论文部分内容阅读
水轮发电机组在运行过程中不可避免的会产生振动,机组异常振动使得机组零部件疲劳受损,机组运行状态变差,对机组安全稳定运行非常不利。当振动幅值较大时将严重影响到机组负荷的分配和电网安全。据研究显示,水轮发电机组80%的故障特征信息能在振动信号中能够显示出来,但由于水轮发电机组运行环境复杂,在对机组振动数据进行采集过程中受到多种因素的影响,导致所采集的数据受到噪声、异常脉冲等因素影响。研究如何将噪声和异常脉冲等干扰因素去除,准确的提取机组的振动信号特征,判断机组的运行状况,确定合适的检修时间和检修工作对电站乃至电网的安全稳定经济运行至关重要。首先,对水轮发电机组的故障特征进行详细分析,根据水电站实际机组的变转速、变励磁和变负荷试验所得的试验数据,结合振摆数据的趋势曲线特征、频谱特征、轴心轨迹特征和轴系状态特征对机组故障进行综合分析,找出引起机组振动的原因。通过分析发现该电站这台机组在做这三个试验时,机组的转动部位较其他部位的振摆值要大;通过分析其趋势曲线特征、频谱特征和轴心轨迹特征,发现其特征和机组转动部件存在的质量不平衡一样。再通过分析该机组其他部位振摆数据表明,该机组尾水管部位存在中频压力脉动,发电机部位存在转子气隙不均或者不平衡磁势等问题。然后,根据水轮发电机组振摆数据呈现出非平稳和非线性并且含有噪声等特性导致机组故障特征难以提取的问题,提出变分模态分解(Variational mode decomposition,VMD)结合样本熵的水轮发电机组振动信号故障诊断方法。首先用VMD对数据进行分解;然后计算各模态分量的样本熵,确定样本熵的选取阀值;最后对所选取的模态分量进行重构从而达到去噪的目的。通过仿真分析和实例验证了该方法的有效性,并且将该方法与LMD、CEEMD方法进行对比分析,结果表明,本文该方法去噪后数据的信噪比更高,相关系数高达0.9937,保留了更多原信号中的有效信息,去噪后数据能够准确的提取组数据的故障特征。再根据水轮发电机组振摆数据含有噪声和异常尖峰且信号呈非线性非平稳等特性导致机组故障特征信息难以提取的问题,提出基于非线性模态分解(Nonlinear mode decomposition,NMD)的水轮发电机组故障特征提取方法。利用NMD将含有噪声和异常脉冲的信号进行自适应降噪和重构,对重构数据和原始信号数据进行相关性分析,相关系数高达0.9908,有效达到降噪和去除异常尖峰的目的;将NMD与EMD、CEEMD进行对比分析,结果表明,经NMD处理后的数据所得的分量更少,无多余分量,更多地保留了原信号的有效信息;最后,通过实例验证了NMD方法在实际机组振摆数据故障特征提取中的有效性和可行性。最后针对在强噪声背景下尾水管等部位压力脉动数据特征难以提取的问题,提出一种自适应局部迭代滤波(Adaptive local iterative filtering,ALIF)结合样本熵和奇异值分解(singular value decomposition,SVD)的双重消噪方法。首先将待分解数据进行ALIF分解然后根据所设定的样本熵阀值,选取分量进行重构,再将重构后的信号进行奇异值分解,根据奇异值谱突变点的位置选择重构数进行重构,从而达到去噪的效果,将本文该方法和EMD方法进行对比,发现本文该方法去噪效果更优。通过仿真和实例验证,发现该方法能够精确的将强噪声背景下的特征信号提取出来,非常有利于故障的诊断。