大型电站辅机振动分析与诊断技术：理论、案例与实践

大型电站辅机振动分析与诊断技术：理论、案例与实践一、引言1.1研究背景与意义在当今社会，电力作为一种关键的能源形式，对国民经济的稳定发展和人们日常生活的正常运转起着举足轻重的作用。大型电站作为电力生产的核心场所，其安全、高效运行直接关系到电力供应的稳定性与可靠性。大型电站中的辅机设备，如给水泵、凝结水泵、引风机、送风机、一次风机等，是电站系统中不可或缺的重要组成部分，它们的稳定运行对于保障电站整体的正常运转、提高发电效率以及确保电力质量起着至关重要的作用。然而，在实际运行过程中，大型电站辅机常常会出现振动问题。这些振动问题一旦发生，将会对电力生产带来多方面的严重影响。从设备自身角度来看，振动会对设备的寿命和可靠性造成极大威胁。持续的振动会使设备的零部件承受额外的交变应力，加速零部件的磨损、疲劳甚至断裂，从而显著缩短设备的使用寿命。例如，黑龙江某电厂每年由于辅机振动造成的烧瓦事故就多达8起，不仅导致设备损坏，还严重影响了机组的安全经济运行。再如，国内200MW机组配备的某型给水泵，在1978年出厂的48台中，已有8次断轴事故发生，这充分说明了振动对设备造成的严重破坏。同时，振动还会引发设备的松动、连接部件的失效等问题，进一步降低设备运行的可靠性，增加设备故障发生的概率。从电力生产效率和经济效益方面分析，振动问题会导致电厂生产效率下降，进而带来巨大的经济损失。当辅机振动过大时，为了确保安全，机组往往不得不被迫降低负荷运行甚至停运检修。这不仅会直接减少发电量，无法满足社会对电力的需求，还会在设备维修过程中耗费大量的人力、物力和财力。像扬州第二发电有限责任公司两台600MW汽轮发电机组配套的关键辅机，如锅炉汽动给水泵、三大风机等，时有振动故障发生，其中有数起振动故障曾较大地影响到主机正常运行，带来了一定的经济损失。据不完全统计，我国每年因电站辅机振动问题导致的直接经济损失高达数亿元，间接经济损失更是难以估量。此外，振动还会产生噪音污染，对工作环境造成不良影响，危害工作人员的身体健康，降低工作效率。因此，对大型电站辅机的振动问题进行深入研究，开发有效的振动分析与诊断技术具有极其重要的现实意义。通过研究振动分析与诊断技术，可以实时、准确地监测辅机的运行状态。借助先进的传感器技术和信号处理算法，能够及时捕捉到辅机振动的异常变化，并通过对振动信号的分析，精确判断故障的类型、位置和严重程度。这为提前采取针对性的维修措施提供了有力依据，避免了设备故障的进一步恶化，从而保障了电站的安全稳定运行。例如，通过对轴流式送风机电机轴向振动的分析，可以准确判断是转子不平衡还是转子不对中等原因导致的振动，进而采取相应的解决措施。深入研究振动分析与诊断技术，还能够实现对设备的精细化管理，提高设备的运行效率。通过对振动数据的长期积累和分析，可以了解设备的运行规律和性能变化趋势，为设备的优化运行和维护提供科学指导。根据设备的实际运行情况，合理调整运行参数，避免设备在高振动、低效率的工况下运行，从而提高电力生产效率，降低能源消耗，实现经济效益的最大化。综上所述，大型电站辅机振动分析与诊断技术的研究对于保障电站安全、提高效率和降低成本具有不可替代的重要作用，是电力工业发展中亟待深入研究和解决的关键问题。1.2国内外研究现状随着电力工业的不断发展，大型电站辅机振动分析与诊断技术逐渐成为研究的热点。国内外众多学者和研究机构在该领域开展了广泛而深入的研究，取得了一系列具有重要理论和实践价值的成果。在国外，美国、德国、日本等发达国家在振动分析与诊断技术方面起步较早，技术水平处于世界领先地位。美国西屋电气公司在旋转机械振动监测与诊断领域投入了大量的研发资源，研发出了一套先进的振动监测与诊断系统，该系统采用了先进的传感器技术和信号处理算法，能够对电站辅机的振动信号进行实时采集、分析和处理。通过对振动信号的频谱分析、时域分析以及相位分析等多种手段，能够准确判断出设备是否存在故障以及故障的类型和严重程度。当检测到设备出现异常振动时，系统会及时发出预警信号，并提供详细的故障诊断报告，为维修人员制定维修方案提供有力的依据。德国西门子公司则专注于智能诊断技术在电站辅机中的应用研究，通过建立设备的数学模型和故障诊断知识库，利用人工智能算法对设备的运行状态进行智能评估和故障预测。该公司开发的智能诊断系统能够根据设备的运行数据和历史故障记录，自动学习设备的运行规律和故障模式，从而实现对设备故障的提前预警和诊断，大大提高了设备的可靠性和维护效率。日本三菱重工在振动控制技术方面取得了显著的成果，他们研发的主动式振动控制系统，能够根据设备的振动状态实时调整控制参数，通过施加反向作用力来抵消设备的振动，从而实现对振动的有效抑制。这种主动式振动控制技术在大型电站辅机的应用中，显著降低了设备的振动水平，延长了设备的使用寿命，提高了设备的运行稳定性。在国内，近年来随着电力行业的快速发展，对大型电站辅机振动分析与诊断技术的研究也日益重视。众多高校和科研机构，如清华大学、上海交通大学、哈尔滨工业大学、中国电力科学研究院等，在该领域开展了大量的研究工作，并取得了一系列具有自主知识产权的研究成果。清华大学针对电站辅机振动问题，开展了多传感器信息融合技术的研究，通过将多个传感器采集到的振动信号进行融合处理，提高了故障诊断的准确性和可靠性。该技术能够充分利用不同传感器所提供的信息，弥补单一传感器的局限性，从而更全面、准确地反映设备的运行状态，有效提高了对复杂故障的诊断能力。上海交通大学则在故障诊断专家系统的开发方面取得了重要进展，他们建立的故障诊断专家系统，集成了大量的专家知识和经验，能够对电站辅机的各种振动故障进行快速诊断和分析。该系统采用了先进的知识表示和推理机制，能够根据设备的振动特征和运行参数，自动匹配相应的故障诊断规则，给出准确的故障诊断结果和维修建议，为电站的设备维护提供了智能化的支持。中国电力科学研究院则致力于振动检测传感器的研发和改进，他们研发的新型振动检测传感器，具有高精度、高灵敏度、抗干扰能力强等优点，能够更准确地采集电站辅机的振动信号。这些新型传感器的应用，为振动分析与诊断技术提供了更可靠的数据基础，有助于提高故障诊断的精度和可靠性。在实际应用方面，国内外许多电站已经将振动分析与诊断技术应用于电站辅机的运行维护中，并取得了良好的效果。例如，美国某大型电站通过应用先进的振动监测与诊断系统，成功预测并避免了多起辅机故障的发生，有效提高了电站的运行可靠性和经济效益。国内的一些大型电站，如三峡电站、大亚湾核电站等，也采用了先进的振动分析与诊断技术，对电站辅机进行实时监测和故障诊断，确保了电站的安全稳定运行。三峡电站通过建立完善的机组振动监测及故障诊断系统，实现了对机组振动的在线监测和故障诊断，为电站的安全运行提供了有力保障。该系统能够实时采集机组的振动数据，并对数据进行分析处理，及时发现机组的异常振动情况，为维修人员提供准确的故障诊断信息，有效减少了机组故障的发生，提高了电站的发电效率。尽管国内外在大型电站辅机振动分析与诊断技术方面已经取得了丰硕的成果，但随着电力工业的不断发展，对电站辅机的可靠性和稳定性提出了更高的要求，振动分析与诊断技术仍面临着诸多挑战和问题。例如，如何进一步提高故障诊断的准确性和可靠性，如何实现对复杂故障的快速诊断和分析，如何将振动分析与诊断技术与智能电网、大数据、云计算等新兴技术相结合，实现对电站辅机的智能化管理和远程监控等，都是需要进一步深入研究和解决的问题。1.3研究内容与方法本研究聚焦于大型电站辅机振动分析与诊断技术，深入剖析辅机振动现象，致力于提升电站运行的安全性与稳定性，研究内容涵盖多个关键层面。在振动原因分析方面，从机械、水力、电磁等多个角度展开深入探究。机械因素中，详细分析转子不平衡、转子不对中、轴承故障、部件松动等问题。如转子不平衡可能是由于制造安装误差、材料不均匀或运行过程中的磨损等原因导致，其产生的离心力会引发强烈的振动。而转子不对中则会使轴系和轴承受力不均，改变轴系临界转速，引发转轴热弯曲以及动静部件摩擦等问题。对于轴承故障，关注轴承的磨损、疲劳剥落、润滑不良等情况，这些问题会直接影响轴承的承载能力和旋转精度，进而导致设备振动。部件松动也是常见的机械问题，如地脚螺栓松动、连接部件松动等，会使设备的结构刚度下降，产生额外的振动激励。水力因素中，研究水力不平衡、汽蚀、喘振等对振动的影响。水力不平衡可能是由于水轮机过流部件的设计不合理、制造工艺缺陷或运行工况变化等原因引起，会导致水流的不均匀分布，产生周期性的水力激振力。汽蚀现象则是当液体在流动过程中压力降低到一定程度时，液体中的气体析出形成气泡，气泡在高压区破裂时会产生强大的冲击力，对设备表面造成损伤，同时引发振动和噪音。喘振是风机在特定工况下发生的一种不稳定现象，表现为气流的强烈脉动和压力波动，会对风机的结构和性能造成严重影响。电磁因素中，探讨电磁力不平衡、电磁共振等问题。电磁力不平衡可能是由于电机绕组的不对称、电源电压的波动或谐波等原因导致，会产生额外的电磁力，引起设备的振动。电磁共振则是当电磁力的频率与设备的固有频率接近时，会发生共振现象，使振动急剧加剧。通过对这些因素的深入研究，建立全面的振动原因分析体系，为后续的诊断和处理提供坚实的理论基础。在振动检测技术研究中，深入探索振动检测传感器的原理、性能及应用。选用加速度传感器、位移传感器、速度传感器等多种类型的传感器，对其灵敏度、精度、频率响应等关键性能指标进行详细分析和对比。加速度传感器能够测量设备的振动加速度，具有响应速度快、测量范围广等优点，适用于检测高频振动信号。位移传感器则主要用于测量设备的振动位移，对于低频振动信号的检测较为准确。速度传感器能够测量设备的振动速度，在一些对振动速度有特定要求的场合具有重要应用。研究传感器的安装位置和方式，以确保能够准确采集到设备的振动信号。根据设备的结构特点和振动传播特性，选择合适的安装位置，避免传感器受到干扰或安装不当导致测量误差。同时，对传感器的安装方式进行优化，确保传感器与设备紧密连接，能够真实反映设备的振动状态。此外，研究信号调理与传输技术，对采集到的振动信号进行放大、滤波、模数转换等处理，提高信号的质量，并采用有线或无线传输方式将信号传输到数据处理中心。信号调理技术能够去除信号中的噪声和干扰，提高信号的信噪比，为后续的分析和诊断提供可靠的数据支持。传输技术则需要根据实际应用场景选择合适的方式，确保信号能够稳定、快速地传输到数据处理中心。振动诊断方法研究是本研究的核心内容之一，采用时域分析、频域分析、时频分析等现代信号处理技术。时域分析通过对振动信号的波形、峰值、均值、方差等参数进行分析，获取设备的振动特征。如通过观察波形的形状和变化，可以判断设备是否存在不平衡、松动、碰摩等故障。峰值和均值能够反映振动的强度，方差则可以衡量振动的稳定性。频域分析将时域信号转换为频域信号，通过分析信号的频率成分和幅值，确定振动的频率特性，识别故障类型。如通过傅里叶变换将时域信号转换为频域信号，分析信号中不同频率成分的幅值，找出与故障相关的特征频率。时频分析则结合了时域和频域的信息，能够在时间-频率平面上展示信号的变化特征，适用于分析非平稳信号。小波变换、短时傅里叶变换等时频分析方法能够有效地处理非平稳振动信号，提取信号中的时变特征，提高故障诊断的准确性。此外，还研究基于机器学习和人工智能的故障诊断方法，如神经网络、支持向量机等，通过训练大量的样本数据，建立故障诊断模型，实现对振动故障的智能诊断。神经网络具有强大的非线性映射能力和自学习能力，能够从大量的振动数据中自动提取故障特征，实现对复杂故障的准确诊断。支持向量机则在小样本、非线性分类问题上具有独特的优势，能够有效地解决故障诊断中的模式识别问题。本研究采用理论分析、案例研究和实验验证相结合的研究方法。在理论分析方面，深入研究机械动力学、信号处理、故障诊断等相关理论，为振动分析与诊断技术提供坚实的理论基础。通过对机械动力学理论的研究，深入理解设备振动的产生机理和传播规律，为分析振动原因提供理论支持。在信号处理理论方面，研究各种信号处理方法的原理和应用，为振动信号的分析和处理提供有效的工具。故障诊断理论则为建立故障诊断模型和方法提供指导。在案例研究方面，收集和分析大量大型电站辅机振动故障案例，深入了解实际运行中振动问题的表现形式、产生原因和处理方法。通过对不同类型辅机振动故障案例的分析，总结故障诊断的经验和规律，为实际工程应用提供参考。如对某电站给水泵振动故障案例的分析，详细研究了故障发生的过程、振动信号的特征以及采取的诊断和处理措施，从中总结出给水泵振动故障的诊断方法和处理策略。在实验验证方面，搭建实验平台，模拟大型电站辅机的运行工况，对提出的振动分析与诊断技术进行实验验证。通过实验验证，能够直观地观察和分析设备的振动特性，验证理论分析和案例研究的结果，评估振动分析与诊断技术的有效性和可靠性。如在实验平台上对不同故障类型的模拟实验，能够获取真实的振动数据，对各种诊断方法进行对比和评估，选择最优的诊断方法。二、大型电站辅机振动基础理论2.1电站辅机概述2.1.1电站辅机的分类与作用大型电站是一个庞大而复杂的系统，其中辅机设备种类繁多，它们在电力生产过程中各司其职，共同保障电站的稳定运行。按照功能和用途的不同，电站辅机大致可分为以下几类。首先是泵类设备，给水泵是其中极为关键的一种。它的主要作用是将除氧器水箱中的凝结水加压后输送到锅炉，为锅炉提供持续稳定的给水。在整个电站系统中，给水泵就如同人体的心脏，源源不断地为锅炉这个“动力源”提供“血液”，确保锅炉能够在正常的压力和水位下运行，从而保证蒸汽的稳定产生。如果给水泵出现故障，无法正常供水，锅炉就会因缺水而面临安全风险，甚至可能导致整个电站停机。凝结水泵则负责将凝汽器热井中的凝结水抽出，并升压后送往除氧器。它对于维持凝汽器的正常水位，保证凝汽器的真空度起着至关重要的作用。真空度的稳定直接影响汽轮机的效率，进而影响整个电站的发电效率。因此，凝结水泵的稳定运行对于提高电站的经济性和可靠性具有重要意义。风机类设备在电站中也占据着重要地位。送风机的主要职责是为锅炉的燃烧提供充足的空气，确保燃料能够充分燃烧。充足的氧气供应是燃料充分燃烧的必要条件，只有燃料充分燃烧，才能释放出最大的能量，提高锅炉的热效率。送风机通过调节风量，可以控制锅炉的燃烧强度，从而满足不同工况下的发电需求。引风机则主要负责将锅炉燃烧后产生的烟气排出，维持锅炉炉膛内的负压。炉膛内保持适当的负压，有利于燃烧过程的稳定进行，防止烟气外溢，保证工作人员的安全和工作环境的卫生。同时，引风机还与除尘、脱硫、脱硝等环保设备协同工作，确保排出的烟气符合环保标准。一次风机在燃煤电站中，主要用于输送空气，使空气与煤粉充分混合后送入炉膛燃烧。它对于保证煤粉的充分燃烧、提高燃烧效率以及稳定燃烧过程起着关键作用。一次风机的风量和风速控制直接影响着煤粉的输送和燃烧效果，如果风量不足或风速不稳定，可能导致煤粉燃烧不充分，影响锅炉的出力和效率。除了泵类和风机类设备，还有其他一些重要的辅机设备。例如，磨煤机用于将原煤研磨成细煤粉，为锅炉的燃烧提供合适粒度的燃料。合适粒度的煤粉能够增加燃料与空气的接触面积，使燃烧更加充分，提高能源利用率。如果磨煤机的研磨效果不佳，煤粉粒度不均匀，可能会导致燃烧不稳定，甚至引起锅炉灭火。给煤机则负责将煤从煤仓输送到磨煤机，通过精确控制给煤量，保证锅炉燃烧所需的燃料供应稳定。给煤量的稳定对于维持锅炉的燃烧工况和蒸汽参数的稳定至关重要，如果给煤量波动过大，会导致锅炉燃烧不稳定，影响电站的正常运行。2.1.2常见辅机的工作原理与结构特点以给水泵和风机为例，深入了解它们的工作原理和结构特点，对于分析其振动问题具有重要的基础作用。给水泵通常采用离心泵的工作原理。离心泵主要由叶轮、泵壳、轴封装置、轴向力平衡装置等部件组成。当原动机带动泵轴和叶轮高速旋转时，叶轮中的叶片驱使液体一起旋转，液体在离心力的作用下，从叶轮中心被甩向叶轮外缘，速度能和压力能都得到提高。在叶轮出口处，液体进入泵壳，由于泵壳内流道逐渐扩大，液体流速逐渐降低，部分速度能转化为压力能，最终液体以较高的压力从泵的出口排出。同时，在叶轮中心处，由于液体被甩出，形成了低压区，外界液体在大气压的作用下，源源不断地吸入叶轮中心，从而实现了液体的连续输送。离心泵具有结构简单、流量连续均匀、运行稳定、效率较高等优点，因此在电站给水中得到了广泛应用。然而，离心泵也存在一些缺点，如对汽蚀较为敏感，在运行过程中如果吸入压力过低，容易发生汽蚀现象，损坏叶轮和泵体。风机根据其工作原理和结构的不同，可分为离心式风机和轴流式风机。离心式风机主要由叶轮、机壳、进风口、出风口、轴承箱、传动装置等部件组成。其工作原理与离心泵类似，当电机带动叶轮高速旋转时，叶轮内的气体在离心力的作用下被甩向叶轮外缘，气体的动能和压力能增加，然后进入机壳。在机壳内，气体的流速逐渐降低，部分动能转化为压力能，最后从出风口排出。同时，在叶轮中心处形成负压，外界气体在大气压的作用下，从进风口被吸入叶轮，实现气体的连续输送。离心式风机的特点是风压较高、流量调节范围较宽、效率较高，适用于对风压要求较高的场合，如锅炉的送风和引风系统。轴流式风机则主要由叶轮、机壳、导叶、轮毂、轴承箱、传动装置等部件组成。轴流式风机的工作原理是基于机翼的升力原理。当电机带动叶轮旋转时，叶轮上的叶片如同机翼一样，与气流相互作用，使气流获得轴向的推力，从而沿着风机的轴向流动。在叶轮出口处，气流的速度和压力都得到提高。导叶的作用是对叶轮出口的气流进行整流，使气流更加平稳地流动，同时进一步提高气流的压力。轴流式风机的特点是风量大、风压相对较低、结构紧凑、占地面积小、效率较高，适用于对风量要求较大、风压要求相对较低的场合，如电站的通风系统、冷却塔的通风等。2.2振动基本概念与理论2.2.1振动的定义与描述参数振动，从物理学的角度严格定义，是指物体或质点在其平衡位置附近所做的往复运动。这种运动在我们的日常生活和工业生产中极为常见，像钟摆的摆动，其在固定的支点两侧做着周期性的往复运动，以支点为平衡位置，不断地左右摆动；还有气缸中活塞的运动，在气缸内，活塞以某一位置为平衡位置，进行着高速的往复直线运动，这些都是典型的振动现象。在大型电站辅机中，各类转动部件，如风机的叶轮、泵的转子等，在运行过程中也会不可避免地产生振动。当风机叶轮高速旋转时，由于制造误差、质量分布不均匀等原因，叶轮会围绕其旋转中心做微小的往复摆动，从而产生振动。这种振动如果得不到有效的监测和控制，可能会引发一系列严重的问题。为了准确地描述振动的特性，人们引入了多个重要的参数。振幅是其中一个关键参数，它指的是振动的物理量可能达到的最大值，通常用A来表示。在机械振动中，振幅具体是指物体振动时离开平衡位置最大位移的绝对值，其单位通常为米（m）或毫米（mm）。振幅直观地反映了物体振动的范围和强度。对于一个做简谐振动的弹簧振子，其振幅就是振子在振动过程中离开平衡位置的最大距离。在大型电站辅机中，例如给水泵的转子振动，振幅的大小直接关系到设备运行的稳定性。如果振幅过大，说明转子的振动较为剧烈，可能会导致设备部件之间的摩擦加剧，进而引发设备故障。频率也是描述振动的重要参数之一，它是指单位时间内完成周期性变化的次数，通常用f表示，单位为赫兹（Hz）。频率反映了振动的快慢程度。我们常见的交流电的频率为50Hz，这意味着在1秒钟内，交流电的电流方向会周期性地变化50次。对于大型电站辅机中的振动，不同的故障类型往往会对应不同的振动频率。如当风机叶轮出现不平衡故障时，其振动频率通常与叶轮的旋转频率相关，通过对振动频率的分析，就可以初步判断设备是否存在故障以及故障的类型。相位同样是一个不可或缺的描述振动的参数，它用于描述振动在起始瞬间的状态。当一个物体做简谐振动时，其振动方程可以表示为x=A\sin(\omegat+\varphi)，其中\varphi就是相位。相位在判断设备的故障原因和故障位置时具有重要作用。在多台设备协同工作的系统中，通过比较不同设备振动信号的相位差，可以判断设备之间是否存在不对中、共振等问题。如果两台风机的振动信号相位差异常，可能意味着这两台风机的安装位置存在偏差，或者它们之间存在共振现象，需要及时进行调整和处理。2.2.2振动产生的原因与机理大型电站辅机振动的产生是一个复杂的过程，涉及多种因素，这些因素相互作用，共同导致了振动的出现。机械不平衡是引发振动的常见原因之一。在电站辅机的转动部件中，如风机的叶轮、泵的转子等，如果由于制造误差、材料不均匀、运行过程中的磨损或腐蚀等原因，导致其质量分布不均匀，就会出现机械不平衡的情况。当这些转动部件高速旋转时，不平衡质量会产生离心力，这个离心力的大小与不平衡质量、转速的平方以及不平衡质量到旋转中心的距离成正比。这个离心力会使转动部件产生振动，并且随着转速的增加，振动会愈发剧烈。对于一台转速为3000r/min的泵，其转子上存在一个质量为10g的不平衡质量，距离旋转中心10cm，根据离心力公式F=m\omega^2r（其中m为不平衡质量，\omega为角速度，r为不平衡质量到旋转中心的距离），可以计算出这个不平衡质量产生的离心力高达约987N。如此大的离心力必然会使泵产生强烈的振动，对设备的安全运行构成严重威胁。不对中也是导致大型电站辅机振动的重要因素。不对中通常包括轴系不对中、轴承不对中等情况。当轴系不对中时，各个转子之间的轴线不再处于同一条直线上，可能存在平行不对中或角度不对中。这种不对中会使轴系和轴承承受额外的载荷，改变轴系的临界转速，进而引发转轴的热弯曲以及动静部件之间的摩擦。轴系不对中时，轴承油膜会发生剧烈振荡，导致整个轴系的载荷分布不均匀，引起轴系共振或振动特性的改变。其振动特点通常表现为较大的径向振动和轴向振动，在振动频谱中，1倍频、2倍频和3倍频处会出现稳定的峰值，4倍频至10倍频处的谐波成分相对较低。在时域波形上，一般不会出现“g”形冲击，联轴器的轴向相位变化明显（>60°），且不对中振动会随着负荷的增加而成正比增加，但对转速的影响相对较小。共振现象在大型电站辅机振动中也不容忽视。每一个物体都有其固有的振动频率，当外界激励的频率与物体的固有频率接近或相等时，就会发生共振。在共振状态下，物体的振动幅度会急剧增大，可能会对设备造成严重的损坏。当电站辅机的运行转速发生变化时，其振动频率也会随之改变，如果此时振动频率接近设备的固有频率，就容易引发共振。某电站的一台风机，在启动过程中，当转速达到某一特定值时，风机出现了剧烈的振动，经检测发现，此时风机的振动频率与风机机壳的固有频率接近，发生了共振。为了解决这个问题，通过对风机机壳进行加固，改变其固有频率，从而避免了共振的发生。动静摩擦同样会导致电站辅机产生振动。在设备运行过程中，如果转动部件与静止部件之间的间隙过小，或者由于安装不当、部件变形等原因，导致转动部件与静止部件发生摩擦，就会产生振动。动静摩擦产生的振动通常具有不规则的特点，振动信号中会包含丰富的高频成分。当泵的叶轮与泵壳发生摩擦时，会产生刺耳的噪音和强烈的振动，不仅会损坏设备的部件，还会影响设备的正常运行。2.2.3振动对电站辅机及电力生产的危害振动对大型电站辅机设备以及电力生产会带来多方面的严重危害。从对电站辅机设备的损害来看，首先是部件磨损加剧。持续的振动会使设备的各个部件之间产生频繁的相对运动和摩擦，从而加速部件的磨损。对于泵的轴承，长期的振动会导致轴承的滚珠或滚柱表面出现磨损痕迹，降低轴承的精度和承载能力，进而影响整个泵的运行稳定性。据统计，在因振动导致的电站辅机故障中，约有30%是由于部件磨损引起的。疲劳断裂也是振动可能引发的严重问题。振动会使设备部件承受交变应力，当交变应力超过材料的疲劳极限时，部件就会逐渐产生裂纹，随着时间的推移，裂纹会不断扩展，最终导致部件断裂。风机的叶片在长期的振动作用下，根部容易出现疲劳裂纹，一旦裂纹扩展到一定程度，叶片就可能发生断裂，造成严重的设备事故。某电站的一台引风机，由于振动问题长期未得到解决，叶片在运行过程中发生了断裂，断裂的叶片飞出，打坏了风机的外壳和其他部件，导致该引风机长时间停机维修，给电站的生产带来了巨大的损失。振动还会对电力生产产生诸多负面影响。一方面，它会降低电力生产效率。当电站辅机出现振动故障时，为了确保设备的安全运行，往往需要降低机组的负荷，甚至停机进行检修。这会直接导致发电量减少，无法满足社会对电力的需求。据估算，每停机检修一次，电站可能会损失数万千瓦时的发电量。而且，在设备维修过程中，需要投入大量的人力、物力和时间，进一步降低了电力生产的效率。另一方面，振动会增加电力生产的事故风险。严重的振动可能会引发设备的突发故障，如轴系断裂、轴承烧毁等，这些故障不仅会导致设备损坏，还可能引发火灾、爆炸等严重的安全事故，对人员的生命安全和电站的财产安全构成巨大威胁。某电站的一台给水泵，由于振动导致轴系断裂，高温高压的水瞬间喷出，引发了火灾，虽然及时进行了扑救，但仍然造成了重大的经济损失和人员伤亡。三、大型电站辅机振动检测技术3.1振动检测传感器3.1.1传感器的类型与工作原理在大型电站辅机振动检测领域，多种类型的传感器发挥着关键作用，它们基于不同的工作原理，为振动检测提供了多样化的手段。加速度传感器是一种极为常见且重要的振动检测传感器，其工作原理主要基于压电效应。以压电式加速度传感器为例，它内部包含压电晶体材料，当传感器受到振动激励时，质量块在加速度的作用下产生与加速度成正比的力。这个力作用于压电晶体，根据压电效应，压电晶体沿其表面会形成与该力成正比的电荷信号。在实际应用中，当电站辅机发生振动时，加速度传感器固定在辅机表面，辅机的振动使传感器产生加速度，进而导致压电晶体产生电荷。通过对这些电荷信号的检测和分析，就可以获取辅机振动的加速度信息。这种传感器具有测量频率范围宽、量程大、体积小、重量轻、对被测件的影响小以及安装使用方便等诸多优点。在测量风机叶轮的振动时，加速度传感器能够快速响应高频振动信号，准确测量叶轮在高速旋转过程中的振动加速度，为后续的故障诊断提供关键数据。位移传感器用于测量物体的振动位移，其工作原理依据电涡流效应。电涡流式位移传感器在其端部有一线圈，当线圈通以频率较高的交变电压时，线圈周围会产生交变磁场。当该传感器靠近被测导体时，交变磁场会使导体表面感应出电涡流。由于电涡流的产生，原线圈与“涡流线圈”形成有一定耦合的互感，导致线圈电感发生变化。而被测导体与传感器之间的间隙变化会影响电涡流的大小，进而影响线圈电感。通过检测线圈电感的变化，就可以间接测量出被测导体与传感器之间的间隙，即物体的振动位移。在电站的大型电机中，通过安装电涡流式位移传感器，可以实时监测电机转子的振动位移，判断转子是否存在偏心等故障。速度传感器则是基于电磁感应原理工作。电感式速度传感器作为一种常见的速度传感器，它是动圈式（磁电式）的传感器。当传感器与结构一起振动或传感器动圈上的顶杆与结构相连时，结构的振动会使传感器的线圈在磁铁磁场中产生运动。根据电磁感应定律，线圈在磁场中切割磁力线会产生感应电动势，且感应电动势的大小与动圈运动速度成正比。在监测电站水泵的振动时，速度传感器可以直接测量水泵轴承座的振动速度，为评估水泵的运行状态提供重要依据。3.1.2传感器的选择与安装要点传感器的正确选择与安装是确保大型电站辅机振动检测准确性和可靠性的关键环节，需综合多方面因素进行考量。在选择传感器时，电站辅机的类型是首要考虑因素。不同类型的辅机，其运行特性和振动特点存在显著差异。对于转速较高、振动频率丰富的风机类辅机，加速度传感器是较为理想的选择。风机在运行过程中，叶轮的高速旋转会产生高频振动，加速度传感器能够快速响应这些高频信号，准确测量振动加速度。而对于运行相对平稳、振动位移变化较为明显的泵类辅机，位移传感器则更具优势。泵在工作时，由于机械部件的磨损或安装不当等原因，可能会导致泵轴的位移变化，位移传感器可以精确测量这些位移，及时发现潜在的故障隐患。振动特性也是选择传感器的重要依据。振动频率范围决定了传感器的适用类型。对于高频振动，加速度传感器凭借其宽频率响应范围，能够准确捕捉振动信号。当振动频率在数千赫兹甚至更高时，加速度传感器能够稳定工作，提供可靠的测量数据。而对于低频振动，位移传感器和速度传感器则更为合适。在一些大型电机的低速运行状态下，振动频率可能较低，此时位移传感器和速度传感器能够更准确地测量振动位移和速度。振动幅值的大小也影响传感器的选择。如果振动幅值较大，需要选择量程较大的传感器，以确保测量的准确性和传感器的安全性。在某些大型辅机启动或停止过程中，可能会出现较大的振动幅值，此时应选择量程适配的传感器。传感器的安装位置对测量结果有着至关重要的影响。通常应选择在能够最直接、最准确反映辅机振动特征的部位。对于旋转部件，如风机的叶轮和泵的转子，轴承座是一个关键的安装位置。轴承座能够传递旋转部件的振动信息，通过在轴承座上安装传感器，可以有效地监测到旋转部件的振动情况。在选择安装位置时，还应避免安装在振动传递路径上的薄弱环节或易受干扰的部位。如果安装在薄片或无振动区域，传感器可能无法准确捕捉到振动信号，或者受到外界干扰，导致测量结果不准确。安装方式同样不容忽视。不同的安装方式会影响传感器的安装刚度和自振频率，进而影响测量精度。常见的安装方式有螺钉安装、磁铁吸附、粘结剂安装等。螺钉安装适用于振动较大、对安装稳定性要求较高的场合。通过将传感器用螺钉牢固地固定在被测物体表面，可以确保传感器与被测物体紧密结合，减少振动传递过程中的能量损失。在大型电站的关键辅机上，为了保证振动检测的准确性，通常采用螺钉安装加速度传感器。磁铁吸附安装则适用于被测物体为金属材质，且振动相对较小的情况。这种安装方式操作简便，便于快速安装和拆卸。在对一些临时监测点进行振动检测时，可以采用磁铁吸附的方式安装传感器。粘结剂安装适用于对安装位置要求较高、无法采用其他安装方式的情况。在安装传感器时，应根据实际情况选择合适的安装方式，并确保安装牢固、可靠，以获得准确的振动测量数据。3.2振动信号采集与预处理3.2.1信号采集系统的构成与功能大型电站辅机振动信号采集系统是实现振动监测与分析的基础，它主要由硬件和软件两大部分构成，各部分相互协作，共同完成信号采集、传输、存储等关键功能。从硬件方面来看，核心组成部分包括振动检测传感器、信号调理电路、数据采集卡以及存储设备等。前文提到的加速度传感器、位移传感器和速度传感器，作为信号采集的前端设备，直接与电站辅机接触，将辅机的机械振动信号转换为电信号。这些传感器的性能和安装方式，如灵敏度、精度、频率响应以及安装位置和方法，对采集到的信号质量有着直接的影响。在安装加速度传感器时，如果安装位置不准确，可能会导致采集到的振动信号无法真实反映辅机的实际振动情况。信号调理电路则对传感器输出的电信号进行初步处理。其主要作用是对信号进行放大，以提高信号的幅值，使其能够满足后续数据采集卡的输入要求。传感器输出的信号幅值可能较小，经过信号调理电路的放大处理后，能够增强信号的强度，便于后续的分析和处理。信号调理电路还会对信号进行滤波，去除信号中的噪声和干扰。在电站复杂的电磁环境中，传感器采集到的信号可能会混入各种高频或低频噪声，通过滤波处理，可以提高信号的信噪比，为准确的振动分析提供可靠的数据基础。数据采集卡负责将模拟信号转换为数字信号，并将其传输给计算机或其他数据处理设备。它的采样频率、分辨率等参数决定了采集数据的精度和完整性。较高的采样频率可以更准确地捕捉振动信号的变化细节，而高分辨率则能够提高信号的量化精度，减少量化误差。一款采样频率为100kHz的数据采集卡，相比采样频率为10kHz的数据采集卡，能够更精确地采集高频振动信号，为故障诊断提供更丰富的信息。存储设备用于保存采集到的大量振动数据。随着电站运行时间的增长，振动数据量会不断增加，因此需要大容量、高可靠性的存储设备。硬盘阵列是一种常见的存储设备，它通过多个硬盘的组合，提供了大容量的存储空间和较高的数据读写速度，能够满足大型电站辅机振动数据长期存储的需求。软件部分在信号采集系统中同样起着不可或缺的作用。采集控制软件负责对整个采集过程进行控制和管理。它可以设置采集参数，如采样频率、采样时间、触发条件等。通过合理设置采样频率，可以根据辅机的振动特性，选择合适的采样频率，确保能够准确采集到振动信号。如果辅机的振动频率主要集中在100Hz以下，选择1kHz的采样频率即可满足要求；而对于振动频率较高的辅机，如某些高速旋转的风机，可能需要选择10kHz甚至更高的采样频率。采集控制软件还能够实时监控采集过程，对采集到的数据进行初步的分析和处理，及时发现异常情况并发出预警。数据分析软件则用于对采集到的振动数据进行深入分析。它具备时域分析、频域分析、时频分析等多种功能。时域分析可以通过对振动信号的波形、峰值、均值、方差等参数的计算和分析，了解振动的基本特征。通过观察波形的形状和变化，可以判断辅机是否存在不平衡、松动、碰摩等故障。频域分析通过傅里叶变换等方法，将时域信号转换为频域信号，分析信号的频率成分和幅值，从而确定振动的频率特性，识别故障类型。在对风机振动信号进行频域分析时，如果在1倍频处出现明显的峰值，可能意味着风机存在不平衡故障；而在2倍频处出现较大峰值，则可能与风机的不对中问题有关。时频分析结合了时域和频域的信息，能够在时间-频率平面上展示信号的变化特征，适用于分析非平稳信号。小波变换是一种常用的时频分析方法，它能够有效地处理非平稳振动信号，提取信号中的时变特征，提高故障诊断的准确性。3.2.2信号预处理方法与作用在大型电站辅机振动信号采集过程中，由于受到各种因素的影响，采集到的原始信号往往包含噪声、干扰以及信号畸变等问题，因此需要对其进行预处理。预处理的主要方法包括滤波、放大、降噪等，这些方法对于提高信号质量、保障后续分析的准确性具有重要作用。滤波是信号预处理中常用的方法之一，其主要目的是去除信号中的噪声和干扰，保留有用的信号成分。根据滤波器的特性和功能，可分为低通滤波器、高通滤波器、带通滤波器和带阻滤波器等。低通滤波器允许低频信号通过，而衰减高频信号。在电站环境中，存在大量的高频电磁干扰，这些干扰会混入振动信号中，影响信号的分析。通过使用低通滤波器，可以有效地去除高频噪声，使振动信号更加清晰。高通滤波器则相反，它允许高频信号通过，衰减低频信号。在某些情况下，如监测辅机的高速旋转部件的振动时，可能需要去除低频的背景噪声，此时高通滤波器就可以发挥作用。带通滤波器只允许特定频率范围内的信号通过，而带阻滤波器则阻止特定频率范围内的信号通过。在分析风机振动信号时，如果已知故障特征频率，就可以使用带通滤波器或带阻滤波器，提取或去除与故障相关的频率成分，以便更准确地诊断故障。放大是另一种重要的信号预处理方法。传感器采集到的振动信号幅值通常较小，可能无法满足后续数据采集和分析的要求。通过信号放大，可以提高信号的幅值，增强信号的强度。在实际应用中，常使用放大器对信号进行放大。放大器的增益是一个关键参数，它决定了信号放大的倍数。在选择放大器增益时，需要综合考虑信号的初始幅值、后续处理设备的输入范围以及噪声等因素。如果增益设置过高，可能会放大噪声，导致信号质量下降；而增益设置过低，则无法有效提高信号幅值。在对某电站给水泵振动信号进行采集时，由于传感器输出信号幅值较小，通过设置合适增益的放大器，将信号幅值放大到合适范围，为后续的数据采集和分析提供了良好的基础。降噪是信号预处理的关键环节，其目的是进一步降低信号中的噪声，提高信号的信噪比。除了滤波方法外，还有其他一些降噪技术。均值滤波是一种简单的降噪方法，它通过计算信号在一定时间窗口内的平均值，来平滑信号，减少噪声的影响。在一个包含噪声的振动信号中，取连续10个采样点的平均值作为新的信号值，这样可以在一定程度上降低噪声的干扰。小波降噪则是一种基于小波变换的降噪方法。它利用小波变换的多分辨率分析特性，将信号分解为不同频率的子信号。在这些子信号中，噪声通常集中在高频部分，而有用信号主要分布在低频部分。通过对高频子信号进行阈值处理，去除噪声成分，然后再将处理后的子信号进行重构，就可以得到降噪后的信号。在对电站风机的振动信号进行处理时，采用小波降噪方法，有效地去除了信号中的噪声，提高了信号的质量，为准确判断风机的运行状态提供了可靠的数据支持。信号预处理在大型电站辅机振动分析与诊断中起着至关重要的作用。通过滤波、放大、降噪等预处理方法，可以提高信号的质量，去除噪声和干扰，增强信号的特征，为后续的振动分析和故障诊断提供准确、可靠的数据基础。在实际应用中，需要根据具体的信号特点和分析要求，选择合适的预处理方法和参数，以达到最佳的处理效果。四、大型电站辅机振动分析方法4.1时域分析方法4.1.1波形分析在大型电站辅机振动分析领域，时域分析方法是基础且重要的手段，其中波形分析凭借直观展现振动信号随时间变化的特性，成为判断设备运行状态的关键依据。通过仔细观察振动信号的时域波形，能够获取丰富的设备运行状态信息。正常运行状态下，电站辅机的振动信号时域波形通常呈现出较为规则、稳定的形态。对于一台运行稳定的给水泵，其振动信号的时域波形可能表现为近似正弦波的形状，幅值在一定范围内波动，且波动幅度较小，这表明给水泵的各个部件运行正常，没有出现明显的故障。然而，当设备出现故障时，时域波形会发生显著的变化。若存在不平衡故障，波形会呈现出明显的周期性特征，且在每个周期内，波形的峰值会相对较大。这是因为不平衡质量在旋转过程中产生的离心力会导致振动幅值的周期性变化。当风机叶轮存在不平衡问题时，其振动信号的时域波形会在叶轮每旋转一周时出现一个明显的峰值，且峰值的大小与不平衡质量的大小和转速的平方成正比。通过对这种周期性波形的分析，可以初步判断风机存在不平衡故障，并进一步通过计算峰值的大小和周期的长度，估算出不平衡质量的大小和位置。当设备发生松动故障时，时域波形会出现不规则的冲击信号。这些冲击信号是由于松动部件在振动过程中与其他部件发生碰撞而产生的。在监测某电站引风机的振动时，若发现其振动信号的时域波形中出现了一系列不规则的尖峰脉冲，且这些尖峰脉冲的出现没有明显的周期性，这很可能是引风机的某些部件出现了松动。通过对这些冲击信号的进一步分析，如冲击的幅值、持续时间和出现的频率等，可以判断松动部件的位置和松动的严重程度。碰摩故障在时域波形上则表现为高频振荡和调制现象。当转动部件与静止部件发生碰摩时，会产生高频的振动信号，这些高频信号会对原有的振动信号进行调制，从而使时域波形呈现出复杂的形态。在分析某电站汽轮机的振动信号时，若发现时域波形中出现了高频振荡的成分，且这些高频振荡成分的幅值和频率随时间发生变化，同时原有的振动信号的幅值也出现了波动，这很可能是汽轮机的转子与静子之间发生了碰摩。通过对高频振荡和调制现象的深入分析，可以判断碰摩的位置和严重程度，为及时采取维修措施提供依据。4.1.2统计参数分析除了波形分析，统计参数分析也是时域分析方法中的重要组成部分，它通过对振动信号的均值、方差、峰值指标等统计参数的计算和分析，能够更全面、准确地评估设备的运行状态。均值是振动信号在一段时间内的平均值，它反映了信号的直流分量，用于评价信号是否稳定。对于大型电站辅机的振动信号，均值通常接近于零。若均值偏离零值较大，可能意味着设备存在不平衡、不对中等故障。当泵的转子存在偏心时，会导致振动信号产生一个直流分量，使均值偏离零值。通过监测均值的变化，可以及时发现这种潜在的故障隐患。方差用于衡量振动信号的离散程度，它反映了信号的波动大小。方差越大，说明信号的波动越剧烈，设备的运行状态越不稳定。在电站辅机运行过程中，若方差突然增大，可能是由于设备的某个部件出现了损坏或故障，导致振动加剧。当风机的叶片发生断裂时，会使风机的振动信号方差显著增大。通过实时监测方差的变化，可以快速判断设备是否出现异常情况。峰值指标是峰值与均方根值的比值，它对冲击性故障非常敏感。在设备发生冲击性故障时，如轴承故障、齿轮损坏等，峰值指标会明显增大。对于轴承故障，当轴承的滚珠或滚柱出现磨损、疲劳剥落等问题时，会在振动信号中产生冲击脉冲，使峰值指标急剧上升。通过监测峰值指标的变化，可以有效地检测出这些冲击性故障，为设备的维护和维修提供及时的预警。峭度指标也是一个重要的统计参数，它能够反映振动信号的概率密度分布形态。当设备出现故障时，峭度指标会发生明显变化。在轴承故障初期，峭度指标可能会逐渐增大，随着故障的发展，峭度指标会达到一个峰值，然后逐渐下降。通过对峭度指标的监测和分析，可以判断轴承故障的发展阶段，为制定合理的维修策略提供参考。在实际应用中，通常会综合多个统计参数进行分析，以提高故障诊断的准确性。在监测某电站一次风机的振动时，同时关注均值、方差、峰值指标和峭度指标的变化。若均值略有增大，方差也有所上升，峰值指标和峭度指标明显增大，这可能意味着一次风机存在轴承故障或叶片损坏等问题。通过进一步的检查和分析，可以确定具体的故障原因，并采取相应的维修措施。4.2频域分析方法4.2.1傅里叶变换与频谱分析傅里叶变换是频域分析的核心数学工具，它在大型电站辅机振动分析中具有举足轻重的地位，其原理基于一个重要的数学理论：任何周期函数，只要满足狄利克雷条件，都能够表示为不同频率正弦波和余弦波的叠加。对于非周期性信号，傅里叶变换则将其表示为连续频率的正弦波和余弦波的叠加。从数学定义来看，对于连续时间信号x(t)，其傅里叶变换定义为X(f)=\int_{-\infty}^{\infty}x(t)e^{-j2\pift}dt，其中X(f)表示频域信号，f表示频率，t表示时间，j表示虚数单位。这一变换过程，就像是一把神奇的钥匙，能够将时域中看似杂乱无章的振动信号，转换到频域中，展现出其内在的频率组成结构。在大型电站辅机振动信号分析中，傅里叶变换的应用极为广泛，频谱分析便是其最直接的应用之一。通过傅里叶变换，能够将时间域中的振动信号转换为频率域中的频谱。这一转换过程具有重大意义，它使得我们可以清晰地分析信号的频率成分，这对于深入了解电站辅机的运行状态以及准确识别潜在故障具有关键作用。在分析电站风机的振动信号时，正常运行状态下，风机的振动频谱呈现出特定的分布特征。其主要频率成分集中在风机的旋转频率及其谐波处，且幅值相对稳定。当风机叶轮出现不平衡故障时，在频谱图中，除了正常的旋转频率及其谐波成分外，会在旋转频率的1倍频处出现一个明显增大的峰值。这是因为不平衡质量产生的离心力与旋转频率相关，从而在1倍频处表现出突出的振动能量。通过对这一特征频率及其幅值变化的监测和分析，就可以准确判断风机是否存在不平衡故障，并进一步评估故障的严重程度。若1倍频处的峰值持续增大，说明不平衡问题在逐渐恶化，需要及时采取措施进行处理，如对叶轮进行动平衡校正。当风机的轴承出现故障时，振动频谱会呈现出更为复杂的变化。除了旋转频率相关的成分外，还会在与轴承故障特征频率相关的位置出现峰值。对于滚动轴承，其故障特征频率与轴承的结构参数以及旋转频率密切相关。如内圈故障特征频率、外圈故障特征频率、滚动体故障特征频率等。通过准确计算这些特征频率，并在频谱图中寻找对应的峰值，可以判断轴承是否存在故障以及故障发生的具体部位。若在与内圈故障特征频率对应的位置出现明显峰值，且幅值逐渐增大，就可以初步判断轴承内圈出现了故障，需要进一步对轴承进行检查和维修。4.2.2功率谱分析功率谱分析是频域分析中的重要方法，在大型电站辅机振动分析中发挥着关键作用，它主要用于确定振动信号的能量在不同频率上的分布情况。在机械振动领域，振动信号可以看作是由不同频率的简谐波叠加而成，每个简谐波都具有各自的振幅和相位。通过对振动信号进行傅里叶变换，能够得到不同频率下的振幅大小。而功率谱密度（PowerSpectralDensity，PSD）则描述了在各个频率下的信号功率密度，即每个频率下的信号能量分布。从数学角度来看，功率谱可以通过对自相关函数进行傅里叶变换得到，或者通过对信号的傅里叶变换的模的平方进行计算得到。对于离散信号x(n)，其功率谱P(f)可以表示为P(f)=\frac{1}{N}|X(f)|^2，其中N为信号的长度，X(f)为信号x(n)的傅里叶变换。在大型电站辅机振动分析中，功率谱分析具有多方面的重要应用。它能够帮助判断设备的故障严重程度。当电站辅机的某个部件出现故障时，其振动能量会发生重新分布，在功率谱图中，与故障相关的频率成分的能量会显著增加。在监测电站给水泵的振动时，若发现功率谱中某一特定频率处的能量突然大幅升高，且该频率与给水泵叶轮的故障特征频率相符，这就表明给水泵叶轮可能出现了故障，且能量升高的幅度越大，说明故障越严重。通过持续监测功率谱中这些关键频率成分的能量变化，可以及时掌握故障的发展趋势，为制定合理的维修策略提供依据。功率谱分析还可以用于比较不同运行工况下电站辅机的振动特性。在电站辅机的运行过程中，不同的工况，如不同的负荷、转速等，会导致其振动特性发生变化。通过对不同工况下的振动信号进行功率谱分析，可以清晰地了解振动能量在各个频率上的分布差异。在研究电站风机在不同转速下的振动特性时，通过功率谱分析发现，随着转速的增加，某些频率成分的能量会显著增加，而另一些频率成分的能量则会相对减少。这有助于深入了解风机在不同工况下的运行状态，为优化风机的运行参数提供参考，从而提高风机的运行效率和稳定性。功率谱分析在确定大型电站辅机振动能量分布、判断故障严重程度以及比较不同运行工况下的振动特性等方面具有重要作用，为电站辅机的故障诊断和运行维护提供了有力的技术支持。4.3时频分析方法4.3.1小波变换小波变换是一种具有独特优势的时频分析方法，其原理基于多尺度分析理论，通过将信号与不同尺度和位置的小波函数进行卷积来分析信号的局部特性。从数学角度来看，对于连续时间信号x(t)，其连续小波变换定义为X(a,b)=\int_{-\infty}^{\infty}x(t)\psi^{*}(\frac{t-b}{a})\frac{1}{\sqrt{a}}dt，其中X(a,b)表示小波变换系数，a表示尺度，b表示位置，\psi表示小波函数，\psi^{*}表示小波函数的共轭。小波函数具有有限的支撑区间，这意味着它在有限的时间范围内才有非零值，并且其均值为零。与傅里叶变换中使用的无限长三角函数基不同，小波基函数是有限长且会衰减的。小波变换具有多尺度分析能力，这是其显著特点之一。它能够同时观察信号的局部和全局特性。在分析信号时，通过改变尺度参数a，可以对信号进行不同分辨率的分析。较大的尺度对应于较低的频率和较宽的时间窗，适用于分析信号的整体趋势和低频成分。在研究大型电站辅机的振动信号时，对于一些缓慢变化的振动趋势，如由于基础沉降等原因导致的振动缓慢变化，可以通过较大尺度的小波变换来捕捉这些低频信息。较小的尺度则对应于较高的频率和较窄的时间窗，能够精确地分析信号的局部细节和高频成分。当检测电站辅机中的突发冲击故障时，如轴承的瞬间损伤或部件的突然松动，这些故障通常会产生高频冲击信号，此时利用较小尺度的小波变换可以准确地捕捉到这些高频冲击信号的时间和频率特征，为及时发现和诊断故障提供关键信息。小波变换能够提供信号的时频域表示，这使得它在处理非平稳信号时具有明显的优势。在大型电站辅机的运行过程中，由于各种复杂因素的影响，振动信号往往呈现出非平稳的特性，其频率成分会随时间发生变化。对于这类非平稳信号，傅里叶变换由于只能提供信号的整体频率信息，无法准确反映频率随时间的变化情况，而小波变换则能够在时间-频率平面上清晰地展示信号的时变特性。在监测电站给水泵的振动时，当给水泵出现汽蚀故障时，振动信号的频率成分会随着汽蚀的发展而发生变化，通过小波变换得到的时频图可以直观地显示出不同时间点上振动信号的频率分布情况，从而帮助技术人员准确判断汽蚀故障的发生时间、发展过程以及严重程度。小波变换还具有较强的自适应性，它可以根据信号的特性选择合适的小波基。不同的小波基函数具有不同的形状和特性，适用于不同类型的信号分析。在实际应用中，可以根据大型电站辅机振动信号的特点，如信号的频率范围、噪声水平、突变特性等，选择最适合的小波基。对于含有大量噪声的振动信号，可以选择具有良好降噪性能的小波基；对于具有明显突变特征的信号，可以选择能够突出突变信息的小波基。通过选择合适的小波基，能够提高小波变换对振动信号的分析效果，更准确地提取信号中的故障特征，为故障诊断提供更可靠的依据。4.3.2短时傅里叶变换短时傅里叶变换是一种在局部时间段内对信号进行傅里叶变换的方法，它在分析振动信号局部频率特性方面具有独特的原理和应用价值。其基本原理是通过将信号与窗函数相乘，然后对乘积进行傅里叶变换，以实现对信号局部特性的分析。对于连续时间信号x(t)和窗函数w(t)，其短时傅里叶变换定义为X(\tau,f)=\int_{-\infty}^{\infty}x(t)w(t-\tau)e^{-j2\pift}dt，其中X(\tau,f)表示短时傅里叶变换系数，\tau表示窗函数的位置，f表示频率。短时傅里叶变换的核心思想是将整个时域过程分解成无数个等长的小过程，每个小过程近似平稳，再对每个小过程进行傅里叶变换。通过这种方式，可以得到信号在不同时间点上的频率成分，从而了解频率成分随时间的变化情况。在分析大型电站风机的振动信号时，风机在启动和停止过程中，其振动信号的频率成分会发生明显的变化。通过短时傅里叶变换，将振动信号分成多个小段，对每一小段进行傅里叶变换，就可以得到风机在启动和停止过程中不同时刻的振动频率特性。在启动过程中，随着风机转速的逐渐增加，振动信号的频率也会逐渐升高，通过短时傅里叶变换得到的时频图可以清晰地展示出这一变化过程。在实际应用中，窗函数的选择和窗宽的确定是短时傅里叶变换的关键。不同的窗函数具有不同的频谱特性，会对分析结果产生影响。常见的窗函数有矩形窗、汉宁窗、汉明窗等。矩形窗的频谱具有较宽的主瓣和较高的旁瓣，频率分辨率较低，但时间分辨率较高；汉宁窗和汉明窗的频谱主瓣较窄，旁瓣较低，能够提高频率分辨率，但时间分辨率会有所降低。在选择窗函数时，需要根据具体的分析需求进行权衡。窗宽的选择也非常重要，窗宽太窄，窗内的信号太短，会导致频率分析不够精准，频率分辨率差；窗宽太宽，时域上又不够精细，时间分辨率低。对于大型电站辅机的振动信号，若主要关注信号的高频成分和快速变化的特征，可选择较窄的窗宽，以提高时间分辨率；若主要分析信号的低频成分和整体趋势，可选择较宽的窗宽，以提高频率分辨率。在分析某电站给水泵的振动信号时，当怀疑给水泵存在高频冲击故障时，选择较窄的汉宁窗，能够更准确地捕捉到高频冲击信号的时间和频率特征；而在分析给水泵的整体运行状态和低频振动趋势时，选择较宽的汉明窗，能够更清晰地展示低频成分的变化情况。五、大型电站辅机振动诊断技术5.1基于振动特征的故障诊断方法5.1.1常见故障的振动特征在大型电站辅机运行过程中，多种常见故障会呈现出独特的振动特征，深入了解这些特征是准确诊断故障的关键。不平衡故障是较为常见的一种，其振动特征具有显著的规律性。在频谱分析中，振动主频率等于转子转速，即1倍频成分突出。这是因为不平衡质量在转子旋转时产生的离心力与转速密切相关，使得1倍频处的振动能量集中。在监测某电站风机振动时，若频谱图中1倍频幅值明显增大，且振动随转速平方变化，就可初步判断存在不平衡故障。这种故障通常径向振动占优势，因为离心力主要作用在径向方向。振动相位稳定，这是由于不平衡质量的位置相对固定，导致振动相位在运行过程中变化较小。悬臂转子不平衡时，径向和轴向方向都会存在1X转速频率，且轴向方向读数同相位，但径向方向读数可能不稳定，这是因为悬臂结构使得转子的受力情况更为复杂。不对中故障包含角向不对中和平行不对中，它们的振动特征有所差异。角向不对中时，轴向振动较大，这是因为角向偏差会导致轴向力的产生。联轴器两侧振动相位差180°，典型地表现为1X和2X转速下较大的轴向振动。在实际案例中，某电站泵组的角向不对中故障就导致了明显的轴向振动，且在频谱中1X和2X转速频率处的轴向振动幅值突出。平行不对中则主要表现为大的径向方向相位差180°的振动，严重不对中时会产生高次谐波频率。当泵的轴系出现平行不对中时，径向振动会明显增大，且在频谱中除了1X和2X转速频率幅值增大外，还会出现高次谐波成分。装斜的滚动轴承症状类似于角向不对中，会产生相位偏移约180°的侧面，以及对侧面或顶部对底部的扭动运动。动静摩擦故障的振动频谱较为复杂，通常类似于机械松动。它会产生一系列可能激起自激振动的频率，还可能出现转速的亚谐波频率振动。摩擦可能是部分圆周或整圆周的，当出现整圆周摩擦时，振动会更加剧烈且持续。在某电站汽轮机运行中，由于动静部件间隙过小导致摩擦，振动信号中出现了丰富的高频成分和亚谐波频率，通过对这些特征的分析，及时发现并解决了故障。松动故障也有其独特的振动表现。由机器底脚结构松动引起的故障，相位分析会揭示机器的底板部件之间垂直方向相位差约180°，这是因为松动部位在振动时产生了相对位移。地脚螺栓松动可能产生0.5X、1X、2X和3X转速频率振动，且相位经常不稳定。某电站辅机的地脚螺栓松动，振动频谱中出现了这些特征频率，且振动幅值和相位波动较大，通过紧固地脚螺栓解决了振动问题。由裂纹的结构或轴承座引起的松动，同样会产生许多谐波频率，这是由于结构的完整性被破坏，导致振动响应变得复杂。5.1.2故障诊断流程与方法基于振动特征的故障诊断是一个系统性的过程，涵盖多个关键环节和方法，以确保准确判断大型电站辅机的故障。特征提取是诊断的首要步骤，通过传感器获取振动信号后，运用多种信号处理技术提取关键特征。在时域分析中，提取振动信号的峰值、均值、方差等参数。峰值能反映振动的最大幅度，均值可体现信号的平均水平，方差则衡量信号的波动程度。在监测电站给水泵振动时，若峰值突然增大，可能意味着出现了冲击性故障；方差的变化则可反映设备运行的稳定性。在频域分析中，通过傅里叶变换等方法得到振动信号的频谱，提取特征频率及其幅值。如前文所述，不平衡故障的1倍频特征、轴承故障的特征频率等，都是故障诊断的重要依据。时频分析则结合了时域和频域信息，对于非平稳信号的特征提取效果显著。小波变换能够在不同尺度下分析信号，提取信号的局部特征。在分析电站风机启动和停止过程中的非平稳振动信号时，小波变换可以清晰地展示出不同时间点的频率变化，为故障诊断提供丰富的信息。模式识别是基于提取的特征判断设备运行状态的关键环节。在传统方法中，阈值比较是常用的手段。根据设备正常运行时的振动特征设定合理的阈值，当提取的特征参数超过阈值时，判定设备可能存在故障。对于电站辅机的振动幅值，设定一个安全阈值，当检测到的幅值超过该阈值时，发出故障预警。但阈值比较法对于复杂故障的诊断能力有限，难以准确区分不同类型的故障。机器学习方法在模式识别中具有强大的优势，能够处理复杂的非线性关系。神经网络通过构建多层神经元结构，对大量的故障样本数据进行学习和训练，从而建立故障诊断模型。在训练过程中，神经网络不断调整神经元之间的连接权重，以优化模型的性能。在处理电站辅机的多种故障诊断时，将不同故障类型的振动特征作为输入，对应的故障类型作为输出，对神经网络进行训练。训练完成后，当输入新的振动特征数据时，神经网络能够根据学习到的模式，准确判断故障类型。支持向量机则通过寻找一个最优的分类超平面，将不同类别的样本数据尽可能地分开。在小样本故障诊断中，支持向量机能够充分发挥其优势，在有限的样本数据下实现准确的分类。在对电站辅机的某类故障进行诊断时，由于故障样本数据较少，采用支持向量机建立诊断模型，通过核函数将低维空间的非线性问题映射到高维空间，成功实现了对故障的准确识别。故障判断是诊断的最终环节，依据模式识别的结果，结合设备的运行工况、历史故障记录等信息，综合判断故障的类型、位置和严重程度。在判断某电站风机的振动故障时，若模式识别结果显示存在不平衡故障，进一步查看风机的运行工况，发现近期进行了叶轮检修，结合这一信息，判断可能是叶轮检修后未进行良好的动平衡导致不平衡。再通过分析振动幅值的大小和变化趋势，评估故障的严重程度，为后续的维修决策提供准确的依据。5.2智能诊断技术在电站辅机振动诊断中的应用5.2.1人工神经网络人工神经网络（ArtificialNeuralNetwork，ANN）作为一种模拟人类大脑神经元结构和功能的计算模型，在大型电站辅机振动故障诊断领域展现出强大的优势。它由大量的神经元相互连接组成，这些神经元按照层次结构排列，包括输入层、隐藏层和输出层。输入层负责接收外部数据，如大型电站辅机的振动信号、温度、压力等运行参数；隐藏层则对输入数据进行复杂的非线性变换和特征提取；输出层根据隐藏层的处理结果，输出最终的诊断结果，如故障类型、故障严重程度等。在训练过程中，人工神经网络通过调整神经元之间的连接权重，来不断优化模型的性能。以反向传播算法（BackPropagation，BP）为例，它是一种常用的训练神经网络的方法。首先，将训练数据输入到神经网络中，经过隐藏层的计算，得到输出结果。然后，将输出结果与实际的故障标签进行比较，计算出误差。接下来，误差会从输出层反向传播到隐藏层和输入层，通过调整神经元之间的连接权重，使得误差逐渐减小。在训练大型电站辅机振动故障诊断模型时，会将大量已知故障类型的振动数据作为训练样本，输入到神经网络中。通过不断调整权重，使神经网络能够准确地识别出不同故障类型的振动特征，从而建立起准确的故障诊断模型。在实际应用中，当有新的振动数据输入到训练好的神经网络时，神经网络会根据已学习到的故障模式和特征，对输入数据进行分析和判断，输出相应的故障诊断结果。在监测某电站给水泵的运行状态时，实时采集给水泵的振动信号，并将其输入到已经训练好的神经网络中。神经网络经过分析，判断给水泵可能存在轴承故障，并输出相应的诊断结果。技术人员可以根据这个诊断结果，及时对给水泵进行检修和维护，避免故障的进一步扩大。人工神经网络能够处理复杂的非线性关系，具有强大的自学习和自适应能力，能够从大量的振动数据中自动提取故障特征，实现对大型电站辅机振动故障的准确诊断。5.2.2支持向量机支持向量机（SupportVectorMachine，SVM）是一种基于统计学习理论的机器学习算法，在大型电站辅机振动故障诊断中具有独特的优势，尤其适用于处理小样本、非线性故障诊断问题。其基本原理是通过寻找一个最优的分类超平面，将不同类别的样本数据尽可能地分开。在二维空间中，分类超平面就是一条直线；在高维空间中，分类超平面则是一个超平面。对于线性可分的数据，支持向量机能够找到一个唯一的最优分类超平面，使得两类样本到超平面的距离最大化，这个距离被称为间隔。通过最大化间隔，可以提高分类器的泛化能力，使其能够更好地对新的数据进行分类。然而，在实际的大型电站辅机振动故障诊断中，数据往往呈现出非线性的特征，即无法通过一个线性超平面将不同故障类型的数据分开。为了解决这个问题，支持向量机引入了核函数的概念。核函数能够将低维空间中的非线性问题映射到高维空间中，使其在高维空间中变得线性可分。常见的核函数有线性核函数、多项式核函数、径向基核函数（RadialBasisFunction，RBF）等。径向基核函数具有良好的局部性和通用性，在大型电站辅机振动故障诊断中得到了广泛的应用。通过选择合适的核函数，支持向量机能够有效地处理非线性问题，提高故障诊断的准确性。在应用支持向量机进行故障诊断时，首先需要对振动信号进行特征提取，获取能够反映故障特征的参数。通过时域分析提取振动信号的峰值、均值、方差等参数，通过频域分析提取特征频率及其幅值等参数。然后，将这些特征参数作为输入，对应的故障类型作为输出，对支持向量机进行训练。在训练过程中，支持向量机会根据输入数据寻找最优的分类超平面，确定核函数的参数，以实现对不同故障类型的准确分类。当有新的振动数据输入时，支持向量机根据训练得到的模型，判断数据所属的故障类型。在对某电站风机的振动故障进行诊断时，通过提取振动信号的特征参数，使用支持向量机建立故障诊断模型。经过训练，该模型能够准确地识别出风机的不平衡、不对中、轴承故障等多种故障类型，为风机的维护和维修提供了有力的支持。支持向量机在小样本情况下也能表现出较好的性能，对于大型电站辅机振动故障诊断中样本数据有限的情况具有重要的应用价值。5.2.3深度学习算法深度学习算法在大型电站辅机振动信号特征提取和故障诊断中发挥着重要作用，深度置信网络（DeepBeliefNetwork，DBN）和卷积神经网络（ConvolutionalNeuralNetwork，CNN）是其中具有代表性的算法。深度置信网络是一种基于受限玻尔兹曼机（RestrictedBoltzmannMachine，RBM）的深度学习模型。它由多个RBM层堆叠而成，通过逐层训练的方式，能够有效地学习到数据的深层特征。RBM是一种无监督学习模型，它由可见层和隐藏层组成，层内神经元之间无连接，层间神经元全连接。在训练RBM时，通过对比散度算法（ContrastiveDivergence，CD），可以快速地估计模型的参数。在构建深度置信网络时，首先训练底层的RBM，将其隐藏层的输出作为下一层RBM的输入，依次逐层训练。经过预训练后，再使用反向传播算法对整个网络进行微调，以提高模型的准确性。在大型电站辅机振动故障诊断中，深度置信网络可以自动学习到振动信号的复杂特征，从而实现对故障的准确诊断。在处理某电站给水泵的振动数据时，深度置信网络能够从振动信号中提取出与不同故障类型相关的深层特征，如轴承故障特征、叶轮故障特征等，通过这些特征准确判断给水泵的故障类型。卷积神经网络是一种专门为处理具有网格结构数据（如图像、音频等）而设计的深度学习模型。它通过卷积层、池化层和全连接层等组件，能够自动提取数据的局部特征和全局特征。卷积层中的卷积核在数据上滑动，对数据进行卷积操作，提取数据的局部特征。池化层则对卷积层的输出进行下采样，减少数据的维度，同时保留重要的特征。全连接层将池化层的输出进行连接，输出最终的诊断结果。在处理大型电站辅机的振动信号时，可以将振动信号转换为图像形式，然后输入到卷积神经网络中。通过卷积神经网络的自动特征提取能力，能够有效地提取出振动信号中的故障特征。将振动信号进行时频变换，得到时频图，然后将时频图作为卷积神经网络的输入。卷积神经网络通过对时频图的分析，能够准确地识别出振动信号中的故障类型，如风机的不平衡故障、泵的汽蚀故障等。卷积神经网络在处理大规模数据和复杂特征提取方面具有优势，能够提高大型电站辅机振动故障诊断的效率和准确性。六、大型电站辅机振动案例分析6.1案例一：某电站给水泵振动故障诊断与处理6.1.1故障现象描述某电站的给水泵在运行过程中出现了异常振动现象，对电站的安全稳定运行构成了潜在威胁。在振动初期，技术人员通过现场观察和初步检测发现，给水泵的振动幅值呈现出逐渐增大的趋势。在水平方向上，振动幅值从正常运行时的5μm左右逐渐上升至15μm，垂直方向上的振动幅值也从3μm左右增加到10μm。随着运行时间的推移，振动幅值增长速度加快