适应的加权融合,最后对融合后的信号进行时频分析。采用多传感器自适应加权融合方法,得到1、2、3三组传感器的权值分别为0.3271、0.3826、0.2903。基座松动故障消噪后的多通道信号图和融合后的信号图如图2所示,其中红色信号为信息融合后的信号。从图中可以看出融合后的结果比单个信号更平滑、规则,更能反映转子实际运行状态。
4 实验验证
由于实际测量过程中往往伴随着噪声,甚至有效信号完全被噪声淹没,为了比较好地观察融合效果,本文采用综合故障试验台为实验对象,该系统能人为地设计各种故障,为更好地观察融合效果提供了便利。以旋转机械中转子的故障诊断为实例进行说明。把系统人为地设置成转子不平衡和基座松动的故障状态,设置工作转速为40r/s,采样频率为5000Hz,在基座上和轴承座上同时布置好传感器。
对融合后的信号经小波分解后进行希尔伯特变换,求得其频谱图。如图3所示分别为40r/s时基座松动故障和转子不平衡故障情况下信号频谱图和。如图3所示,在基座松动故障情况中含有基频和多倍频的谐波分量,而在转子不平衡故障中基频特征明显,有较小的高次谐波,与其故障特征想符合,可以有效说明该方法的可行性。
5 结论
本文针对旋转机械转子故障诊断领域直接对转子部件进行测量困难的问题,提出了一种基于基座的多传感器信息融合故障诊断方法。通过基座传感器与轴承座传感器信号的相关性分析,有效证明了基座上传感器布置位置的合理性。通过基座上的多传感器自适应加权融合,不但不需要知道任何传感器的测量数据先验知识,而且可以提高传感器在基座上测量的精度和范围,通过试验验证,有效证明了该方法的可行性,为旋转机械转子故障诊断提供了一种新的思路。
参考文献
[1]韩捷,张瑞林,等.旋转机械故障机理及诊断技术[M].北京:机械工业出版社,1997.
[2]Antony R T.Principles of effective multisensor data fusion[J].Military Technology,2003,27(5):29-37.
[3]Gupta L,Chung B,Srinath M D.Multi-channel fusion models for the parametric classification of differential brain activity[J].IEEE Transactions on Biomedical Engineering,2005,24(11):1869-1882.
[4]刘建书,李人厚,常宏.基于相关性函数和最小二乘的多传感器数据融合[J].控制与决策,2006,21(6):714-716.
[5]黄建新.多传感器数据融合技术在轴承故障诊断中的应用研究[J].武汉理工大学学报,2006(5):36-42.
[6]李战明,陈若珠,张保梅.同类多传感器自适应加权估计的数据级融合算法研究[J].兰州理工大学学报,2006,32(4):78-82.
转子故障诊断 篇6
关键词：高速转子,LabVIEW,碰磨,故障诊断
0 引言
随着科技的不断发展, 在现代的机械设备运转过程中, 机械转子的运转速度越来越高, 转子和定子之间的空隙也越来越小, 因此, 转子与定子之间由于高速运转而发生碰磨故障是不可避免的。现代的机械设备, 朝着高速重载的方向发展, 在滑动轴承的设计中, 轴与轴承之间的间隙越来越小。在滑动轴承的生产过程中, 由于加工时产生热变形、质量不平衡、轴系不对中以及其他因素, 都会造成机械设备运转过程中产生动静碰磨[1]。在机械设备的运转过程中, 碰磨故障对转子的正常工作产生很大的影响。碰磨故障会在转子运转过程中产生切向力。当转子的阻尼力矩无法抵消摩擦力矩的时候, 转子就会从正向涡动变为反向涡动, 因此产生“干摩擦”的现象, 从而引起轴系的自激振动, 这样的结果会影响转子的正常运行, 甚至是损坏整个机械机组。国内外已经有很多专家对碰磨进行研究, 如国外Pennacchi等 (2009) 分别利用试验模态分析和有限元建模方法对转子的早期局部碰磨现象进行了对比研究[2];国内王翔等 (2011) 基于改进Hilbert-Huang变换研究转子碰磨故障诊断系统[3], 马辉等 (2012) 针对柔性转子系统轮盘外缘定点分析碰磨动力学特性[4], 熊炘等 (2012) 提出转子全周碰磨与局部碰磨的识别方法[5]。通过这些研究可以得出, 在转子发生碰磨故障的初期, 频谱图的低频段会产生能量的集中现象, 随着机械振动的传播和碰磨振动的扩展, 碰磨故障会在频谱图的高频段存在谐波, 这样对碰磨故障的研究非常地方便。
1 高速转子碰磨故障诊断系统设计
1.1 硬件框架结构
高速转子碰磨故障诊断系统是在Lab VIEW平台上, 以电涡流位移传感器、信号放大器、信号调理模块、数据采集卡模块等硬件基础, 开发出来的高速转子碰磨故障诊断软件系统, 应用恰当的信号分析方法, 实现对高速转子碰磨故障诊断。
高速转子碰磨故障诊断系统所设计的硬件框图如图1所示。先在旋转机械上安装加速度传感器及位移传感器来检测该机器运转中所产生的振动信号;然后通过信号放大器把信号进行调理从而被采集卡所采集;最后把信号传输到带有虚拟仪器的计算机上进行信号分析及处理, 以达到所要的频谱波形图。根据转子碰磨振动测试系统的相关要求, 该硬件系统具有模块化结构特点, 同时它体积小、功能全面、便于携带, 有利于现场的振动监测及故障诊断。
1.2 虚拟仪器
虚拟仪器是上世纪九十年代发展起来的在测控领域带有革命性意义的新技术。它以计算机为基本平台, 把传感器、多功能控制器以及各种数据采集卡等硬件有机地集成在一起, 然后根据要求, 在计算机平台上开发出相关的软件系统, 对所要研究的对象进行数据采集或运动控制。虚拟仪器利用计算机把测试仪器硬件进行软件化, 大大地降低系统的硬件成本, 同时又增强了系统功能及操作的灵活性。虚拟仪器设计灵活、操作可视化、同时可随时修改各种功能参数, 得到了众多学者及测控技术人员的青睐, 是本世纪工业测量及控制发展技术的新趋势, 目前, 虚拟仪器在图像处理、数据分析、自动测试和过程控制等相关测控领域得到了广泛应用[6,7,8,9,10]。
本设计的高速转子碰磨故障诊断系统具有信号采集、信号处理、数据管理以及故障分析等相关功能。根据所测量对象的工作环境以及工作特点, 旋转机械转子碰磨测量系统采用多种信号处理及频谱图分析技术, 在计算机Lab VIEW软件平台上, 根据旋转机械高速、重载、高精度运转等特点, 设计出一套具有数据采集、分析、处理和故障判断等相关功能的振动信号监测及故障诊断系统。
2 实验测试
根据高速转子碰磨故障诊断系统的工作环境及相关功能的特点, 本测试系统在本特利高速旋转振动监测试验台上进行高速转子地碰磨振动故障测试。该系统的试验测试连接图如图2所示。
图3是实验测试时转子碰磨故障前后原始频谱对比图, 可以看出:由于转子碰磨故障的存在, 碰磨后的波形出现了谐波。从频谱图中可以看出, 转子发生碰磨故障之前, 其振动能量集聚于一倍频率上, 基频之外的振动能量值很小;在发生碰磨故障的转子试验中, 除基频之外, 还存在着大量的高倍频率波形成份, 该振动量所对应的频率刚好是基频的整数倍, 说明高速转子试验台运转时存在着与基频相关的机械故障, 进一步从频谱图上可以得出是转子碰磨所产生的。
图4是转子发生碰磨故障前后单通道信号分析对比图。从信号分析小波滤噪后的波形可以清晰地看出, 转子碰磨故障后, 频谱图波形明显比碰磨前存在较多的高频波形能量成份, 这高频成分是由于碰磨所产生的振动谐波所产生的。从基频波形中, 进一步可以看出频谱图中存在着锯齿形的小波峰, 同时这些波形出现在基频的倍数频能量之后, 随着转数的倍数而出现, 可以得出出转子每旋转一圈就发生一次磨擦碰撞, 而可以得知该转子运动中存在着于频率倍数相关的故障, 进一步从FFT波形中明显得出周期性谐波的存在, 而且该谐波呈现紧跟转数的规律性, 从而得知所检测转子发生碰磨故障。
高速转子碰磨故障诊断系统在试验中, 转子发生碰磨故障前后的双通道波形相关分析图如图5所示。通过垂直于旋转轴的两个传感器进行振动测试, 然后用相关得出转子的轴心轨迹图。从该轴心轨迹图中可以看到, 在高速转子发生碰磨故障之前, 所检测到的转子轴心轨迹呈圆形, 说明此时高速转子的运转情况良好, 没发生转子不对中或者转子碰磨等方面的机械运动故障[11];而对于高速转子发生碰磨故障之后的轴心轨迹图, 可以明显地看出所检测到的轴心轨迹图呈半月形, 这时候我们可以得出:由于转子发生碰磨故障, 转子在每转到碰磨处的地方就发生一次轴的偏移振动, 从而引起轴心轨迹往碰磨处的反方向偏移。从该高速转子碰磨故障诊断系统所检测的双通道波形图可以清晰地看出该系统可以很好地对转子的碰磨故障进行波形检测和判断分析, 有利于对转子运转过程的实时监测。
3 结论
高速转子碰磨故障诊断系统能够很好地对高速旋转机械进行振动监测及转子碰磨地相关故障诊断, 该系统所检测得到的波形图显示清晰、观察及故障判断效果好、该系统在故障检测中反应灵敏, 同时能够清晰地反映出高速旋转机械其转子的运转状态及发生故障时的故障诊断, 有利于工程师们在高速旋转机械的振动测量中进一步对高速转子碰磨的监测和故障判断, 达到了预期的效果。
参考文献
[1]杨文刚.转子碰磨故障模拟实验台及其分析系统[D].北京:华北电力大学, 2006.
[2]Pennacchi P, Bachschmid N, Tanzi E.Light and shortarc rubsin rotating machines:Experimental tests andmodelling[J].Mechanical Systems and Signal Process-ing, 2009, 23 (7) :2205-2227.
[3]王翔, 王仲生.基于改进Hilbert-Huang变换的转子碰磨故障诊断[J].中国机械工程, 2011, 22 (24) :2937-2940.
[4]马辉, 太兴宇, 汪博, 等.柔性转子系统轮盘外缘定点碰磨动力学特性分析[J].中国电机工程学报, 2012, 32 (17) :89-95.
[5]熊炘, 杨世锡, 甘春标.转子全周碰磨与局部碰磨的识别方法研究[J].振动与冲击, 2012, 31 (16) :13-17.
[6]徐钦桂, 刘桂雄, 高富荣.虚拟仪器的时间特性建模与实时优化分析[J].华南理工大学学报:自然科学版, 2010, 38 (1) :113-117.
[7]张若青, 周高伟.基于LabVIEW的电液比例阀控缸系统分析[J].机床与液压, 2009 (04) :106-108.
[8]吴黎明, 石艳军, 姜华, 等.基于虚拟仪器的电饭锅能效自动检测系统[J].自动化与信息工程, 2011, 32 (2) :10-14.
[9]赵晓东, 贾孔昊.基于LabVIEW的磁控电抗器测试系统[J].机电工程, 2013 (3) :380-383.
[10]倪伟, 郑文.基于LabVIEW的齿轮箱故障诊断系统设计[J].机电工程技术, 2013 (10) :8-11.
转子故障诊断 篇7
傅里叶变换(Fourier Transform)是信号处理的重要方法。通过傅里叶变换可求出故障电动机不同频率的谐波分量强度以分析信号频域特征,进而采取频域滤波等方式对信号进行处理。
然而,傅里叶变换有着自身的局限性。首先,由于积分区间是整个实数域,它不能分析局部时域信号的局部频谱特性,没有时-频局部化的功能。但是在实际应用中,人们常常需要局部时域信号对应的频谱特性,例如对电网运行信号的监测分析,需要快速判断故障信号的特征以及故障发生的时间地点,这样的及时反应才能保证电网正常运行。于是,D. Gabor于1946年提出了窗口傅里叶变换(WFT)方法,其公式为
undefined
式中:ω(t-b)是中心在t=b时刻的时域窗函数。
运用窗口傅里叶变换可以分析t=b时刻附近的时域信号,但是由于时域窗体形状是固定的,因此,分析时-频局部化的精细程度还不够。低频信号的时域变化缓慢,分析时要求时窗宽而频窗窄;高频信号时域变化剧烈,分析时要求时窗窄而频窗宽。WFT方法只是窗体的平移,无法达到窗体形状对信号的自适应,使得它不适合于分析同时包含高频和低频、突变和渐变的信号,而电动机的故障信号正是包含高频和低频、突变和渐变的非平稳非线性信号。为了克服以上缺点,小波变换(Wavelet Transform)应运而生。它在时频域都具有表征信号局部特征的能力,能通过时频窗的灵活变换来突出信号的不同频率成分。本文主要研究如何将小波变换应用于电动机故障诊断的实验中[1]。
1 小波变换及小波包理论
给定信号f(t),其小波变换为
undefined
式中:undefined,是由ϕ(t)经平移缩放的结果,且ϕ(t)的傅里叶变换Ψ(ω)满足小波可容性条件:CΨ=∫Rundefined。ϕ(t)即为小波函数,是一种小区域的波,长度有限,平均值为0。常用的小波函数有Haar小波、Mexico小波、Daubechies小波(简称db小波)等。
数学上,傅里叶变换选取了复指数g(t)=eiωt来作为函数空间的基,傅里叶变换公式相当于f(t)和g(t)的内积运算〈f(t),g(t)〉=∫Rundefined,即将待研究函数f(t)在基下的展开。而小波变换选择了ϕab(t)来作为函数空间的基,考察函数f(t)在ϕab(t)下的展开。参数a的变化可以使得小波形状拉伸或压缩,对于a<1的情况,ϕab(t)变得“扁平”,适应低频信号时频局部化要求;对于a>1的情况,ϕab(t)变得“瘦窄”,适应高频信号时频局部化要求。因此,小波变换对信号的自适应性较好,具有较好的灵活性,利用小波分析方法,在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率[2]。
每进行一次小波变换,会得到高频和低频2个部分的信号,它们的带宽分别占频域的1/2,再一次用小波变换时,又把低频部分信号分为2个同样宽的频带,依此类推。小波变换仅将低频信号分量逐级进行分解,而对高频信号分量却没有进行相应的变换。这样会使得低频部分有较高的分辨率,而高频部分的结果就较为模糊。因此,在将小波变换应用到实际工程时,尤其是应用到故障诊断时特别需要注意小波分解的层数。如果分解的层数少,诊断的效果不明显,可能会产生误诊;而分解的层数若太多,又会增加运算量,不利于实际应用。
为了满足较好的时域分辨率,又想得到较好的频域分辨率,在小波变换的基础上产生了小波包的概念,其核心思想就是将任意信号划归到相应的频带里,即对随尺度变小而变宽的频率窗口再划分,提高了信号高频部分频率的分辨率,三层小波包分解结构树如图1所示。因而应用小波包诊断故障时,各个频段信号能量的特征值能综合反映故障在时域和频域的全部信息,再通过对这些故障的能量特征值的分析,就能进一步确认故障类型[3]。
设共轭正交镜像滤波器系数为h0k和h1k,定义下列递推关系:
undefined
当n=0时,w0(t)为正交尺度函数φ(t),w1(t)为小波函数φ(t)。这样定义的函数集合{wn(t)}n∈Z即为φ(t)所确定的小波包,此时可以对高频部分进行细化分解,获得更为详细的频带信息。一个信号进行小波包分解,实质是将原信号在整个空间展开的过程。从数据结构来看,它是一种二分树结构;从数据分解关系来看,又是一种递推算法;从空间分解关系来看,它把正交小波分解的子空间作进一步细分;从频域划分来看,它将有限频带细分为若干更细频带的组合。
2 断条信号的小波包分析
一些文献在做转子断条的诊断时选用了dbN小波,它的小波函数ψ(t)和尺度函数ϕ(t)中的支撑区为2N-1,ψ(t)的消失矩为N。除了N=1,dbN不具有对称性(非线性相位)。而Coiflet的小波函数ψ(t)的2N阶矩为零,尺度函数ϕ(t)的2N-1阶矩为零。ψ(t)和ϕ(t)的支撑长度为6N-1。Coiflet的ψ(t)和ϕ(t)具有比dbN更好的对称性。
由实验中故障的结果得到异步电动机在正常及故障情况下电气量的故障信号(正常状态,1根断条、3根断条和偏心故障),将其进行4层小波包分析[4],步骤如下:
(1) 采用Coiflet小波基进行4层小波包分解,得到小波包分解层上各个结点的小波系数,主要分析第4层上的16个频率结点。用S40表示结点(4, 0)的重构信号,总的信号重构:S=S40+S41+S42+S43+S44+S45+S46+S47+S48+S49+S410+S411+ S412+S413+S414+S415+S416。
(2) 重构小波分解系数,得到各个频段上的重构信号。实验信号的采样率为5 000 Hz,根据Nyquist采样定理,能够分析的最高频率为2 500 Hz,小波包分解后的第4层16个结点所代表的频率范围如表1所示。
(3) 求出信号各个频段能量及总能量:
undefined
其中:N为采样信号数;j=0,1,…,7;Xj,k为重构信号离散点的幅值。将式(4)求出的第四层上16个节点的特征能量与式(5)得到的总能量之比作为小波包分解后的特征向量,也作为后续神经网络训练和分类的信号样本[5]。
以异步电动机在正常运行一段时间后发生开路故障为例,故障绕组A相电流通过Matlab小波包分解得到结点的重构信号如图2所示,t<0.05 s时的各结点重构信号幅度和正常情况下相同,具体比较能量特征向量,发现与正常情况是一致的,说明在此区间内电流正常。但是,当t>0.05 s时,各结点的信号突然消失,说明在这一时刻发生了开路故障,导致信号突变为0,从而检测出故障时间为t=0.05 s。 这也体现了小波变换相比于傅里叶变换具有时-频局部化的优点[6,7]。
从表2(式(4)计算的结果)给出的部分特征向量样本可以看出,故障情况下,每个频段的能量都会发生相应的变化,并在一些结点差异明显,因此,用小波包分解得到的特征向量用于故障识别是可行的,能够实现较正确的故障诊断。
3 结语
小波包分析能够为信号提供一种更加精细的分析方法,它将频带进行多层次的划分,对多分辨率分析没有细分的高频部分进一步分解,并能够根据分析信号的特征,自适应地选择相应的频带,使之与信号频谱相匹配,从而提高时频分辨率。充分利用小波包分析在处理急剧变化的高度不稳定信号时的优越性,通过对电动机故障信号进行小波包分解与重构,可以有效地检测出故障信号的频率,从而确定故障的类型和可能发生故障的部位。通过计算机采集数据画出的小波波形证明了分析方法的有效性。小波包算法为故障进行更深层次的检测提供了有利的理论依据,该方法在工程实际中有很好的应用前景。
参考文献
[1]王红君,刘冬生,岳有军.基于小波分析和神经网络的电机故障诊断方法研究[J].电气传动,2010,40(3):69-73.
[2]杨朋松,吕永健,逯国亮.基于小波神经网络的电机故障诊断研究[J].大电机技术,2009(4):17-19.
[3]邱赤东,薛征宇,邵萍波,等.基于小波包变换的电机定子故障特征提取方法[J].电力系统保护与控制,2010,38(22):52-56.
[4]许允之.基于频谱分析的电机故障诊断实验台研究[J].实验技术与管理,2010,27(8):81-83.
[5]王慈,王增平,徐岩,等.感性负载启动电流与短路电流的识别[J].电力科学与工程,2008,24(1):15-18.
[6]王红君,刘冬生,岳有军.基于小波分析和神经网络的电机故障诊断方法研究[J].电气传动,2010,40(3):69-73.
转子故障诊断 篇8
发电机转子匝间短路是一种常见的电气故障, 由于轻微的转子线圈匝间短路故障对机组正常运行影响不大或特征不明显, 故许多匝间短路故障都被忽略了, 但长期运行下去将必然导致一系列电气和机械故障。这些故障发展到一定程度时, 不仅对机组本身的安全稳定运行构成巨大威胁, 甚至危害电力系统的运行安全, 因此进行发电机转子绕组匝间短路故障的在线监测十分必要。
由于发电机的结构非常复杂, 而且饱和磁场是非线性的, 故直接利用发电机的数学模型从理论上取得故障特征的精确化结论是很困难的, 运用人工智能具有处理非线性映射问题能力的特点来解决此问题。可利用BP网络将发电机的输出有功功率P, 无功功率δ, 和定子电流I作为其输入量, 匝间短路匝数占总匝数的百分数α%为作为输出量, 从而达到故障诊断目的。还可通过建立BP神经网络来辨识励磁电流的理论计算值, 然后根据它与励磁电流实测值的相对误差量大小达到故障诊断的目的。但BP神经网络天生具有收敛速度慢, 学习精度不高的缺点, 而且BP神经网络是一种静态神经, 其网络结构是预先设定的, 对网络的训练只是对权值的调整;另外对于网络结构的确定问题至今仍没有一种有效的理论方法为指导, 通常只能靠经验和试凑来给定, 这使得这些方法的实用性受到了限制。
动态模糊神经网络是一种结合模糊推理和神经网络的优点于一身的动态神经网络, 其结构不是预先设定, 而是动态变化的。在开始学习前, 没有一条模糊规则, 其模糊规则在学习过程中逐渐增长而形成。较之常见的模糊神经网络方法, 该方法所得到的模糊规则数并不随输入变量的增加而按指数增长, 特别是该方法无须领域的专家知识就可以对系统自动建模及抽取模糊规则 (知识) 。动态模糊神经网络除了上述特点另外还有在线学习方法、简单且有效的学习算法、学习具有快速性等优点。
以下对汽轮发电机转子线圈匝间短路的故障机理进行了分析, 利用基于扩展径向基 (RBF) 神经网络的动态模糊神经网络D-FNN为推理工具, 以在线采集到的发电机转子电流、定子电压、定子电流、有功输出和无功输出作为特征量对D-FNN进行训练, 由训练好的D-FNN推理识别出发电机转子正常运行和不同短路程度下的运行工况。经Matlab仿真实验说明了该方法在线检测和故障识别的正确性和高效性。
2 发电机转子绕组匝间故障分析
2.1 故障原因
汽轮发电机长期处于高速运转状态, 且受非常大的电磁力和机械力作用;启、停时的离心力或负荷变化所引起的热胀冷缩, 使转子线圈发生位移、变形或局部绝缘损坏;冷态启动机组转子电流急增, 铜铁温差引起绕组铜线蠕变导致匝间绝缘和对地绝缘的损伤;内冷转子绕组堵塞造成局部过热, 烧损匝间绝缘;检修或运行时, 在转子绕组的通风槽内落入异物, 造成转子线圈匝间短路等是发电机在运行过程中引起的;转子端部绕组固定不牢、垫块松动;绕组铜导线加工成形后不严格的倒角与去毛刺;转子护环内残存的金属切削、护环绝缘衬垫的老化等是由于发电机制造工艺较差引起的。
2.2 电磁特性分及故障特征量分析
从能量守恒的角度来看, 匝间短路不影响原动机的机械功率输入, 故对输出的有功功率影响不大, 此处将有功功率作为一个特征输入量可作为辨别发电机在不同负载运行工况下的依据。沿转子圆周分布的磁动势是阶梯形波, 匝间短路会使短路段磁势局部缺失, 可以认为是退磁的磁势分布。电磁功率是通过耦合的气隙磁场送出的, 退磁的磁势分布使励磁绕组提供磁场的能力减弱, 导致气隙磁场能量交换能力下降, 无功输出必然下降;定子电压是气隙合成磁动势的电磁感应电势, 在考虑电枢反应的情况下, 退磁的励磁磁势分布也会使气隙合成磁势减小, 因为原动机拖动转子转动的转速是不变的, 所以这就使定子电磁感应电势减小, 即定子电压降低;定子电压的降低也必将影响定子电流值, 在原动机输入功率维持不变的情况下, 根据能量守恒, 定子电流将有上升趋势;由于实际的励磁控制系统比较复杂, 且对转子绕组的短接不够灵敏, 如果将其作为故障特征输入量会使D-FNN在产生模糊规则时增加的计算负担与所得回报相比得不偿失, 所以假定励磁电压恒定不变而不将其作为输入特征量是合理的;由于匝间短路使得励磁绕组有效匝数减少, 电阻线性减小, 实际中的励磁电压增加弱于电阻线性减小, 故励磁电流必然增大。综上所述, 本文将发电机输出有功功率、无功功率、励磁电流、定子电压、定子电流作为D-FNN输入故障特征量是合理的, 这在后面的仿真结果中能够体现。
3 动态模糊神经网络D-FNN
3.1 D-FNN的结构
图1是动态模糊神经网络D-FNN的结构图, 图中x1, xx, …, xr是输入变量, y是系统输出MFij是第i个输入变量的第j个隶属函数, Rj表示第j条模糊规则, Nj是第j个归一化节点, wj是第j个规则的结果参数或者连接权, u指系统总的规则数。
第一层为输入层, 每个节点分别表示一个输入的语言变量。第二层为隶属函数层, 每个节点分别代表一个隶属函数, 该隶属函数用如下的高斯函数表示:
undefined
其中μij是xi的第j个高斯隶属函数的中心, σj是xi的第j个高斯隶属函数的宽度, r是输入变量数, u是隶属函数的数量, 也代表系统总的规则数。第三层称为T-范数层, 每个节点分别代表一个可能的模糊规则中的IF-部分。第j个规则Rj的输出为:
undefined
其中, x= (x1, x2, …, xr) ∈Rr,
c= (c1j, …, crj∈Rr
是第j个RBF单元的中心, 由式 (2) 可以看到, 该层的每个节点即代表了一个RBF单元。第四层称为归一化层, 称这些节点为N节点。第j个节点Nj的输出为:
undefined
第五层称为输出层, 该层中的每个节点分别表示一个输出变量, 该输出是所有输入信号的叠加:
undefined
其中, y是变量的输出, wk是THEN-部分 (结果参数) 或者第k个规则的连接权。本文采用TSK模型, 对于此模型:
wk=αk0+αk1x1+…+αkrxrk=1, 2, …, u (5)
把式 (2) 、式 (3) 和式 (5) 代入式 (4) 得到:
undefined
3.2 学习算法
3.2.1 系统误差
为了使D-FNN的性能和泛化能力达到最佳, 就必须取定合适的规则数。输出误差是确定新规则的重要因素:对于第i个观察数据 (xi, ti) , 其中, xi是输入向量, ti是期望的输出根据式 (6) 计算D-FNN现有结构的全部输出yi。
定义‖ei‖=‖ti-yi‖ (7)
如果‖ei‖>ke (8)
则增加一条新规则。这里的ke值是根据D-FNN期望的精度预先设定的。
3.2.2 可容纳边界
可容纳边界判据是增加新的高斯单元的依据:对于第i个观测数据 (xi, ti) 计算输入值xi和现有的RBF单元的中心cj之间的距离di (j) , 即
di (j) =‖xi-cj‖j=1, 2, …, u (9)
其中, u是现有模糊规则或者RBF单元的数量。
找出dmin=argmin (di (j) ) (10)
如果dmin>kd (11)
则要考虑增加一条新的规则。否则, 观测数据xi可以由现有的最近的RBF单元表示。这里, kd是可容纳边界的有效半径。
3.2.3 算法流程
文章采用文献[15]提出的误差下降率 (ERR) 方法作为修剪策略。给定n对输入—输出{x (i) , t (i) , i=1, 2, …, n}, 把计算得到的erri (i=1, 2, … (r+1) u) 排列为矩阵Δ= (δ1, δ2, …, δu) ∈R (r+1) ×u, Δ的第i列δi就是与第i个规则相关的 (r+1) 个误差下降率。定义
undefined
那么, ηi反映第i个规则的重要性, ηi越大, 表示第i个规则越重要。如果ηi
4 仿真实验
为了使仿真尽量符合发电机并网状态下的实际运行工况, 文章用Matlab软件中的Simulink仿真工具箱搭建了一个单机—无穷大系统, 系统的等值接线图如图3所示。图中 为发电机电势, 为传输线路的电抗, 为无穷大母线电压。
Simulink下的SPS (SimPowerSystems) 是针对电力系统的工具箱, 其中提供了六阶模型的发电机模块, 为了使D-FNN输入输出参数大小统一, 文章选择其中的标幺值电机模块, 通过改变其转子相应的电阻参数和电抗参数来近似模拟转子绕组匝间短路。因为绕组的电阻值与其匝数成正比, 所以电阻减小的百分比按照绕组匝间短路百分比来设定;而绕组的电抗值与其匝数的平方成正比, 所以电抗减小的百分比按短路匝数的平方减小。具体仿真模型图见图4。
模型简化为在两种电压等级下的一台发电机在零状态时刻, 原动机的输入功率和励磁电压不变的情况下, 经变压器和输电线路与无穷大电网母线相连。发电机的机端电压为13.8kV, 视在功率为187MVA, 频率60Hz, 原动机输入功率0.8583pu, 励磁电压源0.8678pu, 变压器容量200MVA, 变比为13.8kV/230kV, 输电线路长110km, 无穷大电网母线电压230kV。
由于仿真的是发电机类刚性系统, 所以采用了ode15s 算法, 因ode15s是刚性系统的变阶次多步解法。因此, 仿真结果较准确。仿真采用变步长方式, 相对容差 , 绝对容差auto, 最大阶数5阶。
按照图2所示流程图, 在matlab环境下编写一个M函数文件D_FNN_diagnosis.m, 该文件功能是按照D-FNN的算法对其进行训练并输出诊断结果。训练样本数据是由Simulink下搭建的仿真模型而来, 以不同短路情况下各个特征量的多组输入输出值作为训练样本数对D-FNN进行训练。表1列出了发电机转子绕组9种不同匝间短路程度下诊断结果, 从诊断结果可以看出D-FNN可以较准确、高效地映射出发电机转子绕组的匝间短路情况。
5 结束语
文章针对前人在利用神经网络对发电机转子绕组匝间短路故障诊断时存在的不足, 利用基于扩展径向基 (RBF) 神经网络的动态模糊神经网络D-FNN为映射工具, 并根据汽轮发电机绕组匝间短路故障的特征变化, 选择了多个特征量作为诊断依据对匝间短路故障进行了诊断。由于D-FNN能对规则 (网络结构) 进行新建和剔除, 与BP网络或其他的静态神经网络相比D-FNN的网络结构具有了动态可变性, 使得网络结构确定有了一定可依性, 同时还有效避免了BP网络容易陷入局部最小和收敛速度慢的不足。诊断结果表明了该方法的有效性和实用性。但样本的取得是来自于matlab仿真, 鉴于模型的精确程度, 这与实际工况下的数据可能会有出入, 所以还需要对样本的可靠性进行进一步研究。
参考文献
[1]刘念, 谢驰等.基于小波分析的发电机转子匝间短路故障诊断方法研究[J].电力自动化设备, 2008, 28 (6) :49-51.
[2]李永刚, 李和明.汽轮发电机转子匝间短路故障分析与诊断新方法[J].电力系统自动化, 1998, 22 (6) :21-23.