CN110925182B - 热轧产线除鳞泵振动劣化的预警方法 - Google Patents

热轧产线除鳞泵振动劣化的预警方法 Download PDF

Info

Publication number
CN110925182B
CN110925182B CN201911216119.1A CN201911216119A CN110925182B CN 110925182 B CN110925182 B CN 110925182B CN 201911216119 A CN201911216119 A CN 201911216119A CN 110925182 B CN110925182 B CN 110925182B
Authority
CN
China
Prior art keywords
vibration
working condition
value
reference working
descaling
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
Application number
CN201911216119.1A
Other languages
English (en)
Other versions
CN110925182A (zh
Inventor
孟坤荫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Baosteel Industry Technological Service Co Ltd
Original Assignee
Shanghai Baosteel Industry Technological Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Baosteel Industry Technological Service Co Ltd filed Critical Shanghai Baosteel Industry Technological Service Co Ltd
Priority to CN201911216119.1A priority Critical patent/CN110925182B/zh
Publication of CN110925182A publication Critical patent/CN110925182A/zh
Application granted granted Critical
Publication of CN110925182B publication Critical patent/CN110925182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/10—Other safety measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种热轧产线除鳞泵振动劣化的预警方法，本方法通过在线振动监测系统采集除鳞泵振动波形信号并进行时域、频域分析计算，并采集除鳞泵工况参数；确定除鳞系统的每一个出口压力值为一种参考工况，统计除鳞泵在不同参考工况下的振动值分布区间，将该分布区间的上限值作为报警阈值，细分每种工况下的振动值分布区间并计算分布概率，在除鳞泵运行过程中，监测振动值并记录每种参考工况下振动值落入细分分布区间的数量，定期统计监测振动值落于细分分布区间的个数，当符合一定条件后，判定除鳞泵振动值有上升趋势，在线振动监测系统给出振动预警。本方法从振动阈值和振动趋势两方面进行预警，提高预警的准确性，确保热轧产线的正常运行。

Description

热轧产线除鳞泵振动劣化的预警方法
技术领域
本发明涉及检测和诊断技术领域，尤其涉及一种热轧产线除鳞泵振动劣化的预警方法。
背景技术
除鳞泵机组是热轧产线的重要设备，除鳞泵机组的振动稳定性关系到整个热轧产线能否正常运行，为实时把握除鳞泵机组振动状态，在振动劣化前准确、及时预警，该类机组都安装有在线振动监测系统。传统的振动预警方法是将报警阈值预先设定到监测系统中，通过振动监测值与报警阈值的比较来实现报警；其适用工况范围有限，不能在故障发生的早期实现预警，若为了使监测系统实现早期预警而将报警阈值调低，又会因为工况的变化导致实时采集的监测数据不断超过报警阈值，发生误报警，影响热轧产线的正常运行。
发明内容
本发明所要解决的技术问题是提供一种热轧产线除鳞泵振动劣化的预警方法，本方法克服传统除鳞泵在线振动监测系统报警的缺陷，本方法从振动阈值和振动趋势两方面进行预警，利用振动历史数据进行自学习，更新振动报警阈值，提高预警的准确性，确保热轧产线的正常运行。
为解决上述技术问题，本发明热轧产线除鳞泵振动劣化的预警方法包括如下步骤：
步骤一、通过在线振动监测系统采集除鳞泵两侧轴瓦的垂直、水平、轴向的振动波形信号并进行时域、频域分析计算，同时采集工况参数，工况参数包括除鳞泵转速、入口压力、出口压力；
步骤二、选择热轧产线除鳞系统出口压力作为除鳞泵振动预警的参考工况，为了准确预警，在线振动监测系统采集热轧产线除鳞系统的每一个出口压力值Pi，i＝1,2,…,m，其中，每一个出口压力值均作为一种参考工况；
步骤三、确定每种参考工况下的振动报警阈值，利用机组正常状态下的历史振动数据和出口压力数据，涵盖除鳞泵的全部动态正常运行范围，统计除鳞泵在不同参考工况下的振动值分布区间，将该分布区间的上限值作为报警阈值，
其中，第i种参考工况下的振动值分布区间为[vi_min,vi_max]，以vi_max作为第i种参考工况的振动报警阈值；
步骤四、划分每种工况下的振动值分布区间并计算分布概率，将每种工况下的振动分布区间按振动值大小划分为三个区间，并计算细分后的每个区间的振动值分布概率，
第i种参考工况的振动值第一分布区间为：[vi_min,vi_min+vi]，
第i种参考工况的振动值第二分布区间为：[vi_min+vi,vi_min+2vi]，
第i种参考工况的振动值第三分布区间为：[vi_min+2vi,vi_min+3vi]，其中，
Figure GDA0003845070260000021
第i种参考工况下的振动值在第一分布区间的概率为fi1，
第i种参考工况下的振动值在第二分布区间的概率为fi2，
第i种参考工况下的振动值在第三分布区间的概率为fi3；
步骤五、在除鳞泵运行过程中，监测振动值并记录每种参考工况下振动值落入上述分布区间的数量，
设定：Ni为第i种参考工况下的振动值监测个数；
Ki是第i种参考工况下的监测振动值落于第一分布区间的个数；
Li是第i种参考工况下的监测振动值落于第二分布区间的个数；
Mi是第i种参考工况下的监测振动值落于第三分布区间的个数；
步骤六、定期统计Ki和Mi，若除鳞泵两侧轴瓦垂直、水平、轴向中任意两个方向的监测振动值分布同时符合
Figure GDA0003845070260000022
且
Figure GDA0003845070260000023
就认为在第i种参考工况下，除鳞泵振动值有上升趋势，在线振动监测系统给出振动预警。
由于本发明热轧产线除鳞泵振动劣化的预警方法采用了上述技术方案，即本方法通过在线振动监测系统采集除鳞泵振动波形信号并进行时域、频域分析计算，并采集除鳞泵工况参数；确定除鳞系统的每一个出口压力值为一种参考工况，统计除鳞泵在不同参考工况下的振动值分布区间，将该分布区间的上限值作为报警阈值，细分每种工况下的振动值分布区间并计算分布概率，在除鳞泵运行过程中，监测振动值并记录每种参考工况下振动值落入细分分布区间的数量，定期统计监测振动值落于细分分布区间的个数，当符合一定条件后，判定除鳞泵振动值有上升趋势，在线振动监测系统给出振动预警。本方法克服传统除鳞泵在线振动监测系统报警的缺陷，本方法从振动阈值和振动趋势两方面进行预警，利用振动历史数据进行自学习，更新振动报警阈值，提高预警的准确性，确保热轧产线的正常运行。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明：
图1为本发明热轧产线除鳞泵振动劣化的预警方法流程框图。
具体实施方式
实施例如图1所示，本发明热轧产线除鳞泵振动劣化的预警方法包括如下步骤：
步骤一、通过在线振动监测系统采集除鳞泵两侧轴瓦的垂直、水平、轴向的振动波形信号并进行时域、频域分析计算，同时采集工况参数，工况参数包括除鳞泵转速、入口压力、出口压力；
步骤二、选择热轧产线除鳞系统出口压力作为除鳞泵振动预警的参考工况，为了准确预警，在线振动监测系统采集热轧产线除鳞系统的每一个出口压力值Pi i＝1,2,…,m，其中，每一个出口压力值均作为一种参考工况；
由于除鳞泵振动与运行工况紧密相关，预警要考虑工况差异，不同的工况分别对应不同的预警值；在除鳞泵运行时，每一种工况由多类参数组合而成，而且这些参数还不是影响除鳞泵振动的全部因素，如果划分工况时将所有类别的工况参数都加入，会造成工况数量多且不利于准确预警；
考虑除鳞泵的功能是为除鳞系统输出一定压力的除鳞水，不管输出过程中其它工况参数如何变化，都是为了满足除鳞系统输出管道的出口压力需求，而且大量现场数据分析表明，除鳞泵的振动会随除鳞系统出口压力变化而变化，因此本方法选择除鳞系统出口压力作为除鳞泵振动预警的参考工况；
步骤三、确定每种参考工况下的振动报警阈值，利用机组正常状态下的历史振动数据和出口压力数据，涵盖除鳞泵的全部动态正常运行范围，统计除鳞泵在不同参考工况下的振动值分布区间，将该分布区间的上限值作为报警阈值，
其中，第i种参考工况下的振动值分布区间为[vi_min,vi_max]，以vi_max作为第i种参考工况的振动报警阈值；
步骤四、划分每种工况下的振动值分布区间并计算分布概率，将每种工况下的振动分布区间按振动值大小划分为三个区间，并计算细分后的每个区间的振动值分布概率，
第i种参考工况的振动值第一分布区间为：[vi_min,vi_min+vi]，
第i种参考工况的振动值第二分布区间为：[vi_min+vi,vi_min+2vi]，
第i种参考工况的振动值第三分布区间为：[vi_min+2vi,vi_min+3vi]，其中，
Figure GDA0003845070260000041
第i种参考工况下的振动值在第一分布区间的概率为fi1，
第i种参考工况下的振动值在第二分布区间的概率为fi2，
第i种参考工况下的振动值在第三分布区间的概率为fi3；
步骤五、在除鳞泵运行过程中，监测振动值并记录每种参考工况下振动值落入上述分布区间的数量，
设定：Ni为第i种参考工况下的振动值监测个数；
Ki是第i种参考工况下的监测振动值落于第一分布区间的个数；
Li是第i种参考工况下的监测振动值落于第二分布区间的个数；
Mi是第i种参考工况下的监测振动值落于第三分布区间的个数；
步骤六、定期统计Ki和Mi，若除鳞泵两侧轴瓦垂直、水平、轴向中任意两个方向的监测振动值分布同时符合
Figure GDA0003845070260000042
且
Figure GDA0003845070260000043
就认为在第i种参考工况下，除鳞泵振动值有上升趋势，在线振动监测系统给出振动预警。
本方法的核心在于确定除鳞泵振动预警的参考工况，利用除鳞泵正常状态下的振动历史数据，统计出除鳞泵在不同工况下振动值的分布区间，将该分布区间的上限值作为报警阈值，同时监测除鳞泵的振动变化趋势，当除鳞泵振动有上升趋势时预警。本方法从振动阈值和振动趋势两方面进行预警，利用除鳞泵振动历史数据进行自学习，更新振动报警阈值，提高预警准确性。
与传统预警方法比较，本方法不仅针对振动值进行预警，同时还监测设备振动变化趋势，弥补常规报警方式在缓变故障预警上的不足，可有效避免缓变性振动故障的发生；且具有自学习功能，使得预警结果更加精确。

Claims (1)

1.一种热轧产线除鳞泵振动劣化的预警方法，其特征在于本方法包括如下步骤：
步骤一、通过在线振动监测系统采集除鳞泵两侧轴瓦的垂直、水平、轴向的振动波形信号并进行时域、频域分析计算，同时采集工况参数，工况参数包括除鳞泵转速、入口压力、出口压力；
步骤二、选择热轧产线除鳞系统出口压力作为除鳞泵振动预警的参考工况，为了准确预警，在线振动监测系统采集热轧产线除鳞系统的每一个出口压力值Pi，i＝1,2,…,m，其中，每一个出口压力值均作为一种参考工况；
步骤三、确定每种参考工况下的振动报警阈值，利用机组正常状态下的历史振动数据和出口压力数据，涵盖除鳞泵的全部动态正常运行范围，统计除鳞泵在不同参考工况下的振动值分布区间，将该分布区间的上限值作为报警阈值，
其中，第i种参考工况下的振动值分布区间为[vi_min,vi_max]，以vi_max作为第i种参考工况的振动报警阈值；
步骤四、划分每种工况下的振动值分布区间并计算分布概率，将每种工况下的振动分布区间按振动值大小划分为三个区间，并计算细分后的每个区间的振动值分布概率，
第i种参考工况的振动值第一分布区间为：[vi_min,vi_min+vi]，
第i种参考工况的振动值第二分布区间为：[vi_min+vi,vi_min+2vi]，
第i种参考工况的振动值第三分布区间为：[vi_min+2vi,vi_min+3vi]，其中，
Figure FDA0003845070250000011
第i种参考工况下的振动值在第一分布区间的概率为fi1，
第i种参考工况下的振动值在第二分布区间的概率为fi2，
第i种参考工况下的振动值在第三分布区间的概率为fi3；
步骤五、在除鳞泵运行过程中，监测振动值并记录每种参考工况下振动值落入上述分布区间的数量，
设定：Ni为第i种参考工况下的振动值监测个数；
Ki是第i种参考工况下的监测振动值落于第一分布区间的个数；
Li是第i种参考工况下的监测振动值落于第二分布区间的个数；
Mi是第i种参考工况下的监测振动值落于第三分布区间的个数；
步骤六、定期统计Ki和Mi，若除鳞泵两侧轴瓦垂直、水平、轴向中任意两个方向的监测振动值分布同时符合
Figure FDA0003845070250000021
且
Figure FDA0003845070250000022
就认为在第i种参考工况下，除鳞泵振动值有上升趋势，在线振动监测系统给出振动预警。
CN201911216119.1A 2019-12-02 2019-12-02 热轧产线除鳞泵振动劣化的预警方法 Active CN110925182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911216119.1A CN110925182B (zh) 2019-12-02 2019-12-02 热轧产线除鳞泵振动劣化的预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911216119.1A CN110925182B (zh) 2019-12-02 2019-12-02 热轧产线除鳞泵振动劣化的预警方法

Publications (2)

Publication Number Publication Date
CN110925182A CN110925182A (zh) 2020-03-27
CN110925182B true CN110925182B (zh) 2022-12-27

Family

ID=69847351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911216119.1A Active CN110925182B (zh) 2019-12-02 2019-12-02 热轧产线除鳞泵振动劣化的预警方法

Country Status (1)

Country Link
CN (1) CN110925182B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114135477B (zh) * 2021-10-11 2024-04-02 昆明嘉和科技股份有限公司 一种机泵设备状态监测动态阈值预警方法

Citations (6)

* Cited by examiner, † Cited by third party
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
CN202031825U (zh) * 2010-04-09 2011-11-09 上海宝钢工业检测公司 热轧除鳞泵设备状态在线监测装置
CN102831325A (zh) * 2012-09-04 2012-12-19 北京航空航天大学 一种基于高斯过程回归的轴承故障预测方法
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统
CN107796507A (zh) * 2017-09-18 2018-03-13 洛阳双瑞精铸钛业有限公司 一种换热机组振动状态监测平台
CN108984893A (zh) * 2018-07-09 2018-12-11 北京航空航天大学 一种基于梯度提升方法的趋势预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7027953B2 (en) * 2002-12-30 2006-04-11 Rsl Electronics Ltd. Method and system for diagnostics and prognostics of a mechanical system

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN202031825U (zh) * 2010-04-09 2011-11-09 上海宝钢工业检测公司 热轧除鳞泵设备状态在线监测装置
CN102831325A (zh) * 2012-09-04 2012-12-19 北京航空航天大学 一种基于高斯过程回归的轴承故障预测方法
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统
CN107796507A (zh) * 2017-09-18 2018-03-13 洛阳双瑞精铸钛业有限公司 一种换热机组振动状态监测平台
CN108984893A (zh) * 2018-07-09 2018-12-11 北京航空航天大学 一种基于梯度提升方法的趋势预测方法

Also Published As

Publication number Publication date
CN110925182A (zh) 2020-03-27

Similar Documents

Publication Publication Date Title
CN110587377B (zh) 一种在线监测铣削加工刀具缺损的方法
CN109783903B (zh) 一种基于时间序列的工业用水管道故障诊断方法及系统
CN105628421A (zh) 一种水电机组分工况振摆越限监测预警方法
CN108981796B (zh) 一种五位一体水力机械故障诊断方法
CN111324105B (zh) 一种基于统计量马氏距离的微小传感器故障检测和分离方法
CN112393906B (zh) 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法
CN106441896A (zh) 滚动轴承故障模式识别及状态监测的特征向量提取方法
CN113834657A (zh) 一种基于改进mset及频谱特征的轴承故障预警及诊断方法
CN108804740A (zh) 基于集成改进ica-krr算法的长输管道压力监测方法
CN106796157A (zh) 检测配送网络、特别是饮用水配送网络中的异常的方法
CN112633781B (zh) 一种基于车联网大数据的车辆能耗评价方法
CN109615126A (zh) 一种轴承剩余寿命预测方法
CN110925182B (zh) 热轧产线除鳞泵振动劣化的预警方法
CN114813124B (zh) 一种轴承故障的监测方法及装置
CN115204588A (zh) 一种引入权重因子的水泵综合健康状态评估方法
CN115131946A (zh) 一种考虑工况波动的自适应设备报警方法和系统
CN114135477A (zh) 一种机泵设备状态监测动态阈值预警方法
CN115614292A (zh) 一种立式水泵机组振动监测装置及其方法
CN111006758A (zh) 一种风力发电机组稳态振动在线趋势预测方法及趋势预测系统
CN113401758B (zh) 一种电梯门开关门故障检测方法
CN114326593A (zh) 一种刀具寿命预测系统及方法
CN113868948A (zh) 一种面向用户的动态阈值模型训练系统及方法
CN112326246A (zh) 基于周期数据及核密度估计的轴承安全状态在线监测方法
CN112926656A (zh) 一种核电厂循环水泵状态预测方法、系统及设备
CN112395550A (zh) 基于可视化特征参数矩阵的旋转机械故障预警方法

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