CN111365251A - 一种离心泵机组故障的智能诊断方法 - Google Patents
一种离心泵机组故障的智能诊断方法 Download PDFInfo
- Publication number
- CN111365251A CN111365251A CN202010230528.3A CN202010230528A CN111365251A CN 111365251 A CN111365251 A CN 111365251A CN 202010230528 A CN202010230528 A CN 202010230528A CN 111365251 A CN111365251 A CN 111365251A
- Authority
- CN
- China
- Prior art keywords
- centrifugal pump
- motor
- driving end
- judging
- 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.)
- Granted
Links
Images
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
- F04D15/0088—Testing machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种离心泵机组故障的智能诊断方法,首先通过振动加速度传感器和边缘数采设备在线采集离心泵机组的振动加速度数据;接着从离心泵机组故障机理角度出发通过对离心泵机组振动加速度数据进行分析和故障特征提取实现离心泵机组故障智能诊断。本发明的离心泵机组故障的智能诊断对故障数据依赖程度低,泛化能力强,不需要大量专家知识,诊断结果准确率高,诊断过程不需要人为干预。此外,该诊断系统所能识别的故障可否覆盖离心泵机组驱动电机及离心泵的大部分故障,并可对故障程度做出判断,具有很强的实用性。
Description
技术领域
本申请涉及一种离心泵机组故障的智能诊断方法,适用于设备故障诊断的技术领域。
背景技术
离心泵机组在工业生产中应用广泛,在电力、石化、化工等行业中均有离心泵机组的应用。尤其在化工行业有大量离心泵机组的应用,并且是化工生产中的关键设备,如氯碱化工行业的阴极液循环泵、阳极液循环泵以及二次精制盐水泵均是化工生产流程中的核心设备,其设备故障会直接导致整个化工生产流程中断,严重影响企业生产效率和年度产能。此外,石化、化工等众多行业均属于高危行业,离心泵机组严重故障可能引发企业安全生产事故,造成经济损失和人员伤亡。鉴于上述情况,对离心泵机组运行状态进行监测尤为必要。
目前,对离心泵机组的状态监测主要是对离心泵机组振动、流速、功率等参数进行监测。实际中,对离心泵机组振动监测更为广泛,通过振动监测可识别离心泵机组绝大部分故障,如转子不平衡、不对中、轴承故障、叶轮故障等。基于振动的离心泵机组监测方法主要是通过在离心泵机组特定位置(如轴承座径向或轴向)加装振动传感器并通过数采设备采集振动信号来实现离心泵机组的状态监测。针对离心泵机组的振动监测,传统的方法主要通过定期点检和在线监测为主。这两种方法均是通过对离心泵机组振动信号进行分析检测离心泵机组故障,如通过对离心泵机组振动信号频谱或时频谱分析识别离心泵机组轴承故障、转子不平衡故障、不对中故障、叶轮破损、叶轮气蚀等故障。上述通过定期点检或在线振动监测的方式均需要专家对离心泵机组振动信号进行分析,无法做到离心泵机组故障智能诊断,并且故障诊断准确性对专家的技术水平具有较大依赖。此外,实际中也有对离心泵机组运行参数(流量、流速、功率等)进行监测并对其进行频谱分析从而实现离心泵机组气蚀故障及扭矩异常检测。这种基于离心泵机组运行参数的监测方法同样需要专家对运行参数进行分析,同样无法做到离心泵机组故障智能诊断,并且基于运行参数的状态监测无法识别离心泵机组轴承、转子等机械类故障。
为了避免传统离心泵机组故障诊断的缺点,离心泵机组的智能诊断系统也有相关研究。由于离心泵诊断系统的前端传感器、数采设备等硬件部分仅完成数据的采集,前端硬件部分几乎不涉及智能诊断部分。离心泵机组诊断模块通常位于上位机,通过采用特定的方法对所采集到的数据进行分析进而实现离心泵机组故障智能诊断。实际中对离心泵机组智能诊断的研究也主要集中在智能诊断模块的诊断方法的研究上。
离心泵机组智能诊断方法主要分为基于特征识别的离心泵智能诊断方法、基于专家系统的智能诊断方法、基于模糊逻辑的智能诊断方法、基于机器学习的智能诊断方法。基于特征识别的离心泵机组智能诊断方法通过提取与离心泵机组某类故障相关特征,通过该特征的变化识别离心泵机组故障。例如,可以采用基于循环平稳理论的分析方法提取离心泵空化和讥讽故障对应的相关特征,并与相应阈值进行比对,当超出阈值时认为故障发生。该方法并未对故障程度进行区分,并且未对离心泵机组中的众多机械类故障进行识别。基于专家系统的离心泵机组故障智能诊断方法利用大量专家知识构建离心泵机组诊断专家系统,并将离心泵机组的监测参数与专家系统中的各个诊断规则进行逐级匹配,实现离心泵机组故障诊断。该方法所需要的大量专家知识很难获取,并且专家系统在后续更新上成本过高,不容易维护。基于模糊逻辑的离心泵机组故障智能诊断方法通过对不同监测数据构造不同隶属度函数将原始数据进行模糊化处理,并结合离心泵机组故障模糊矩阵实现离心泵机组故障智能诊断。该方法中不同监测数据的隶属度函数较难选择,并且最终诊断结果对故障程度很难量化,实际应用效果欠佳。基于机器学习的离心泵机组故障智能诊断方法首先需要对大量离心泵机组故障数据进行预处理并对预处理后的数据进行特征提取,数据预处理方法通常采用小波分析、EMD、HHT分析、STFT分析等,所提取的特征通常包括时域特征、频域特征及时频域特征等。最终利用所提取的不同故障特征建立基于支持向量机、神经网络、随机森林或逻辑回归等故障的分类模型。这类基于机器学习的离心泵机组故障智能诊断方法需要离心泵机组大量不同故障样本,实际中离心泵机组故障数据很少甚至没有,因此这类方法目前大多用于实验研究,实际落地应用困难。由此可见,现有离心泵机组故障诊断系统均存在一定不足,均难满足离心泵机组故障智能诊断需求。
发明内容
本发明的目的是设计一种离心泵机组故障的智能诊断方法,实现离心泵机组驱动电机以及离心泵大部分故障的智能诊断。
根据本申请的第一方面,一种离心泵机组故障的智能诊断方法,所述离心泵机组包括驱动电机和离心泵,在所述驱动电机的驱动端的轴承座上设置有振动传感器,所述振动传感器分别沿着电机驱动端轴承座的径向X和电机驱动端轴承座的径向Y方向设置,其中电机驱动端轴承座的径向X与径向Y呈90度夹角,电机驱动端故障的智能诊断包括以下步骤:
1)对电机驱动端轴承座径向X(Y)振动加速度数据进行积分得振动速度数据,并计算积分后振动速度数据的FFT频谱S;
2)对电机驱动端轴承座径向X(Y)振动加速度数据进行带通滤波,计算电机驱动端带通滤波后振动加速度数据的包络谱E;
3)计算电机驱动端轴承座径向X(Y)、电机驱动端轴承座径向Y(X)振动加速度数据转频相位,分别为ph1、ph2;
4)计算电机驱动端轴承座径向X(Y)和电机驱动端轴承座径向Y(X)的转频相位差diff_ph;
5)计算电机驱动端轴承振动加速度峰峰值Ap及峭度值Kurt,提取FFT频谱S中转频多个谐波对应的幅值Ampi;
6)分别提取FFT频谱S中电机驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_spec;
7)分别提取包络谱E中电机驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_env;
8)设定电机驱动端转子早期不平衡、较严重不平衡、严重不平衡故障阈值分别为th1、th2、th3,不平衡故障谐波系数阈值为p1,不平衡相位差阈值分别为phase1、phase2;
设定电机驱动端转子早期不对中、较严重不对中、严重不对中故障阈值分别为th4,、th5、th6,不对中幅值比系数阈值p2,不对中谐波系数阈值p3;
设定电机早期支撑松动或碰磨、较严重支撑松动或碰磨、严重支撑松动或碰磨故障阈值分别为th7、th8、th9,电机支撑松动或碰磨谐波阈值为p4;设定电机基础松动相位差阈值为phase3;
设定电机驱动端轴承早期磨损阈值、较严重磨损、严重磨损阈值分别为th10、th11、th12,电机驱动端轴承磨损对应的振动加速度峰峰值阈值和峭度值阈值分别为p5,p6;
9)统计Ampi/Amp1>p1(i≠1,2)的数量,作为电机转子不平衡故障谐波数量num1;统计Ampi/Amp1>p3(i≠1,2,3)的数量,作为电机转子不对中故障谐波数量num2;统计Ampi>p4(i≠1,2)的数量,作为电机支撑松动或碰磨故障谐波数量num3。
优选地,在驱动电机的非驱动端的轴承座上的径向X和电机非驱动端轴承座的径向Y方向也设置有振动传感器,其中电机非驱动端轴承座的径向X与径向Y呈90度夹角,电机非驱动端故障的智能诊断的步骤中,将上述步骤(9)替换为以下步骤(9'):
(9')统计Ampi/Amp1>p1(i≠1,2,n,2n,3n)的数量,作为电机转子不平衡谐波数量num1;统计Ampi/Amp1>p3(i≠1,2,3,n,2n,3n)的数量,作为电机转子不对中谐波数量num2;统计Ampi>p4(i≠1,2,n,2n,3n)的数量作为电机支撑松动或碰磨故障谐波数量num3;其中,n为电机非驱动端散热风扇的叶片数量。
优选地,步骤(6)和步骤(7)中,电机驱动端轴承组件的前三阶故障频率对应的幅值之和取轴承保持架、滚动体、外圈、内圈的前三阶故障频率对应的幅值之和。
优选地,若th1≤Amp1<th2且mp2/Amp1<p且num1<2且phase1≤diff_ph≤phase2,则判断电机转子早期不平衡;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断电机转子较严重不平衡;若th3≤Amp1且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断电机转子严重不平衡;
若th4≤Amp2<th5且Amp2/Amp1≥p2且num2<2,则判断电机转子早期不对中;若th5≤Amp2<th6且Amp2/Amp1≥p2且num2<2,则判断电机转子较严重不对中;若th6≤Amp2且Amp2/Amp1≥p2且num2<2,则判断电机转子严重不对中;
若th7≤num3<th8,则判断电机早期支撑松动或碰磨;若th8≤num3<th9,则判断电机较严重支撑松动或碰磨;若th9≤num3,则判断电机严重支撑松动或碰磨;
若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断电机早期基础松动;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断电机较严重基础松动;th3≤Amp1且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断电机严重基础松动;
若E_spec≥th12,且Ap>p5且Kurt>p6,则判断电机驱动端轴承严重磨损;否则,若th10≤E_env<th11,则判断电机驱动端轴承早期磨损;E_env>th11,则判断电机驱动端轴承较严重磨损。
本申请的第二方面涉及一种离心泵机组故障的智能诊断方法,所述离心泵机组包括驱动电机和离心泵,其中离心泵振动测点的布置采用两测点方案或四测点方案;
在两测点方案中,在离心泵驱动端轴承座的径向X和离心泵非驱动端轴承座的径向Y设有振动传感器,离心泵驱动端轴承座的径向X和离心泵非驱动端轴承座的径向Y呈90度夹角;在四测点方案中,在离心泵驱动端轴承座的径向X、离心泵驱动端轴承座的径向Y、离心泵非驱动端轴承座的径向X和离心泵非驱动端轴承座的径向Y设有振动传感器,离心泵驱动端轴承座的径向X和离心泵驱动端轴承座的径向Y呈90度夹角,离心泵非驱动端轴承座的径向X和离心泵非驱动端轴承座的径向Y呈90度夹角,
离心泵驱动端故障的智能诊断包括以下步骤:
1)对离心泵驱动端轴承座径向X(Y)振动加速度数据进行积分得振动速度数据,并计算积分后振动速度数据的FFT频谱S,计算离心泵驱动端轴承座径向X(Y)振动加速度频谱S1;
2)对离心泵驱动端轴承座径向X(Y)振动加速度数据进行带通滤波,计算离心泵驱动端带通滤波后振动加速度数据的包络谱E;
3)在两测点方案中,计算离心泵驱动端轴承座径向X(Y)、离心泵非驱动端轴承座径向Y(X)振动加速度数据转频相位,分别为分别为ph1、ph2;在四测点方案中,计算离心泵驱动端轴承座径向X(Y)、离心泵驱动端轴承座径向Y(X)振动加速度数据转频相位,分别为分别为ph1、ph2;
4)计算离心泵轴承座振动的转频相位差diff_ph;
5)计算离心泵驱动端轴承振动加速度峰峰值Ap及峭度值Kurt,提取FFT频谱S中转频多个谐波对应的幅值Ampi;
6)分别提取FFT频谱S中离心泵驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_spec;
7)分别提取包络谱E中离心泵驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_env;
8)计算离心泵气蚀特征频段内的振动加速度频谱S1和X坐标轴围成的面积,记为T;
9)设定离心泵驱动端转子早期不平衡、较严重不平衡、严重不平衡故障阈值分别为th1、th2、th3,不平衡故障谐波系数阈值为p1,不平衡相位差阈值分别为phase1、phase2;
设定离心泵驱动端转子早期不对中、较严重不对中、严重不对中故障阈值分别为th4,、th5、th6,不对中幅值比系数阈值p2,不对中谐波系数阈值p3;
设定离心泵早期支撑松动或碰磨、较严重支撑松动或碰磨、严重支撑松动或碰磨故障阈值分别为th7、th8、th9,离心泵支撑松动或碰磨谐波阈值为p4;设定离心泵基础松动相位差阈值为phase3;
设定离心泵驱动端轴承早期磨损阈值、较严重磨损、严重磨损阈值分别为th10、th11、th12,离心泵驱动端轴承磨损时对应的振动加速度峰峰值阈值和峭度值阈值分别为p5,p6;设定离心泵气蚀故障阈值分别为th13、th14、th15;
10)统计Ampi/Amp1>p1(i≠1,2,n,2n,3n)的数量,作为离心泵转子不平衡谐波数量num1;统计Ampi/Amp1>p3(i≠1,2,3,n,2n,3n)的数量,作为离心泵转子不对中谐波数量num2;统计Ampi>p4(i≠1,2,n,2n,3n)的数量,作为离心泵支撑松动或碰磨谐波数量num3;其中,n为离心泵叶轮叶片叶片数量。
优选地,若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断离心泵转子早期不平衡;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断离心泵转子较严重不平衡;若th3≤Amp1且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断离心泵转子严重不平衡;
若th4≤Amp2<th5且Amp2/Amp1≥p2且num2<2,则判断离心泵转子早期不对中;若th5≤Amp2<th6且Amp2/Amp1≥p2且num2<2,则判断离心泵转子较严重不对中;若th6≤Amp2且Amp2/Amp1≥p2且num2<2,则判断离心泵转子严重不对中;
若th7≤num3<th8,则判断离心泵早期支撑松动或碰磨;若th8≤num3<th9,则判断离心泵较严重支撑松动或碰磨;若th9≤num3,则判断离心泵严重支撑松动或碰磨;
若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断离心泵早期基础松动;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断离心泵较严重基础松动;若th3≤Amp1且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断离心泵严重基础松动;
若E_spec≥th12,且Ap>p5且Kurt>p6,则判断离心泵驱动端轴承严重磨损;否则,若th10≤E_env<th11,则判断离心泵驱动端轴承早期磨损;若E_env>th11,则判断离心泵驱动端轴承较严重磨损;
若th13≤T<th14,则判断离心泵叶轮早期气蚀;若th14≤T<th15,则判断离心泵叶轮较严重气蚀;若th15<T,则判断离心泵叶轮严重气蚀。
优选地,步骤(6)和步骤(7)中,离心泵驱动端轴承组件的前三阶故障频率对应的幅值之和取轴承保持架、滚动体、外圈、内圈的前三阶故障频率对应的幅值之和。
其中,离心泵非驱动端故障的智能诊断方法与离心泵驱动端故障的智能诊断方法相同。
本发明设计的离心泵机组故障的智能诊断系统和方法对故障数据依赖程度低,泛化能力强,不需要大量专家知识,诊断结果准确率高,诊断过程不需要人为干预。此外,该诊断系统所能识别的故障可否覆盖离心泵机组驱动电机及离心泵的大部分故障,并可对故障程度做出判断,具有很强的实用性。
附图说明
图1是本申请的故障智能诊断系统的网络架构图。
图2是生成的电机转子不平衡的电机驱动端径向X的仿真数据波形图。
图3是生成的电机转子不平衡的电机驱动端径向Y的仿真数据波形图。
图4是图2所示仿真数据波形图对应的FFT速度谱。
图5是图3所示仿真数据波形图对应的FFT速度谱。
图6是生成的电机支撑松动或碰磨故障的电机驱动端径向X的仿真数据波形图。
图7是生成的电机支撑松动或碰磨故障的电机驱动端径向Y的仿真数据波形图。
图8是图6所示仿真数据波形图对应的FFT速度谱。
图9是图7所示仿真数据波形图对应的FFT速度谱。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下文中将结合附图对本申请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。
本发明首先通过振动加速度传感器和边缘数采设备在线采集离心泵机组的振动加速度数据;接着从离心泵机组故障机理角度出发通过对离心泵机组振动加速度数据进行分析和故障特征提取实现离心泵机组故障智能诊断。本申请的系统网络架构图如图1所示。其中,采集的离心泵机组的振动加速度数据通过交换机进入服务器,服务器通过局域网连接到厂级监测中心,服务器上的数据可以通过外网路由器通过以太网连接到远程监测中心,从而实现对数据和信息的远程监测和处理。
离心泵机组通常包含驱动电机和离心泵两个设备。本申请首先利用振动加速度传感器采集离心泵机组振动加速度数据,振动加速度传感器设置在电机驱动端和电机非驱动端的轴承座上,以及离心泵驱动端和非驱动端的轴承座上。其中,驱动电机振动加速度测点包括:电机驱动端轴承座径向X、电机驱动端轴承座径向Y(与电机驱动端轴承座径向X呈90度夹角)、电机非驱动端轴承座径向X、电机非驱动端轴承座径向Y(与电机非驱动端轴承座径向X呈90度夹角)。
离心泵振动测点为如下两种测点方案之一:
两测点:离心泵驱动端轴承座径向X、离心泵非驱动端轴承座径向Y(与离心泵驱动端轴承座径向X呈90度夹角);
四测点:离心泵驱动端轴承座径向X、离心泵驱动端轴承座径向Y(与离心泵驱动端轴承座径向X呈90度夹角)、离心泵非驱动端轴承座径向X、离心泵非驱动端轴承座径向Y(与离心泵非驱动端轴承座径向X呈90度夹角)。
上述两种离心泵测点方案与实际离心泵驱动端和非驱动端振动加速度传感器安装位置有关。
根据本申请的离心泵机组故障的智能诊断方法,具体步骤如下:
(1)电机驱动端故障智能诊断
1)对电机驱动端轴承座径向X(Y)振动加速度数据进行积分得振动速度数据,并计算积分后振动速度数据的FFT频谱S。
2)对电机驱动端轴承座径向X(Y)振动加速度数据进行带通滤波,计算电机驱动端带通滤波后振动加速度数据的包络谱E。
3)采用相位差频谱校正法计算电机驱动端轴承座径向X(Y)、电机驱动端轴承座径向Y(X)振动加速度数据转频相位,分别为ph1、ph2,相位单位为度。
相位差频谱校正法原理如下:
对前N/2点、后N/2点两段信号加相同的窗函数后进行FFT变换,可得归一化后的频率校正量为
式(1)中,θ0、θ1分别为两段信号的初相位,Δk为归一化后的频率校正量。
此外,经FFT变换后的相频函数在窗函数主瓣内不但具有线性关系,而且斜率相同,则有
式(2)中,θk0和θk1分别为两段信号峰值谱线对应的相位角。
相位校正量Δθ可写为
Δθ=θ1-θ0=θk1-θk0 (3)
将式(3)带入式(1)可得归一化的频率校正量
由Δk可得校正频率f、相位θ、幅值A:
式(5)中fs为采样频率,pk为频谱峰值,k为频谱峰值pk对应的频率位置,f(x)为窗函数的频谱模函数,N为采样点个数。
4)计算电机驱动端轴承座径向X(Y)和电机驱动端轴承座径向Y(X)转频相位差:
式(6)中remainder(·)表示取余数。若diff_ph>180,令diff_ph=diff_ph-180。
5)计算电机驱动端轴承振动加速度峰峰值Ap及峭度值Kurt,提取S中转频多个谐波对应的幅值Ampi,例如可以提取S中转频0.5倍频、1倍频、1.5倍频、2倍频…10倍频对应的幅值,分别为Amp0.5、Amp1、Amp1.5、Amp2…Amp10,其中i为谐波次数;如i=1,则Amp1表示转频的1次谐波(转频)对应的幅值。
6)分别提取FFT频谱S中电机驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_spec,例如可以分别提取轴承保持架、滚动体、外圈、内圈的前三阶故障频率对应的幅值之和。
7)分别提取包络谱E中电机驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_env。
8)设定电机驱动端转子早期不平衡、较严重不平衡、严重不平衡故障阈值分别为th1、th2、th3,不平衡故障谐波系数阈值为p1,p1取值可介于0.1-0.3之间,不平衡相位差阈值分别为phase1、phase2,phase1取值可介于45度-75度之间,phase2取值可介于105度-135度之间;
设定电机驱动端转子早期不对中、较严重不对中、严重不对中故障阈值分别为th4,、th5、th6,不对中幅值比系数阈值p2,p2取值可介于0.6-0.8之间,不对中谐波系数阈值p3,p3取值可介于0.1-0.3之间;
设定电机早期支撑松动或碰磨、较严重支撑松动或碰磨、严重支撑松动或碰磨故障阈值分别为th7、th8、th9,电机支撑松动或碰磨谐波阈值为p4;设定电机基础松动相位差阈值为phase3,phase3取值可介于10度-30度之间;
设定电机驱动端轴承早期磨损阈值、较严重磨损、严重磨损阈值分别为th10、th11、th12,电机驱动端轴承磨损对应的振动加速度峰峰值阈值和峭度值阈值分别为p5,p6。
9)统计Ampi/Amp1>p1(i≠1,2)的数量,作为电机转子不平衡故障谐波数量num1;统计Ampi/Amp1>p3(i≠1,2,3)的数量,作为电机转子不对中故障谐波数量num2;统计Ampi>p4(i≠1,2)的数量,作为电机支撑松动或碰磨故障谐波数量num3。
10)电机转子不平衡故障判断。若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断电机转子早期不平衡;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断电机转子较严重不平衡;若th3≤Amp1且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断电机转子严重不平衡。
11)电机转子不对中故障判断。若th4≤Amp2<th5且Amp2/Amp1≥p2且num2<2,则判断电机转子早期不对中;若th5≤Amp2<th6且Amp2/Amp1≥p2且num2<2,则判断电机转子较严重不对中;若th6≤Amp2且Amp2/Amp1≥p2且num2<2,则判断电机转子严重不对中。
12)电机支撑松动或碰磨故障判断。若th7≤num3<th8,则判断电机早期支撑松动或碰磨;若th8≤num3<th9,则判断电机较严重支撑松动或碰磨;若th9≤num3,则判断电机严重支撑松动或碰磨。
13)电机基础松动故障判断。若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断电机早期基础松动;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断电机较严重基础松动;th3≤Amp1且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断电机严重基础松动。
14)电机驱动端轴承故障判断。若E_spec≥th12,且Ap>p5且Kurt>p6,则判断电机驱动端轴承严重磨损;否则,若th10≤E_env<th11,则判断电机驱动端轴承早期磨损;E_env>th11,则判断电机驱动端轴承较严重磨损。
(2)电机非驱动端故障智能诊断
电机非驱动端故障识别步骤仅与上述电机驱动端故障识别步骤9有差别,其余步骤完全一致。针对电机非驱动端故障识别方法其步骤9如下:
统计Ampi/Amp1>p1(i≠1,2,n,2n,3n)的数量,作为电机转子不平衡谐波数量num1;统计Ampi/Amp1>p3(i≠1,2,3,n,2n,3n)的数量,作为电机转子不对中谐波数量num2;统计Ampi>p4(i≠1,2,n,2n,3n)的数量作为电机支撑松动或碰磨故障谐波数量num3。其中,n为电机非驱动端散热风扇叶片数量。
其中,i不取叶片数量的倍数,这是因为散热风扇连接在电机非驱动端的轴外侧,散热风扇在旋转时会出现叶片的通过频率及其倍频,为了避免散热风扇带来的影响,故而做此设定。
(3)离心泵驱动端故障智能诊断
1)对离心泵驱动端轴承座径向X(Y)振动加速度数据进行积分得振动速度数据,并计算积分后振动速度数据的FFT频谱S。计算离心泵驱动端轴承座径向X(Y)振动加速度频谱S1。
2)对离心泵驱动端轴承座径向X(Y)振动加速度数据进行带通滤波,计算离心泵驱动端带通滤波后振动加速度数据的包络谱E。
3)针对具有两个振动加速度测点的离心泵,采用相位差频谱校正法计算离心泵驱动端轴承座径向X(Y)、离心泵非驱动端轴承座径向Y(X)振动加速度数据转频相位,分别为,分别为ph1、ph2,相位单位为度。针对具有四个振动加速度测点的离心泵,采用相位差频谱校正法计算离心泵驱动端轴承座径向X(Y)、离心泵驱动端轴承座径向Y(X)振动加速度数据转频相位,分别为ph1、ph2,相位单位为度。
4)计算离心泵轴承座振动的转频相位差:
式中remainder(·)表示取余数。若diff_ph>180,diff_ph=diff_ph-180。
5)计算离心泵驱动端轴承振动加速度峰峰值Ap及峭度值Kurt,提取S中转频多个谐波对应的幅值Ampi,其中i为谐波次数,如i=1,则Amp1表示转频的1次谐波(转频)对应的幅值,例如,可以提取S中转频0.5倍频、1倍频、1.5倍频、2倍频…10倍频对应的幅值,分别为Amp0.5、Amp1、Amp1.5、Amp2…Amp10;
6)分别提取FFT速度谱S中离心泵驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_spec;例如,可以分别提取轴承保持架、滚动体、外圈、内圈的前三阶故障频率对应的幅值之和。
7)分别提取包络谱E中离心泵驱动端轴承保持架、滚动体、外圈、内圈前三阶故障频率对应的幅值之和,并取其最大值E_env。
8)计算离心泵气蚀特征频段[f1,f2]内S1谱线和X坐标轴围成的面积,记为T;其中f1和f2跟离心泵的气蚀故障频段有关,不同的离心泵对应不同的频段范围。
9)设定离心泵驱动端转子早期不平衡、较严重不平衡、严重不平衡故障阈值分别为th1、th2、th3,不平衡故障谐波系数阈值为p1,p1取值可介于0.1-0.3之间,不平衡相位差阈值分别为phase1、phase2,phase1取值可介于45度-75度之间,phase2取值可介于105度-135度之间;
设定离心泵驱动端转子早期不对中、较严重不对中、严重不对中故障阈值分别为th4,、th5、th6,不对中幅值比系数阈值p2,p2取值可介于0.6-0.8之间,不对中谐波系数阈值p3,p3取值可介于0.1-0.3之间;
设定离心泵早期支撑松动或碰磨、较严重支撑松动或碰磨、严重支撑松动或碰磨故障阈值分别为th7、th8、th9,离心泵支撑松动或碰磨谐波阈值为p4;设定离心泵基础松动相位差阈值为phase3,phase3取值可介于10度-30度之间;
设定离心泵驱动端轴承早期磨损阈值、较严重磨损、严重磨损阈值分别为th10、th11、th12,离心泵驱动端轴承磨损时对应的振动加速度峰峰值阈值和峭度值阈值分别为p5,p6;设定离心泵气蚀故障阈值分别为th13、th14、th15。
10)统计Ampi/Amp1>p1(i≠1,2,n,2n,3n)的数量,作为离心泵转子不平衡谐波数量num1;统计Ampi/Amp1>p3(i≠1,2,3,n,2n,3n)的数量,作为离心泵转子不对中谐波数量num2;统计Ampi>p4(i≠1,2,n,2n,3n)的数量,作为离心泵支撑松动或碰磨谐波数量num3。其中,n为离心泵叶轮叶片叶片数量。
11)离心泵转子不平衡故障判断。若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断离心泵转子早期不平衡;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断离心泵转子较严重不平衡;若th3≤Amp1且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断离心泵转子严重不平衡。
12)离心泵转子不对中故障判断。若th4≤Amp2<th5且Amp2/Amp1≥p2且num2<2,则判断离心泵转子早期不对中;若th5≤Amp2<th6且Amp2/Amp1≥p2且num2<2,则判断离心泵转子较严重不对中;若th6≤Amp2且Amp2/Amp1≥p2且num2<2,则判断离心泵转子严重不对中。
13)离心泵支撑松动或碰磨故障判断。若th7≤num3<th8,则判断离心泵早期支撑松动或碰磨;若th8≤num3<th9,则判断离心泵较严重支撑松动或碰磨;若th9≤num3,则判断离心泵严重支撑松动或碰磨。
14)离心泵基础松动故障判断。若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断离心泵早期基础松动;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断离心泵较严重基础松动;若th3≤Amp1且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断离心泵严重基础松动。
15)离心泵驱动端轴承故障判断。若E_spec≥th12,且Ap>p5且Kurt>p6,则判断离心泵驱动端轴承严重磨损;否则,若th10≤E_env<th11,则判断离心泵驱动端轴承早期磨损;若E_env>th11,则判断离心泵驱动端轴承较严重磨损。
16)离心泵叶轮气蚀故障判断。若th13≤T<th14,则判断离心泵叶轮早期气蚀;若th14≤T<th15,则判断离心泵叶轮较严重气蚀;若th15<T,则判断离心泵叶轮严重气蚀。
(4)离心泵非驱动端故障智能诊断
离心泵非驱动端故障识别步骤与离心泵驱动端完全一致。
需要说明的是,虽然上述离心泵机组不同测点位置(电机驱动端、电机非驱动端、离心泵驱动端、离心泵非驱动端)诊断方法中相关阈值采用了相同的符号表示,但只是为了表示的方便,实际中不同测点位置的阈值可能不同。
实施例
采用离心泵机组驱动电机转子不平衡、支撑松动或碰磨故障仿真数据对本发明中所涉及到的离心泵机组故障智能诊断方法进行介绍。
(1)电机转子不平衡故障诊断
以采样频率fs=12800Hz,生成一组10s的离心泵机组电机转子不平衡故障仿真数据。电机转速为1470rpm,转频1Hz时电机驱动端轴承内圈、外圈、滚动体、保持架对应的故障频率分别为4.91Hz、3.09Hz、2.09Hz、0.39Hz。
所生成的离心泵机组电机驱动端径向X和径向Y仿真数据波形分别如图2、图3所示,对应的FFT速度谱分别如图4、图5所示。
设置各类故障阈值:
(a)设定电机转子不平衡阈值:th1=60mm/s,th2=120mm/s、th3=180mm/s;不平衡谐波系数p1=0.1;不平衡相位差阈值phase1=70度,phase2=110度。
(b)设定电机转子不对中阈值th4=30mm/s,th5=75mm/s,th6=150mm/s;不对中幅值比系数p2=0.7,不对中谐波系数p3=0.1。
(c)设定电机支撑松动或碰磨阈值th7=3,th8=6,th8=8;支撑松动或碰磨谐波阈值p4=2mm/s。
(d)设定电机基础松动相位差阈值phase3=15度。
(e)设定电机驱动端轴承磨损阈值th10=20m/s2,th11=50m/s2,th12=40mm/s;电机驱动端轴承磨损峰峰值阈值p5=80m/s2,峭度值阈值p6=3.8。
利用本发明所述方法计算电机驱动端径向X和径向Y振动转频相位差diff_ph=90度。
利用本发明所述方法计算电机驱动端径向X振动FFT速度谱中转频谐波对应的幅值Amp1=116.9mm/s、Amp2=12.9mm/s,其余转频谐波对应的幅值均为0。
利用本发明所述方法计算电机转子不平衡谐波数量num1=0;电机转子不对中谐波数量num2=0;电机支撑松动或碰磨谐波数量num3=0。
利用本方明所述方法计算速度谱中电机驱动端轴承保持架、滚动体、外圈、内圈前三阶故障频率对应的幅值之和,并取其最大值E_spec=0;计算加速度包络谱中电机驱动端轴承保持架、滚动体、外圈、内圈前三阶故障频率对应的幅值之和,并取其最大值E_env=0。电机驱动端径向X振动加速度峰峰值p5为52m/s2,峭度值p6为1.7。
离心泵机组驱动电机故障判断:
th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,因此判断电机转子存在早期不平衡故障。
(2)电机支撑松动或碰磨故障诊断
以采样频率fs=12800Hz,生成一组10s的离心泵机组电机支撑松动或碰磨故障仿真数据,电机转速为1470rpm,转频1Hz时电机驱动端轴承内圈、外圈、滚动体、保持架对应的故障频率分别为4.91Hz、3.09Hz、2.09Hz、0.39Hz。
所生成的离心泵机组电机驱动端径向X和径向Y仿真数据波形分别如图6、图7所示,对应的FFT速度谱分别如图8、图9所示。
设置各类故障阈值:
(a)设定电机转子不平衡阈值:th1=60mm/s,th2=120mm/s、th3=180mm/s;不平衡谐波系数p1=0.1;不平衡相位差阈值phase1=70度,phase2=110度。
(b)设定电机转子不对中阈值th4=30mm/s,th5=75mm/s,th6=150mm/s;不对中幅值比系数p2=0.7,不对中谐波系数p3=0.1。
(c)设定电机支撑松动或碰磨阈值th7=3,th8=6,th8=8;支撑松动或碰磨谐波阈值p4=2mm/s。
(d)设定电机基础松动相位差阈值phase3=15度。
(e)设定电机驱动端轴承磨损阈值th10=20m/s2,th11=50m/s2,th12=40mm/s;电机驱动端轴承磨损峰峰值阈值p5=80m/s2,峭度值阈值p6=3.8。
利用本发明所述方法计算电机驱动端径向X和径向Y振动转频相位差diff_ph=90.1度。
利用本发明所述方法计算电机驱动端径向X振动FFT速度谱中转频各个谐波对应的幅值Amp1=51.9mm/s、Amp2=6.5mm/s、Amp3=5.6mm/s、Amp4=4.9mm/s、Amp5=4.5mm/s、Amp6=0.9mm/s、Amp7=2.8mm/s,其余转频谐波对应的幅值均为0。
利用本发明所述方法计算电机转子不平衡谐波数量num1=1;电机转子不对中谐波数量num2=0;电机支撑松动或碰磨谐波数量num3=4。
利用本方明所述方法计算速度谱中电机驱动端轴承保持架、滚动体、外圈、内圈前三阶故障频率对应的幅值之和,并取其最大值E_spec=0;计算加速度包络谱中电机驱动端轴承保持架、滚动体、外圈、内圈前三阶故障频率对应的幅值之和,并取其最大值E_env=0。电机驱动端径向X振动加速度峰峰值p5为35.6m/s2,峭度值p6为2.5。
离心泵机组驱动电机故障判断:
th7≤num3<th8,因此判断电机存在早期支撑松动或碰磨故障。
虽然本申请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申请而采用的实施方式,并非用以限定本申请。任何本申请所属技术领域内的技术人员,在不脱离本申请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,但本申请的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种离心泵机组故障的智能诊断方法,所述离心泵机组包括驱动电机和离心泵,在所述驱动电机的驱动端的轴承座上设置有振动传感器,所述振动传感器分别沿着电机驱动端轴承座的径向X和电机驱动端轴承座的径向Y方向设置,其中电机驱动端轴承座的径向X与径向Y呈90度夹角,电机驱动端故障的智能诊断包括以下步骤:
1)对电机驱动端轴承座径向X(Y)振动加速度数据进行积分得振动速度数据,并计算积分后振动速度数据的FFT频谱S;
2)对电机驱动端轴承座径向X(Y)振动加速度数据进行带通滤波,计算电机驱动端带通滤波后振动加速度数据的包络谱E;
3)计算电机驱动端轴承座径向X(Y)、电机驱动端轴承座径向Y(X)振动加速度数据转频相位,分别为ph1、ph2;
4)计算电机驱动端轴承座径向X(Y)和电机驱动端轴承座径向Y(X)的转频相位差diff_ph;
5)计算电机驱动端轴承振动加速度峰峰值Ap及峭度值Kurt,提取FFT频谱S中转频多个谐波对应的幅值Ampi;
6)分别提取FFT频谱S中电机驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_spec;
7)分别提取包络谱E中电机驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_env;
8)设定电机驱动端转子早期不平衡、较严重不平衡、严重不平衡故障阈值分别为th1、th2、th3,不平衡故障谐波系数阈值为p1,不平衡相位差阈值分别为phase1、phase2;
设定电机驱动端转子早期不对中、较严重不对中、严重不对中故障阈值分别为th4,、th5、th6,不对中幅值比系数阈值p2,不对中谐波系数阈值p3;
设定电机早期支撑松动或碰磨、较严重支撑松动或碰磨、严重支撑松动或碰磨故障阈值分别为th7、th8、th9,电机支撑松动或碰磨谐波阈值为p4;设定电机基础松动相位差阈值为phase3;
设定电机驱动端轴承早期磨损阈值、较严重磨损、严重磨损阈值分别为th10、th11、th12,电机驱动端轴承磨损对应的振动加速度峰峰值阈值和峭度值阈值分别为p5,p6;
9)统计AmpiAmp1>p1(i≠1,2)的数量,作为电机转子不平衡故障谐波数量num1;统计AmpiAmp1>p3(i≠1,2,3)的数量,作为电机转子不对中故障谐波数量num2;统计Ampi>p4(i≠1,2)的数量,作为电机支撑松动或碰磨故障谐波数量num3。
2.根据权利要求1所述的智能诊断方法,其特征在于,在驱动电机的非驱动端的轴承座上的径向X和电机非驱动端轴承座的径向Y方向也设置有振动传感器,其中电机非驱动端轴承座的径向X与径向Y呈90度夹角,电机非驱动端故障的智能诊断的步骤中,将上述步骤(9)替换为以下步骤(9'):
(9')统计AmpiAmp1>p1(i≠1,2,n,2n,3n)的数量,作为电机转子不平衡谐波数量num1;统计AmpiAmp1>p3(i≠1,2,3,n,2n,3n)的数量,作为电机转子不对中谐波数量num2;统计Ampi>p4(i≠1,2,n,2n,3n)的数量作为电机支撑松动或碰磨故障谐波数量num3;其中,n为电机非驱动端散热风扇的叶片数量。
3.根据权利要求1或2所述的智能诊断方法,其特征在于,步骤(6)和步骤(7)中,电机驱动端轴承组件的前三阶故障频率对应的幅值之和取轴承保持架、滚动体、外圈、内圈的前三阶故障频率对应的幅值之和。
4.根据权利要求1或2所述的智能诊断方法,其特征在于,若th1≤Amp1<th2且Amp2/Amp1<p且num1<2且phase1≤diff_ph≤phase2,则判断电机转子早期不平衡;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断电机转子较严重不平衡;若th3≤Amp1且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断电机转子严重不平衡;
若th4≤Amp2<th5且Amp2/Amp1≥p2且num2<2,则判断电机转子早期不对中;若th5≤Amp2<th6且Amp2/Amp1≥p2且num2<2,则判断电机转子较严重不对中;若th6≤Amp2且Amp2/Amp1≥p2且num2<2,则判断电机转子严重不对中;
若th7≤num3<th8,则判断电机早期支撑松动或碰磨;若th8≤num3<th9,则判断电机较严重支撑松动或碰磨;若th9≤num3,则判断电机严重支撑松动或碰磨;
若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断电机早期基础松动;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断电机较严重基础松动;th3≤Amp1且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断电机严重基础松动;
若E_spec≥th12,且Ap>p5且Kurt>p6,则判断电机驱动端轴承严重磨损;否则,若th10≤E_env<th11,则判断电机驱动端轴承早期磨损;E_env>th11,则判断电机驱动端轴承较严重磨损。
5.一种离心泵机组故障的智能诊断方法,所述离心泵机组包括驱动电机和离心泵,其中离心泵振动测点的布置采用两测点方案或四测点方案;
在两测点方案中,在离心泵驱动端轴承座的径向X和离心泵非驱动端轴承座的径向Y设有振动传感器,离心泵驱动端轴承座的径向X和离心泵非驱动端轴承座的径向Y呈90度夹角;在四测点方案中,在离心泵驱动端轴承座的径向X、离心泵驱动端轴承座的径向Y、离心泵非驱动端轴承座的径向X和离心泵非驱动端轴承座的径向Y设有振动传感器,离心泵驱动端轴承座的径向X和离心泵驱动端轴承座的径向Y呈90度夹角,离心泵非驱动端轴承座的径向X和离心泵非驱动端轴承座的径向Y呈90度夹角,
其特征在于,离心泵驱动端故障的智能诊断包括以下步骤:
1)对离心泵驱动端轴承座径向X(Y)振动加速度数据进行积分得振动速度数据,并计算积分后振动速度数据的FFT频谱S,计算离心泵驱动端轴承座径向X(Y)振动加速度频谱S1;
2)对离心泵驱动端轴承座径向X(Y)振动加速度数据进行带通滤波,计算离心泵驱动端带通滤波后振动加速度数据的包络谱E;
3)在两测点方案中,计算离心泵驱动端轴承座径向X(Y)、离心泵非驱动端轴承座径向Y(X)振动加速度数据转频相位,分别为分别为ph1、ph2;在四测点方案中,计算离心泵驱动端轴承座径向X(Y)、离心泵驱动端轴承座径向Y(X)振动加速度数据转频相位,分别为分别为ph1、ph2;
4)计算离心泵轴承座振动的转频相位差diff_ph;
5)计算离心泵驱动端轴承振动加速度峰峰值Ap及峭度值Kurt,提取FFT频谱S中转频多个谐波对应的幅值Ampi;
6)分别提取FFT频谱S中离心泵驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_spec;
7)分别提取包络谱E中离心泵驱动端轴承组件的前三阶故障频率对应的幅值之和,并取其最大值E_env;
8)计算离心泵气蚀特征频段内的振动加速度频谱S1和X坐标轴围成的面积,记为T;
9)设定离心泵驱动端转子早期不平衡、较严重不平衡、严重不平衡故障阈值分别为th1、th2、th3,不平衡故障谐波系数阈值为p1,不平衡相位差阈值分别为phase1、phase2;
设定离心泵驱动端转子早期不对中、较严重不对中、严重不对中故障阈值分别为th4,、th5、th6,不对中幅值比系数阈值p2,不对中谐波系数阈值p3;
设定离心泵早期支撑松动或碰磨、较严重支撑松动或碰磨、严重支撑松动或碰磨故障阈值分别为th7、th8、th9,离心泵支撑松动或碰磨谐波阈值为p4;设定离心泵基础松动相位差阈值为phase3;
设定离心泵驱动端轴承早期磨损阈值、较严重磨损、严重磨损阈值分别为th10、th11、th12,离心泵驱动端轴承磨损时对应的振动加速度峰峰值阈值和峭度值阈值分别为p5,p6;设定离心泵气蚀故障阈值分别为th13、th14、th15;
10)统计AmpiAmp1>p1(i≠1,2,n,2n,3n)的数量,作为离心泵转子不平衡谐波数量num1;统计AmpiAmp1>p3(i≠1,2,3,n,2n,3n)的数量,作为离心泵转子不对中谐波数量num2;统计Ampi>p4(i≠1,2,n,2n,3n)的数量,作为离心泵支撑松动或碰磨谐波数量num3;其中,n为离心泵叶轮叶片叶片数量。
6.根据权利要求5所述的智能诊断方法,其特征在于,若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断离心泵转子早期不平衡;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断离心泵转子较严重不平衡;若th3≤Amp1且Amp2/Amp1<p2且num1<2且phase1≤diff_ph≤phase2,则判断离心泵转子严重不平衡;
若th4≤Amp2<th5且Amp2/Amp1≥p2且num2<2,则判断离心泵转子早期不对中;若th5≤Amp2<th6且Amp2/Amp1≥p2且num2<2,则判断离心泵转子较严重不对中;若th6≤Amp2且Amp2/Amp1≥p2且num2<2,则判断离心泵转子严重不对中;
若th7≤num3<th8,则判断离心泵早期支撑松动或碰磨;若th8≤num3<th9,则判断离心泵较严重支撑松动或碰磨;若th9≤num3,则判断离心泵严重支撑松动或碰磨;
若th1≤Amp1<th2且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断离心泵早期基础松动;若th2≤Amp1<th3且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断离心泵较严重基础松动;若th3≤Amp1且Amp2/Amp1<p2且num1<2且(diff_ph≤phase3或diff_ph≥180-phase3),则判断离心泵严重基础松动;
若E_spec≥th12,且Ap>p5且Kurt>p6,则判断离心泵驱动端轴承严重磨损;否则,若th10≤E_env<th11,则判断离心泵驱动端轴承早期磨损;若E_env>th11,则判断离心泵驱动端轴承较严重磨损;
若th13≤T<th14,则判断离心泵叶轮早期气蚀;若th14≤T<th15,则判断离心泵叶轮较严重气蚀;若th15<T,则判断离心泵叶轮严重气蚀。
7.根据权利要求5或6所述的智能诊断方法,其特征在于,步骤(6)和步骤(7)中,离心泵驱动端轴承组件的前三阶故障频率对应的幅值之和取轴承保持架、滚动体、外圈、内圈的前三阶故障频率对应的幅值之和。
8.根据权利要求5或6或7所述的智能诊断方法,其特征在于,离心泵非驱动端故障的智能诊断方法与离心泵驱动端故障的智能诊断方法相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010230528.3A CN111365251B (zh) | 2020-03-27 | 2020-03-27 | 一种离心泵机组故障的智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010230528.3A CN111365251B (zh) | 2020-03-27 | 2020-03-27 | 一种离心泵机组故障的智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111365251A true CN111365251A (zh) | 2020-07-03 |
CN111365251B CN111365251B (zh) | 2021-10-15 |
Family
ID=71204852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010230528.3A Active CN111365251B (zh) | 2020-03-27 | 2020-03-27 | 一种离心泵机组故障的智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111365251B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112539935A (zh) * | 2020-11-25 | 2021-03-23 | 西安因联信息科技有限公司 | 旋转机械基础类故障的识别方法 |
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 |
CN113339280A (zh) * | 2021-06-10 | 2021-09-03 | 中国海洋石油集团有限公司 | 一种海上离心泵故障诊断方法及系统 |
CN114301242A (zh) * | 2021-12-17 | 2022-04-08 | 安徽皖南新维电机有限公司 | 适用于伸缩臂叉装车专用电机安装的安装方法 |
CN117570039A (zh) * | 2024-01-16 | 2024-02-20 | 山东大洋矿用设备有限公司 | 矿用隔爆型潜水排沙电泵故障监测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04252928A (ja) * | 1990-12-25 | 1992-09-08 | Tokyo Metropolis | ポンプの故障診断装置 |
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 |
WO2010092238A1 (en) * | 2009-02-12 | 2010-08-19 | Enercomp Oy | Energy efficiency observer |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN108361207A (zh) * | 2018-01-09 | 2018-08-03 | 兰州理工大学 | 一种用于离心泵振动监测与故障预警的装置及方法 |
CN109488630A (zh) * | 2018-11-13 | 2019-03-19 | 上海金艺检测技术有限公司 | 基于谐波相对指标的离心风机转子不对中故障诊断方法 |
-
2020
- 2020-03-27 CN CN202010230528.3A patent/CN111365251B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04252928A (ja) * | 1990-12-25 | 1992-09-08 | Tokyo Metropolis | ポンプの故障診断装置 |
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 |
WO2010092238A1 (en) * | 2009-02-12 | 2010-08-19 | Enercomp Oy | Energy efficiency observer |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN108361207A (zh) * | 2018-01-09 | 2018-08-03 | 兰州理工大学 | 一种用于离心泵振动监测与故障预警的装置及方法 |
CN109488630A (zh) * | 2018-11-13 | 2019-03-19 | 上海金艺检测技术有限公司 | 基于谐波相对指标的离心风机转子不对中故障诊断方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112539935A (zh) * | 2020-11-25 | 2021-03-23 | 西安因联信息科技有限公司 | 旋转机械基础类故障的识别方法 |
CN112539935B (zh) * | 2020-11-25 | 2022-10-14 | 西安因联信息科技有限公司 | 旋转机械基础类故障的识别方法 |
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 |
CN113339280A (zh) * | 2021-06-10 | 2021-09-03 | 中国海洋石油集团有限公司 | 一种海上离心泵故障诊断方法及系统 |
CN114301242A (zh) * | 2021-12-17 | 2022-04-08 | 安徽皖南新维电机有限公司 | 适用于伸缩臂叉装车专用电机安装的安装方法 |
CN114301242B (zh) * | 2021-12-17 | 2023-08-04 | 安徽皖南新维电机有限公司 | 适用于伸缩臂叉装车专用电机安装的安装方法 |
CN117570039A (zh) * | 2024-01-16 | 2024-02-20 | 山东大洋矿用设备有限公司 | 矿用隔爆型潜水排沙电泵故障监测系统及方法 |
CN117570039B (zh) * | 2024-01-16 | 2024-04-12 | 山东大洋矿用设备有限公司 | 矿用隔爆型潜水排沙电泵故障监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111365251B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111365251B (zh) | 一种离心泵机组故障的智能诊断方法 | |
Ertunc et al. | ANN-and ANFIS-based multi-staged decision algorithm for the detection and diagnosis of bearing faults | |
Lei et al. | EEMD method and WNN for fault diagnosis of locomotive roller bearings | |
US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
Li et al. | Bearing fault feature selection method based on weighted multidimensional feature fusion | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
Mishra et al. | Multi-domain bearing fault diagnosis using support vector machine | |
Guo et al. | An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression | |
Khan et al. | System design for early fault diagnosis of machines using vibration features | |
Haroun et al. | Misalignment fault detection and diagnosis using AR model of torque signal | |
Paudyal et al. | Local maximum acceleration based rotating machinery fault classification using KNN | |
CN111122191A (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
Bastami et al. | Estimating the size of naturally generated defects in the outer ring and roller of a tapered roller bearing based on autoregressive model combined with envelope analysis and discrete wavelet transform | |
Wegerich et al. | Nonparametric modeling of vibration signal features for equipment health monitoring | |
CN106441843A (zh) | 一种旋转机械故障波形识别方法 | |
CN116257747A (zh) | 融合峭度和卷积自编码器的转子系统早期异常检测方法 | |
Lis et al. | An anomaly detection method for rotating machinery monitoring based on the most representative data | |
Nejadpak et al. | Misalignment and unbalance faults detection and identification using KNN analysis | |
Madhukar et al. | A Machine Learning Based Methodology for Fault Diagnosis in Rotating Machine | |
Qin et al. | Application of sensitive dimensionless parameters and PSO–SVM for fault classification in rotating machinery | |
CN114742093A (zh) | 基于时频曲线提取和分类的滚动轴承故障诊断方法及装置 | |
CN115329810A (zh) | 牵引电机健康诊断方法及系统 | |
Huo et al. | A comparative study of WPD and EMD for shaft fault diagnosis | |
Briglia et al. | Bearing fault detection and recognition from supply currents with decision trees | |
Oddan | Multivariate statistical condition monitoring |
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 |