CN110410336A - 一种泵汽蚀状态自动识别方法 - Google Patents
一种泵汽蚀状态自动识别方法 Download PDFInfo
- Publication number
- CN110410336A CN110410336A CN201910663074.6A CN201910663074A CN110410336A CN 110410336 A CN110410336 A CN 110410336A CN 201910663074 A CN201910663074 A CN 201910663074A CN 110410336 A CN110410336 A CN 110410336A
- Authority
- CN
- China
- Prior art keywords
- pump
- cavitation
- frequency
- win
- automatic identification
- 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.)
- Granted
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
一种泵汽蚀状态自动识别方法,包括以下步骤:步骤1,采集泵振动测点信号,同时收集泵的静态参数;步骤2,计算泵的叶片通过频率;步骤3,提取相应的汽蚀指标;步骤4,进行汽蚀状态自动识别。本发明基于振动频谱分析的泵汽蚀状态自动识别方法,实现在泵汽蚀发生时进行快速识别和诊断。该方法基于汽蚀故障机理结合振动频谱分析,实现了泵汽蚀的自动识别诊断。相较于传统的耳听、人工诊断分析等方法,减少了人工参与的同时很大程度的提高泵汽蚀故障的监测诊断效率。从而及时发现汽蚀故障,减少泵汽蚀带来的损失。
Description
技术领域
本发明属于机械设备状态监测领域,特别涉及一种泵汽蚀状态自动识别方法。
背景技术
泵汽蚀是由于流动在泵中的液体由于局部压力低于在一定温度条件下液体的气化压力,则液体内的杂质、微小固体颗粒以及液体与固体接触面的缝隙中所存在的汽核,会很快生长成可见的汽泡,这些汽泡流动到高压区时破裂,对流道的金属表面产生一定的破坏作用。
泵作为广泛应用于工业领域的通用机械,其正常的运行对企业安全高效生产意义重大。频繁发生的汽蚀故障会使泵产生异常的振动、噪声,同时也会使泵的性能下降。长期运行在汽蚀状态的泵,其使用寿命会大幅下降,严重制约着安全生产。
泵汽蚀诊断识别现阶段仍以传统方法为主,如:现场人员通过耳听,或通过测量泵的流量扬程变化来判断,或通过采集泵的振动信号人工进行波形频谱分析来判断。这些方法具备一定监测诊断效果,但是第一种方法需要一定的经验知识,而且效率低;后一种方法识别的灵敏度相对较低;相较于前两种方法振动信号对汽蚀故障的监测效果较好,但人工分析效率仍然不高。
发明内容
本发明的目的在于提供一种泵汽蚀状态自动识别方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种泵汽蚀状态自动识别方法,包括以下步骤:
步骤1,通过传感器采集泵振动测点信号,同时收集泵的静态参数;
步骤2,通过步骤1中采集的速度信号和静态参数,对信号进行FFT快速傅氏变换得到信号的频谱,计算泵的叶片通过频率;
步骤3,根据泵汽蚀机理以及较高的叶片通过频率伴随着很高的随机振动引起的地平噪声抬起振动特征提取相应的汽蚀指标;
步骤4,通过判断1至2倍叶片通过频率占比和汽蚀指标阈值的大小,进行汽蚀状态自动识别。
进一步的,步骤1中具体为:根据不同的泵体结构,在相应测点安装相应的振动传感器,安装原则是靠近泵叶轮的负载位置,采集对应测点的加速度信号后进行一次积分得到该测点的速度信号;同时收集泵的关键静态属性:泵的额定转速、泵的叶片数量。
进一步的,步骤2中计算的详细步骤如下:
x(n)为采集的振动速度信号,其中n表示采样序号;对x(n)进行傅里叶变换得到;
信号x(n)的频谱序列:X(f),
其中fs为信号的采样频率,N为信号的采样点数;
泵的额定转频:f额定=泵的额定转速/60;
在频谱X(f)上,在泵的额定转频附近(f额定±1Hz)找到区间内幅值最大点X(f)=Ampmax,该点对应的频率fAmp_max即为泵的精确转频fPump_rotation
计算泵的精确转频后,泵的叶片通过频率fpass_fre=泵叶片数*fPump_rotation。
进一步的,步骤3具体包括:
1)其中第一个特征指标为1至2倍叶片通过频率占比M_ratio,计算方法如下:
其中
等式右边分子:(X(fpass_fre))2+(X(2*fpass_fre))2为1至2倍叶片通过频率能量,
等式右边分母:为频谱能量;
2)第二个特征指标为频谱窗内四分位距SpeQR,计算公式如下:
SpeQR=quantile(Xwin,75)-quantile(Xwin,25)
其中Xwin对应频谱X(f)中在频率f<500Hz内,满足X(f)>threshold1的数据,threshold1为频谱噪声水平阈值,取为频谱幅值X(f)的第5百分位数;
其中quantile表示计算数据的百分位数
quantile(Xwin,75)为计算Xwin第75百分位数;
quantile(Xwin,25)为计算Xwin第25百分位数;
3)第三个指标为频谱窗内数据长度占比N_ratio,计算方法如下:
N_ratio=len(Xwin)/len(X(f<500))
其中len表示计算数据长度
len(Xwin)为计算Xwin的数据长度
len(X(f<500))为计算X(f)中频率f<500Hz的数据长度。
进一步的,步骤4具体包括:
当1至2倍叶片通过频率占比M_ratio大于阈值threshold2(45%>threshold2≥20%),且频谱窗内四分位距SpeQR大于指定阈值threshold3(0.25>threshold3≥0.12),且频谱窗内数据长度占比N_ratio大于指定阈值threshold4(60%>threshold4≥45%)时则判断为汽蚀,否则未发生汽蚀。
其中:threshold2为1至2倍叶片通过频率能量占比水平阈值,threshold3为频谱窗内数据主要数据分布程度阈值,threshold4为频谱窗内数据量水平阈值。
与现有技术相比,本发明有以下技术效果:
本发明基于振动频谱分析的泵汽蚀状态自动识别方法,实现在泵汽蚀发生时进行快速识别和诊断。该方法基于汽蚀故障机理结合振动频谱分析,实现了泵汽蚀的自动识别诊断。相较于传统的耳听、人工诊断分析等方法,减少了人工参与的同时很大程度的提高泵汽蚀故障的监测诊断效率。从而及时发现汽蚀故障,减少泵汽蚀带来的损失。
附图说明
图1是整体流程图
图2是汽蚀的典型特征
图3是汽蚀指标图
图4是1至2倍叶片通过频率能量占比计算
图5是泵叶片通过频率计算方法
图6是频谱窗内数据长度和频谱窗内四分位距的计算方法
图7是频谱窗内数据长度占比计算方法
图8是频谱窗示意图
图9是本方法汽蚀识别效果。
具体实施方式
以下结合附图对本发明进一步说明:
请参阅图1至图8,一种泵汽蚀状态自动识别方法,包括以下步骤:
步骤1,通过传感器采集泵振动测点信号,同时收集泵的静态参数;
步骤2,通过步骤1中采集的速度信号和静态参数,对信号进行FFT快速傅氏变换得到信号的频谱,计算泵的叶片通过频率;
步骤3,根据泵汽蚀机理以及较高的叶片通过频率伴随着很高的随机振动引起的地平噪声抬起振动特征提取相应的汽蚀指标;
步骤4,通过判断1至2倍叶片通过频率占比和汽蚀指标阈值的大小,进行汽蚀状态自动识别。
步骤1中具体为:根据不同的泵体结构,在相应测点安装相应的振动传感器,安装原则是靠近泵叶轮的负载位置,采集对应测点的加速度信号后进行一次积分得到该测点的速度信号;同时收集泵的关键静态属性:泵的额定转速、泵的叶片数量。
步骤2中计算的详细步骤如下:
x(n)为采集的振动速度信号,其中n表示采样序号;对x(n)进行傅里叶变换得到;
信号x(n)的频谱序列:X(f),
其中fs为信号的采样频率,N为信号的采样点数;
泵的额定转频:f额定=泵的额定转速/60;
在频谱X(f)上,在泵的额定转频附近(f额定±1Hz)找到区间内幅值最大点X(f)=Ampmax,该点对应的频率fAmp_max即为泵的精确转频fPump_rotation
计算泵的精确转频后,泵的叶片通过频率fpass_fre=泵叶片数*fPump_rotation。
步骤3具体包括:
1)其中第一个特征指标为1至2倍叶片通过频率占比M_ratio,计算方法如下:
其中,
等式右边分子:(X(fpass_fre))2+(X(2*fpass_fre))2为1至2倍叶片通过频率能量,
等式右边分母:为频谱能量;
2)第二个特征指标为频谱窗内四分位距SpeQR,计算公式如下:
SpeQR=quantile(Xwin,75)-quantile(Xwin,25)
其中Xwin对应频谱X(f)中在频率f<500Hz内,满足X(f)>threshold1的数据,threshold1为频谱噪声水平阈值,取为频谱幅值X(f)的第5百分位数;
其中quantile表示计算数据的百分位数
quantile(Xwin,75)为计算Xwin第75百分位数;
quantile(Xwin,25)为计算Xwin第25百分位数;
3)第三个指标为频谱窗内数据长度占比N_ratio,计算方法如下:
Nratio=len(Xwin)/len(X(f<500))
其中len表示计算数据长度
len(Xwin)为计算Xwin的数据长度
len(X(f<500))为计算X(f)中频率f<500Hz的数据长度。
步骤4具体包括:
当1至2倍叶片通过频率占比M_ratio大于阈值threshold2(45%>threshold2≥20%),且频谱窗内四分位距SpeQR大于指定阈值threshold3(0.25>threshold3≥0.12),且频谱窗内数据长度占比N_ratio大于指定阈值threshold4(60%>threshold4≥45%)时则判断为汽蚀,否则未发生汽蚀。
图1为基于振动频谱分析泵汽蚀状态识别方法的整体流程图。首先在泵的靠近泵叶轮的负载位置安装振动传感器;其次输入泵的关键静态属性:泵的额定转速和泵的叶片数;然后将采集的到的振动信号进行快速傅里叶变换(FFT)得到相应的频谱;根据泵的形成机理及典型特征,在信号的频谱上提取汽蚀指标A、B、C;最后判断三个汽蚀指标是否超过了其相应的阈值,若三个指标都超过相应阈值,则判定泵发生了汽蚀,否则泵没有发生汽蚀。
图2为泵发生汽蚀的典型特征。典型的频谱特征为:较高的叶片通过频率伴随着很高的随机振动引起的地平噪声抬起。
图3为提取的三个泵汽蚀指标A、B、C,包括:泵的1至2倍叶片通过频率能量占比M_ratio、频谱窗内数据长度占比N_ratio、频谱窗内四分位距SpeQR。
图4为1至2倍叶片通过频率能量占比计算方法;1至2倍叶片通过频率能量占比M_ratio=(1至2倍叶片通过频率能量)/(频谱能量)。
图5为泵叶片通过频率计算方法,根据泵的额定转频上找到泵额定频率左右1Hz的区间内,在频谱X(f)搜寻到幅值最大点X(f)=Amp_max,该点对应的频率fAmp_max即为泵的实际转频fPump_rotation。根据泵的叶片数num计算泵叶片的通过频率fPass=num*fPump_rotation。
图6为频谱窗内数据长度和频谱窗内四分位距的计算方法。频谱窗Xwin是频谱X(f)中在频率f<500Hz内,幅值大于频谱第5百分位数的数据。频谱窗内数据的四分位距SpeQR=频谱窗内第75百分位数-频谱窗内第25百分位数。
图7为频谱窗内数据长度占比N_ratio,频谱窗内数据个数占比N_ratio=频谱窗内数据长度/频谱频率f<500Hz的数据长度。
图8为频谱窗截取示意图,频谱窗是频谱上一个频率f<500Hz且幅值大于幅值阈值threshold1的开口窗,threshold1为频谱幅值X(f)的第5百分位数。
图9为本方法实际效果,对一组汽蚀数据和其他数据混合的数据集中,计算频谱窗内数据占比N_ratio若N_ratio小于50%时,直接判定为非汽蚀;当N_ratio大于50%时,计算相应1至2倍叶片通过频率能量占比M_ratio和频谱窗内四分位距SpeQR,由图可见当M_ratio大于0.19且SpeQR大于0.13时可以很好的区分出汽蚀数据和其他数据,达到汽蚀的识别效果。
Claims (5)
1.一种泵汽蚀状态自动识别方法,其特征在于,包括以下步骤:
步骤1,通过传感器采集泵振动测点信号,同时收集泵的静态参数;
步骤2,通过步骤1中采集的速度信号和静态参数,对信号进行FFT快速傅氏变换得到信号的频谱,计算泵的叶片通过频率;
步骤3,根据泵汽蚀机理以及较高的叶片通过频率伴随着很高的随机振动引起的地平噪声抬起振动特征提取相应的汽蚀指标;
步骤4,通过判断1至2倍叶片通过频率占比和汽蚀指标阈值的大小,进行汽蚀状态自动识别。
2.根据权利要求1所述的一种泵汽蚀状态自动识别方法,其特征在于,步骤1中具体为:根据不同的泵体结构,在相应测点安装相应的振动传感器,安装原则是靠近泵叶轮的负载位置,采集对应测点的加速度信号后进行一次积分得到该测点的速度信号;同时收集泵的关键静态属性:泵的额定转速、泵的叶片数量。
3.根据权利要求1所述的一种泵汽蚀状态自动识别方法,其特征在于,步骤2中计算的详细步骤如下:
x(n)为采集的振动速度信号,其中n表示采样序号;对x(n)进行傅里叶变换得到;
信号x(n)的频谱序列:X(f),
其中fs为信号的采样频率,N为信号的采样点数;
泵的额定转频:f额定=泵的额定转速/60;
在频谱X(f)上,在泵的额定转频附近(f额定±1Hz)找到区间内幅值最大点X(f)=Ampmax,该点对应的频率fAmp_max即为泵的精确转频fPump_rotation
计算泵的精确转频后,泵的叶片通过频率fpass_fre=泵叶片数*fPump_rotation。
4.根据权利要求1所述的一种泵汽蚀状态自动识别方法,其特征在于,步骤3具体包括:
1)其中第一个特征指标为1至2倍叶片通过频率占比M_ratio,计算方法如下:
其中,
等式右边分子:(X(fpass_fre))2+(X(2*fpass_fre))2为1至2倍叶片通过频率能量,
等式右边分母:为频谱能量;
2)第二个特征指标为频谱窗内四分位距SpeQR,计算公式如下:
SpeQR=quantile(Xwin,75)-quantile(Xwin,25)
其中Xwin对应频谱X(f)中在频率f<500Hz内,满足X(f)>threshold1的数据,threshold1为频谱噪声水平阈值,取为频谱幅值X(f)的第5百分位数;
其中quantile表示计算数据的百分位数
quantile(Xwin,75)为计算Xwin第75百分位数;
quantile(Xwin,25)为计算Xwin第25百分位数;
3)第三个指标为频谱窗内数据长度占比N_ratio,计算方法如下:
N_ratio=len(Xwin)/len(X(f<500))
其中len表示计算数据长度
len(Xwin)为计算Xwin的数据长度
len(X(f<500))为计算X(f)中频率f<500Hz的数据长度。
5.根据权利要求1所述的一种泵汽蚀状态自动识别方法,其特征在于,步骤4具体包括:
当1至2倍叶片通过频率占比M_ratio大于阈值threshold2(45%>threshold2≥20%),且频谱窗内四分位距SpeQR,大于指定阈值threshold3(0.25>threshold3≥0.12),且频谱窗内数据长度占比N_ratio大于指定阈值threshold4(60%>threshold4≥45%)时则判断为汽蚀,否则未发生汽蚀;
其中:threshold2为1至2倍叶片通过频率能量占比水平阈值,threshold3为频谱窗内数据主要数据分布程度阈值,threshold4为频谱窗内数据量水平阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663074.6A CN110410336B (zh) | 2019-07-22 | 2019-07-22 | 一种泵汽蚀状态自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663074.6A CN110410336B (zh) | 2019-07-22 | 2019-07-22 | 一种泵汽蚀状态自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110410336A true CN110410336A (zh) | 2019-11-05 |
CN110410336B CN110410336B (zh) | 2021-02-02 |
Family
ID=68362434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910663074.6A Active CN110410336B (zh) | 2019-07-22 | 2019-07-22 | 一种泵汽蚀状态自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110410336B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111059066A (zh) * | 2019-12-18 | 2020-04-24 | 浙江大学 | 一种基于自相关谱和均衡平方包络谱的离心泵汽蚀状态判别方法 |
CN111307207A (zh) * | 2020-02-14 | 2020-06-19 | 南京智鹤电子科技有限公司 | 基于电压数据的机械状态检测方法和及电子设备 |
CN111751105A (zh) * | 2020-04-28 | 2020-10-09 | 浙江工业大学 | 基于振动数据功率谱的调节阀气蚀诊断方法 |
CN112067283A (zh) * | 2020-09-16 | 2020-12-11 | 浙江工业大学 | 一种基于声音功率谱的调节阀气蚀诊断系统及其诊断方法 |
CN112943639A (zh) * | 2021-04-20 | 2021-06-11 | 郑州恩普特科技股份有限公司 | 一种机泵汽蚀故障检测方法 |
CN115140282A (zh) * | 2022-05-31 | 2022-10-04 | 中国船舶重工集团公司第七一九研究所 | 抗空化推进器及推进系统 |
CN115439990A (zh) * | 2022-08-29 | 2022-12-06 | 中国联合网络通信集团有限公司 | 人孔异常确定方法、装置、存储介质和人孔 |
CN117231524A (zh) * | 2023-11-14 | 2023-12-15 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1501077A (zh) * | 2002-11-13 | 2004-06-02 | 伊顿公司 | 检测离心泵低流量/气蚀的方法和装置 |
CN102939463A (zh) * | 2010-04-05 | 2013-02-20 | 伊顿公司 | 检测泵中的汽蚀的系统和方法 |
CN203629869U (zh) * | 2013-12-19 | 2014-06-04 | 太平湾发电厂 | 水轮机空化监测与分析系统 |
-
2019
- 2019-07-22 CN CN201910663074.6A patent/CN110410336B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1501077A (zh) * | 2002-11-13 | 2004-06-02 | 伊顿公司 | 检测离心泵低流量/气蚀的方法和装置 |
CN102939463A (zh) * | 2010-04-05 | 2013-02-20 | 伊顿公司 | 检测泵中的汽蚀的系统和方法 |
CN203629869U (zh) * | 2013-12-19 | 2014-06-04 | 太平湾发电厂 | 水轮机空化监测与分析系统 |
Non-Patent Citations (2)
Title |
---|
曹玉良等: "基于深度学习的离心泵空化状态识别", 《西安交通大学学报》 * |
杨璋等: "核电厂上充泵汽蚀诊断及整治研究", 《核动力工程》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111059066A (zh) * | 2019-12-18 | 2020-04-24 | 浙江大学 | 一种基于自相关谱和均衡平方包络谱的离心泵汽蚀状态判别方法 |
CN111059066B (zh) * | 2019-12-18 | 2020-11-10 | 浙江大学 | 一种基于自相关谱和均衡平方包络谱的离心泵汽蚀状态判别方法 |
CN111307207A (zh) * | 2020-02-14 | 2020-06-19 | 南京智鹤电子科技有限公司 | 基于电压数据的机械状态检测方法和及电子设备 |
CN111751105A (zh) * | 2020-04-28 | 2020-10-09 | 浙江工业大学 | 基于振动数据功率谱的调节阀气蚀诊断方法 |
CN112067283A (zh) * | 2020-09-16 | 2020-12-11 | 浙江工业大学 | 一种基于声音功率谱的调节阀气蚀诊断系统及其诊断方法 |
CN112943639A (zh) * | 2021-04-20 | 2021-06-11 | 郑州恩普特科技股份有限公司 | 一种机泵汽蚀故障检测方法 |
CN115140282A (zh) * | 2022-05-31 | 2022-10-04 | 中国船舶重工集团公司第七一九研究所 | 抗空化推进器及推进系统 |
CN115439990A (zh) * | 2022-08-29 | 2022-12-06 | 中国联合网络通信集团有限公司 | 人孔异常确定方法、装置、存储介质和人孔 |
CN115439990B (zh) * | 2022-08-29 | 2023-09-19 | 中国联合网络通信集团有限公司 | 人孔异常确定方法、装置、存储介质和人孔 |
CN117231524A (zh) * | 2023-11-14 | 2023-12-15 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
CN117231524B (zh) * | 2023-11-14 | 2024-01-26 | 浙江嘉源和达水务有限公司 | 一种泵汽蚀状态监测诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110410336B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110410336A (zh) | 一种泵汽蚀状态自动识别方法 | |
Li et al. | An experimental study on the cavitation vibration characteristics of a centrifugal pump at normal flow rate | |
CN106761681B (zh) | 基于时序数据分析的电泵井故障实时诊断系统及方法 | |
Al-Obaidi | Detection of cavitation phenomenon within a centrifugal pump based on vibration analysis technique in both time and frequency domains | |
CN106769033B (zh) | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 | |
CN109190166B (zh) | 一种叶片泵空化判定及状态评估方法及其系统 | |
Li et al. | Statistical characteristics of suction pressure signals for a centrifugal pump under cavitating conditions | |
Mousmoulis et al. | Application of Spectral Kurtosis on vibration signals for the detection of cavitation in centrifugal pumps | |
CN101592590B (zh) | 一种转动叶片故障间接诊断技术 | |
CN109488630B (zh) | 基于谐波相对指标的离心风机转子不对中故障诊断方法 | |
US20100256953A1 (en) | System and method for determining health indicators for impellers | |
Al-Obaidi | Experimental investigation of cavitation characteristics within a centrifugal pump based on acoustic analysis technique | |
CN109030849B (zh) | 压缩机旋转失速的监测方法及装置 | |
Wu et al. | A carrier wave extraction method for cavitation characterization based on time synchronous average and time-frequency analysis | |
CN102966526B (zh) | 基于轴向振动分析的压缩机低频流体激振类故障诊断方法 | |
CN107165850A (zh) | 一种基于频域驼峰识别的轴流压气机旋转失速预警方法 | |
CN111307206B (zh) | 一种基于多源信息融合的压缩机喘振自动识别方法 | |
Grüner et al. | Instability characteristic of a single-stage centrifugal compressor exposed to dry and wet gas | |
Jami et al. | Impeller fault detection under variable flow conditions based on three feature extraction methods and artificial neural networks | |
CN110259702A (zh) | 一种离心泵运行效果判定方法 | |
EP3482081B1 (en) | Compressor anti-surge protection under wet gas conditions | |
CN117520887A (zh) | 水轮机故障风险部件的确定方法、装置、设备及存储介质 | |
Mousmoulis et al. | Vibration and acoustic emission monitoring of a centrifugal pump under cavitating operating conditions | |
CN1150400C (zh) | 叶轮机械叶片故障叶间间距监测诊断法 | |
CN109139443B (zh) | 一种基于位移信号的活塞杆故障诊断方法 |
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 |