论文部分内容阅读
本文在详细分析转子励磁绕组匝间短路、定子绕组短路等电气故障的电气信号特征,以及气隙偏心故障的振动特征基础上,进一步研究了电气故障的振动特征和机械故障的电气特征(即故障交叉特征),提出了故障特征的自动识别、自适应神经网络算法及相关的故障检测方法,并研制开发了基于虚拟仪器技术的故障检测系统。本文的主要研究成果如下:1、对发电机定转子绕组匝间短路故障的振动特征和电气特征进行了机理分析与实验研究。得到了故障发生时定子绕组并联支路环流特征和转子励磁绕组中感应附加谐波电流特征,给出了励磁电流谐波频率与气隙主磁场谐波次数、发电机极对数、转子机械转数的关系表达式。并得到了故障发生时定转子径向振动特征和转子励磁绕组匝间短路位置对振动的影响。通过分析比较转子励磁绕组短路故障和转子不平衡故障时定转子径向振动特征,提出了基于定转子振动特性的发电机转子故障检测方法,实验结果表明,可有效区分转子励磁绕组匝间短路故障和转子不平衡故障。2、对发电机气隙偏心故障的振动特征和电气特征进行了机理分析与实验研究。通过分析气隙偏心故障的电磁特性,指出静偏心将激发定转子2倍机械转频的振动;动偏心将激发转子与机械转频同频的振动,激发定子1倍、2倍、3倍、4倍机械转频的振动。通过分析定子绕组并联支路间的电压差表达式,指出静偏心、动偏心都将引起基波环流,且环流幅值随偏心程度增加而增加。通过比较转子励磁绕组匝间短路、转子不平衡、气隙静偏心、气隙动偏心故障时转子振动特性和定子绕组并联支路环流特性的区别,提出了基于转子振动和定子绕组并联支路环流特性的机电综合特征故障检测方法。3、通过对转子励磁绕组匝间短路实验分析,表明发电机转子轴心轨迹不仅受机械故障的影响,同时也受电气故障的影响。并提出了一种基于计算机图形学分析方法的轴心轨迹进动方向自动识别方法,仿真与实验都得到较好的识别结果。4、提出一种新的BP网络学习算法--误差逼近度渐进收缩学习算法和一种新的径向基函数神经网络(RBFNN)算法--两层迭代聚类算法。建立了基于自适应人工神经网络的发电机故障识别方法,并应用于现场发电机故障诊断系统中。结果表明,有较高的学习速度和诊断精度。5、研制了基于虚拟仪器技术的发电机绕组及偏心故障检测系统,并在SDF-9型故障模拟实验机组完成了调试,达到预期效果。