CN109325629B - 在役转动设备机械密封泄漏故障预测方法 - Google Patents
在役转动设备机械密封泄漏故障预测方法 Download PDFInfo
- Publication number
- CN109325629B CN109325629B CN201811177981.1A CN201811177981A CN109325629B CN 109325629 B CN109325629 B CN 109325629B CN 201811177981 A CN201811177981 A CN 201811177981A CN 109325629 B CN109325629 B CN 109325629B
- Authority
- CN
- China
- Prior art keywords
- mechanical seal
- model
- parameter
- value
- leakage fault
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
一种在役转动设备机械密封泄漏故障预测方法,包括:泄漏故障数据收集和整理,包括关联故障和非关联故障;建立机械密封泄漏故障数据驱动模型,包括基于在役转动设备机械密封的运行故障数据,分别建立:正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型,并进行模型参数反演和参数检验,得到一个机械密封泄漏故障数据驱动模型;对机械密封泄漏故障数据驱动模型进行择化;根据机械密封泄漏故障数据驱动模型,预测在役转动设备机械密封的可靠性寿命。本发明提供了一种适用范围宽、考虑设备实际使用工况的机械密封泄漏故障预测方法,可为转动设备的长周期运行提供一种有效的技术手段。
Description
技术领域
本发明涉及一种机械密封泄漏故障预测方法。特别是涉及一种在役转动设备机械密封泄漏故障预测方法。
背景技术
机械密封专利于1885年出现于英国,1900年开始应用于轴承密封。机械密封主要用以解决旋转轴用动密封问题,由于机械密封具有泄漏量少,工作可靠性程度高和寿命长等许多优点,目前已广泛应用于石油、化工、医药、燃料和国防等工业领域。然而,由于许多因素的影响,机械密封的使用寿命长短各异,长的可达2~4年,短的只有2~3个月,甚至几周时间。若不能预测机械密封泄漏损失和泄漏率超标时间,往往导致过早地更换新的密封件,或者因不能及时发现泄漏率超标,延误维修时间,引起易燃、易爆、有害介质大量泄漏而导致事故。因此,预测在役转动设备机械密封的寿命,对于保障旋转设备稳定运行具有重要意义。
机械密封基本性能主要包括端面摩擦特性和密封特性。机械密封失效最重要和最直接的表现是在规定的工作条件下,机械密封在未达到规定的工作时间,就出现泄漏率超标现象。机械密封的使用寿命主要取决于摩擦副的使用时间,只要摩擦副的磨损量没有超标,并且保证泄漏量在允许的范围内,机械密封才算是正常工作。因此,当前关于机械密封寿命预测技术方面研究,也多针对摩擦副进行建模,通过预测摩擦副的摩擦量来评价机械密封的使用寿命。孙见君等[1-2]依据分形理论,用具有尺寸独立性的分形参数表征包含粗糙度和波度的密封端面形貌及其变化,研究了机械密封端面形貌变化对泄漏通道的影响规律,结合N-S方程,建立了基于允许泄漏率的机械密封寿命预测方法。张尔卿等[3-4]提出采用声发射方法监测机械密封端面参数(端面开启时间、膜厚等),基于偏置因子隐马尔可夫模型评估机械密封磨损状态,并提出灰色粒子滤波法预测剩余寿命。Goilkar等[5]设计了带有扭矩传感器的实验平台,监控机械密封的磨损状况,经论证,该平台可以较好地预测机械密封在不同转速、润滑机制和弹簧载荷下的失效,评估机械密封的使用寿命。Arnold[6]综述了机械密封泄漏量的计算方法,通过计算泄漏量并同允许泄漏量对比来预测机械密封的寿命。除上述基于在线检测技术预测寿命的方法外,还有运行应用特征参数跟踪法预测机械密封的剩余寿命或可靠性,如用机械密封端面温度和泄漏量训练人工神经网络进而预测剩余寿命[7],还有如威布尔模型法[8]、加速寿命试验法[9]等。
但是,上述现有技术存在如下缺点:
(1)关于机械密封泄漏量的计算以及剩余寿命预测方法,一方面,大部分方法主要用于设计阶段密封量的核算,另一方面,泄漏计算所需参数(如密封端面分形参数或者密封端面的温度值),从在役设备上获取非常困难。
(2)机械密封泄漏是个非常复杂的问题,可以单纯从理论或实验方面预测机械密封这一部件,但是作为转动设备中的一个分系统,设备的振动、流量、电机振动等因素对机械密封的泄漏也具有“贡献”作用,而现有针对单一损伤模型的模型尚未考虑这些问题,因此,往往造成预测结果偏差较大。
(3)现有可靠性评价方法所用模型单一,无法适应不同数据样本的情况,某些情况下设备的失效并不符合威布尔模型分布。
发明内容
本发明所要解决的技术问题是,提供一种适用范围宽、考虑设备实际使用工况的在役转动设备机械密封泄漏故障预测方法。
本发明所采用的技术方案是:一种在役转动设备机械密封泄漏故障预测方法,包括如下步骤:
1)泄漏故障数据收集和整理,包括关联故障和非关联故障;
2)建立机械密封泄漏故障数据驱动模型,包括基于在役转动设备机械密封的运行故障数据,分别建立:正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型,并进行模型参数反演和参数检验,得到一个机械密封泄漏故障数据驱动模型;
3)对机械密封泄漏故障数据驱动模型进行择化;
4)根据机械密封泄漏故障数据驱动模型,预测在役转动设备机械密封的可靠性寿命。
步骤1)所述的泄漏故障数据收集,包括收集在役转动设备上的机械密封投入运行时间点、泄漏失效时间点。
步骤1)中所述的关联故障,是指机械密封在规定的条件下使用,由于运行环境的温度、压力和介质因素造成机械密封部件磨损或劣化而引起的故障,以及在计算可靠性特征量时必须纳入的故障;所述的非关联故障,是由于误用或维修不当以及外界因素引起的故障,在计算可靠性特征量时不应纳入的故障。
步骤1)中所述的泄漏故障数据整理,是采用等时间间隔频次法或经验分布函数法绘制泄漏故障间隔时间散点图,其中,所述泄漏故障间隔时间ti由机械密封泄漏失效时间点减去投入运行时间点得到;所述的等时间间隔频次法,是将统计总时间划分为若干等时间区间,以时间区间中间值为横坐标,对应时间区间内的故障发生概率为纵坐标,得到故障间隔时间概率密度函数f(ti)的散点图;所述的经验分布函数法,是将整理的泄漏故障间隔时间按从小到大的顺序排列,以泄漏故障间隔时间ti为横坐标,以故障间隔时间累积分布概率Fn(ti)为纵坐标,得到故障间隔时间累积分布概率Fn(ti)的散点图,Fn(ti)通过经验分布函数公式 Fn(ti)=(i-0.3)/(n+0.4)计算得到,其中i=1,2,3,…,n,n为泄漏故障间隔时间的个数。
步骤2)中:
所述的指数分布模型:F(t)=1-e-λtλ幂指数常数
步骤2)中所述的模型参数反演,是采用图估计法或矩估计法或最大似然估计法或最小二乘法分别获得期望值μ、标准差σ、幂指数常数λ、形状参数m和尺度参数η的值。
步骤2)中所述的参数检验,是采用K-S检验法分别对所建立的正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型进行参数检验,具体是将n个泄漏故障间隔时间按照由小到大的次序排列,根据假设的分布,计算每个数据对应的函数值F0(ti),与泄漏故障数据整理得到的经验分布值Fn(ti)比较,差值的最大绝对值作为检验统计量Dn的值,与 K-S检验表中给出的临界值Dn,α进行比较,如果满足Dn<Dn,α,则模型通过验证,通过验证的模型,即为机械密封泄漏故障数据驱动模型,当没有模型通过验证时,要重新进行模型参数反演,再进行参数检验,直至模型通过验证。
步骤3)是选择相关指数法或灰关联分析法对机械密封泄漏故障数据驱动模型进行择化,其中,
所述的相关指数法,是通过计算相关指数R来衡量,R值越接近1,说明模型精度越高,相关指数R通过下式计算:
所述的灰关联分析法,是通过计算关联度参量r(X1,X2)衡量,其中,关联度参量值越大,表明建立的模型越接近故障历史数据,模型精度则更高,关联度参量通过下式计算:
式中:a和b为故障数据区间的起点和终点;ξ(tk)为各时间点的关联系数;Δtk为两时间点之间的时间间隔。
步骤4)包括
(1)首先给出机械密封寿命计算模型如下:
式中,θ为机械密封寿命值,单位为h;t为机械密封运行时间,单位为h;f(t)为概率密度函数;
(2)根据机械密封寿命计算模型和机械密封泄漏故障数据驱动模型,确定的基于故障数据的机械密封寿命单点值:其中
正态分布模型的寿命预测单点值:
θ=E(T)=μ μ期望值
对数正态分布模型的寿命预测单点值:
指数分布模型的寿命预测单点值:
两参数威布尔分布模型的寿命预测单点值:
(3)根据统计学方法和机械密封泄漏故障数据驱动模型,得到不同数据驱动模型下机械密封的寿命预测区间值:
正态分布模型的寿命预测区间值:
式中,zα/2为标准正态分布的α/2分位点,通过值查阅标准正态分位表得到;n为泄漏故障间隔时间个数;
式中,A1,A2,ω1,ω2为统计参数;Γ为伽玛函数值,通过查阅伽玛函数表获取;
上面各模型的寿命预测区间值的可靠度均为:1-α。
若设备机械密封的泄漏故障数据,无法用正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型建模,则建立故障率-时间曲线,通过单值预测方法计算机械密封的剩余寿命,单值预测方法计算机械密封的剩余寿命,即将故障率发生短暂升高时对应的时间t′作为机械密封发生泄漏失效的寿命。
本发明的在役转动设备机械密封泄漏故障预测方法,解决了现有的机械密封寿命技术无法实现在役设备的机械密封寿命预测、损伤模式及预测模型单一的问题,提供了一种适用范围宽、考虑设备实际使用工况的机械密封泄漏故障预测方法,可为转动设备的长周期运行提供一种有效的技术手段。本发明的有益效果:
1、由于采用了基于设备运行历史状态下的故障数据,预测在役设备机械密封的泄漏故障,使得预测过程中全面考虑了设备的运行状态(温度、压力和介质等)、多种损伤模式和管理水平等因素,因而机械密封的泄漏预测结果更接近设备的实际情况。
2、本发明采用了基于设备运行历史的故障预测方法,避免了测量机械密封结构件尺寸,实现了在役转动设备机械密封的故障预测。
3、本发明的机械密封泄漏故障预测中,采用多种分布模型构建数据驱动模型,克服了以往采用单一模型无法适应不同数据样本的情况,使得机械密封的泄漏故障预测精度得以提高。同时,提出采用单值方法评估机械密封的早期泄漏,使本发明的方法覆盖了机械密封全寿命周期。
附图说明
图1是故障率分布图;
图2是本发明在役转动设备机械密封泄漏故障预测方法的流程图;
图3是单值预测方法示意图;
图4是泄漏故障原始数据图;
图5是泄漏故障数据指数模型拟合图;
图6是泄漏故障数据威布尔模型拟合图。
具体实施方式
下面结合实施例和附图对本发明的在役转动设备机械密封泄漏故障预测方法做出详细说明。
如图2所示,本发明的在役转动设备机械密封泄漏故障预测方法,包括如下步骤:
1)泄漏故障数据收集和整理,包括关联故障和非关联故障;其中,
所述的泄漏故障数据收集,包括收集在役转动设备上的机械密封投入运行时间点、泄漏失效时间点。
所述的关联故障,是指机械密封在规定的条件下使用,由于运行环境的温度、压力和介质因素造成机械密封部件磨损或劣化而引起的故障,以及在计算可靠性特征量时必须纳入的故障;所述的非关联故障,是由于误用或维修不当以及外界因素引起的故障,在计算可靠性特征量时不应纳入的故障。
所述的泄漏故障数据整理,是采用等时间间隔频次法或经验分布函数法绘制泄漏故障间隔时间散点图,其中,所述泄漏故障间隔时间ti由机械密封泄漏失效时间点减去投入运行时间点得到;所述的等时间间隔频次法,是将统计总时间划分为若干等时间区间,以时间区间中间值为横坐标,对应时间区间内的故障发生概率为纵坐标,得到故障间隔时间概率密度函数f(ti)的散点图;所述的经验分布函数法,是将整理的泄漏故障间隔时间按从小到大的顺序排列,以泄漏故障间隔时间ti为横坐标,以故障间隔时间累积分布概率Fn(ti)为纵坐标,得到故障间隔时间累积分布概率Fn(ti)的散点图,Fn(ti)可通过经验分布函数公式 Fn(ti)=(i-0.3)/(n+0.4)计算得到,其中i=1,2,3,…,n,n为泄漏故障间隔时间的个数。
2)建立机械密封泄漏故障数据驱动模型,包括基于在役转动设备机械密封的运行故障数据,分别建立:正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型,并进行模型参数反演和参数检验,得到一个机械密封泄漏故障数据驱动模型;其中,
所述的指数分布模型:F(t)=1-e-λtλ幂指数常数;
所述的模型参数反演,是采用图估计法或矩估计法或最大似然估计法或最小二乘法分别获得期望值μ、标准差σ、幂指数常数λ、形状参数m和尺度参数η的值。
所述的参数检验,是采用K-S检验法分别对所建立的正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型进行参数检验,具体是将n个泄漏故障间隔时间按照由小到大的次序排列,根据假设的分布,计算每个数据对应的函数值F0(ti),与泄漏故障数据整理得到的经验分布值Fn(ti)比较,差值的最大绝对值作为检验统计量Dn的值,与K-S检验表中给出的临界值Dn,α进行比较,如果满足Dn<Dn,α,则模型通过验证,通过验证的模型,即为机械密封泄漏故障数据驱动模型,当没有模型通过验证时,要重新进行模型参数反演,再进行参数检验,直至模型通过验证。
3)对机械密封泄漏故障数据驱动模型进行择化;是选择相关指数法或灰关联分析法对机械密封泄漏故障数据驱动模型进行择化,其中,
所述的相关指数法,是通过计算相关指数R来衡量,R值越接近1,说明模型精度越高,相关指数R通过下式计算:
所述的灰关联分析法,是通过计算关联度参量r(X1,X2)衡量,其中,关联度参量值越大,表明建立的模型越接近故障历史数据,模型精度则更高,关联度参量通过下式计算:
式中:a和b为故障数据区间的起点和终点;ξ(tk)为各时间点的关联系数,可参考灰色绝对关联计算模型计算得到[10];Δtk为两时间点之间的时间间隔。
4)根据机械密封泄漏故障数据驱动模型,预测在役转动设备机械密封的可靠性寿命。包括:
(1)首先给出机械密封寿命计算模型如下:
式中,θ为机械密封寿命值,单位为h;t为机械密封运行时间,单位为h;f(t)为概率密度函数;
(2)根据机械密封寿命计算模型和机械密封泄漏故障数据驱动模型,确定的基于故障数据的机械密封寿命单点值:其中
正态分布模型的寿命预测单点值:
θ=E(T)=μ μ期望值
对数正态分布模型的寿命预测单点值:
指数分布模型的寿命预测单点值:
两参数威布尔分布模型的寿命预测单点值:
(3)根据统计学方法和机械密封泄漏故障数据驱动模型,得到不同数据驱动模型下机械密封的寿命预测区间值:
正态分布模型的寿命预测区间值:
式中,zα/2为标准正态分布的α/2分位点,该值可查阅标准正态分位表;n为泄漏故障间隔时间个数;
式中,zα/2为标准正态分布的α/2分位点,该值可查阅标准正态分位表;n为泄漏故障间隔时间个数;
式中,A1,A2,ω1,ω2为统计参数;Γ为伽玛函数值,可通过查阅伽玛函数表获取。
上面各模型的寿命预测区间值的可靠度均为:1-α。
本发明的在役转动设备机械密封泄漏故障预测方法,若设备机械密封的泄漏故障数据,无法用正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型建模,则建立故障率-时间曲线,通过单值预测方法计算机械密封的剩余寿命。单值预测方法计算机械密封的剩余寿命,即将故障率发生短暂升高时对应的时间t′作为机械密封发生泄漏失效的寿命。如图3所示,泄漏故障数据在0-T时间段内缓慢下降,整体上位于故障率曲线的前期阶段,在t′时刻发生故障率短暂升高,之后进入稳定耗损期,该部分无法构建数据驱动模型,但从安全角度考虑,本发明中将故障率发生短暂升高的时间T作为机械密封发生泄漏失效的寿命。
下面给出具体实例
本发明的实例是基于高温离心泵机械密封的历史故障数据,预测其发生泄漏故障的时间周期。实例中涉及的高温离心泵已稳定运行一段时间,已进入偶然失效期,可以采用数据驱动模型进行预测。详细如下:
(1)机械密封泄漏故障数据收集整理
共收集高温离心泵自运行以来的33条机械密封泄漏故障数据,经整理后如表1所示,运行时间为机械密封泄漏失效时间点和投入运行时间点之间的差值。经确认故障类型全部为关联故障,均需纳入故障收集中。
表1机械密封泄漏故障数据
序号 | t1 | t2 | t3 | t4 | t5 | t6 | t7 | t8 | t9 |
运行时间/h | 20 | 45 | 70 | 96 | 120 | 146 | 168 | 196 | 218 |
序号 | t10 | t11 | t12 | t13 | t14 | t15 | t16 | t17 | t18 |
运行时间/h | 226 | 266 | 325 | 329 | 346 | 367 | 374 | 405 | 425 |
序号 | t19 | t20 | t21 | t22 | t23 | t24 | t25 | t26 | t27 |
运行时间/h | 465 | 471 | 493 | 538 | 545 | 559 | 580 | 600 | 619 |
序号 | t28 | t29 | t30 | t31 | t32 | t33 | |||
运行时间/h | 714 | 726 | 901 | 965 | 1081 | 1200 |
当泄漏故障数据量较少时,采用经验分布函数法整理故障数据,为减小误差,采用中位秩公式近似计算故障累积失效概率Fn(ti),
Fn(ti)=(i-0.3)/(n+4) (4)
以ti为横坐标、F(ti)为纵坐标绘制运行时间分布散点图,如图4所示。
(2)机械密封泄漏故障数据驱动模型的建立
(a)模型参数反演
①假设高温离心泵机械密封故障数据服从指数分布,F(t)=1-e-λt,采用最小二乘法反演模型参数λ,得到:
经计算,得到λ=0.0019892,拟合得到的指数模型曲线同故障数据的对比如图5所示。
经计算,得到m=1.00329,η=522.0687。拟合得到的指数模型曲线同故障数据的对比如图6所示。
(b)模型参数验证
采用K-S检验法验证模型假设的准确性。其中:
显著度为0.1时,Dn,α=0.178,Dn<Dn,α,因此假设成立,泄漏故障数据符合指数模型分布。
显著度为0.1时,Dn,α=0.178,Dn<Dn,α,因此假设成立,泄漏故障数据符合指数模型分布。
(3)模型优化
高温离心泵机械密封泄漏故障数据,同时符合指数模型分布和威布尔模型分布,因此采用灰关联分析法确定最优模型。按照式计算分别得到两个模型的关联度参量r(X1,X2)如下:
指数模型下r(X1,X2)=0.5206。
威布尔模型下r(X1,X2)=0.5609。
因此,威布尔模型同故障数据的关联度最大,即该高温离心泵机械密封的故障数据符合威布尔分布模型,
(4)可靠性寿命预测
高温离心泵机械密封的数据驱动模型确定后,通过模型预测机械密封在当前运行状态下的可靠性寿命。对于两参数威布尔模型分布,机械密封发生泄漏的平均寿命周期为
参考文献(如专利/论文/标准)
[1]孙见君.机械密封泄漏预测理论及其应用研究.南京工业大学,2006
[2]孙见君,顾伯勤,魏龙,等.接触式机械密封寿命预测方法.化工学报,2008,59(12):3095-3100
[3]张尔卿,傅攀,陈侃,等.机械密封端面接触状态的声发射监测方法.润滑与密封,2014(8):8-13
[4]张尔卿.机械密封端面状态监测及寿命预测关键技术研究.西南交通大学,2015
[5]SSGoilkar,HHirani.Designanddevelopmentofatestsetupforonlinewearmonitoringofmechanicalface sealsusingatorquesensor.TribologyTransactions,2009,52:47-58
[6]TArnold,CFone.Mechanicalsealperformanceandrelatedcalculations.Proceedingsofthetwenty-sixth internationalpumpuserssymposium,2010
[7]周剑锋,顾伯勤.基于人工神经网络的机械密封寿命预测.流体机械,2006,34(3):19-23
[8]魏龙,孙见君.机械密封的可靠性分析.能源化工,2002,23(3):16-18
[9]龚碧颖,徐峰,龙云飞.核电厂密封段加速寿命试验研究.装备环境工程,2012,09(3):111-114
[10]王坚强.关于灰色绝对关联计算模型的探讨.数学理论与应用,2000(1):103-108
Claims (8)
1.一种在役转动设备机械密封泄漏故障预测方法,其特征在于,包括如下步骤:
1)泄漏故障数据收集和整理,包括关联故障和非关联故障;
2)建立机械密封泄漏故障数据驱动模型,包括基于在役转动设备机械密封的运行故障数据,分别建立:正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型,并进行模型参数反演和参数检验,得到一个机械密封泄漏故障数据驱动模型;
3)对机械密封泄漏故障数据驱动模型进行优化;
是选择相关指数法或灰关联分析法对机械密封泄漏故障数据驱动模型进行优化,其中,
所述的相关指数法,是通过计算相关指数R来衡量,R值越接近1,说明模型精度越高,相关指数R通过下式计算:
所述的灰关联分析法,是通过计算关联度参量r(X1,X2)衡量,其中,关联度参量值越大,表明建立的模型越接近故障历史数据,模型精度则更高,关联度参量通过下式计算:
式中:a和b为故障数据区间的起点和终点;ξ(tk)为各时间点的关联系数;Δtk为两时间点之间的时间间隔;
4)根据机械密封泄漏故障数据驱动模型,预测在役转动设备机械密封的可靠性寿命;包括:
(1)首先给出机械密封寿命计算模型如下:
式中,θ为机械密封寿命值,单位为h;t为机械密封运行时间,单位为h;f(t)为概率密度函数;T为总运行时间;
(2)根据机械密封寿命计算模型和机械密封泄漏故障数据驱动模型,确定的基于故障数据的机械密封寿命单点值:其中
正态分布模型的寿命预测单点值:
θ=E(T)=μ,μ期望值
对数正态分布模型的寿命预测单点值:
指数分布模型的寿命预测单点值:
两参数威布尔分布模型的寿命预测单点值:
(3)根据统计学方法和机械密封泄漏故障数据驱动模型,得到不同数据驱动模型下机械密封的寿命预测区间值:
正态分布模型的寿命预测区间值:
式中,zα/2为标准正态分布的α/2分位点,通过值查阅标准正态分位表得到;n为泄漏故障间隔时间个数;
式中,A1,A2,ω1,ω2为统计参数;Γ为伽玛函数值,通过查阅伽玛函数表获取;
上面各模型的寿命预测区间值的可靠度均为:1-α。
2.根据权利要求1所述的在役转动设备机械密封泄漏故障预测方法,其特征在于,步骤1)所述的泄漏故障数据收集,包括收集在役转动设备上的机械密封投入运行时间点、泄漏失效时间点。
3.根据权利要求1所述的在役转动设备机械密封泄漏故障预测方法,其特征在于,步骤1)中所述的关联故障,是指机械密封在规定的条件下使用,由于运行环境的温度、压力和介质因素造成机械密封部件磨损或劣化而引起的故障,以及在计算可靠性特征量时必须纳入的故障;所述的非关联故障,是由于误用或维修不当以及外界因素引起的故障,在计算可靠性特征量时不应纳入的故障。
4.根据权利要求1所述的在役转动设备机械密封泄漏故障预测方法,其特征在于,步骤1)中所述的泄漏故障数据整理,是采用等时间间隔频次法或经验分布函数法绘制泄漏故障间隔时间散点图,其中,所述泄漏故障间隔时间ti由机械密封泄漏失效时间点减去投入运行时间点得到;所述的等时间间隔频次法,是将统计总时间划分为若干等时间区间,以时间区间中间值为横坐标,对应时间区间内的故障发生概率为纵坐标,得到故障间隔时间概率密度函数f(ti)的散点图;所述的经验分布函数法,是将整理的泄漏故障间隔时间按从小到大的顺序排列,以泄漏故障间隔时间ti为横坐标,以故障间隔时间累积分布概率Fn(ti)为纵坐标,得到故障间隔时间累积分布概率Fn(ti)的散点图,Fn(ti)通过经验分布函数公式Fn(ti)=(i-0.3)/(n+0.4)计算得到,其中i=1,2,3,…,n,n为泄漏故障间隔时间的个数。
6.根据权利要求5所述的在役转动设备机械密封泄漏故障预测方法,其特征在于,步骤2)中所述的模型参数反演,是采用图估计法或矩估计法或最大似然估计法或最小二乘法分别获得期望值μ、标准差σ、幂指数常数λ、形状参数m和尺度参数η的值。
7.根据权利要求5所述的在役转动设备机械密封泄漏故障预测方法,其特征在于,步骤2)中所述的参数检验,是采用K-S检验法分别对所建立的正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型进行参数检验,具体是将n个泄漏故障间隔时间按照由小到大的次序排列,根据假设的分布,计算每个数据对应的函数值F0(ti),与泄漏故障数据整理得到的经验分布值Fn(ti)比较,差值的最大绝对值作为检验统计量Dn的值,与K-S检验表中给出的临界值Dn,α进行比较,如果满足Dn<Dn,α,则模型通过验证,通过验证的模型,即为机械密封泄漏故障数据驱动模型,当没有模型通过验证时,要重新进行模型参数反演,再进行参数检验,直至模型通过验证。
8.根据权利要求1所述的在役转动设备机械密封泄漏故障预测方法,其特征在于,若设备机械密封的泄漏故障数据,无法用正态分布模型、对数正态分布模型、指数分布模型和两参数威布尔分布模型建模,则建立故障率-时间曲线,通过单值预测方法计算机械密封的剩余寿命,单值预测方法计算机械密封的剩余寿命,即将故障率发生短暂升高时对应的时间t′作为机械密封发生泄漏失效的寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811177981.1A CN109325629B (zh) | 2018-10-10 | 2018-10-10 | 在役转动设备机械密封泄漏故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811177981.1A CN109325629B (zh) | 2018-10-10 | 2018-10-10 | 在役转动设备机械密封泄漏故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325629A CN109325629A (zh) | 2019-02-12 |
CN109325629B true CN109325629B (zh) | 2022-01-07 |
Family
ID=65261855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811177981.1A Active CN109325629B (zh) | 2018-10-10 | 2018-10-10 | 在役转动设备机械密封泄漏故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325629B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109991314B (zh) * | 2019-03-11 | 2020-12-29 | 清华大学 | 基于机器学习的机械密封状态判断方法、装置 |
CN110083968B (zh) * | 2019-05-08 | 2022-09-27 | 中国船舶重工集团公司第七0三研究所 | 基于修正气封泄露量影响数值模型的压气机特性预测方法 |
CN110516339B (zh) * | 2019-08-21 | 2022-03-22 | 西北工业大学 | 基于Adaboost算法的多失效模式下密封结构可靠性评估方法 |
CN111275311B (zh) * | 2020-01-17 | 2023-06-30 | 中密控股股份有限公司 | 干气密封故障诊断及失效分析方法、系统及计算机存储介质 |
CN112100770A (zh) * | 2020-09-09 | 2020-12-18 | 东台市光明机械密封有限公司 | 一种机械密封泄漏故障预测方法 |
CN112131797B (zh) * | 2020-09-28 | 2024-02-02 | 衢州学院 | 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法 |
CN112068065B (zh) * | 2020-10-12 | 2022-06-21 | 武汉格蓝若智能技术有限公司 | 一种电压互感器状态预警方法、装置及存储介质 |
CN112257253A (zh) * | 2020-10-19 | 2021-01-22 | 成都航天科工大数据研究院有限公司 | 一种基于Bayes的产品工业寿命预测方法、装置及电子设备 |
CN114441513B (zh) * | 2020-11-03 | 2024-02-09 | 中国石油化工股份有限公司 | 一种含硫化氢设备泄漏扩散距离的估算方法 |
CN112528510B (zh) * | 2020-12-17 | 2022-05-27 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于生灭过程模型的可修航材备件预测方法 |
CN112632773B (zh) * | 2020-12-21 | 2024-04-05 | 北京华能新锐控制技术有限公司 | 一种风电机组可靠性预测方法 |
WO2023204769A2 (en) * | 2022-04-22 | 2023-10-26 | Nanyang Technological University | System and method for performing statistical failure modelling |
CN116028833A (zh) * | 2023-02-07 | 2023-04-28 | 斯润天朗(合肥)科技有限公司 | 一种借助统计推断的霍尔电流传感器突发故障预测方法 |
CN116956638B (zh) * | 2023-09-12 | 2023-12-19 | 中国人民解放军63921部队 | 一种设备寿命数据联合拟合检验分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102179722A (zh) * | 2010-12-20 | 2011-09-14 | 西安瑞特快速制造工程研究有限公司 | 基于比例故障率模型的数控机床运行可靠性评估方法 |
CN102854461A (zh) * | 2012-08-24 | 2013-01-02 | 中国电力科学研究院 | 一种开关设备发生故障的概率预测方法及其系统 |
CN102981452A (zh) * | 2012-12-28 | 2013-03-20 | 吉林大学 | 数控机床三类功能部件的可靠性建模与可靠性评估方法 |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
CN106874582A (zh) * | 2017-01-25 | 2017-06-20 | 吉林大学 | 一种电主轴加速寿命试验时间设计方法 |
CN107273688A (zh) * | 2017-06-16 | 2017-10-20 | 山东万腾电子科技有限公司 | 基于原始故障数据的设备寿命与健康度监控方法及系统 |
CN107944571A (zh) * | 2017-11-09 | 2018-04-20 | 华北电力大学(保定) | 一种电力变压器剩余使用寿命预测方法 |
CN108108542A (zh) * | 2017-12-14 | 2018-06-01 | 河北工业大学 | 低压成套开关设备的寿命预测方法 |
-
2018
- 2018-10-10 CN CN201811177981.1A patent/CN109325629B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102179722A (zh) * | 2010-12-20 | 2011-09-14 | 西安瑞特快速制造工程研究有限公司 | 基于比例故障率模型的数控机床运行可靠性评估方法 |
CN102854461A (zh) * | 2012-08-24 | 2013-01-02 | 中国电力科学研究院 | 一种开关设备发生故障的概率预测方法及其系统 |
CN102981452A (zh) * | 2012-12-28 | 2013-03-20 | 吉林大学 | 数控机床三类功能部件的可靠性建模与可靠性评估方法 |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
CN106874582A (zh) * | 2017-01-25 | 2017-06-20 | 吉林大学 | 一种电主轴加速寿命试验时间设计方法 |
CN107273688A (zh) * | 2017-06-16 | 2017-10-20 | 山东万腾电子科技有限公司 | 基于原始故障数据的设备寿命与健康度监控方法及系统 |
CN107944571A (zh) * | 2017-11-09 | 2018-04-20 | 华北电力大学(保定) | 一种电力变压器剩余使用寿命预测方法 |
CN108108542A (zh) * | 2017-12-14 | 2018-06-01 | 河北工业大学 | 低压成套开关设备的寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
"Design and development of a test setup for online wear monitoring of mechanical face seals using a torque sensor";Shashikant S. Goilkar等;《Tribology Transactions》;20091231;全文 * |
"基于人工神经网络的机械密封寿命预测";周剑锋等;《流体机械》;20060330;第34卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109325629A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325629B (zh) | 在役转动设备机械密封泄漏故障预测方法 | |
Zhu et al. | Lubrication oil condition monitoring and remaining useful life prediction with particle filtering | |
Ma et al. | Engineering‐driven performance degradation analysis of hydraulic piston pump based on the inverse Gaussian process | |
Eker et al. | Physics-based prognostic modelling of filter clogging phenomena | |
Li et al. | A numerical approach for predicting the remaining useful life of an aviation hydraulic pump based on monitoring abrasive debris generation | |
CN203939580U (zh) | 涡轮机润滑油分析仪设备 | |
Qiu et al. | Remaining useful life estimation for rolling bearing with SIOS-based indicator and particle filtering | |
Song et al. | Multifractional and long-range dependent characteristics for remaining useful life prediction of cracking gas compressor | |
Zhou et al. | Investigation on stress microcycles and mild wear mechanism in gear contact fatigue | |
CN109783832B (zh) | 一种基于贝叶斯修正的液压泵性能退化建模方法 | |
Chen et al. | Accelerated life test for reliability evaluation of pneumatic cylinders | |
CN117520960A (zh) | 基于XGBoost和特征组合的轴承故障诊断方法 | |
Kundu et al. | A hybrid prognosis approach for life prediction of gears subjected to progressive pitting failure mode | |
Stetter et al. | Degradation modelling for health monitoring systems | |
Xu et al. | Modeling and simulation of aero-hydraulic pump wear failure | |
CN115146451A (zh) | 一种油液滤芯剩余寿命预测方法及装置 | |
John et al. | Predictive modelling of pump noise using multi-linear regression and random-forest models-via optimal data splitting | |
Srivyas et al. | Study of various maintenance approaches types of failure and failure detection techniques used in hydraulic pumps: a review | |
Wang et al. | Research on early warning of rolling bearing wear failure based on empirical mode decomposition | |
Gong et al. | Fatigue life prediction of screw blade in screw sand washing machine under random load with gauss distribution | |
Pang et al. | A remaining useful life prediction and maintenance decision optimal model based on Gamma process | |
Nabila et al. | Gamma process with covariets and remaining useful life improvement in an actuator | |
Mohapatra et al. | A 3-D CFD Investigation of Ball Bearing Weir Geometries and Design Considerations for Lubrication | |
Guoqing et al. | Bearing fault prediction system design based on SPC | |
CN115640652B (zh) | 一种轴向柱塞泵剩余寿命预测方法 |
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 |