水輪機故障智能診斷及振動數(shù)字化預測研究.pdf

1、隨著我國水電事業(yè)的快速發(fā)展，水輪機組容量逐步增大，一旦發(fā)生事故，將造成巨大的經(jīng)濟損失。水輪機故障診斷與振動預測有助于降低機組事故率，減少經(jīng)濟損失，為機組的安全運行提供技術(shù)保障。本文在系統(tǒng)總結(jié)這一領域研究現(xiàn)狀的基礎上，從水輪機振動與穩(wěn)定性出發(fā)，重點研究了尾水管渦帶智能診斷方法和尾水管壓力脈動CFD(ComputationalFluidDynamics)數(shù)字化預測方法，最后開發(fā)了水輪機狀態(tài)監(jiān)測與診斷系統(tǒng)。本研究的主要成果包括以下三部分：第一

2、部分是關于水輪機智能診斷方法的研究?！　?1)在小流量工況下，混流式水輪機尾水管內(nèi)易產(chǎn)生偏心渦帶，降低機組效率，嚴重威脅機組運行的穩(wěn)定性。為了能準確識別渦帶，本文綜合小波包時頻局部化分析能力和最大熵譜估計的頻譜細化優(yōu)點，提出了一種新的譜分析方法：小波包-最大熵譜估計法，并運用此法從偏工況水機軸擺度信號中，提取了微弱的渦帶特征頻率，證明了其準確識別尾水管渦帶的能力。該法較之傅立葉分析具有較強的局部分析能力，且比普通的頻譜分析精度高得多，

3、尤其是在提取微弱故障特征時更能發(fā)揮其優(yōu)良性能?！　?2)小波包-最大熵譜估計法能從功率譜角度精確識別尾水管渦帶，但在辨識渦帶的嚴重程度時存在一些缺陷。為此，本文將小波包多分辨與信息熵相結(jié)合，提出了“小波包特征熵－故障”的診斷方法，以此為基礎建立了渦帶神經(jīng)網(wǎng)絡診斷系統(tǒng)。該方法對采集到的振動信號進行三層小波包分解，在通頻范圍內(nèi)得到分布在不同頻段內(nèi)的分解序列，進而提取小波包特征熵，選取最能反映故障特征的小波包特征熵作為特征參數(shù)構(gòu)造信號的小波

4、包特征熵向量，并以此向量作為故障樣本對三層BP神經(jīng)網(wǎng)絡進行訓練，最后對訓練好的神經(jīng)網(wǎng)絡進行測試。樣本試驗結(jié)果表明，建立在小波包特征熵基礎上的BP網(wǎng)絡不僅能識別渦帶是否發(fā)生，而且能較好地識別渦帶的嚴重程度，提高了機組運行的可靠性和穩(wěn)定性，為流體機械的故障診斷開拓了新的思路。　　(3)軸承是水電機組的關鍵部件，軸承溫升趨勢是預測軸承故障的關鍵特征。提取軸承溫升特征，防止燒瓦是開展水電站“狀態(tài)檢修”研究課題的重要部分。文中結(jié)合奇異譜分析與自

5、回歸移動平均預測模型對軸承溫升特征進行了預測。先將溫度信號在重構(gòu)相空間中重構(gòu)吸引子，然后對表征吸引子的軌道矩陣進行奇異值分解，并利用奇異譜的特性來降低振動信號中噪聲、剔除平滑背景信號，對軸瓦溫度序列作自適應濾波意義下的超前預測，進而得到溫度趨勢特征。研究結(jié)果表明，該法能較好預測軸承溫度變化的趨勢特征，為防止燒瓦故障提供技術(shù)基礎，為水電機組狀態(tài)檢修提供依據(jù)。第二部分是基于CFD技術(shù)的水輪機空化與水力振動預測研究。　　(1)對某大型中比轉(zhuǎn)

6、速混流式水輪機的小流量工況、最優(yōu)工況和大流量工況三種典型工況點進行了全流道穩(wěn)定場數(shù)值解析，研究水流在過流部件中的流動特性，對轉(zhuǎn)輪進出口壓力脈動進行研究，并對轉(zhuǎn)輪葉片空蝕原因進行了深入分析。　　(2)在偏工況下，混流式水輪機轉(zhuǎn)輪會產(chǎn)生一個偏心的漩渦出流，使得尾水管彎管上部的中心位置出現(xiàn)低能流，進而產(chǎn)生一個死水域。在死水域中心存在低速反向流動，死水域外側(cè)的旋渦流具有很大的動能，在死水域的表面誘發(fā)產(chǎn)生一個螺旋狀渦帶，渦帶纏繞在死水域表面，并

7、與之一起在尾水管主軸方向作伸縮運動。當二者伸縮的時間尺度不同時，渦帶的螺距、偏心距的規(guī)律性被打破，導致不規(guī)則的壓力脈動。本文聯(lián)合固導、活導、轉(zhuǎn)輪及尾水管進行了將近90秒鐘的非定常計算，成功再現(xiàn)了上述死水域與渦帶運動，預測到了尾水管內(nèi)的不規(guī)則壓力脈動，并對壓力脈動進行了頻率、相位分析。這些仿真結(jié)果為預測機組運行狀況，提供有力的技術(shù)平臺。第三部分是水輪機狀態(tài)監(jiān)測與診斷系統(tǒng)的開發(fā)與完善。　　針對國內(nèi)某水輪機自投入運行以來，特別是在小流量工況