基于SDP分析的离心风机失速检测及故障诊断研究

摘要

作为电厂烟风系统的动力源，风机的运行状态与电厂的安全、经济运行息息相关。随着电站机组日益大型化、复杂化、系统化，加之工作环境恶劣，可能引起风机故障，使风机无法正常运行。故障恶化则可能导致整个机组停机，造成经济损失，甚至引起安全事故。因此，进行风机故障监测诊断，对提高风机乃至整个电站机组的安全性、经济性有着重要意义。风机故障主要分为两种类型：非稳态流动故障和机械故障。本文针对风机旋转失速模拟实验所测得的压力信号以及机械故障模拟实验所测得的振动信号，对风机失速检测及机械故障诊断方法展开深入研究。
　　运用SDP分析与图像匹配相结合法进行失速检测。对压力信号进行SDP变换，建立风机正常运行及失速状态下的SDP图形模板；采用图像匹配方法确定实时压力信号SDP图形与图像模板之间的相似度，以此进行失速检测。为了降低噪声、信息重叠等因素的干扰，突出风机运行状态信息特征，满足失速检测及时、准确性要求，采用两种方法进行优化：(a)对压力信号进行小波降噪；(b)运用主元分析方法对压力信号SDP图形进行特征提取。结果表明：基于小波降噪优化的SDP分析与图像匹配方法可以在失速发生0.3656s内成功检测失速的发生，失速检测及时性较差，且小波降噪方法不能满足风机失速在线检测；基于主元分析优化的SDP分析与图像匹配方法可以在失速发生0.0656s内成功检测失速的发生，检测时间间隔较小波降噪优化提前0.3s，满足失速检测及时性要求，同时，该方法适合风机失速在线检测。
　　运用SDP与图形特征分析相结合法进行失速检测。对压力信号进行离线小波分析，根据信号时域特征及SDP变换原理，分析不同运行状态下压力信号SDP图形特征，确定SDP图形臂中点半径以及点偏转角度方差的综合自相关系数为失速检测特征，以此进行失速检测。结果表明：基于SDP与图形特征分析相结合法可以在失速发生0.125s内成功检测失速的发生，满足失速检测及时性、在线性要求。
　　运用SDP分析与改进BP神经网络相结合法进行机械故障诊断。对振动信号进行SDP变换，提取风机各运行状态下振动信号SDP图形特征，构造多特征融合的故障特征向量，建立风机机械故障特征向量样本集；运用改进BP神经网络对风机机械故障特征向量样本集进行训练和测试，实现故障的分类诊断，准确率为100％。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.3 研究内容

第2章 基于SDP与图像匹配的离心风机旋转失速实时检测

2.1 离心风机旋转失速实验研究

2.2 SDP分析法

2.3 图形处理方法

2.4 离心风机失速检测

2.5 本章小结

第3章 基于SDP与图形特征分析的离心风机旋转失速实时检测

3.1 失速渐进过程压力信号小波分析

3.2 SDP图形特征分析

3.3 基于SDP与图形点特征分析的离心风机失速实时检测

3.4 本章小结

第4章 基于SDP与改进BP神经网络的风机机械故障诊断

4.1 风机机械故障实验模拟

4.2 SDP法的参数选择

4.3 风机不同运行状态下振动信号SDP图形

4.4 风机机械故障特征向量提取

4.5 风机机械故障诊断

4.6 本章小结

第5章 结论与展望

5.1 结论

5.2 研究展望

参考文献

攻读硕士学位期间发表的学术论文及其他成果

致谢