[发明专利]一种水轮机转动轴故障监测方法

说明书

本发明公开了一种水轮机转动轴故障监测方法。该方法包括：采集水轮机在正常和故障状态下的振动信号，采用FVMD对水轮机振动进行分解，计算多尺度排列熵；将反响学习策略方法OBLBSA引入故障监测方法中，采用OBLBSA对FCM进行优化，并与传统的FCM作对比，比较预测准确率。本发明的方法可以有效地对水轮机转动轴故障进行监测，故障特征明显，结果简单，可操性强，识别率明显提高，且其效果优于传统FCM。

技术领域

本发明涉及水轮机转动轴故障监测技术领域，具体涉及基于FVMD的多尺度排列熵和OBLBSA-FCM模糊聚类的水轮机转动轴故障监测方法。

背景技术

随着工业化生产逐渐扩大，各个行业对能源需求(尤其是对电力需求)日趋旺盛，水力发电作为一种可再生能源而得到迅速发展。水力发电最主要的机器设备是水轮机。随着水电工程建设的高速发展，水轮机组容量和尺寸在逐步增大，转速也相应提高，机组运行的自动化程度越来越高。无人值班、少人值守、远程控制的水电厂日益增多，使得机组运行稳定性的研究得到各国的广泛关注。由于机组的长期振动而导致机组部件的材料疲劳甚至遭到破坏，严重影响机组的安全运行和发电效益。机组运行时流体力、机械力及电磁力三者是相互影响的，而水力为机组的直接动力源，对机组振动具有非常大的影响。水轮机组在某些工况下运行时，因水流力作用会引起转轮、叶片、尾水管、管道等振动并生成噪音。所以，确定水力如何影响水电机组振动十分重要。

目前，振动信号处理技术不断发展，若将目前先进的测试技术及信号分析方法用于滚动轴承、齿轮等易损零部件的故障诊断及水轮机运行状态监测将具有非常重要的意义。已有的振动信号分析方法有小波奇异性检测、自组织映射法、EMD和小波包等。这些方法大多是基于线性理论。然而，研究表明，轴承切换过程中的振动信号表现出明显的非线性。因此，将振动信号假设为平稳或分段平稳信号进行时频分析的方法，其分析效果不是很明显。此外，现有技术中的水轮机转动轴故障监测方法，还存在诊断分析复杂，占用处理资源较多，并且识别率不高的缺陷。因此迫切需要有效的方法来对水轮机转动轴故障进行监测、诊断和分析。

发明内容

为解决现有技术中的不足，本发明提出了一种水轮机转动轴故障监测方法，该方法故障特征明显，结果简单，可操性强。

具体而言，针对现有技术中水轮机转动轴故障监测方法的缺点，本发明提出一种基于FVMD(Fast variational mode decomposition，FVMD)的多尺度排列熵和OBLBSA-FCM模糊聚类的水轮机转动轴故障监测方法，同时针对传统BSA(Bird Swarm Algorithm)容易陷入局部最优的缺陷，将反响学习策略方法引入故障监测方法中，该方法被称为OBLBSA(Opposition-based learning Bird Swarm Algorithm)。首先，利用方法在保留VMD算法中拉格朗日乘法算子λ更新的同时，通过引入迭代算子对λ进行二次更新。将多尺度排列熵作为特征量，并将其作为OBLBSA-FCM输入，与传统FCM做对比。结果表明，本发明的方法能够有效地提取水轮机转动轴故障特征。

为了实现上述目标，本发明采用如下技术方案：

一种水轮机转动轴故障监测方法，其特征在于：包括以下步骤：

(1)通过加速度传感器对水轮机转动轴正常状态下的振动信号、故障状态下的振动信号进行采集和载入，并对采集和载入的振动信号做预处理；

(2)针对采集、载入和预处理的水轮机的信号，采用FVMD进行分解，首先进行VMD，然后在VMD基础上引入快速迭代；

(3)获得多尺度排列熵；

(4)利用OBLBSA对FCM的初始聚类中心进行优化，其中利用OBLBSA-FCM确定已知故障样本的标准聚类中心，基于上述步骤产生的并且经提取的多尺度排列熵，由择近原则计算待识别故障样本与标准聚类中心的距离，判定水轮机转动轴的故障状态。