CN113553677B - 一种含测量误差二维振动参数的燃气轮机寿命预测方法 - Google Patents
一种含测量误差二维振动参数的燃气轮机寿命预测方法 Download PDFInfo
- Publication number
- CN113553677B CN113553677B CN202111006899.4A CN202111006899A CN113553677B CN 113553677 B CN113553677 B CN 113553677B CN 202111006899 A CN202111006899 A CN 202111006899A CN 113553677 B CN113553677 B CN 113553677B
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- vibration
- measurement error
- test data
- service life
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Description
技术领域
本发明属于舰船用燃气轮机技术领域,尤其涉及一种含测量误差二维振动参数的燃气轮机寿命预测方法。
背景技术
舰船用燃气轮机是舰船重要的动力装置之一,既可用于常规机械推进的主机,又可用于综合电力系统发电模块的原动机,是舰船高机动能力的重要保证,但是受海洋环境高湿、高盐等因素影响,其在寿命周期内性能退化等现象较为显著,因此,燃气轮机的可靠性日益成为关注的重点。准确预测燃气轮机的剩余寿命,不仅为燃气轮机的日常使用提供帮助,而且为视情维修提供重要参考。燃气轮机作为高速旋转的动力机械,整机振动性能指标是监测其健康状态的最重要指标之一,由于燃气轮机转子跨度较大,因此通常布置两路振动传感器对其进行监测,以此提高对不同转动部件健康状态的监控准确性,且在工程实测和理论分析中,整机振动值具有性能退化特征,可以视为退化量。振动传感器在监测燃气轮机整机振动时,受舰船平台振动传递等影响,测试数据难免含有误差成分,影响寿命预测的精度。
发明内容
为解决上述问题,本发明提供一种含测量误差二维振动参数的燃气轮机寿命预测方法,能够提高燃气轮机整机寿命预测的精度。
一种含测量误差二维振动参数的燃气轮机寿命预测方法,包括以下步骤:
S1:分别在燃气轮机上选取两个振动测点作为整机振动测试的两个通道,并将th时刻燃气轮机两个通道的振动测试数据的实际退化量记为xk(th)=x0,k+μkt+σkB(t),其中,k=1,2,x0,k为初始退化量,μk为燃气轮机第k个通道振动测试数据的漂移系数,σk为燃气轮机第k个通道振动测试数据的扩散系数,{B(t),t≥0}为标准布朗运动;
S4:由全概率公式获取各通道对应的剩余寿命l的概率密度函数fk,h(l)如下:
其中,Ph|h为实际退化量xk(th)的方差估计值;
S5:分别对各通道的概率密度函数fk,h(l)进行积分,得到各通道振动测试数据对应的剩余寿命的累积分布函数Fk,h(l);
S6:根据Sklar定理,存在一个Copula函数C′使得燃气轮机剩余寿命的概率密度函数fh(l)为:
其中,Fk,h(Dk,h,l)=1-Fk,h(l);
S7:对概率密度函数fh(l)进行积分,得到燃气轮机剩余寿命的累积分布函数Fh(l),实现燃气轮机的寿命预测。
进一步地,选中的两个整机振动测点分布在燃气轮机外机匣垂直于转子轴系方向的不同截面上。
进一步地,被选中的两个整机振动测点分布在压气机支点截面和涡轮支点截面上。
进一步地,实际退化量xk(th)的方差估计值Ph|h由卡尔曼滤波算法计算得到。
进一步地,累积分布函数Fk,h(l)的计算公式如下:
累积分布函数Fh(l)的计算公式如下:
有益效果:
附图说明
图1为本发明提供一种含测量误差二维振动参数的燃气轮机寿命预测方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
整机振动监测是舰船用燃气轮机性能退化和可靠性评估的重要手段之一,舰用燃气轮机的转子系统为长轴结构,受转子支承方式影响,在机匣外测点对转子燃气轮机整机振动测量时,不同测点对转子特定故障响应敏感度不同,且其失效阈值也有差异,因此提出采用双加速度振动传感器,对燃气轮机健康状态进行监测。此外,受舰船平台振动传递、噪声、温度变化等影响,健康管理系统采集的振动数据难免存在误差。为提高燃气轮机寿命预测的精度,减小振动传感器测点布置及测量误差对评估的影响,如图1所示,本发明提出采用一种含有测量误差的燃气轮机二维性能退化参数剩余寿命预测方法,包括以下步骤:
S1:分别在燃气轮机上选取两个振动测点作为整机振动测试的两个通道,并将th时刻燃气轮机两个通道的振动测试数据的实际退化量记为xk(th)=x0,k+μkt+σkB(t),其中,k=1,2,分别表示两个通道的编号,x0,k为初始退化量,μk为燃气轮机第k个通道振动测试数据的漂移系数,σk为燃气轮机第k个通道振动测试数据的扩散系数,{B(t),t≥0}为标准布朗运动。
需要说明的是,燃气轮机在船用状态下,其振动测量误差主要来源于船体传递的背景环境噪声,因此,开展背景环境振动测试实验,确定测量误差的随机概率分布情况,通常测量误差服从正态分布,即με为均值,通常为0,σε,k为标准差;同时,背景环境振动测试实验有2种形式,一种是在舰船平台上通过关闭被测燃气轮机测量不同测点振动烈度数据,另一种是将振动传感器布置在燃气轮机安装的刚性基座上,本发明采用第一种形式。此外,本发明将测得的环境背景噪声振动数据等测量误差项进行剔除野点、消除趋势项和滤波等处理后,再研究其数据分布情况,将得到的结果作为测量误差
进一步地,在对燃气轮机整机转子支承方案分析的基础上,为增加整机可靠性评估精度,选中两个振动测点,形成两通道测试数据进行联合评估,被选中的2个典型振动测点可以为燃气轮机外机匣垂直于转子轴系方向不同截面的测点,通常选择压气机支点截面和涡轮支点截面。在工程实测和理论分析中,整机振动值具有性能退化特征,可以视为退化量。此外,采集的振动数据是以振动烈度(mm/s)为计量单位,所用的数据采集传感器为耐高温加速度传感器。
此外,在传统的燃气轮机的寿命预测中,对第k个通道振动测试量而言,若在时刻th之前其退化量都没有超过wk,则对应的剩余寿命Lk,h的表达式为:
Lk,h=inf{l,Xk(l+th)≥wk|(Xk,1:h,Xk(tj)<wk,j=1,2,…,h)}
其中l为该通道对应的燃气轮机剩余寿命,其概率密度函数为
其中th时刻的失效阈值Dk,h=wk-Xk(th)。
然而,由于测量误差的存在,真实的退化状态xk(th)存在不确定性,从而导致th时刻的失效阈值Dk,h也存在不确定性;因此,本发明添加描述测量误差,重新获取各通道的剩余寿命概率密度函数,以提高剩余寿命预测精度,具体参见如下步骤S3~S4。
S4:由全概率公式获取各通道对应的剩余寿命l的概率密度函数fk,h(l)如下:
其中,Ph|h为实际退化量xk(th)的方差估计值,可通过Kalman滤波等方法获得。
S5:分别对各通道的概率密度函数fk,h(l)进行积分,得到各通道振动测试数据对应的剩余寿命的累积分布函数Fk,h(l);累积分布函数Fk,h(l)的计算公式如下:
S6:根据Sklar定理,存在一个Copula函数C′使得燃气轮机剩余寿命的概率密度函数fh(l)为:
其中,Fk,h(Dk,h,l)=1-Fk,h(l)。
S7:对概率密度函数fh(l)进行积分,得到燃气轮机剩余寿命的累积分布函数Fh(l),实现燃气轮机的寿命预测;累积分布函数Fh(l)的计算公式如下:
下面详细介绍实际退化量xk(th)的方差估计值Ph|h的获取方法:
为了估计燃气轮机的退化状态,将退化状态方程和测量方程在监测时刻转换为离散时间方程,在离散时间点th,h=1,2,…可以得到变换后的退化模型:
其中,噪声vh=σk(B(th)-B(th-1)),εh是ε在时刻th的实现。{vh}h≥1和{εh}h≥1是独立同分布的噪声序列。根据上式的退化模型,定义和Ph|h=var[xh|Y1:h]分别为通过测量Y1:h对退化状态xh估计的期望和方差;和分别为一步预测的期望和方差。因此,在时刻th,基于Kalman滤波的潜在退化状态估计和更新过程如下:
状态估计:
方差更新:
Ph|h=(1-K(h))Ph|h-1
由此可见,基于现有技术中无法有效解决传感器测量误差对测试数据处理的影响,传统可靠性评估多为单通道参数的可靠性评估方法,本发明针对燃气轮机两路振动测试数据的情况,可以有效通过对燃气轮机两通道测振参数的分析,评估燃气轮机核心转子系统的可靠性,为燃气轮机整机剩余寿命预测提供有效支撑,得到更为精确的剩余寿命预测结果;需要说明的是,即使在舰船平台振动传递干扰等复杂环境下测试数据含有测量误差时的情况,本发明也能保持较为精确的剩余寿命预测精度。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种含测量误差二维振动参数的燃气轮机寿命预测方法,其特征在于,包括以下步骤:
S1:分别在燃气轮机上选取两个振动测点作为整机振动测试的两个通道,并将th时刻燃气轮机两个通道的振动测试数据的实际退化量记为xk(th)=x0,k+μkt+σkB(t),其中,k=1,2,x0,k为初始退化量,μk为燃气轮机第k个通道振动测试数据的漂移系数,σk为燃气轮机第k个通道振动测试数据的扩散系数,{B(t),t≥0}为标准布朗运动;
S4:由全概率公式获取各通道对应的剩余寿命l的概率密度函数fk,h(l)如下:
其中,Ph|h为实际退化量xk(th)的方差估计值;
S5:分别对各通道的概率密度函数fk,h(l)进行积分,得到各通道振动测试数据对应的剩余寿命的累积分布函数Fk,h(l);
S6:根据Sklar定理,存在一个Copula函数C′使得燃气轮机剩余寿命的概率密度函数fh(l)为:
其中,Fk,h(Dk,h,l)=1-Fk,h(l);
S7:对概率密度函数fh(l)进行积分,得到燃气轮机剩余寿命的累积分布函数Fh(l),实现燃气轮机的寿命预测。
2.如权利要求1所述的一种含测量误差二维振动参数的燃气轮机寿命预测方法,其特征在于,选中的两个整机振动测点分布在燃气轮机外机匣垂直于转子轴系方向的不同截面上。
3.如权利要求2所述的一种含测量误差二维振动参数的燃气轮机寿命预测方法,其特征在于,被选中的两个整机振动测点分布在压气机支点截面和涡轮支点截面上。
5.如权利要求1所述的一种含测量误差二维振动参数的燃气轮机寿命预测方法,其特征在于,实际退化量xk(th)的方差估计值Ph|h由卡尔曼滤波算法计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006899.4A CN113553677B (zh) | 2021-08-30 | 2021-08-30 | 一种含测量误差二维振动参数的燃气轮机寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111006899.4A CN113553677B (zh) | 2021-08-30 | 2021-08-30 | 一种含测量误差二维振动参数的燃气轮机寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553677A CN113553677A (zh) | 2021-10-26 |
CN113553677B true CN113553677B (zh) | 2022-11-15 |
Family
ID=78106229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111006899.4A Active CN113553677B (zh) | 2021-08-30 | 2021-08-30 | 一种含测量误差二维振动参数的燃气轮机寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553677B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547803B (zh) * | 2022-02-28 | 2023-04-18 | 扬州中卓泵业有限公司 | 陶瓷泵涡轮寿命检测系统和方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959676B (zh) * | 2017-12-22 | 2019-09-20 | 北京航空航天大学 | 一种考虑有效冲击的退化建模与寿命预测方法 |
-
2021
- 2021-08-30 CN CN202111006899.4A patent/CN113553677B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
不确定退化测量数据下的剩余寿命估计;司小胜等;《电子学报》;20150115(第01期);全文 * |
基于Copula函数的齿轮箱剩余寿命预测方法;宋仁旺等;《系统工程理论与实践》;20200916(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113553677A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106484949B (zh) | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 | |
US7571057B2 (en) | System and method for monitoring degradation | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
Chen et al. | Status self-validation of sensor arrays using gray forecasting model and bootstrap method | |
CN109710983B (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
CN105866504B (zh) | 一种基于卡尔曼滤波的光纤电流互感器温度补偿方法 | |
CN113553677B (zh) | 一种含测量误差二维振动参数的燃气轮机寿命预测方法 | |
Li et al. | A general degradation process of useful life analysis under unreliable signals for accelerated degradation testing | |
Gerchakov et al. | An improved method for analysis of polarization resistance data | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
CN115687983A (zh) | 一种桥梁健康状态监测方法、系统及电子设备 | |
Wei et al. | Remaining useful life prediction using a stochastic filtering model with multi-sensor information fusion | |
JP2024045515A (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
CN113093545B (zh) | 基于能量平衡的直线伺服系统热误差建模方法及补偿系统 | |
Zhang et al. | Sensor fault diagnosis and location for small and medium-scale wireless sensor networks | |
He et al. | Sequential Bayesian planning for accelerated degradation tests considering sensor degradation | |
Nunzi et al. | Stochastic and reactive methods for the determination of optimal calibration intervals | |
CN110619413A (zh) | 用于评估风力发电机组健康度的方法及装置 | |
CN113688531B (zh) | 一种含测量误差二维振动参数的燃气轮机可靠性评估方法 | |
Alozie et al. | An adaptive model-based framework for prognostics of gas path faults in aircraft gas turbine engines | |
Zhang et al. | A remaining useful life prediction framework for multi-sensor system | |
Sohaidan et al. | Remaining useful life prediction of turbofan engine using long-short term memory | |
Ni et al. | An adaptive state-space model for predicting remaining useful life of planetary gearbox | |
Döhler et al. | Efficient structural system reliability updating with subspace-based damage detection information | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters |
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 |