机械振动管理

振动测量对发现气体绝缘开关设备(gas insulated switchgear，GIS)潜在性缺陷具有重要意义，但GIS本体振动信号易受基础振动、测量噪声以及环境噪声的影响，使得现场GIS振动带电检测和机械缺陷诊断的效果较差。针对此问题，提出一种基于奇异值分解(singular value decomposition,SVD)-改进自适应啁啾模态分解(improve adaptive chirp mode decomposition,IACMD)的现场振动信号降噪算法。该方法首先利用SVD对原始振动信号进行预处理，滤除低频基础振动和测量噪声，其次利用鱼鹰优化算法(osprey optimization algorithm,OOA)对处理后的信号进行自适应模态分解，得到分解后的固有模态(intrinsic mode functions，IMF)分量，再利用互相关系数筛选有效分量重构振动信号。模拟信号与现场信号测试结果表明：与OOA-自适应啁啾模态分解(adaptive chirp mode decomposition，ACMD)和SVD-变分模态分解(variational mode decomposition,VMD)相比，所提出的SVD-IACMD算法可以去除基础振动、测量噪声和环境噪声，保留GIS本体振动的基频和谐波分量，为GIS现场抗干扰振动检测和机械缺陷诊断提供技术支持。

本项目属于振动预警、故障诊断技术领域，主要面向电力行业旋转机械设备安全运行及治理需求，是中国大唐集团公司重大示范工程项目。本项目是深度灵活调峰条件下火电机组旋转机械设备振动故障治理的重大关键技术，国内外首次提出基于大数据的智能振动预警、故障诊断及监督管理一体化解决方案，并成功实现了大型机组旋转机械设备智能专家系统的整体工程化应用。 主要技术创新内容：构建了汽轮发电机组各个轴瓦的轴振、瓦振健康模型，提出了基于健康数据优选的BP神经网络智能预警方法，实现了汽轮发电机组的振动状态实时监测，解决了大型旋转机械振动早期精确预警的关键难题。应用模糊粗糙集理论和案例推理的研究方法，开发了基于人工智能的故障诊断技术，实现了汽轮机振动故障在线诊断，解决了故障征兆分类、搜索、识别方面在诊断效率及诊断误差概率的关键问题。基于PaaS数据服务平台，开发了集TDM数据、DCS参数、检修资料、专家知识于一体的多维度、一站式、多功能智能监督管理系统，实现了设备启停工况、典型运行工况的智能监督与安全对标。 本项目发表专利9项 论文5篇 软著4项 主编和参编标准3项，该创新成果已在大唐国际托克托发电公司进行了首期示范项目应用，实现了全厂十二台汽轮发电机组的在线监测、振动预警、故障诊断和技术监督管理等关键功能，达到了基于大数据的旋转机械振动管理专家系统一体化解决方案的预期研发目标。直接提高了设备故障诊断及日常监督效率，大幅降低了人员投入率，保障了重大电源点主设备运行安全，经济效益和社会效益显著。基于大数据的旋转机械振动管理专家系统，成功实现了大型机组振动预警、智能诊断及监督管理的一体化解决方案应用，推动了发电企业振动故障诊断和设备安全治理关键技术的进一步突破，有助于电力行业设备管理向智慧化的更高水平发展。