CN103808405A - 烟气发电机组振动故障的自动诊断方法和装置 - Google Patents
烟气发电机组振动故障的自动诊断方法和装置 Download PDFInfo
- Publication number
- CN103808405A CN103808405A CN201210442341.5A CN201210442341A CN103808405A CN 103808405 A CN103808405 A CN 103808405A CN 201210442341 A CN201210442341 A CN 201210442341A CN 103808405 A CN103808405 A CN 103808405A
- Authority
- CN
- China
- Prior art keywords
- fault
- confidence level
- flue gas
- frequency
- sym
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种烟气发电机组振动故障的自动诊断方法,包括:根据烟气发电机组的结构和振动故障特点确定数据采集方式;通过现场案例分析、故障机理研究和模型仿真等,建立烟气发电机组振动故障的诊断知识库;通过合理设置烟气轮机、减速器和发电机的频段参数,自动计算三大部件的故障可信度;通过综合分析和合成运算得到机组的状态。本发明还公开了一种烟气发电机组振动故障的自动诊断装置,可以直接显示故障诊断结果和原因以及建议采取的处理措施,能够帮助用户及时了解机组的状态,优化机组的运行,减少由于事故扩大和误停机而造成的损失,提高企业的经济效益。
Description
技术领域
本发明涉及机械设备状态监测故障诊断领域,特别是涉及烟气发电机组振动故障的自动诊断方法和装置。
背景技术
烟气发电机组是以石油催化裂化生产过程中产生的高温废烟气为介质,膨胀输出做功,带动发电机发电,具有显著的节能和环保效益。烟气发电机组一般由烟气轮机、减速器和发电机等三大部件组成,减速器将烟气轮机较高的转速变为发电机的额定转速3000rpm,以满足电网的要求。
烟气发电机组振动故障是主要的故障表现形式。目前,一般是通过人工方式,对采集的振动数据进行分析,确定是否存在故障以及故障的可信度。通常是机组出现明显异常时进行人工分析诊断,时效性较差,难以及时发现机组存在的问题。有的采用智能诊断系统,对振动数据进行模糊诊断或人工神经网络诊断,获得故障的可信度,但在数据采集、诊断方法和诊断知识等方面难以适应机组的实际需要,通常的诊断结果是多种故障并存,可信度差别不大,难以确定故障的真正原因和处理方法,缺乏实际指导意义。
发明内容
本发明要解决的问题是提供烟气发电机组振动故障的自动诊断方法和装置,根据烟气发电机组的主要部件的振动故障机理和特征,确定数据采集、频段划分、诊断知识库和综合分析方法等,以便及时和准确地掌握机组的状态,保证机组安全稳定地运行。
为达到上述目的,本发明提供烟气发电机组振动故障的自动诊断方法,所述方法包括:
根据烟气发电机组的结构和振动故障机理,根据振动故障特征频率确定数据采集方式;
通过现场案例分析、故障机理研究和模型仿真等,建立烟气发电机组振动故障的诊断知识库;
通过合理设置烟气轮机、减速器和发电机的频段参数,自动计算征兆的可信度和三大部件的故障可信度;
综合分析不同故障、不同部件之间的影响关系,通过合成运算得到机组的状态;
显示故障诊断结果、故障原因以及建议采取的处理措施。
更进一步,所述的诊断知识库,包括故障征兆、故障诊断规则和故障处理建议。
更进一步,显示不同部件故障的可信度和故障原因,提出运行和处理意见。
更进一步,根据不同部件的故障特征频率进行频段划分,并设置合理的基准值和报警值,计算故障征兆的可信度,并与诊断知识库的诊断规则进行匹配,获得三大部件故障的可信度。
上述故障征兆的可信度计算、诊断规则匹配、故障可信度计算,可以采取如下方法:
烟气轮机故障的频段划分如下表所示:
;其中减速器故障的频段划分如下表所示:
;其中发电机故障的频段划分如下表所示:
;其中上述三表中的基准值和报警值均为三者转动轴的振幅。
然后,故障征兆可信度计算方法如下:
判断某频率成分较大,首先找到相应频率区间最大振幅,如果大于该频率区间的基准值,再以该频率区间的报警值为基准,按照以下公式计算:
如果一倍频fyp1大于频段的基准值,以一倍频区间的报警值fyp1bj为基准,振动频谱中一倍频振幅较大情况下的故障征兆可信度sym_cf计算为
sym_cf=fyp1*fyp1/(fyp1*fyp1+fyp1bj*fyp1bj)
判断某频率成分为主,则是以通频振幅为基准,按照以下公式计算:
如果一倍频fyp1大于频段的基准值,以通频振幅fypp为基准,振动以一倍频为主情况下的故障征兆可信度sym_cf计算为
sym_cf=min(1.0,fyp1/fypp)。
接下来,得到故障征兆可信度后,故障的可信度计算如下:根据故障征兆的可信度,匹配相应故障所有的诊断规则,得到每条诊断规则对应的故障可信度;如果某条诊断规则由m个征兆组成,每个征兆的可信度为sym_cf1,sym_cf2,...sym_cfm,规则本身的可信度为cfr,则由该规则得到的故障可信度为
fault_cf=min(sym_cf1,sym_cf2,…sym_cfm)*cfr。
本发明具有如下优点:本发明在对烟气发电机组振动故障进行自动诊断时,使用的数据采集方式能够适应不同转速、不同部件振动故障特征频率分析的需要,频段划分、诊断知识库、征兆可信度和故障可信度计算等,比较全面、准确和深刻地反映了烟气发电机组振动故障机理、故障案例和专家诊断过程,能够及时发现机组存在的问题,准确地判断机组的状态,保证机组安全可靠地运行。
附图说明
图1是本发明的烟气发电机组振动故障的自动诊断方法的流程图;
图2是本发明的振动故障自动诊断结果显示的示意图。
具体实施方式
本发明的方法具体实现步骤如下:
1、数据采集方式的选择
烟气发电机组由烟气轮机、减速器和发电机等三大部件组成,主要是转子的旋转运动和齿轮的啮合运动,主要振动故障频率包括:低频有油膜涡动、气流涡动和动静碰摩等,中频有不平衡和不对中等,高频有松动和齿轮啮合频率等,通常采用同步整周期采样方式,经过FFT后,可以获得比较准确的转频(一倍频)及其谐波。
整周期采样主要参数是采样频率、采样周期和采样点数(采样长度)。采样频率通常是转速的整数倍,如64倍,表示在一个转动周期内均匀采集64个点;采样周期通常也是转速的整数倍,如16倍,表示连续采16个周期;采样点数是一组采样数据的长度,16周期*64点/周期=1024点。经过FFT后,得到的谱线数为采样点数/2-1,即511条,分辨率为1/采样周期,即1/16倍频,分析频率上限为采样频率/2,即32倍频,因此,频率分析范围为1/16~32倍频。
但是,由于减速器的齿轮存在减速比,使得机组存在较高的齿轮啮合频率及其谐波。如果采用16周期*64点/周期=1024点采样方式,分析频率上限不够,不能准确分析齿轮故障;如果采用4周期*256点/周期1024点采样方式,频率分辨率不够,无法区分几种近似的故障特征频率,如油膜涡动与气流涡动。因此,比较合适的是采用16周期*256点/周期=4096点采样方式,目前计算机的主频和内存都可以满足要求。
此外,由于烟气轮机和发电机的转速不一样,不成整倍数关系,无法保证烟气轮机和发电机的转子相对位置关系,不能保持同步采样,只能以其中之一为基准,另一边跟随。这样,跟随的一方,开始采样时转子的位置不确定,振动相位没有实际意义,不能作为故障判断和动平衡的依据。例如,如果以烟气轮机作为参考,键相探头安装在测量烟气轮机的转子位置上,连续采样16周期的数据。由于烟气轮机的转速比发电机的转速高,为了保证整周期采样,发电机的转子采样频率比烟气轮机的转子采样频率慢。在一次采样结束后,接下来开始采样时,以键相探头保证烟气轮机转子的位置与上次是相同的,但发电机的转子位置与上次是不相同的。
2、烟气发电机组振动故障诊断知识库的建立
由于烟气发电机组由烟气轮机、减速器和发电机三大部件组成,因此,振动故障的诊断知识库同样由烟气轮机、减速器和发电机三个子库组成。每个子库包含故障类型、征兆和诊断规则。知识库的建立是一件需要花费大量时间和精力的乏味的工作,诊断知识主要是通过现场故障案例的收集整理、故障机理研究成果和模型仿真等途径得到的。虽然不同部件相同故障的征兆描述大多数是相同的,但实际上有量的区别。例如,对于烟气轮机和发电机,质量不平衡都表现为振动频谱中一倍频较大,但烟气轮机不可避免有一定的气流扰动,存在杂波,而正常情况下发电机的振动波形是非常干净的。目前一些智能诊断系统只有少数书本上的通用知识,缺少针对特定诊断对象的专家经验知识,因此诊断结果是不可靠的。
烟气轮机、减速器和发电机故障诊断知识库的主要部分如表1-表3所示,可以根据实际情况进行修改。
表1烟气轮机故障诊断知识库
表2减速器故障诊断知识库
表3发电机故障诊断知识库
3、频段参数设计、征兆可信度和故障可信度计算
诊断烟气发电机组振动故障,主要依靠故障的特征频率。为了将主要故障区分开,通常将整个频率分析范围分为若干频段,用Fn表示,n=1,2,...N,这里N是频段的数目。频段的数目与该设备典型振动故障的特征频率有关,根据故障特征频率确定频段的上下限,原则上不能太宽或太细。太宽容易在故障之间形成交叉,太细则可能造成故障遗漏。
根据故障的性质设置频段的基准值和报警值,当达到基准值时应当引起注意,当达到报警值时需要提高警惕。
表4-表6是烟气轮机、减速器和发电机的频段划分,基准值和报警值的单位是μm,可以根据传感器安装位置和方向以及机组运行工况进行调整。
表4烟气轮机故障的频段划分
表5减速器故障的频段划分
表6发电机故障的频段划分
根据故障特征频率诊断,主要依据频段振幅的绝对大小和相对大小,同样,征兆可信度主要有两种类型,即某频段振幅较大和以某频段振动为主,例如振动频谱中一倍频振幅较大和振动以一倍频为主。计算方法如下:
判断某频率成分较大,首先找到相应频率区间最大振幅,如果大于该频率区间的基准值,再以该频率区间的报警值为基准,按照以下公式计算:
如果一倍频fyp1大于频段的基准值,以一倍频区间的报警值fyp1bj为基准,“振动频谱中一倍频振幅较大”可信度sym_cf计算
sym_cf=fyp1*fyp1/(fyp1*fyp1+fyp1bj*fyp1bj)
判断某频率成分为主,则是以通频振幅为基准,按照以下公式计算:
如果一倍频fyp1大于频段的基准值,以通频振幅fypp为基准,“振动以一倍频为主”可信度sym_cf计算
sym_cf=min(1.0,fyp1/fypp)
得到征兆可信度后,可以计算故障的可信度。步骤如下:
(1)根据征兆的可信度,匹配某故障所有的诊断规则,得到每条诊断规则对应的故障可信度。如果某条诊断规则由m个征兆组成,每个征兆的可信度为sym_cf1,sym_cf2,...sym_cfm,规则本身的可信度为cfr,则由该规则得到的故障可信度为
fault_cf=min(sym_cf1,sym_cf2,…sym_cfm)*cfr
(2)如果该故障有n条诊断规则,每条规则得到的故障可信度为fault_cf1,fault_cf2,...,fault_cfn,故障的可信度取所有诊断规则得到的故障可信度的最大值,即
fault_cf=max(fault_cf1,fault_cf2,…,fault_cfn)
4、综合分析机组状态
在得到不同部件不同故障的可信度后,不能简单地取最大可信度的故障作为机组状态的判断标准,必须进行综合分析。
首先给定某阈值(如0.4),如果某故障的可信度大于该阈值,则认为该故障存在,否则认为不存在。
然后分析某个部件故障的可信度。如果该部件只有一种故障,则故障的可信度就是该部件故障的可信度。如果该部件有两种及以上故障,故障之间存在因果关系,如碰摩导致不平衡,则取其中的最大可信度;如果不存在因果关系,则按照“并集”进行计算,如气流涡动与不平衡故障的可信度分别是fault_cf1和fault_cf2,则部件故障的可信度cf为:
cf=fault_cf1+fault_cf2-fault_cf1*fault_cf2
最后,如果烟气轮机、减速器和发电机故障的可信度分别是cf1,cf2和cf3,并都大于给定的阈值(如0.4),则机组故障的可信度cf
cf=cf1+cf2-cf1*cf2
cf=cf+cf3-cf*cf3
5、机组状态显示
根据自动诊断结果,显示不同部件故障的可信度和故障原因,提出相应的处理意见。
根据机组故障的可信度cf,将机组状态分为合格(cf≤0.60)、警告(cf≤0.80)和危险(cf>0.80)三个级别,不同级别具体cf值的界定可以根据需要设置。
本发明还提供了一种烟气发电机组振动故障的自动诊断装置,包括:采用适应烟气轮机、减速器和发电机不同转速不同分析频率的数据采集方式;通过大量的知识获取工作建立烟气发电机组振动故障的诊断知识库;建立适应不同部件振动故障特征频率的频段划分和标准值设置,通过征兆获取,自动计算征兆可信度和三大部件的故障可信度;综合分析故障之间、部件之间的影响,确定机组的状态;显示部件故障诊断结果、故障原因和机组状态以及运行建议等。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。
Claims (7)
1.烟气发电机组振动故障的自动诊断方法,其特征在于,所述方法包括:
根据烟气发电机组的结构和振动故障机理,根据振动故障特征频率确定数据采集方式;
通过现场案例分析、故障机理研究和模型仿真等,建立烟气发电机组振动故障的诊断知识库;
通过合理设置烟气轮机、减速器和发电机的频段参数,自动计算征兆的可信度和三大部件的故障可信度;
综合分析不同故障、不同部件之间的影响关系,通过合成运算得到机组的状态;
显示故障诊断结果、故障原因以及建议采取的处理措施。
2.如权利要求1所述烟气发电机组振动故障的自动诊断方法,其特征在于,所述的诊断知识库,包括故障征兆、故障诊断规则和故障处理建议。
3.如权利要求1-2所述烟气发电机组振动故障的自动诊断方法,其特征在于,显示不同部件故障的可信度和故障原因,提出运行和处理意见。
4.如权利要求1-3所述烟气发电机组振动故障的自动诊断方法,其特征在于,根据不同部件的故障特征频率进行频段划分,并设置合理的基准值和报警值,计算故障征兆的可信度,并与诊断知识库的诊断规则进行匹配,获得三大部件故障的可信度。
6.如权利要求5所述烟气发电机组振动故障的自动诊断方法,其特征在于,故障征兆可信度计算方法如下:
判断某频率成分较大,首先找到相应频率区间最大振幅,如果大于该频率区间的基准值,再以该频率区间的报警值为基准,按照以下公式计算:
如果一倍频fyp1大于频段的基准值,以一倍频区间的报警值fyp1bj为基准,振动频谱中一倍频振幅较大情况下的故障征兆可信度sym_cf计算为
sym_cf=fyp1*fyp1/(fyp1*fyp1+fyp1bj*fyp1bj)
判断某频率成分为主,则是以通频振幅为基准,按照以下公式计算:
如果一倍频fyp1大于频段的基准值,以通频振幅fypp为基准,振动以一倍频为主情况下的故障征兆可信度sym_cf计算为
sym_cf=min(1.0,fyp1/fypp)。
7.如权利要求6所述烟气发电机组振动故障的自动诊断方法,其特征在于,得到故障征兆可信度后,故障的可信度计算如下:根据故障征兆的可信度,匹配相应故障所有的诊断规则,得到每条诊断规则对应的故障可信度;如果某条诊断规则由m个征兆组成,每个征兆的可信度为sym_cf1,sym_cf2,...sym_cfm,规则本身的可信度为cfr,则由该规则得到的故障可信度为
fault_cf=min(sym_cf1,sym_cf2,…sym_cfm)*cfr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210442341.5A CN103808405A (zh) | 2012-11-08 | 2012-11-08 | 烟气发电机组振动故障的自动诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210442341.5A CN103808405A (zh) | 2012-11-08 | 2012-11-08 | 烟气发电机组振动故障的自动诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103808405A true CN103808405A (zh) | 2014-05-21 |
Family
ID=50705507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210442341.5A Pending CN103808405A (zh) | 2012-11-08 | 2012-11-08 | 烟气发电机组振动故障的自动诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103808405A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106052957A (zh) * | 2016-05-10 | 2016-10-26 | 深圳市禾望电气股份有限公司 | 风力发电机组叶片不平衡监测方法及装置 |
CN107271170A (zh) * | 2017-07-12 | 2017-10-20 | 西安因联信息科技有限公司 | 一种机械设备故障类型的自动诊断方法及系统 |
CN108153942A (zh) * | 2017-12-07 | 2018-06-12 | 中国航发动力股份有限公司 | 一种烟气轮机设计方法 |
CN108918126A (zh) * | 2018-07-25 | 2018-11-30 | 北京振测智控科技有限公司 | 一种基于精细化故障模型的旋转机械振动故障智能诊断方法 |
CN110044631A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机柴油机的状态预测方法、装置及计算机设备 |
CN110082078A (zh) * | 2019-03-13 | 2019-08-02 | 中交广州航道局有限公司 | 船机尾轴的状态预测方法、装置、计算机设备及存储介质 |
CN115310499A (zh) * | 2022-10-12 | 2022-11-08 | 极晨智道信息技术(北京)有限公司 | 一种基于数据融合的工业设备故障诊断系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
KR20090088127A (ko) * | 2008-02-14 | 2009-08-19 | 엠케이전자 주식회사 | 진동 신호를 이용한 회전 기계의 진단 시스템 및 그 진단방법 |
CN101706356A (zh) * | 2009-12-04 | 2010-05-12 | 北京英华达软件工程有限公司 | 一种自动显示汽轮发电机组振动信号特征的装置及方法 |
-
2012
- 2012-11-08 CN CN201210442341.5A patent/CN103808405A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
KR20090088127A (ko) * | 2008-02-14 | 2009-08-19 | 엠케이전자 주식회사 | 진동 신호를 이용한 회전 기계의 진단 시스템 및 그 진단방법 |
CN101706356A (zh) * | 2009-12-04 | 2010-05-12 | 北京英华达软件工程有限公司 | 一种自动显示汽轮发电机组振动信号特征的装置及方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106052957A (zh) * | 2016-05-10 | 2016-10-26 | 深圳市禾望电气股份有限公司 | 风力发电机组叶片不平衡监测方法及装置 |
CN107271170A (zh) * | 2017-07-12 | 2017-10-20 | 西安因联信息科技有限公司 | 一种机械设备故障类型的自动诊断方法及系统 |
CN107271170B (zh) * | 2017-07-12 | 2019-05-31 | 西安因联信息科技有限公司 | 一种机械设备故障类型的自动诊断方法及系统 |
CN108153942A (zh) * | 2017-12-07 | 2018-06-12 | 中国航发动力股份有限公司 | 一种烟气轮机设计方法 |
CN108153942B (zh) * | 2017-12-07 | 2021-03-16 | 中国航发动力股份有限公司 | 一种烟气轮机设计方法 |
CN108918126A (zh) * | 2018-07-25 | 2018-11-30 | 北京振测智控科技有限公司 | 一种基于精细化故障模型的旋转机械振动故障智能诊断方法 |
CN110044631A (zh) * | 2019-03-13 | 2019-07-23 | 中交广州航道局有限公司 | 船机柴油机的状态预测方法、装置及计算机设备 |
CN110082078A (zh) * | 2019-03-13 | 2019-08-02 | 中交广州航道局有限公司 | 船机尾轴的状态预测方法、装置、计算机设备及存储介质 |
CN115310499A (zh) * | 2022-10-12 | 2022-11-08 | 极晨智道信息技术(北京)有限公司 | 一种基于数据融合的工业设备故障诊断系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103808405A (zh) | 烟气发电机组振动故障的自动诊断方法和装置 | |
Yang et al. | Sparse time-frequency representation for incipient fault diagnosis of wind turbine drive train | |
CN101435799B (zh) | 基于声发射技术的水轮机故障诊断方法及装置 | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN103411774B (zh) | 波动工况下的风电机组在线预警方法 | |
CN102288283B (zh) | 汽轮发电机组振动故障的监测方法及装置 | |
CN202710100U (zh) | 风力发电机组远程在线健康状态监测与故障诊断系统 | |
CN103835882A (zh) | 大型风力发电机组状态监测与故障诊断系统 | |
CN104748839A (zh) | 基于实时在线监测的水轮发电机组振动状态区域监测方法 | |
CN103940611B (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
WO2011023596A1 (en) | Method and system for monitoring wind turbine generator vibration | |
US10496775B2 (en) | Method and system for use in dynamically configuring data acquisition systems | |
CN102156043A (zh) | 风力发电机组在线状态监测与故障诊断系统 | |
CN104865400A (zh) | 一种风电机组转速的检测识别方法及系统 | |
CN110988472B (zh) | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 | |
CN102242695B (zh) | 基于突变峰值指标风力发电机组异常状态预警方法 | |
Márquez et al. | An overview of wind turbine maintenance management | |
CN108278184A (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
CN108301987B (zh) | 基于电气参量的风电机组传动轴系在线观测系统 | |
CN107202956A (zh) | 一种基于间谐波特征的变频调速系统故障诊断方法 | |
Przysowa | Blade vibration monitoring in a low-pressure steam turbine | |
Jia et al. | Coupling fault feature extraction method based on bivariate empirical mode decomposition and full spectrum for rotating machinery | |
Wang et al. | Dynamic characteristics of the planetary gear train excited by time-varying meshing stiffness in the wind turbine | |
CN203163988U (zh) | 一种风电机组齿轮箱在线故障诊断装置 | |
Zhang et al. | A multi-mode process monitoring method based on mode-correlation PCA for Marine Current Turbine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140521 |