CN109214109B - 一种石化装备旋转机械的剩余寿命预测验证方法 - Google Patents
一种石化装备旋转机械的剩余寿命预测验证方法 Download PDFInfo
- Publication number
- CN109214109B CN109214109B CN201811128559.7A CN201811128559A CN109214109B CN 109214109 B CN109214109 B CN 109214109B CN 201811128559 A CN201811128559 A CN 201811128559A CN 109214109 B CN109214109 B CN 109214109B
- Authority
- CN
- China
- Prior art keywords
- degradation
- residual life
- random
- data
- time
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种石化装备旋转机械的剩余寿命预测验证方法,其剩余寿命预测的具体验证步骤为:步骤一:监测数据的采集:依据实验室机组中的石化大机组仿真实验装置,针对石化装备旋转机械易发生故障的部件如滚动轴承、齿轮以及叶片等,通过传感器来采集石化装备旋转机械在不同工作环境、不同负载以及不同健康管理行为下的振动监测实验数据、外界因素引入的时间及持续时间等数据。本发明通过状态检测手段获取旋转机械在实际运行过程中的状态监测数据,并提取能反映其健康状态性能退化数据,建立性能退化模型,同时没利用首达时间分布预测剩余寿命分布,并将实际与理论结果进行验证、分析,从而提升改进理论与方法。
Description
技术领域
本发明涉及旋转机械的剩余寿命预测技术领域,特别涉及一种石化装备旋转机械的剩余寿命预测验证方法。
背景技术
随着石化产业规模的大规模发展,石化行业大机组中的旋转机械设备,日益趋向大型化、精密化、高速化和自动化方向发展,其组成和结构也越来越复杂。石化产业的规模化发展在这些方面,一方面提高了生产效率、降低了生产成本,另一方面对机械的设计、制造、安装、使用、维修和可靠运行提出了更高、更严格的要求,一旦发生为微小故障,可能会造成设备的性能发生退化、劣化甚至失效,影响到整个系统运行的稳定性和安全性,严重的甚至会造成一些灾难性事故。而旋转机械设备(如电动机、发电机、汽轮机、压缩机、泵和风机等)是石油、化工、冶金、机械制造等重要领域的关键设备,其核心部分是转子组件,是由转轴及固定在其上的各类圆形盘状零件组成,在石化装备的使用过程中,旋转机械部分是故障发生率较高的位置。
因此,发明一种石化装备旋转机械的剩余寿命预测验证方法来解决上述问题很有必要。
发明内容
本发明的目的在于提供一种石化装备旋转机械的剩余寿命预测验证方法,通过状态检测手段获取旋转机械在实际运行过程中的状态监测数据,并提取能反映其健康状态性能退化数据,建立性能退化模型,同时没利用首达时间分布预测剩余寿命分布,并将其与实际生产过程中产生收集到的现场数据与理论结果进行验证和分析,从而提升改进石化装备旋转机械剩余寿命预测的理论与方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种石化装备旋转机械的剩余寿命预测验证方法,其剩余寿命预测的具体验证步骤为:
步骤一:监测数据的采集:依据实验室机组中的石化大机组仿真实验装置,针对石化装备旋转机械易发生故障的部件如滚动轴承、齿轮以及叶片等,通过传感器来采集石化装备旋转机械在不同工作环境、不同负载以及不同健康管理行为下的振动监测实验数据、外界因素引入的时间及持续时间等数据,并对采集到的数据进行特征提取,以作为振动幅值参数特征数据;
步骤二:随机退化建模:基于监测数据分别针对时变退化率、随机环境以及受健康管理行为影响的剩余寿命预测等问题一一对应随机退化建模;
步骤三:未知参数估计:根据步骤二中相应的模型函数对未知参数进行估计;
步骤四:未知参数处理:
(1)基于时变退化率下的剩余寿命预测问题的退化建模函数,对随机过程的首达时间分布进行推导;
(2)基于随机环境下的剩余寿命预测问题的过程首达时间建模函数,来对剩余寿命的预测分布进行求解;
(3)基于受健康管理行为影响下的剩余寿命预测问题的随机过程建模函数,依据更新后的实时监测数据剩余寿命分布进行推导;
步骤五:理论与实践对比:将实验室机组中的石化大机组仿真实验装置所得到的剩余寿命预测理论结果与实际生产过程中所得到的现场采集数据进行验证和分析,以进一步提升改进理论和方法。
优选的,所述步骤二中时变退化率下的旋转机械性能退化过程函数为:
其中,B(t)为标准Browian运动,λ(τ;θ)和σ分别为漂移系数和扩散系数,λ(τ;θ)是时间t的时变函数,用以刻画退化过程中的时变退化率,而θ为模型的未知参数向量。
优选的,所述步骤二中旋转机械在随机运行环境下的退化过程函数为:
其中,{B(t),t≥0}为准布朗运动,且有σB(t)~N(0,σ2t),t>0,用以刻画退化的动态特性,而σ(σ>0)为扩散参数。
优选的,所述步骤二中在存在外界健康管理行为影响时,旋转机械的随机退化过程函数为:
其中,为复合Poisson过程,用以表征外界健康管理行为对设备退化的影响,{N(t),t≥0}表示强度为τ的Poisson过程,用以刻画外界健康管理行为达到的频率,而{∧k,k≥1}为独立同分布的随机变量,用以刻画每次健康管理行为对设备退化状态的随机影响。
本发明的技术效果和优点:
本发明通过状态检测手段获取旋转机械在实际运行过程中的状态监测数据,并提取能反映其健康状态性能退化数据,建立性能退化模型,同时没利用首达时间分布预测剩余寿命分布,并将其与实际生产过程中产生收集到的现场数据与理论结果进行验证和分析,从而提升改进石化装备旋转机械剩余寿命预测的理论与方法。
附图说明
图1为本发明的旋转机械剩余寿命预测的验证流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本发明提供了如图1所示的一种石化装备旋转机械的剩余寿命预测验证方法,其剩余寿命预测的具体验证步骤为:
步骤一:监测数据的采集:依据实验室机组中的石化大机组仿真实验装置,针对石化装备旋转机械易发生故障的部件如滚动轴承、齿轮以及叶片等,通过传感器来采集石化装备旋转机械在不同工作环境、不同负载以及不同健康管理行为下的振动监测实验数据、外界因素引入的时间及持续时间等数据,并对采集到的数据进行特征提取,以作为振动幅值参数特征数据;
步骤二:随机退化建模:基于监测数据分别针对时变退化率的剩余寿命预测等问题随机退化建模;
步骤三:未知参数估计:根据步骤二中相应的模型函数对未知参数进行估计;
步骤四:未知参数处理:基于时变退化率下的剩余寿命预测问题的退化建模函数,对随机过程的首达时间分布进行推导;
步骤五:理论与实践对比:将实验室机组中的石化大机组仿真实验装置所得到的剩余寿命预测理论结果与实际生产过程中所得到的现场采集数据进行验证和分析,以进一步提升改进理论和方法。
进一步的,在上述技术方案中,所述步骤二中时变退化率下的旋转机械性能退化过程函数为:
其中,B(t)为标准Browian运动,λ(τ;θ)和σ分别为漂移系数和扩散系数,λ(τ;θ)是时间t的时变函数,用以刻画退化过程中的时变退化率,而θ为模型的未知参数向量。
实施例2:
本发明提供了如图1所示的一种石化装备旋转机械的剩余寿命预测验证方法,其剩余寿命预测的具体验证步骤为:
步骤一:监测数据的采集:依据实验室机组中的石化大机组仿真实验装置,针对石化装备旋转机械易发生故障的部件如滚动轴承、齿轮以及叶片等,通过传感器来采集石化装备旋转机械在不同工作环境、不同负载以及不同健康管理行为下的振动监测实验数据、外界因素引入的时间及持续时间等数据,并对采集到的数据进行特征提取,以作为振动幅值参数特征数据;
步骤二:随机退化建模:基于监测数据分别针对随机环境的剩余寿命预测等问题随机退化建模;
步骤三:未知参数估计:根据步骤二中相应的模型函数对未知参数进行估计;
步骤四:未知参数处理:基于随机环境下的剩余寿命预测问题的过程首达时间建模函数,来对剩余寿命的预测分布进行求解;
步骤五:理论与实践对比:将实验室机组中的石化大机组仿真实验装置所得到的剩余寿命预测理论结果与实际生产过程中所得到的现场采集数据进行验证和分析,以进一步提升改进理论和方法。
进一步的,在上述技术方案中,所述步骤二中旋转机械在随机运行环境下的退化过程函数为:
其中,{B(t),t≥0}为准布朗运动,且有σB(t)~N(0,σ2t),t>0,用以刻画退化的动态特性,而σ(σ>0)为扩散参数。
实施例3:
本发明提供了如图1所示的一种石化装备旋转机械的剩余寿命预测验证方法,其剩余寿命预测的具体验证步骤为:
步骤一:监测数据的采集:依据实验室机组中的石化大机组仿真实验装置,针对石化装备旋转机械易发生故障的部件如滚动轴承、齿轮以及叶片等,通过传感器来采集石化装备旋转机械在不同工作环境、不同负载以及不同健康管理行为下的振动监测实验数据、外界因素引入的时间及持续时间等数据,并对采集到的数据进行特征提取,以作为振动幅值参数特征数据;
步骤二:随机退化建模:基于监测数据分别针对受健康管理行为影响的剩余寿命预测等问题随机退化建模;
步骤三:未知参数估计:根据步骤二中相应的模型函数对未知参数进行估计;
步骤四:未知参数处理:基于受健康管理行为影响下的剩余寿命预测问题的随机过程建模函数,依据更新后的实时监测数据剩余寿命分布进行推导;
步骤五:理论与实践对比:将实验室机组中的石化大机组仿真实验装置所得到的剩余寿命预测理论结果与实际生产过程中所得到的现场采集数据进行验证和分析,以进一步提升改进理论和方法。
进一步的,在上述技术方案中,所述步骤二中在存在外界健康管理行为影响时,旋转机械的随机退化过程函数为:
其中,为复合Poisson过程,用以表征外界健康管理行为对设备退化的影响,{N(t),t≥0}表示强度为τ的Poisson过程,用以刻画外界健康管理行为达到的频率,而{∧k,k≥1}为独立同分布的随机变量,用以刻画每次健康管理行为对设备退化状态的随机影响。
结合实施例1-3可知,通过状态检测手段获取旋转机械在实际运行过程中的状态监测数据,并提取能反映其健康状态性能退化数据,建立性能退化模型,同时没利用首达时间分布预测剩余寿命分布,并将其与实际生产过程中产生收集到的现场数据与理论结果进行验证和分析,从而提升改进石化装备旋转机械剩余寿命预测的理论与方法。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种石化装备旋转机械的剩余寿命预测验证方法,其剩余寿命预测的具体验证步骤为:
步骤一:监测数据的采集:依据实验室机组中的石化大机组仿真实验装置,针对石化装备旋转机械易发生故障的部件,通过传感器来采集石化装备旋转机械在不同工作环境、不同负载以及不同健康管理行为下的振动监测实验数据、外界因素引入的时间及持续时间数据,并对采集到的数据进行特征提取,以作为振动幅值参数特征数据;
步骤二:随机退化建模:基于监测数据分别针对时变退化率、随机环境以及受健康管理行为影响的剩余寿命预测问题一一对应随机退化建模;
其中,在存在外界健康管理行为影响时,旋转机械的随机退化过程函数为:
其中,为复合Poisson过程,用以表征外界健康管理行为对设备退化的影响,{N(t),t≥0}表示强度为τ的Poisson过程,用以刻画外界健康管理行为达到的频率,而{∧k,k≥1}为独立同分布的随机变量,用以刻画每次健康管理行为对设备退化状态的随机影响;
步骤三:未知参数估计:根据步骤二中相应的模型函数对未知参数进行估计;
步骤四:未知参数处理:
(1)基于时变退化率下的剩余寿命预测问题的退化建模函数,对随机过程的首达时间分布进行推导;
(2)基于随机环境下的剩余寿命预测问题的过程首达时间建模函数,来对剩余寿命的预测分布进行求解;
(3)基于受健康管理行为影响下的剩余寿命预测问题的随机过程建模函数,依据更新后的实时监测数据剩余寿命分布进行推导;
步骤五:理论与实践对比:将实验室机组中的石化大机组仿真实验装置所得到的剩余寿命预测理论结果与实际生产过程中所得到的现场采集数据进行验证和分析,以进一步提升改进理论和方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811128559.7A CN109214109B (zh) | 2018-09-27 | 2018-09-27 | 一种石化装备旋转机械的剩余寿命预测验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811128559.7A CN109214109B (zh) | 2018-09-27 | 2018-09-27 | 一种石化装备旋转机械的剩余寿命预测验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214109A CN109214109A (zh) | 2019-01-15 |
CN109214109B true CN109214109B (zh) | 2022-12-23 |
Family
ID=64981801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811128559.7A Active CN109214109B (zh) | 2018-09-27 | 2018-09-27 | 一种石化装备旋转机械的剩余寿命预测验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214109B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977552B (zh) * | 2019-03-28 | 2020-09-15 | 中国人民解放军火箭军工程大学 | 一种考虑状态检测影响的设备剩余寿命预测方法及系统 |
CN111275293A (zh) * | 2020-01-09 | 2020-06-12 | 南京亚派软件技术有限公司 | 一种机电设备非线性故障预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850736A (zh) * | 2015-04-27 | 2015-08-19 | 大连理工大学 | 一种基于状态空间模型的高速数控铣床刀具寿命预测方法 |
CN105809255A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 一种基于物联网的火电厂旋转机械健康管理方法及系统 |
CN106353691A (zh) * | 2016-10-31 | 2017-01-25 | 首都师范大学 | 一种计及自愈影响的锂电池退化建模及寿命预测方法 |
CN106526492A (zh) * | 2016-10-31 | 2017-03-22 | 首都师范大学 | 计及时变环境温度影响的锂电池退化建模及寿命预测方法 |
CN107480442A (zh) * | 2017-08-08 | 2017-12-15 | 山东科技大学 | 依赖于时间和状态的长程相关退化过程剩余寿命预测方法 |
-
2018
- 2018-09-27 CN CN201811128559.7A patent/CN109214109B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850736A (zh) * | 2015-04-27 | 2015-08-19 | 大连理工大学 | 一种基于状态空间模型的高速数控铣床刀具寿命预测方法 |
CN105809255A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 一种基于物联网的火电厂旋转机械健康管理方法及系统 |
CN106353691A (zh) * | 2016-10-31 | 2017-01-25 | 首都师范大学 | 一种计及自愈影响的锂电池退化建模及寿命预测方法 |
CN106526492A (zh) * | 2016-10-31 | 2017-03-22 | 首都师范大学 | 计及时变环境温度影响的锂电池退化建模及寿命预测方法 |
CN107480442A (zh) * | 2017-08-08 | 2017-12-15 | 山东科技大学 | 依赖于时间和状态的长程相关退化过程剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
具有不确定测量的非线性随机退化系统剩余寿命预测;司小胜, 胡昌华,李娟,孙国玺,张 琪;《上海交通大学学报》;20150628;第37-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109214109A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel statistical time-frequency analysis for rotating machine condition monitoring | |
Camci et al. | Feature evaluation for effective bearing prognostics | |
Wang et al. | Prognostics and health management: A review of vibration based bearing and gear health indicators | |
CN107489464B (zh) | 汽轮发电机组故障预警方法及系统 | |
Pandarakone et al. | Deep neural network based bearing fault diagnosis of induction motor using fast Fourier transform analysis | |
CN109214109B (zh) | 一种石化装备旋转机械的剩余寿命预测验证方法 | |
Reddy et al. | Application of artificial neural networks for identification of unbalance and looseness in rotor bearing systems | |
CN108204341A (zh) | 风电场运行状态的识别方法和装置 | |
CN111122191A (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
CN102207998A (zh) | 基于无失效数据的评估产品寿命及其可靠性的方法 | |
Helsen et al. | Fleet-wide condition monitoring combining vibration signal processing and machine learning rolled out in a cloud-computing environment | |
CN116796182A (zh) | 风电机组发电机故障评估模型训练方法和故障诊断方法 | |
CN114412726A (zh) | 风电机组变桨轴承检测方法、装置及风力机组 | |
Mütze et al. | On inverter induced bearing currents, bearing maintenance scheduling, and prognosis | |
CN113820132B (zh) | 基于多尺度散布熵构造阈值的故障报警方法 | |
CN115508703A (zh) | 一种多源信息融合的电机故障诊断方法及系统 | |
Long et al. | Early fault diagnosis technology for bearings based on quantile multiscale permutation entropy | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
CN110441081B (zh) | 一种旋转机械故障的智能诊断方法及智能诊断系统 | |
Dambrauskas et al. | Induction Motor's Bearing Condition Motoring and Diagnosis Applying Cloud Services and Artificial Neural Networks | |
Sun et al. | An online degradation feature extraction technique for shore bridge gearbox based on morphological fractal dimension and sliding window weibull fitting | |
Xuming et al. | A novel compilation method of comprehensive mission spectrum of aero-engine maneuvering load based on use-related mission segment | |
CN110516270B (zh) | 风力发电机中叶片连接螺栓的疲劳强度评估方法及系统 | |
Kunicina et al. | Development of an approach for operational indicators assessment of hydro generator unit based on online sensor system data | |
Tang et al. | Application of vibration signals for the quantitative analysis of the optimal threshold of bearing failure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |