CN111307206B - 一种基于多源信息融合的压缩机喘振自动识别方法 - Google Patents
一种基于多源信息融合的压缩机喘振自动识别方法 Download PDFInfo
- Publication number
- CN111307206B CN111307206B CN202010104942.XA CN202010104942A CN111307206B CN 111307206 B CN111307206 B CN 111307206B CN 202010104942 A CN202010104942 A CN 202010104942A CN 111307206 B CN111307206 B CN 111307206B
- Authority
- CN
- China
- Prior art keywords
- compressor
- value
- frequency
- max
- surge
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Abstract
本发明涉及一种基于多源信息融合的压缩机喘振故障自动识别方法,首先对压缩机振动数据进行频谱分析,提取振动数据频谱中压缩机喘振故障特征;同时,对压缩机运行参数进行分析,提取运行参数波动特征。最后判断压缩机振动数据频谱中压缩机喘振故障特征和运行参数大幅波动特征是否同时出现,当振动数据频谱中压缩机喘振故障特征和运行参数大幅波动特征同时出现时,判断此时压缩机出现了喘振。
Description
技术领域
本申请涉及一种基于多源信息融合的压缩机喘振自动识别方法,适用于状态监测与故障诊断的技术领域。
背景技术
压缩机在工业生产中应用广泛,在电力、石油、化工等行业中均有应用,并且在生产中起着重要作用。喘振是压缩机的一种特殊故障现象。当喘振发生时,压缩机内气流会出现大幅波动。压缩机内气流强烈的脉动和周期性振荡会造成压缩机机体、叶片等部件强烈振动,使机体、叶轮应力大大增加,噪音加剧,使整个机组发生强烈振动,并可能损坏轴承、密封等部件,进而造成机组停车或严重的生产事故。因此,工业生产中对压缩机喘振进行检测以及时识别压缩机喘振故障进而采取相应处理措施尤为必要。当压缩机发生喘振故障时,其主要特征如下:压缩机进出口流量、压力、电流等运行参数会出现大幅波动、振动加剧、出现较大噪音甚至爆音。
在振动监测方面,有通过振动波动来确认压缩机喘振故障的方法。这种方法仅通过判断振动波动来识别喘振较为片面,当振动传感器故障、线缆松动或压缩机出现其他故障时也有可能导致振动波动,单纯通过振动波动检测喘振会出现误判。此外,也有通过对振动数据进行频谱分析来判断压缩机喘振的方法。通过振动数据频谱分析的方法识别压缩机喘振主要基于压缩机喘振故障特征频率为低频成分,其特征频率通常介于0.5—20Hz之间,当振动频谱中出现低频分量即视为发生了喘振。单纯基于振动频谱分析的方法识别压缩机喘振也会造成误判。例如,当压缩机出现碰磨或支撑松动等故障时,振动频谱中也会出现低于转频的低频分量,此时若单纯依据振动频谱分析就可能误判为压缩机出现了喘振。
通过对压缩机出口压力进行FFT频谱分析并识别频谱中压缩机喘振对应的低频分量也可识别压缩机喘振。此外,也可以单纯通过判断压缩机压力、流量、电流等运行参数的变化率或波动率来识别压缩机喘振故障,如:对压缩机压力或流量波动进行计数,当某段时间内压力或流量变化率数超出某一阈值时判断压缩机发生了喘振;通过对压缩机运行压力进行在线监测,观察压缩机压力曲线波动特性,当压缩机压力曲线出现周期性波动时,判断压缩机出现喘振。单纯通过运行流量、压力、电流等运行参数判断压缩机喘振对运行参数的可靠性具有较大依赖性,如流量或压力传感器损坏或传感器接线松动等原因均会导致输出的运行参数存在波动,此时会误判为喘振故障。并且,通过人为观察运行参数变化来判断压缩机喘振的方法无法做到压缩机喘振故障自动识别,依然依赖专家分析。此外,当压缩机驱动电机出现电气故障时,其电流也会出现周期性波动,此时也可能误判为喘振。
由此可见,上述压缩机喘振故障识别方法均存在一定的不足,实践中不能准确可靠地实现压缩机喘振故障的自动识别。
发明内容
本发明的目的是提供一种基于多源信息融合的压缩机喘振故障自动识别方法,实现压缩机喘振故障准确可靠地自动识别。本发明设计的方法分别对振动数据和运行参数数据进行分析,同时提取喘振发生时所对应的振动特征及运行参数特征,并综合利用所提取的振动特征和运行参数特征识别压缩机喘振故障,喘振故障识别准确率更高,实用性更强。
本申请涉及一种基于多源信息融合的压缩机喘振故障自动识别方法,包括以下步骤:
(1)对压缩机一段时间窗口内的振动数据进行频谱分析;
(2)计算频谱中低于压缩机转频的低频段内幅值的最大值和该最大值对应的频率大小;
(3)在以幅值最大值对应的频率大小为中心向左右延伸的某一频段范围内计算频谱的幅值均值;
(4)分别计算压缩机一段时间窗口内运行参数的均值和标准差;
(5)如果频谱分析得到的幅值最大值除以幅值均值大于第一预设阈值,且幅值最大值大于第二预设阈值,同时计算得到的压缩机各运行参数的标准差除以均值均大于第三预设阈值,则判断压缩机出现喘振。
其中,步骤(3)中,选择的频段范围大小可以是采样频率除以数据点数得到数值的10-100倍;步骤(4)中,运行参数可以包括进口压力、出口压力、流量、电流中的至少一个;步骤(5)中,第一预设阈值可以设置为3-6;步骤(2)中,幅值最大值的计算频段可以选择为压缩机转频的0.1-0.8倍频率范围。
另一方面,本申请的一种基于多源信息融合的压缩机喘振故障自动识别方法,包括以下步骤:
(1)对压缩机一段时间窗口内的振动数据进行频谱分析;
(2)计算频谱中0.1R-0.8R频段内幅值的最大值,记为max_a,最大值max_a对应的频率位置记为max_f,其中的R为压缩机转频;
(3)在频段[max_f-b,max_f+b]内计算频谱的幅值均值,记为mean_s,其中,b取值介于5Δf-50Δf之间;其中,Δf=fs/N,fs为采样频率,N为振动数据点数;
式中:Mi为第i个运行参数对应的数据点数;i=1,2,…,n,n为运行参数的个数;
(5)若max_a/mean_s>P,且max_a>th,同时sti/mi>Ki,则判断压缩机出现了喘振故障;其中,P、th和Ki均为预先设定的阈值。
优选地,在步骤(5)中,若max_a/mean_s<P,则令max_a=0;若max_a/mean_s>P,则保持max_a的值不变;
若sti/mi>Ki,则令对应的波动特征di=1,否则令di=0;
若max_a>th且各运行参数对应的波动特征di均为1,则判断压缩机出现了喘振故障,其中th为预先设定的阈值。
本发明中所提供的方法可以自动识别喘振故障,不需要人为观察振动频谱或对运行参数数据进行分析。另外,在基于振动识别喘振的具体计算方法和基于运行参数识别喘振的具体计算方法上均与已有方法不同,这两种方法综合使用可提高喘振故障识别的准确率,极大程度上避免了误判的发生。
附图说明
图1为本申请的压缩机喘振自动识别方法的流程示意图。
图2为本申请实施算例的压缩机振动波形图。
图3为振动波形图对应的频谱示意图。
图4为本申请实施算例的压缩机出口压力仿真数据波形图。
图5为本申请实施算例的压缩机流量仿真数据波形图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。本申请中的方向术语,例如“前后左右”、“上下外内”等均是为了描述的方便,并不构成对保护范围的限定。本领域技术人员知道上述方向之间的简单替换并不脱离本申请的保护范围。
本发明所提供的方法首先对压缩机振动数据进行频谱分析,提取振动数据频谱中压缩机喘振故障特征;同时,对压缩机运行参数(例如压缩机的进出口压力、流量、电流等)进行分析,提取运行参数波动特征。最后判断压缩机振动数据频谱中压缩机喘振故障特征和运行参数大幅波动特征是否同时出现,当振动数据频谱中压缩机喘振故障特征和运行参数大幅波动特征同时出现时,判断此时压缩机出现了喘振。
根据本申请的基于多源信息融合的压缩机喘振故障自动识别方法,包括以下步骤:
(1)对压缩机一段时间窗口内的振动数据进行频谱分析;
(2)计算频谱中低于压缩机转频的低频段内幅值的最大值和该最大值对应的频率大小;其中,低于压缩机转频的低频段可以选择为压缩机转频的0.1-0.8倍的频率段;
(3)在以幅值最大值对应的频率大小为中心向左右延伸的某一频段范围内计算频谱的幅值均值;其中,选择的频段范围的大小(即以幅值最大值对应的频率大小为中心向左右延伸的长度范围)可以根据实际需要进行选择;优选地,选择的频段范围大小可以是采样频率除以数据点数得到数值的10-100倍;
(4)分别计算压缩机该段时间窗口内运行参数的均值和标准差;其中,运行参数可以是包括进口压力、出口压力、流量、电流中的至少一个;
(5)如果频谱分析得到的幅值最大值除以幅值均值大于第一预设阈值,且幅值最大值大于第二预设阈值,同时计算得到的压缩机该段时间窗口内各运行参数的标准差除以均值均大于第三预设阈值,则判断压缩机出现喘振;否则,判断压缩机没有出现喘振。
优选地,第一预设阈值可以设置为3-6。
更具体地,如图1所示,根据本申请的基于多源信息融合的压缩机喘振自动识别方法,可以通过如下步骤实现:
(1)对压缩机一段时间窗口内的振动数据X进行FFT(快速傅里叶变换)频谱分析,所得FFT频谱为S,其中的窗口长度可以选择为不低于2秒;
(2)计算频谱S中0.1R-0.8R频段内幅值的最大值,记为max_a,最大值max_a对应的频率位置记为max_f,其中的R为压缩机转频;
(3)在频段[max_f-b,max_f+b]内计算频谱S的幅值均值,记为mean_s,其中,b取值可介于5Δf-50Δf之间,优选为5Δf-50Δf之间;其中,Δf=fs/N,fs为采样频率,N为振动数据点数。
(4)若max_a/mean_s<P,则令max_a=0;若max_a/mean_s>P,则保持max_a的值不变;P取值可介于3-6之间。
式中:Mi为第i个运行参数对应的数据点数;i=1,2,…,n,n为运行参数的个数。
(6)若sti/mi>Ki,则判断运行参数存在大幅波动,令对应的波动特征di=1,否则令di=0;其中,Ki为波动阈值,Ki取值越小,压缩机运行参数波动检测越严格,Ki取值可根据压缩机历史发生喘振时特征参数的波动幅度来设置。
(7)若max_a>th且各运行参数对应的波动特征di均为1,则判断压缩机出现了喘振故障,其中th为预先设定的阈值。
算例
以下采用仿真数据对本发明中所涉及到的压缩机喘振自动识别方法进行介绍。
以采样频率fs=12800Hz,生成一组4s的压缩机喘振振动数据,压缩机转频R=45Hz。振动波形如图2所示,对应频谱如图3所示。
依据本发明所述方法,在压缩机转频0.1-0.8倍频([4.5Hz,36Hz])频段内计算振动数据频谱的最大值,最终计算所得最大值max_a=1。
生成一组压缩机出口压力和流量仿真数据,压缩机出口压力及流量仿真数据波形分别如图4和图5所示。依据本发明所述方法计算压缩机出口压力均值m1=300.5,出口流量均值m2=50.1;出口压力标准差st1=21.5,出口流量标准差st2=3.8。
假定喘振振动特征阈值th=0.2,出口压力波动阈值K1和出口流量波动阈值K2均为0.06,st1/m1>K1,st2/m2>K2,则出口压力波动特征d1=1,出口流量波动特征d2=1且max_a>th,此时可判断压缩机出现了喘振。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种基于多源信息融合的压缩机喘振故障自动识别方法,其特征在于,包括以下步骤:
(1)对压缩机一段时间窗口内的振动数据进行频谱分析;
(2)计算频谱中低于压缩机转频的低频段内幅值的最大值和该最大值对应的频率大小;
(3)在以幅值最大值对应的频率大小为中心向左右延伸的某一频段范围内计算频谱的幅值均值;
(4)分别计算压缩机一段时间窗口内运行参数的均值和标准差;
(5)如果频谱分析得到的幅值最大值除以幅值均值大于第一预设阈值,且幅值最大值大于第二预设阈值,同时计算得到的压缩机各运行参数的标准差除以均值均大于第三预设阈值,则判断压缩机出现喘振。
2.根据权利要求1所述的压缩机喘振故障自动识别方法,其特征在于,步骤(3)中,选择的频段范围大小是采样频率除以数据点数得到数值的10-100倍。
3.根据权利要求1或2所述的压缩机喘振故障自动识别方法,其特征在于,步骤(4)中,运行参数包括进口压力、出口压力、流量、电流中的至少一个。
4.根据权利要求3所述的压缩机喘振故障自动识别方法,其特征在于,步骤(5)中,第一预设阈值可以设置为3-6。
5.根据权利要求1或2或3或4所述的压缩机喘振故障自动识别方法,其特征在于,步骤(2)中,幅值最大值的计算频段选择为压缩机转频的0.1-0.8倍频率范围。
6.一种基于多源信息融合的压缩机喘振故障自动识别方法,其特征在于,包括以下步骤:
(1)对压缩机一段时间窗口内的振动数据进行频谱分析;
(2)计算频谱中0.1R-0.8R频段内幅值的最大值,记为max_a,最大值max_a对应的频率位置记为max_f,其中的R为压缩机转频;
(3)在频段[max_f-b,max_f+b]内计算频谱的幅值均值,记为mean_s,其中,b取值介于5Δf-50Δf之间;其中,Δf=fs/N,fs为采样频率,N为振动数据点数;
式中:Mi为第i个运行参数对应的数据点数;i=1,2,…,n,n为运行参数的个数;
(5)若max_a/mean_s>P,且max_a>th,同时sti/mi>Ki,则判断压缩机出现了喘振故障;其中,P、th和Ki均为预先设定的阈值。
7.根据权利要求6所述的压缩机喘振故障自动识别方法,其特征在于,
在步骤(5)中,若max_a/mean_s<P,则令max_a=0;若max_a/mean_s>P,则保持max_a的值不变;
若sti/mi>Ki,则令对应的波动特征di=1,否则令di=0;
若max_a>th且各运行参数对应的波动特征di均为1,则判断压缩机出现了喘振故障,其中th为预先设定的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010104942.XA CN111307206B (zh) | 2020-02-20 | 2020-02-20 | 一种基于多源信息融合的压缩机喘振自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010104942.XA CN111307206B (zh) | 2020-02-20 | 2020-02-20 | 一种基于多源信息融合的压缩机喘振自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111307206A CN111307206A (zh) | 2020-06-19 |
CN111307206B true CN111307206B (zh) | 2021-08-31 |
Family
ID=71145117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010104942.XA Active CN111307206B (zh) | 2020-02-20 | 2020-02-20 | 一种基于多源信息融合的压缩机喘振自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111307206B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029616B (zh) * | 2021-01-26 | 2022-08-02 | 北京化工大学 | 一种基于增强熵权的压缩机喘振早期故障特征提取方法 |
TWI773107B (zh) * | 2021-01-29 | 2022-08-01 | 復盛股份有限公司 | 喘振偵測方法及壓縮裝置 |
CN116659630B (zh) * | 2023-07-27 | 2023-10-03 | 南京天梯自动化设备股份有限公司 | 基于雷诺数补偿的质量流量计标准表在线检定系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4940391A (en) * | 1988-11-07 | 1990-07-10 | Westinghouse Electric Corp. | Compressor surge detection system |
US5746062A (en) * | 1996-04-11 | 1998-05-05 | York International Corporation | Methods and apparatuses for detecting surge in centrifugal compressors |
US6823254B2 (en) * | 2003-03-28 | 2004-11-23 | Honeywell International, Inc. | Method and system for turbomachinery surge detection |
JP4757199B2 (ja) * | 2003-11-12 | 2011-08-24 | マック トラックス インコーポレイテッド | Egr回復装置および方法 |
CN101718269A (zh) * | 2009-11-20 | 2010-06-02 | 西安交通大学 | 基于频带能量的喘振先兆识别方法 |
CN102072139B (zh) * | 2010-12-29 | 2013-10-23 | 西安陕鼓动力股份有限公司 | 一种压缩机低频振动故障快速判别方法 |
JP5871157B2 (ja) * | 2011-10-03 | 2016-03-01 | 株式会社Ihi | 遠心圧縮設備のサージング防止方法 |
CN103225621B (zh) * | 2013-05-16 | 2015-06-24 | 三一能源重工有限公司 | 一种检测压缩机喘振的方法 |
US9436188B2 (en) * | 2013-05-24 | 2016-09-06 | GM Global Technology Operations LLC | Systems and methods for detecting compressor surge |
CN106269310B (zh) * | 2016-09-27 | 2018-06-29 | 珠海格力电器股份有限公司 | 喘振控制系统 |
CN110131193B (zh) * | 2018-02-02 | 2020-09-08 | 中国航发商用航空发动机有限责任公司 | 航空发动机喘振故障监测方法和系统 |
CN109458324A (zh) * | 2018-10-31 | 2019-03-12 | 重庆美的通用制冷设备有限公司 | 压缩机喘振识别方法、装置及系统 |
CN110608187A (zh) * | 2019-10-30 | 2019-12-24 | 江西理工大学 | 基于频率特征变化的轴流压气机失速喘振预测装置 |
-
2020
- 2020-02-20 CN CN202010104942.XA patent/CN111307206B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111307206A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111307206B (zh) | 一种基于多源信息融合的压缩机喘振自动识别方法 | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
US8396689B2 (en) | Method for analysis of the operation of a gas turbine | |
EP1877877B1 (en) | Diagnostic device for a process control system | |
US7409854B2 (en) | Method and apparatus for determining an operating status of a turbine engine | |
CN108699966B (zh) | 增压器的喘振检测方法以及喘振检测装置 | |
CN109030849B (zh) | 压缩机旋转失速的监测方法及装置 | |
CN1501077A (zh) | 检测离心泵低流量/气蚀的方法和装置 | |
US20110060564A1 (en) | Method and device for classification of sound-generating processes | |
EP3637209A1 (en) | Motion-insensitive features for condition-based maintenance of factory robots | |
CN114165474B (zh) | 用于检测空压机故障状态的方法、设备和计算机存储介质 | |
CN111354366A (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN109826816B (zh) | 一种风机失速智能预警系统与方法 | |
CN110410336A (zh) | 一种泵汽蚀状态自动识别方法 | |
CN115220396B (zh) | 一种数控机床智能监控方法及系统 | |
CN110925233A (zh) | 一种基于声学信号的压气机喘振故障诊断方法 | |
JP2002090267A (ja) | 異常診断方法 | |
WO2004068078A1 (ja) | 状態判定方法と状態予測方法及び装置 | |
WO2015011791A1 (ja) | 異常検知評価システム | |
CN109139443B (zh) | 一种基于位移信号的活塞杆故障诊断方法 | |
CN114294183A (zh) | 一种风机叶片故障监测方法、装置及风机 | |
CN113513304A (zh) | 一种基于抽油机电功图的平衡度检测方法 | |
CN112526587A (zh) | 混凝土泵送管道安全状态识别方法及设备 | |
CN114962305B (zh) | 压气机失稳在线检测方法、装置、系统、设备及介质 | |
TWI773107B (zh) | 喘振偵測方法及壓縮裝置 |
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 |