CN113656989A - 一种螺栓故障诊断方法及装置 - Google Patents
一种螺栓故障诊断方法及装置 Download PDFInfo
- Publication number
- CN113656989A CN113656989A CN202110727362.0A CN202110727362A CN113656989A CN 113656989 A CN113656989 A CN 113656989A CN 202110727362 A CN202110727362 A CN 202110727362A CN 113656989 A CN113656989 A CN 113656989A
- Authority
- CN
- China
- Prior art keywords
- bolt
- fault
- simulation
- monitoring
- axial force
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 71
- 238000004088 simulation Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 9
- 238000009434 installation Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 241000219000 Populus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B5/00—Measuring arrangements characterised by the use of mechanical techniques
- G01B5/02—Measuring arrangements characterised by the use of mechanical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/16—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force
- G01L5/173—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force using acoustic means
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种螺栓故障诊断方法及装置,该方法包括以下步骤:S1,进行螺栓故障模拟试验,记录螺栓故障监测点监测数据;S2,通过有限元方法对螺栓故障进行仿真,建立虚拟故障案例库;S3,提取虚拟故障案例库中故障特征,对真机螺栓故障进行人工智能建模。本发明解决了现有技术存在的不能通过有限测点对所有螺栓进行有效诊断的问题,从而解决现有设备螺栓组监测和故障诊断的难题。
Description
技术领域
本发明涉及螺栓故障诊断技术领域,具体是一种螺栓故障诊断方法及装置。
背景技术
顶盖是水轮机的关键部件之一,其作用主要是固定导水机构,承担机组轴向荷载。顶盖与座环是通过螺栓联结的,不确定因素引起的机组振动会造成螺栓承受变幅荷载,给螺栓力学强度和疲劳寿命带来巨大的冲击。国外俄罗斯萨杨水电站因为顶盖-座环把合螺栓疲劳失效引发重大事故,国内某抽蓄电站顶盖-座环把合螺栓在某次机组水轮机紧急关闭时发生疲劳断裂,顶盖抬起,引发重大安全事故(如水淹厂房等)。
螺栓是一种典型的多缺口零件,其疲劳性能受螺栓的结构、材料、制造工艺、动应力水平和环境因素等多种因素影响,目前顶盖-座环螺结螺栓设计只是在静载荷和预设工况作用下进行强度和疲劳校核,但没能精确考虑真机螺栓实际安装值、真机实际运行工作状态和真实运行历史对实际螺栓所受应力状态的影响。行业内,水轮机重要螺栓发生故障的概率极低,但一旦发生,其破坏性是巨大的,轻则导致设备损坏,重则导致水淹厂房、重大人员安全事故。
受限于传感器技术(行业内高性能的超声测力传感器其独立通道数为最多24)、现场布置条件、经济实施成本,现有监测方案多对整体法兰的一部分螺栓进行监测(如水轮机顶盖-座环把合螺栓数量较多,一般为64~120颗左右,只对其中的一部分螺栓进行监测),现场实施时,很难做到每颗螺栓上均布置有测点。因此,如此通过有限测点,对整个法兰所有螺栓进行有效监测和故障预警及故障诊断是一项重要的、亟待解决的问题。
水力发电设备安全性很高,螺栓松动及断裂的故障样本极少,且由于保密原因,很难获取公开的真实技术资料;出于设备和人员安全考虑,人为在真机上制造和获取故障样本,同样是不可行的。
发明内容
为克服现有技术的不足,本发明提供了一种螺栓故障诊断方法及装置,解决现有技术存在的不能通过有限测点对所有螺栓进行有效诊断的问题,从而解决现有设备螺栓组监测和故障诊断的难题。
本发明解决上述问题所采用的技术方案是:
一种螺栓故障诊断方法,包括以下步骤:
S1,进行螺栓故障模拟试验,记录螺栓故障监测点监测数据;
S2,通过有限元方法对螺栓故障进行仿真,建立虚拟故障案例库;
S3,提取虚拟故障案例库中故障特征,对真机螺栓故障进行人工智能建模。
本发明通过螺栓故障模拟试验、故障仿真、人工智能建模等,解决了螺栓故障监测点数量有限、螺栓故障监测点布置位置受限、故障点快速诊断的难题。通过有限元仿真,建立虚拟故障案例库,并可实现对真机螺栓故障进行自动诊断,便于所有螺栓的诊断。在实际使用时,可采用如下设置:若某颗无测点的螺栓松动或断裂后,根据有限元仿真分析,临近的测点螺栓的轴力会有不同程度的变化,其变化值的组合可作为对应的故障特征,从而可以反推无测点螺栓的松动及断裂情况,从而实现故障螺栓的定位和定量的故障诊断分析,通过人工神经网络技术完成此故障的智能诊断。
作为一种优选的技术方案,步骤S1所述螺栓故障模拟试验包括螺栓松动故障模拟试验和/或螺栓断裂故障模拟试验。
螺栓松动、螺栓断裂为常见的螺栓故障,通过以上模拟试验,本发明的适用范围更广。
作为一种优选的技术方案,步骤S1所述螺栓故障监测点监测数据包括螺栓故障监测点的螺栓轴力值和/或螺栓伸长值。
螺栓轴力值、螺栓伸长值作为螺栓故障的数值指标,便于统计分析和建模方便。
作为一种优选的技术方案,步骤S2还包括以下步骤:分析仿真误差,并对螺栓轴力监测仪器进行验证。
通过以上步骤,本发明可对螺栓轴力监测仪器的性能进行施工前的验证,对故障诊断方法进行验证,提高了对真机法兰螺栓故障进行诊断的自适应能力、容错性和鲁棒性。
作为一种优选的技术方案,步骤S2中,以真机工况数据、真机运行状态数据、机组初始预紧安装值作为仿真输入的边界条件。
这便于提高对螺栓故障进行仿真和诊断的精确度和真实性,有利于提高诊断质量。
作为一种优选的技术方案,步骤S3还包括以下步骤:使真机螺栓故障模型具备在线自学习功能。
在线自学习功能进一步提高了诊断的纠错能力,更加智能。
一种应用于所述的一种螺栓故障诊断方法的螺栓故障诊断装置,包括螺栓、与螺栓相连的螺栓轴力监测仪器、与螺栓相连的荷载模拟装置。
荷载模拟装置为螺栓故障提供模拟荷载,螺栓轴力监测仪器实时监测螺栓发生故障的过程中的螺栓轴力,从而便于诊断螺栓的故障。
作为一种优选的技术方案,所述荷载模拟装置为千斤顶。
千斤顶施加荷载的效果好,且便于安装。
作为一种优选的技术方案,所述螺栓轴力监测仪器为超声波测力传感器。
超声波测力传感器测力准确度高,无损监测,比较灵敏,便于安装。
作为一种优选的技术方案,还包括螺栓长度监测仪器。
这便于监测螺栓发生故障的过程中的长度变化,从而进一步提高仿真和诊断的效果。作为优选,螺栓长度监测仪器可选择千分表,方便安装。
本发明相比于现有技术,具有以下有益效果:
(1)本发明通过螺栓故障模拟试验、故障仿真、人工智能建模等,解决了螺栓故障监测点数量有限、螺栓故障监测点布置位置受限、故障点快速诊断的难题;通过有限元仿真,建立虚拟故障案例库,并可实现对真机螺栓故障进行自动诊断,便于所有螺栓的诊断;本发明可以反推无测点螺栓的松动及断裂情况,从而实现故障螺栓的定位和定量的故障诊断分析,通过人工神经网络技术完成此故障的智能诊断;
(2)本发明步骤S1所述螺栓故障模拟试验包括螺栓松动故障模拟试验和/或螺栓断裂故障模拟试验;螺栓松动、螺栓断裂为常见的螺栓故障,通过以上模拟试验,本发明的适用范围更广;
(3)本发明步骤S1所述螺栓故障监测点监测数据包括螺栓故障监测点的螺栓轴力值和/或螺栓伸长值;螺栓轴力值、螺栓伸长值作为螺栓故障的数值指标,便于统计分析和建模方便;
(4)本发明步骤S2还包括以下步骤:分析仿真误差,并对螺栓轴力监测仪器进行验证;通过以上步骤,本发明可对螺栓轴力监测仪器的性能进行施工前的验证,对故障诊断方法进行验证,提高了对真机法兰螺栓故障进行诊断的自适应能力、容错性和鲁棒性;
(5)本发明步骤S2中,以真机工况数据、真机运行状态数据、机组初始预紧安装值作为仿真输入的边界条件;这便于提高对螺栓故障进行仿真和诊断的精确度和真实性,有利于提高诊断质量;
(6)本发明步骤S3还包括以下步骤:使真机螺栓故障模型具备在线自学习功能,在线自学习功能进一步提高了诊断的纠错能力,更加智能;
(7)本发明荷载模拟装置为螺栓故障提供模拟荷载,螺栓轴力监测仪器实时监测螺栓发生故障的过程中的螺栓轴力,从而便于诊断螺栓的故障;
(8)本发明所述荷载模拟装置为千斤顶,千斤顶施加荷载的效果好,且便于安装;
(9)本发明所述螺栓轴力监测仪器为超声波测力传感器,超声波测力传感器测力准确度高,无损监测,比较灵敏,便于安装;
(10)本发明还包括螺栓长度监测仪器;这便于监测螺栓发生故障的过程中的长度变化,从而进一步提高仿真和诊断的效果。
附图说明
图1为螺栓故障模拟试验的故障诊断建模流程图;
图2为真机螺栓故障的故障诊断建模流程图;
图3为本发明所述的螺栓故障诊断装置的结构示意图;
图4为图3的P向视图;
图5为图3沿A-A面的剖视图。
附图中标记及相应的零部件名称:1、螺栓,2、螺栓轴力监测仪器,3、荷载模拟装置,4、螺栓长度监测仪器,5、基座,6、基座固定螺栓,7、法兰,8、试验螺母,9、千斤顶支撑板,10、测力垫圈。
具体实施方式
下面结合实施例及附图,对本发明作进一步的详细说明,但本发明的实施方式不限于此。
实施例1
如图1至图5所示,一种螺栓故障诊断方法,包括以下步骤:
S1,进行螺栓故障模拟试验,记录螺栓故障监测点监测数据;
S2,通过有限元方法对螺栓故障进行仿真,建立虚拟故障案例库;
S3,提取虚拟故障案例库中故障特征,对真机螺栓故障进行人工智能建模。
本发明通过螺栓故障模拟试验、故障仿真、人工智能建模等,解决了螺栓故障监测点数量有限、螺栓故障监测点布置位置受限、故障点快速诊断的难题。通过有限元仿真,建立虚拟故障案例库,并可实现对真机螺栓故障进行自动诊断,便于所有螺栓的诊断。在实际使用时,可采用如下设置:若某颗无测点的螺栓松动或断裂后,根据有限元仿真分析,临近的测点螺栓的轴力会有不同程度的变化,其变化值的组合可作为对应的故障特征,从而可以反推无测点螺栓的松动及断裂情况,从而实现故障螺栓的定位和定量的故障诊断分析,通过人工神经网络技术完成此故障的智能诊断。
作为一种优选的技术方案,步骤S1所述螺栓故障模拟试验包括螺栓松动故障模拟试验和/或螺栓断裂故障模拟试验。
螺栓松动、螺栓断裂为常见的螺栓故障,通过以上模拟试验,本发明的适用范围更广。
作为一种优选的技术方案,步骤S1所述螺栓故障监测点监测数据包括螺栓故障监测点的螺栓轴力值和/或螺栓伸长值。
螺栓轴力值、螺栓伸长值作为螺栓故障的数值指标,便于统计分析和建模方便。
作为一种优选的技术方案,步骤S2还包括以下步骤:分析仿真误差,并对螺栓轴力监测仪器进行验证。
通过以上步骤,本发明可对螺栓轴力监测仪器的性能进行施工前的验证,对故障诊断方法进行验证,提高了对真机法兰螺栓故障进行诊断的自适应能力、容错性和鲁棒性。
作为一种优选的技术方案,步骤S2中,以真机工况数据、真机运行状态数据、机组初始预紧安装值作为仿真输入的边界条件。
这便于提高对螺栓故障进行仿真和诊断的精确度和真实性,有利于提高诊断质量。
作为一种优选的技术方案,步骤S3还包括以下步骤:使真机螺栓故障模型具备在线自学习功能。
在线自学习功能进一步提高了诊断的纠错能力,更加智能。
实施例2
如图1至图5所示,作为实施例1的进一步优化,本实施例包含了实施例1的全部技术特征,除此之外,本实施例还包括以下技术特征:
一种应用于所述的一种螺栓故障诊断方法的螺栓故障诊断装置,包括螺栓1、与螺栓1相连的螺栓轴力监测仪器2、与螺栓1相连的荷载模拟装置3。
荷载模拟装置3为螺栓1故障提供模拟荷载,螺栓轴力监测仪器2实时监测螺栓1发生故障的过程中的螺栓轴力,从而便于诊断螺栓1的故障。
作为一种优选的技术方案,所述荷载模拟装置3为千斤顶。
千斤顶施加荷载的效果好,且便于安装。
作为一种优选的技术方案,所述螺栓轴力监测仪器2为超声波测力传感器。
超声波测力传感器测力准确度高,无损监测,比较灵敏,便于安装。
作为一种优选的技术方案,还包括螺栓长度监测仪器4。
这便于监测螺栓1发生故障的过程中的长度变化,从而进一步提高仿真和诊断的效果。作为优选,螺栓长度监测仪器4可选择千分表,方便安装。
实施例3
如图1至图5所示,在实施例1、实施例2的基础上,本实施例提供一种更细化的实施方式。
本故障模拟装置由基座5、基座固定螺栓6、法兰7、试验螺栓(即螺栓1)、试验螺母8、千斤顶(即荷载模拟装置3)、千斤顶支撑板9、千分表(即螺栓长度监测仪器4)、螺栓测力传感器(即螺栓轴力监测仪器2)、测力垫圈10组成,详见图1。
使用时,通过基座固定螺栓6将基座5固定在试验台上;通过试验螺栓和试验螺母将法兰7按设定预紧荷载与基座5把合;通过千斤顶准确的模拟工作外载。螺栓测力传感器与真机保持一致,优选超声波测力传感器。通过千分表对试验螺栓伸长值进行监测。
本装置试验螺栓为8颗M30-8.8-O螺栓,螺栓轴力测点布置在2#、4#、6#、8#螺栓上;千斤顶量程为100吨,模拟轴向工作荷载设置为80吨。
螺栓松动故障模拟时,将8颗螺栓预紧至指定荷载,如180kN;将指定螺栓松动至某一或若干比例的预紧值,如松动至50%预紧力,放松螺栓的同时,记录各螺栓测点的读数变化。
螺栓断裂故障模拟时,将8颗螺栓预紧至指定荷载,如180kN;将指定螺栓完全放松并移除,记录各螺栓测点的读数变化。
人工神经网络是一种成熟和广泛应用于故障诊断领域的一种智能算法。该技术可对非线性模型进行足够精细的拟合,实现输入特征与故障之间的复杂非线性映射(模式识别),具备自适应能力和较强的容错性、鲁棒性。
在螺栓松动故障模拟和螺栓断裂故障模拟中,可获取故障样本的实测数据;基于有限元仿真模拟,可获取与之相对应的虚拟仿真计算值,并与模拟装置实测数据进行比对和修正。然后,通过人工智能技术进一步建立完善的故障样本库,实现基于有限螺栓轴力监测数据的法兰7全部螺栓故障智能诊断。故障诊断建模流程,详见图1。表1为基于有限元计算的故障特征提取示意表,从表1中可以看出,无轴力监测点螺栓(1#、3#、5#、7#)发送松动和断裂后,有轴力监测点螺栓(2#、4#、6#、8#)轴力值发生相应的变化,其变化值值的组合取决于具体故障螺栓的位置和松动/断裂程度。
表1基于有限元计算的故障特征提取示意表
由于真机故障样本的多样性和复杂性,通过有限元仿真建立与虚拟故障样本。
以真机工况数据(出力、水头、尾水位、流量等)、真机运行状态数据(压力、压力脉动、机组振动等)、机组初始预紧安装值作为仿真输入边界条件,通过有限元仿真,对螺栓松动及断裂故障进行虚拟仿真,提取测点处的螺栓轴力变化值。之后,建立类似表1的故障特征信息;最后,通过人工智能算法,优选人工神经网络技术,对故障诊断进行建模,实现螺栓安全状态自动评估和故障自动诊断。
真机螺栓的故障建模流程图,详见图2。
本发明提供了一种顶盖-座环螺栓松动及断裂的故障模拟装置和智能诊断方法,该方法是通过机组运行工况数据、机组运行状态数据、螺栓预紧安装数据、部分螺栓的测点在线监测数据、有限元计算和人工神经网络技术对法兰7所有螺栓可能出现的松动及断裂故障进行自动判断和自动在线预警,可降低螺栓监测设备的实施成本和维护成本,同时,可对螺栓测力传感器的进行厂内(电站施工前)的性能验证,为电站安全运行和状态检修提供可靠的保障。
本发明可同时应用于尾水管进人门、蜗壳进人门、球阀等法兰7联接结构的螺栓健康状态评估与智能故障诊断。其具有如下优点及功能:
1)引入机组实时工况数据、状态监测数据和螺栓初始预紧安装数据,通过有限元方法对螺栓故障进行模拟,对故障特征进行提取;
2)通过模拟工装对螺栓故障进行模拟,对螺栓测力传感器的性能进行验证,并对螺栓故障诊断方法的准确性和可靠性进行验证;
3)通过人工智能算法,优选人工神经网络技术,对真机螺栓松动及断裂故障诊断进行建模,基于螺栓测点数据的变化特征,实现真机螺栓健康状态评估和螺栓故障的智能诊断,并具备故障诊断模型的在线自学习功能。
本发明可以对螺栓测力传感器的进行厂内(电站施工前)的性能验证,对真机法兰全部螺栓进行健康状态评估和故障诊断,可降低螺栓监测设备的实施成本和维护成本,为电站安全运行和状态检修提供可靠的依据。
若真机螺栓全部装设有测点,则可根据螺栓轴力测点数据直接对故障进行判断。若全部法兰螺栓仅部分螺栓设有螺栓传感器测点,通过有限测点进行全部法兰螺栓的健康状态评估和故障诊断。
如上所述,可较好地实现本发明。
本说明书中所有实施例公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合和/或扩展、替换。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (10)
1.一种螺栓故障诊断方法,其特征在于,包括以下步骤:
S1,进行螺栓故障模拟试验,记录螺栓故障监测点监测数据;
S2,通过有限元方法对螺栓故障进行仿真,建立虚拟故障案例库;
S3,提取虚拟故障案例库中故障特征,对真机螺栓故障进行人工智能建模。
2.根据权利要求1所述的一种螺栓故障诊断方法,其特征在于,步骤S1所述螺栓故障模拟试验包括螺栓松动故障模拟试验和/或螺栓断裂故障模拟试验。
3.根据权利要求1所述的一种螺栓故障诊断方法,其特征在于,步骤S1所述螺栓故障监测点监测数据包括螺栓故障监测点的螺栓轴力值和/或螺栓伸长值。
4.根据权利要求1所述的一种螺栓故障诊断方法,其特征在于,步骤S2还包括以下步骤:分析仿真误差,并对螺栓轴力监测仪器进行验证。
5.根据权利要求1所述的一种螺栓故障诊断方法,其特征在于,步骤S2中,以真机工况数据、真机运行状态数据、机组初始预紧安装值作为仿真输入的边界条件。
6.根据权利要求1所述的一种螺栓故障诊断方法,其特征在于,步骤S3还包括以下步骤:使真机螺栓故障模型具备在线自学习功能。
7.一种应用于权利要求1至6任一项所述的一种螺栓故障诊断方法的螺栓故障诊断装置,其特征在于,包括螺栓(1)、与螺栓(1)相连的螺栓轴力监测仪器(2)、与螺栓(1)相连的荷载模拟装置(3)。
8.根据权利要求7所述的一种螺栓故障诊断装置,其特征在于,所述荷载模拟装置(3)为千斤顶。
9.根据权利要求7所述的一种螺栓故障诊断装置,其特征在于,所述螺栓轴力监测仪器(2)为超声波测力传感器。
10.根据权利要求7所述的一种螺栓故障诊断装置,其特征在于,还包括螺栓长度监测仪器(4)。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110727362.0A CN113656989A (zh) | 2021-06-29 | 2021-06-29 | 一种螺栓故障诊断方法及装置 |
PCT/CN2022/078811 WO2023273378A1 (zh) | 2021-06-29 | 2022-03-02 | 一种螺栓故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110727362.0A CN113656989A (zh) | 2021-06-29 | 2021-06-29 | 一种螺栓故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113656989A true CN113656989A (zh) | 2021-11-16 |
Family
ID=78477310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110727362.0A Pending CN113656989A (zh) | 2021-06-29 | 2021-06-29 | 一种螺栓故障诊断方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113656989A (zh) |
WO (1) | WO2023273378A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273378A1 (zh) * | 2021-06-29 | 2023-01-05 | 东方电气集团东方电机有限公司 | 一种螺栓故障诊断方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650146A (zh) * | 2016-12-29 | 2017-05-10 | 西安交通大学 | 一种转子系统轴承支座松动故障在线定量识别分析方法 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN110765696A (zh) * | 2019-11-26 | 2020-02-07 | 国家电投集团徐闻风力发电有限公司 | 塔架振动的螺栓松动故障动态仿真平台、仿真系统及方法 |
CN111307357A (zh) * | 2019-11-12 | 2020-06-19 | 北京理工大学 | 一种基于微分法的螺栓紧固轴力超声检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0301707D0 (en) * | 2003-01-24 | 2003-02-26 | Rolls Royce Plc | Fault diagnosis |
US10296674B2 (en) * | 2013-06-19 | 2019-05-21 | Volvo Truck Corporation | Method for a vehicle |
CN107862052A (zh) * | 2017-11-08 | 2018-03-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种故障案例库、故障树及故障谱构建方法 |
CN109784724A (zh) * | 2019-01-15 | 2019-05-21 | 常州大学 | 一种基于贝叶斯网络的水下生产系统设备故障诊断方法 |
CN110457861B (zh) * | 2019-08-22 | 2023-01-20 | 佛山科学技术学院 | 一种机载涡轴发动机动力系统可视化诊断平台及构建方法 |
CN110579368A (zh) * | 2019-09-26 | 2019-12-17 | 上海电气电站设备有限公司 | 基于仿真计算的旋转机械振动故障智能诊断系统及方法 |
CN113656989A (zh) * | 2021-06-29 | 2021-11-16 | 东方电气集团东方电机有限公司 | 一种螺栓故障诊断方法及装置 |
-
2021
- 2021-06-29 CN CN202110727362.0A patent/CN113656989A/zh active Pending
-
2022
- 2022-03-02 WO PCT/CN2022/078811 patent/WO2023273378A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650146A (zh) * | 2016-12-29 | 2017-05-10 | 西安交通大学 | 一种转子系统轴承支座松动故障在线定量识别分析方法 |
CN109779894A (zh) * | 2018-12-29 | 2019-05-21 | 西安交通大学 | 一种基于神经网络算法的往复式压缩机故障诊断系统及方法 |
CN111307357A (zh) * | 2019-11-12 | 2020-06-19 | 北京理工大学 | 一种基于微分法的螺栓紧固轴力超声检测方法 |
CN110765696A (zh) * | 2019-11-26 | 2020-02-07 | 国家电投集团徐闻风力发电有限公司 | 塔架振动的螺栓松动故障动态仿真平台、仿真系统及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273378A1 (zh) * | 2021-06-29 | 2023-01-05 | 东方电气集团东方电机有限公司 | 一种螺栓故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023273378A1 (zh) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN111779573B (zh) | 一种柴油机在线故障检测方法及装置 | |
CN111963415A (zh) | 一种液压柱塞泵的故障诊断方法及系统 | |
CN109710983A (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 | |
CN110701137A (zh) | 一种掘进机液压系统智能在线检测诊断装置及方法 | |
WO2023273378A1 (zh) | 一种螺栓故障诊断方法及装置 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
CN116047207A (zh) | 一种核电厂电动阀性能故障诊断评估方法 | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
WO2023029382A1 (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 | |
CN206161046U (zh) | 电力充油设备储油柜用呼吸器在线监测装置 | |
CN115167366A (zh) | 基于传感器信号残差序列加权平方和的板卡故障诊断方法 | |
CN109238892A (zh) | 一种转子系统钢环式弹支结构强度设计及在线监测方法 | |
CN111878323B (zh) | 一种基于频谱自相关函数的风力发电机组故障预警方法 | |
CN113686378A (zh) | 一种水轮机顶盖运行状态监测方法 | |
KR20230082887A (ko) | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 | |
CN112161785A (zh) | 一种海洋工程结构微小损伤判定方法 | |
CN109283246B (zh) | 一种风力发电机叶片受损位置定位检测系统 | |
CN104318055A (zh) | 一种延迟焦化焦炭塔安全评估方法 | |
CN109900436A (zh) | 基于云计算的阀门内漏在线诊断系统和方法 | |
CN114996914A (zh) | 基于跨点频响固有阻尼特征识别金属构件疲劳损伤的方法 | |
CN211927202U (zh) | 一种sf6电气设备中气体泄漏在线检测装置 | |
CN117889943B (zh) | 基于机器学习的气体超声波流量计检验方法及系统 | |
CN117309396A (zh) | 一种基于自编码器的球磨机轴承故障预测方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211116 |
|
RJ01 | Rejection of invention patent application after publication |