论文部分内容阅读
随着水电机组向巨型化、大容量发展,状态监测在保障水电机组安全运行、甚至电网稳定的作用越来越突出。状态监测可以反映机组运行过程中故障信息,例如机组出现转子不平衡故障时,开机过程中振动信号的转频逐渐升高并且振动幅值也随之增大,存在明显的非平稳特性,但是以往状态分析方法都将信号作为平稳信号进行分析,如常用的傅里叶变换。对此,本文对目前状态监测分析中信号降噪、特征提取和特征分类中存在的问题进行研究。 目前小波降噪方法在信号降噪处理中应用较多,但是普通的软、硬阈值函数的小波降噪方法在降噪过程中会出现系数的恒定偏差和信号的附加振荡问题。针对此问题,本文提出了一种改进阈值函数的小波降噪方法,使阈值函数变换后的系数在阈值点处连续且大于阈值处不会出现系数恒定偏差,既克服了硬阈值降噪产生的附加振荡,也抑制了软阈值降噪存在的过扼杀现象。通过不同降噪方法对模拟和实测信号的降噪效果对比,表明改进阈值的降噪方法在抑制附加振荡和保留信号特征方面都优于原有方法。 由于机组在开停机等过渡过程中振动信号体现明显的非平稳特性,而根据维格纳-维利分布(WVD)具有良好聚集性的特点,本文通过该方法对机组振动信号进行时频分析,但分析发现其对多分量信号分析时存在交叉项干扰问题,即产生虚假频率。针对此问题本文提出了一种维格纳-维利分布和集合经验模态分解(EEMD)相结合的时频分析方法。首先通过集合经验模态分解将信号分解为频率成分较为单一的若干模态分量,再对每个模态分量进行维格纳-维利分布的时频分析,将每个分析结果进行叠加形成整个信号的时频分析。这样既抑制了维格纳-维利分布的交叉项干扰,又发挥了维格纳-维利分布的高变分辨率的优势,最终将其应用到机组开机过程的振动信号分析中。对比小波分析和短时傅里叶分析结果,表明该方法在机组开机过程能够更加清晰的体现振动频率特征。 由于水电机组状态监测数据是不断采集的,形成的特征向量越来越多,将成为大规模海量数据集。针对此问题,本文将流挖掘的分类方法引入水电机组故障诊断中。通过在设置窗口内进行关联规则的挖掘和规则存储,即使新的数据不断地产生,分类器只在固定窗口内计算,并根据置信度对关联规则进行更新存储实现分类,达到了对水电机组故障特征进行快速诊断的目的,满足在线故障分类的要求。 根据本文提出的信号分析处理方法,通过LabVIEW图形编程软件将其实现并应用到水电机组状态监测分析中。通过实测的一段故障信号分别用传统故障诊断方法和本文中提出的故障诊断方法进行分析,本文方法准确判断主要存在故障为轴系不对中故障,与机组特征相符,从而进一步验证了所提出的信号分析及处理方法的正确性。