CN104236871A - 离心式压缩机半开式叶轮裂纹故障识别方法 - Google Patents
离心式压缩机半开式叶轮裂纹故障识别方法 Download PDFInfo
- Publication number
- CN104236871A CN104236871A CN201310229647.7A CN201310229647A CN104236871A CN 104236871 A CN104236871 A CN 104236871A CN 201310229647 A CN201310229647 A CN 201310229647A CN 104236871 A CN104236871 A CN 104236871A
- Authority
- CN
- China
- Prior art keywords
- centrifugal compressor
- signal
- impeller
- wavelet
- flawless
- 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
Abstract
本发明属于设备故障诊断领域,具体的说是一种离心式压缩机半开式叶轮裂纹故障识别方法。本发明采用数据采集与分析仪、加速度传感器以及转速传感器利用多通道同步采集的方式,对压缩机进口振动加速度信号和转速信号进行了同步采集。并且对安装有正常叶轮试验台和已破坏叶轮试验台在不同转速下的信号进行采集。对于振动加速度信号采用小波包分解以及小波包重构的方法进行分析。本发明研究制定一种新型的离心式压缩机半开式叶轮裂纹故障识别方法,从而解决离心式压缩机半开式叶轮裂纹的动态检测问题,避免由于叶片的裂纹故障而引起的事故发生。
Description
技术领域
本发明属于设备故障诊断领域,具体的说是一种基于小波包分解与重构的离心式压缩机半开式叶轮裂纹故障在线识别方法。
背景技术
叶片是叶轮机械的关键部件在运行中载荷复杂,工作条件苛刻,并且承受离心力、流体动力、振动、温差、介质等的综合作用。因制造、安装和工况环境降低了叶片的抗疲劳能力,所以长期运行的转子,会出现不同程度的裂纹,最终可能引起叶片断裂,造成机组损坏。现今叶轮机械正朝着重载化、高速化、轻型化方向发展,使叶片工作长度和工作参数不断提高。工作条件的越来越严酷,导致叶片更容易发生故障。叶轮裂纹的产生会对整个机组的安全运行带来严重的威胁,甚至导致重大事故的产生。如何以相对简单的方法和较高的准确率实现动态无损检测叶片的裂纹故障,是困扰国内外设备故障诊断工程界和学术界的难题。
现在对裂纹无损检测常规的方法主要有超声探伤、射线探伤、涡流探伤、磁粉探伤和渗透法探伤等。这些方法可以有效地检测出叶片裂纹,但大都不能对叶片裂纹进行实时检测,需先停机再测试。而对于许多在线检测技术来说大多采用基于平稳过程的经典信号处理方法即傅立叶分析和加窗傅立叶分析,分别仅从时域或频域给出信号的统计平均结果,无法同时兼顾信号在时域和频域的全貌和局部化特性,而这些局部化特征往往是故障的表征。
小波包分解将频带进行多层次划分,对多分辨率分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时频分辨率,因此小波包具有更广泛的应用价值。小波分解一般采用经典的快速迭代算法:
其中,{h(k)},{g(k)}为共轭滤波器系列,n=0,1,2......2j-1j=1,2......J(J为分解层数),分别为经分解后的低频和高频部分。信号经小波包分解后得到的一个个小波包,表示信号所包含的不同的频率段,但每一个小波包含有信号的点数比上一层小波包的点数减少一半。因此,分解的层数越多频域分辨率就越高,时域分辨率越低,对信号的精确分析就越不利。为提高时域分辨率,可以选择合适的频带通过小波包重构算法,对该频带的小波包进行重构。小波包重构的方法为:
经重构后,即可把将小波包的时域分辨率提高到原来的大小。采用重构方法,可以得到信号在任何一个频率段上的成分。因为小波包分解是正交分解,对信号的分解和重构既无冗余,又无泄露,分解与重构后信号的信息量是完整的,因此信号是可靠的。
发明内容
针对离心式压缩机叶片裂纹的故障特点和现有故障预测方法存在的上述不足之处,本发明要解决的技术问题是提供一种能够提高离心式压缩机叶片裂纹的故障预测能力、增强预测鲁棒性、具有良好应用前景的基于故障先兆判定模型和动态置信度匹配的数控机床故障预测方法。
本发明为实现上述目的所采用的技术方案是:离心式压缩机半开式叶轮裂纹故障识别方法,包括以下步骤:
通过振动加速度传感器、转速传感器、数据采集分析仪采集离心式压缩机壳体的振动加速度信号和转速信号;
对测得的离心式压缩机的振动信号进行小波包分解和小波包重构,获得特征参数;
通过参照试验获得的裂纹判定标准与无裂纹叶轮振动信号进行对比,进而判断出离心式压缩机半开式叶轮有无裂纹。
所述振动加速度信号和转速信号通过设置在压缩机进口型环位置的振动加速度传感器和转速传感器采集。
所述对测得的离心式压缩机的振动信号进行小波包分解和小波包重构,获得特征参数,具体为:
对采集到的振动加速度信号进行小波包分解并进行小波重构后得到有效值RMS,取RMS为叶片裂纹评定的特征参数,RMS公式如下:
其中,xn为重构信号各点对应的幅值,N为重构信号的长度。
所述小波重构需经过以下过程:
对离心式压缩机的振动信号进行小波分解,得到各个尺度上的小波系数;
将各个尺度上的小波系数分别重构时域信号。
所述裂纹判定标准通过对安装有正常叶轮试验台和已破坏叶轮试验台在不同转速下的信号进行采集,从而获得叶片裂纹判定的标准。
所述裂纹判定标准的制定过程为:
1)在离心式压缩机进口型环位置布置加速度传感器输入轴端布置转速传感器;
2)通过振动加速度传感器、转速传感器和数据采集分析仪采集不同转速下无裂纹叶轮以及裂纹分别为30mm、50mm、70mm的叶轮振动信号,并对振动信号进行小波包分解并进行小波包重构,建立进行叶片裂纹评定的特征参数,将数据进行对比获得有无裂纹的判定标准,即:各转速工况下,待测叶片振动信号经数据处理后得到的有效值与无裂纹叶轮信号的有效值的比值超过1.5时,则可判定为离心式压缩机半开式叶轮存在裂纹故障,而且在相同转速下有效值越大其裂纹长度越大。
所述通过参照试验获得的裂纹判定标准与无裂纹叶轮振动信号进行对比,进而可知离心式压缩机半开式叶轮有无裂纹,具体为:待测叶片数据处理得到的有效值与无裂纹叶轮信号的有效值的比值超过1.5时,则可判定为离心式压缩机半开式叶轮存在裂纹故障。
所述待测叶片数据处理得到的有效值与无裂纹叶轮信号的有效值的比值越大,则判定其裂纹长度越大。
本发明通过试验的方法进行离心式压缩机半开式叶轮裂纹故障识别方法的研究,对离心式压缩机不同测试位置以及不同振动信号的测试数据对叶轮裂纹特征的反应程度进行了分析,最终证明在离心式压缩机进口型环位置所测得的振动加速度信号更有利于后续裂纹特征参数的识别,为最佳测试位置和最佳振动测试量。
本发明所述的离心式压缩机半开式叶轮裂纹故障识别方法的显著效果是:能够通过简单快速搭建的离心式压缩机振动信号实时数据采集平台,对离心式压缩机进行进口型环位置振动加速度信号数据以及转速采集,进而利用数据采集分析仪进行数据处理,最终通过制定的判定标准来进行离心式压缩机半开式叶轮裂纹故障识别,进而能够有效避免因叶轮裂纹故障而导致的事故发生。
附图说明
图1是离心式压缩机组结构及其振动信号数据采集平台示意图;
图2是本发明方法流程图;
图3是基于小波包分解以及小波重构的数据处理流程图;
图4是工况在4500rpm时入口型环处经过数据处理后的时域信号的对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明的具体实施路线例如附图1-3所示,其具体步骤如下:
(一)离心式压缩机振动信号数据采集平台的搭建
该平台特征在于:
(1)具有多输入通道及数据处理功能的数据采集分析仪;
(2)通过数据采集分析仪实时采集与显示离心式压缩机振动信号。
本发明所研究的是工业用离心式压缩机,体型比较大、结构比较复杂。因此,对于该振动信号数据采集平台的搭建过程中,特别要注意的是合适的测点位置布置以及合适振动信号选择的问题。本发明的研究过程中对于压缩机多个测点位置所采集到的加速度数据以及多种类型的振动数据进行了分析处理,最终确认在压缩机进口型环位置进行振动加速度信号采集更适合本发明所述方法的实现。
(二)数据处理
基于小波包分解及小波包重构的基本原理,并且根据离心式压缩机及其半开式叶轮的结构和工作参数的特点,对数据采集分析仪测得的振动加速度数据进行处理获得特征参数。采用小波包分解选择合适的频带小波包重构的数据信号处理方法,对振动信号的特征实现有效提取,获取反映裂纹的特征参数。
(三)制定判定标准,依据判定标准对离心式压缩机半开式叶轮裂纹故障进行识别。
本发明通过试验方法,对无裂纹和带有不同程度裂纹的离心式压缩机进行数据采集,并由数据采集分析仪计算得到特征值,与无裂纹叶轮的特征值数据进行对比,制定了裂纹故障识别判定标准。即当各转速工况下,待测叶片振动信号经数据处理后得到的有效值与无裂纹叶轮信号的有效值的比值超过1.5时,则可判定为离心式压缩机半开式叶轮存在裂纹故障,而且在相同转速下有效值越大其裂纹长度越大。
Claims (8)
1.一种离心式压缩机半开式叶轮裂纹故障识别方法,其特征在于,包括以下步骤:
通过振动加速度传感器、转速传感器、数据采集分析仪采集离心式压缩机壳体的振动加速度信号和转速信号;
对测得的离心式压缩机的振动信号进行小波包分解和小波包重构,获得特征参数;
通过参照试验获得的裂纹判定标准与无裂纹叶轮振动信号进行对比,进而判断出离心式压缩机半开式叶轮有无裂纹。
2.根据权利要求1所述的离心式压缩机半开式叶轮裂纹故障识别方法,其特征在于,所述振动加速度信号和转速信号通过设置在压缩机进口型环位置的振动加速度传感器和转速传感器采集。
3.根据权利要求1所述的离心式压缩机半开式叶轮裂纹故障识别方法,其特征在于,所述对测得的离心式压缩机的振动信号进行小波包分解和小波包重构,获得特征参数,具体为:
对采集到的振动加速度信号进行小波包分解并进行小波重构后得到有效值RMS,取RMS为叶片裂纹评定的特征参数,RMS公式如下:
其中,xn为重构信号各点对应的幅值,N为重构信号的长度。
4.根据权利要求3所述的离心式压缩机半开式叶轮裂纹故障识别方法,其特征在于,所述小波重构需经过以下过程:
对离心式压缩机的振动信号进行小波分解,得到各个尺度上的小波系数;
将各个尺度上的小波系数分别重构为时域信号。
5.根据权利要求1所述的离心式压缩机半开式叶轮裂纹故障识别方法,其特征在于,所述裂纹判定标准通过对安装有正常叶轮试验台和已破坏叶轮试验台在不同转速下的信号进行采集,从而获得叶片裂纹判定的标准。
6.根据权利要求1所述的离心式压缩机半开式叶轮裂纹故障识别方法,其特征在于,所述裂纹判定标准的制定过程为:
1)在离心式压缩机进口型环位置布置加速度传感器输入轴端布置转速传感器;
2)通过振动加速度传感器、转速传感器和数据采集分析仪采集不同转速下无裂纹叶轮以及裂纹分别为30mm、50mm、70mm的叶轮振动信号,并对振动信号进行小波包分解并进行小波包重构,建立进行叶片裂纹评定的特征参数,将数据进行对比获得有无裂纹的判定标准,即:各转速工况下,待测叶片振动信号经数据处理后得到的有效值与无裂纹叶轮信号的有效值的比值超过1.5时,则可判定为离心式压缩机半开式叶轮存在裂纹故障,而且在相同转速下有效值越大其裂纹长度越大。
7.根据权利要求1所述的离心式压缩机半开式叶轮裂纹故障识别方法,其特征在于,所述通过参照试验获得的裂纹判定标准与无裂纹叶轮振动信号进行对比,进而可知离心式压缩机半开式叶轮有无裂纹,具体为:待测叶片数据处理得到的有效值与无裂纹叶轮信号的有效值的比值超过1.5时,则可判定为离心式压缩机半开式叶轮存在裂纹故障。
8.根据权利要求1所述的离心式压缩机半开式叶轮裂纹故障识别方法,其特征在于,所述待测叶片数据处理得到的有效值与无裂纹叶轮信号的有效值的比值越大,则判定其裂纹长度越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310229647.7A CN104236871A (zh) | 2013-06-09 | 2013-06-09 | 离心式压缩机半开式叶轮裂纹故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310229647.7A CN104236871A (zh) | 2013-06-09 | 2013-06-09 | 离心式压缩机半开式叶轮裂纹故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104236871A true CN104236871A (zh) | 2014-12-24 |
Family
ID=52225390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310229647.7A Pending CN104236871A (zh) | 2013-06-09 | 2013-06-09 | 离心式压缩机半开式叶轮裂纹故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104236871A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030849A (zh) * | 2018-05-22 | 2018-12-18 | 大连透平机械技术发展有限公司 | 压缩机旋转失速的监测方法及装置 |
CN112345648A (zh) * | 2020-10-29 | 2021-02-09 | 广东电网有限责任公司广州供电局 | 一种高压断路器凸轮裂纹故障检测装置及方法 |
CN112405072A (zh) * | 2020-11-11 | 2021-02-26 | 上海交通大学 | 一种机床切削颤振的在线监测方法及装置 |
CN112945531A (zh) * | 2021-02-03 | 2021-06-11 | 西人马(西安)测控科技有限公司 | 风机叶片的裂纹检测方法、装置、设备及计算机存储介质 |
-
2013
- 2013-06-09 CN CN201310229647.7A patent/CN104236871A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030849A (zh) * | 2018-05-22 | 2018-12-18 | 大连透平机械技术发展有限公司 | 压缩机旋转失速的监测方法及装置 |
CN109030849B (zh) * | 2018-05-22 | 2021-06-11 | 大连透平机械技术发展有限公司 | 压缩机旋转失速的监测方法及装置 |
CN112345648A (zh) * | 2020-10-29 | 2021-02-09 | 广东电网有限责任公司广州供电局 | 一种高压断路器凸轮裂纹故障检测装置及方法 |
CN112405072A (zh) * | 2020-11-11 | 2021-02-26 | 上海交通大学 | 一种机床切削颤振的在线监测方法及装置 |
CN112945531A (zh) * | 2021-02-03 | 2021-06-11 | 西人马(西安)测控科技有限公司 | 风机叶片的裂纹检测方法、装置、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Quantitative trend fault diagnosis of a rolling bearing based on Sparsogram and Lempel-Ziv | |
CN107461342B (zh) | 一种离心泵故障在线诊断方法及系统 | |
CN103149029B (zh) | 利用倒频谱识别航空发动机转静碰摩部位的方法 | |
CN102262215B (zh) | 一种大型发电机定转子气隙偏心故障检测方法 | |
CN109883703B (zh) | 一种基于振动信号相干倒谱分析的风机轴承健康监测诊断方法 | |
CN101603854A (zh) | 旋转机械启停阶段非平稳振动信号瞬时频率估计算法 | |
CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
Wang et al. | A time–frequency-based maximum correlated kurtosis deconvolution approach for detecting bearing faults under variable speed conditions | |
CN105866250B (zh) | 基于振动的通风机叶片裂纹识别方法 | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
Chen et al. | Optimal frequency band selection using blind and targeted features for spectral coherence-based bearing diagnostics: A comparative study | |
CN104165925B (zh) | 随机共振的离心式压缩机半开式叶轮裂纹故障检测方法 | |
Klausen et al. | Multi-band identification for enhancing bearing fault detection in variable speed conditions | |
CN105651504A (zh) | 基于自适应小波能量的旋转机械故障特征提取方法 | |
CN104215323B (zh) | 机械设备的振动传感器网络中各传感器敏感度确定方法 | |
CN104236871A (zh) | 离心式压缩机半开式叶轮裂纹故障识别方法 | |
Wu et al. | A carrier wave extraction method for cavitation characterization based on time synchronous average and time-frequency analysis | |
Márquez et al. | An overview of wind turbine maintenance management | |
CN105987809A (zh) | 基于随机共振的离心式压缩机半开式叶轮裂纹检测方法 | |
CN103630604B (zh) | 离心式压缩机半开式叶轮裂纹故障识别方法 | |
You et al. | Fault diagnosis system of rotating machinery vibration signal | |
Liang et al. | Bearing fault diagnosis based on singular value distribution of impulse response segment | |
CN107559228A (zh) | 基于双频谱数据检测和诊断风机故障的方法 | |
CN103149047A (zh) | 一种基于非线性混合模型的冷却塔声学诊断方法 | |
Jiang et al. | Rolling bearing quality evaluation based on a morphological filter and a Kolmogorov complexity measure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141224 |
|
RJ01 | Rejection of invention patent application after publication |