CN113723732A - 用于离心泵的状态判定方法及系统 - Google Patents
用于离心泵的状态判定方法及系统 Download PDFInfo
- Publication number
- CN113723732A CN113723732A CN202010787980.XA CN202010787980A CN113723732A CN 113723732 A CN113723732 A CN 113723732A CN 202010787980 A CN202010787980 A CN 202010787980A CN 113723732 A CN113723732 A CN 113723732A
- Authority
- CN
- China
- Prior art keywords
- vibration data
- coefficient
- centrifugal pump
- health
- level
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000036541 health Effects 0.000 claims abstract description 90
- 230000003595 spectral effect Effects 0.000 claims abstract description 57
- 230000015271 coagulation Effects 0.000 claims abstract description 22
- 238000005345 coagulation Methods 0.000 claims abstract description 22
- 238000013210 evaluation model Methods 0.000 claims abstract description 22
- 230000003862 health status Effects 0.000 claims description 32
- 238000005054 agglomeration Methods 0.000 claims description 27
- 230000002776 aggregation Effects 0.000 claims description 27
- 230000035945 sensitivity Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000006731 degradation reaction Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明提供一种用于离心泵的健康状态判定方法及系统,属于状态监测技术领域。所述用于离心泵的健康状态判定方法包括:根据所述原始振动数据、参考振动数据和预先建立的评价模型,确定所述参考振动数据和所述原始振动数据对应的互相关系数、凝聚系数和谱距离指标系数;以及将所述互相关系数、凝聚系数和谱距离指标系数作为健康指数来判定所述离心泵的健康状态。通过上述技术方案,能够依据监测数据量化离心泵的退化过程,从而能够更好地保障离心泵的正常运行和预防故障的发生。
Description
技术领域
本发明涉及状态监测技术领域,具体地涉及一种用于离心泵的状态判定方法及系统。
背景技术
炼化、采油、电力、冶金等行业中,运转着大量的离心泵,它对生产的稳定、可靠运行起着重要的作用。因而加强对离心泵的管理与维护,对保持离心泵良好运行,减少因设备事故带来的经济损失和人员伤亡具有非常重要的意义。
目前大型炼化企业的关键旋转机械基本上己经安装了在线监测系统,这对设备的安全稳定运行起到了一定保障的作用。尽管在线监测系统依赖外部专家能够进行故障预警和故障诊断,但常规的固定阈值线健康分级方法采用振动烈度为标准,存在较多的状态误判,难以有效指导设备预测性维修。
现有的离心泵健康状态评价方法存在以下技术问题:
(1)采用单一固定阈值线分级报警,存在较多的误报警和漏报警;
(2)对于外部专家依赖性较强,健康评价多采用定性方法或主管经验;
(3)对于设备运行健康状态难以量化或度量。
发明内容
本发明实施例的目的是提供一种用于离心泵的状态判定方法及系统,用于解决上述技术问题中的一者或多者。
为了实现上述目的,本发明实施例提供一种用于离心泵的状态判定方法,所述方法包括:根据所述原始振动数据、参考振动数据和预先建立的评价模型,确定所述参考振动数据和所述原始振动数据对应的互相关系数、凝聚系数和谱距离指标系数;以及将所述互相关系数、凝聚系数和谱距离指标系数作为健康指数来判定离心泵的健康状态。
可选的,所述评价模型通过以下公式定所述原始振动数据和所述参考振动数据对应的互相关系数H(Cx,y(τ)):其中,x表示参考振动数据,y表示原始振动数据,x(t)表示参考振动信号,y(t)表示原始振动信号,Cx,y(τ)是x(t)和y(t)之间的正协方差函数,δx表示参考振动数据x(t)的标准差,δy表示原始振动数据y(t)的标准差,λ1为所述离心泵的灵敏度系数。
可选的,所述评价模型通过以下公式确定所述原始振动数据和所述参考振动数据对应的凝聚系数H(γx,y(f)):其中,x表示参考振动数据,y表示原始振动数据,x(t)表示参考振动信号,y(t)表示原始振动信号,Sx,y(f)是x(t)和y(t)之间的互功率谱,Sx(f)和Sy(f)分别是x(t)和y(t)的自功率谱,λ2为所述离心泵的灵敏度系数,γx,y 2(f)是信号x(t)和y(t)的凝聚函数。
可选的,所述评价模型通过以下公式确定所述原始振动数据和所述参考振动数据对应的谱距离指标系数H(Jx,y):其中,x表示参考振动数据,y表示原始振动数据,x(t)表示参考振动信号,y(t)表示原始振动信号,α为所述离心泵的灵敏度系数,Jx,y为x(t)和y(t)之间的J散度。
可选的,针对互相关系数H(Cx,y(τ)),在H(Cx,y(τ))∈[0.5,1)时,健康状态的级别为优秀,在H(Cx,y(τ))∈[0.3,0.5)时,健康状态的级别为良好,在H(Cx,y(τ))∈[0.2,0.3)时,健康状态的级别为不满意,在H(Cx,y(τ))∈(0,0.2)时,健康状态的级别为不允许;针对凝聚系数H(γx,y(f)),在H(γx,y(f))∈[0.75,1)时,健康状态的级别为优秀,在H(γx,y(f))∈[0.65,0.75)时,健康状态的级别良好,在H(γx,y(f))∈[0.4,0.65)时,健康状态的级别为不满意,在H(γx,y(f))∈(0,0.4)时,健康状态的级别为不允许;针对谱距离指标系数H(Jx,y),在H(Jx,y)∈[0.6,1)时,健康状态的级别为优秀,在H(Jx,y)∈[0.5,0.6)时,健康状态的级别为良好,在H(Jx,y)∈[0.3,0.5)时,健康状态的级别为不满意,在H(Jx,y)∈(0,0.3)时,健康状态的级别为不允许。
可选的,所述根据所述互相关系数、凝聚系数和谱距离指标系数,确定所述离心泵的健康状态包括:将所述互相关系数、凝聚系数和谱距离指标系数中的至少两者指示的同一级别健康状态作为所述离心泵当前的健康状态
相应的,本发明实施例还提供一种用于离心泵的状态判定系统,所述系统包括:选定模块,用于选定参考振动数据;采集模块,用于采集所述离心泵的原始振动数据;以及确定模块,用于根据所述原始振动数据、参考振动数据和预先建立的评价模型,确定所述参考振动数据和所述原始振动数据对应的互相关系数、凝聚系数和谱距离指标系数,将所述互相关系数、凝聚系数和谱距离指标系数作为健康指数来判定离心泵的健康状态。
可选的,所述选定模块在所述离心泵处于运行状态时选定参考振动数据,或者在历史数据库中选定参考振动数据。
可选的,所述采集模块能够实时采集所述离心泵的原始振动数据,或者采集历史数据库中的原始振动数据。
可选的,所述确定模块还用于根据从历史数据库中选定的参考振动数据、原始振动数据和预先建立的评价模型,确定所述参考振动数据和所述原始振动数据对应的互相关系数、凝聚系数和谱距离指标系数,并根据所述互相关系数、凝聚系数和谱距离指标系数,确定所述离心泵的当前的健康状态。
可选的,所述确定模块还用于将所述互相关系数、凝聚系数和谱距离指标系数中的两者指示的同一级别健康状态作为所述离心泵当前的健康状态。
可选的,所述采集模块包括加速度传感器。
可选的,所述确定模块还用于执行以下操作:针对互相关系数H(Cx,y(τ)),在H(Cx,y(τ))∈[0.5,1)时,确定健康状态的级别为优秀,在H(Cx,y(τ))∈[0.3,0.5)时,确定健康状态的级别为良好,在H(Cx,y(τ))∈[0.2,0.3)时,确定健康状态的级别为不满意,在H(Cx,y(τ))∈(0,0.2)时,确定健康状态的级别为不允许;针对凝聚系数H(γx,y(f)),在H(γx,y(f))∈[0.75,1)时,确定健康状态的级别为优秀,在H(γx,y(f))∈[0.65,0.75)时,确定健康状态的级别良好,在H(γx,y(f))∈[0.4,0.65)时,确定健康状态的级别为不满意,在H(γx,y(f))∈(0,0.4)时,确定健康状态的级别为不允许;针对谱距离指标系数H(Jx,y),在H(Jx,y)∈[0.6,1)时,确定健康状态的级别为优秀,在H(Jx,y)∈[0.5,0.6)时,确定健康状态的级别为良好,在H(Jx,y)∈[0.3,0.5)时,确定健康状态的级别为不满意,在H(Jx,y)∈(0,0.3)时,确定健康状态的级别为不允许。
另一方面,本发明提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述中任一项所述的用于离心泵的状态判定方法。
通过上述技术方案,能够从检测的数据信息中量化离心泵的退化过程,将其转换为直观的健康状态信息,从而能够更好地保障离心泵的正常运行和预防故障的发生。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的用于离心泵的状态判定方法的流程示意图;
图2是本发明实施例提供的用于离心泵的状态判定方法的流程示意图;
图3是本发明实施例提供的用于离心泵的状态判定系统的结构框图;
图4是中心轴承试验台;
图5是验轴承互相关系数实时评价图;
图6是实验轴承凝聚系数实时评价图;
图7是实验轴承谱距离指标系数实时评价图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
实施例一
在采用本发明实施例提供的用于离心泵的状态判定方法之前,需要先获取选定参考振动数据,并采集离心泵的原始振动数据。
图1是本发明实施例提供的用于离心泵的状态判定方法的流程示意图。如图1所示,所述用于离心泵的状态判定方法包括步骤S110至S120。
在步骤S110,根据采集到的离心泵原始振动数据、参考振动数据和预先建立的评价模型,确定所述参考振动数据和所述原始振动数据对应的互相关系数、凝聚系数和谱距离指标系数。
对于参考振动数据来说,可以在离心泵处于运行状态时选定参考数据,也可以直接在历史数据库中选定参考数据。
例如,在采集离心泵的工作数据中,可以将实时对采集的数据进行识别和筛选,并将判定为离心泵处于优良运行时期的振动数据选定为参考数据,或者在离心泵的历史工作数据被采集后存储至相应的数据库后,可以直接对数据库中的有关离心泵的振动数据进行识别和筛选,并将离心泵运行优良时期的振动数据打上相应标签,将其作为参考振动数据的备选。
在选定参考振动数据时,应当考虑参考振动数据对应的离心泵的型号及工况等参数与待判定的离心泵的型号及工况等参数一致,以使得通过本发明实施例确定的离心泵的状态判定结果更加准确。
可选的,在确定了待评价离心泵运行良好后,还可以将之前获取的振动数据(即原始振动数据)存入数据库中,作为参考振动数据的备选。
对于原始振动数据来说,在需要对当前运行中的离心泵进行健康状态判定时,所述对离心泵的原始振动数据的采集可以通过现有的任意方式实现,例如可以通过设置加速度传感器实现对离心泵的振动数据的采集,在需要对离心泵的历史健康状态进行判定时,可以直接从历史数据库中调取有关该离心泵的历史振动数据,并从所述历史振动数据中选定某一时间段内数据作为原始振动数据,以用于后续判定该时间段内的离心泵运行过程中是否处于健康状态。
另外,在对离心泵的原始振动数据采集的过程中,采集周期、采集频率等参数可以根据实际需求自行设定。例如可以设置在一个采集周期内,每隔半个小时采集一次振动数据,还可以设置在离心泵的工作期限,每隔6个小时采集一次振动数据等等。
基于预先建立的评价模型,可以确定有关离心泵的健康状态的健康指数,依据所述健康指数就能够准确判定离心泵的健康状态。
其中,所述健康指数可以包括互相关系数、凝聚系数和谱距离指标系数。互相关系数可以表示参考振动数据与原始振动数据之间的相关程度的大小,凝聚系数可以表示参考振动数据与原始振动数据在频域上的相关程度的大小,谱距离指标系数可以表示待判定离心泵的运行状态。
本发明实施例还提供了一种用于计算原始振动数据和参考振动数据对应的互相关系数的公式:其中,x表示参考振动数据,y表示原始振动数据,x(t)表示参考振动信号,y(t)表示原始振动信号,Cx,y(τ)是x(t)和y(t)之间的正协方差函数,δx表示参考振动数据x(t)的标准差,δy表示原始振动数据y(t)的标准差,λ1为所述离心泵的灵敏度系数。
所述离心泵的灵敏度系数λ1的取值范围为λ1∈(0,1],由离心泵设备的性能退化趋势决定,为了便于相关系数的确定,在离心泵处于相同工况时,认定灵敏度系数λ1是个定值。此外,灵敏度系数λ1的具体取值可以先由上述公式确定出多个数值,再通过拟合的处理方法确定最后的取值。
本发明实施例还提供了一种协方差函数的计算公式:其中,表示参考振动数据的均值,表示原始振动数据的均值。该公式主要用于判定参考振动数据与原始振动数据的变化时同向的还是逆向的,如果协方差越大,说明参考振动数据与原始振动数据的同向程度越大,协方差越小,说明参考振动数据与原始振动数据的逆向程度越大。
在此基础上,利用参考振动数据与原始振动数据的正协方差除以参考振动数据与原始振动数据的标准差就能够剔除量纲变化与变化幅度的影响,因此互相关系数可以准确的反映参考振动数据与原始振动数据变化时的相速度。
本发明实施例还提供了一种用于计算参考振动数据和原始振动数据对应的凝聚系数的公式:其中,x表示参考振动数据,y表示原始振动数据,x(t)表示参考振动信号,y(t)表示原始振动信号,Sx,y(f)是x(t)和y(t)之间的互功率谱,Sx(f)和Sy(f)分别是x(t)和y(t)的自功率谱,λ2为所述离心泵的灵敏度系数,γx,y 2(f)是信号x(t)和y(t)的凝聚函数。
对于离心泵的灵敏度系数λ2来说,取值范围为λ2∈(0,1],其确定方法与上述方法类似,先由上述用于确定凝聚系数的公式确定多个灵敏度系数λ2,再经过拟合后确定最终的取值。
本发明实施例还提供了一用于计算参考振动数据和原始振动数据对应的谱距离指标系数的公式:其中,x表示参考振动数据,y表示原始振动数据,x(t)表示参考振动信号,y(t)表示原始振动信号,α为所述离心泵的灵敏度系数,Jx,y为x(t)和y(t)之间的J散度。
其中,离心泵的灵敏度系数α的取值范围为α∈(0,1],其确定方法与上述方法类似,先由上述用于确定谱距离指标系数的公式确定出多个灵敏度系数α,再经过拟合后确定最终的取值。
具体的,可以先假设参考振动信号和原始振动信号的功率谱密度函数分别为S1与S2,参考振动信号和原始振动信号的对称化距离公式如下所示:dq(S1,S2)=[d(S1,S2)q+d(S2,S1)q]1/q/2。其中,当q=1,d(S1,S2)=dIS(S1,S2)时,上述公式即成为J散度,计算公式如下所示:即可得到如上所述的用于确定谱距离函数的公式。
本发明上述实施例提供的用于确定相关系数的公式、用于确定凝聚系数的公式以及用于确定谱距离指标系数的公式仅是示意性的,还可以通过其他方式确定相关系数、凝聚系数和谱距离指标系数。
在步骤S120,将所述互相关系数、凝聚系数和谱距离指标系数作为健康指数来判定所述离心泵的健康状态。
其中,对于互相关系数来说,若互相关系数越大,说明参考振动数据与原始振动数据之间的相关性越大,反之则说明参考振动数据与原始振动数据之间的相关性越小。
对于凝聚系数来说,若凝聚系数越大,说明参考振动数据与原始震动数据在频域上同向程度越相似,若凝聚系数越小,说明参考振动数据与原始振动数据在频域上同向程度越不相似。
对于谱距离指标系数来说,若谱距离指标系数越大,说明该时刻离心泵的运行状态越好,谱距离指标系数越小,说明该时刻离心泵的运行状态越差。
基于上述内容,对相关系数、凝聚系数和谱距离指标系数进行进一步的分,即可确定离心泵的具体状态。
例如,可以对相关系数、凝聚系数和谱距离指标系数都进行定量分析,将离心泵的状态分为多个级别,不同的系数取值范围可以对应不同的健康级别。
现以一示例性实施例来详细解释如何根据所述互相关系数、凝聚系数和谱距离指标系数,确定所述离心泵的健康状态。
具体的,该实施例中的离心泵的健康状态可以分为四个级别,分别为优秀、良好、不满意和不允许。其中,健康状态评价为不满意的离心泵需要开展设备故障诊断、故障预测、剩余工作寿命预测、维修决策和维修任务优化等操作,对于健康状态评价为不允许的离心泵来说,为了确保设备运行安全,避免非计划的故障停机,应尽快安排可靠性维修,对于健康状态评价为优秀和良好的离心泵,持续监控即可。
表1
表1中示例性的示出了一种离心泵健康状态评价准则。具体的,针对互相关系数H(Cx,y(τ)),在H(Cx,y(τ))∈[0.5,1)时,健康状态的级别为优秀,在H(Cx,y(τ))∈[0.3,0.5)时,健康状态的级别为良好,在H(Cx,y(τ))∈[0.2,0.3)时,健康状态的级别为不满意,在H(Cx,y(τ))∈(0,0.2)时,健康状态的级别为不允许;针对凝聚系数H(γx,y(f)),在H(γx,y(f))∈[0.75,1)时,健康状态的级别为优秀,在H(γx,y(f))∈[0.65,0.75)时,健康状态的级别良好,在H(γx,y(f))∈[0.4,0.65)时,健康状态的级别为不满意,在H(γx,y(f))∈(0,0.4)时,健康状态的级别为不允许;针对谱距离指标系数H(Jx,y),在H(Jx,y)∈[0.6,1)时,健康状态的级别为优秀,在H(Jx,y)∈[0.5,0.6)时,健康状态的级别为良好,在H(Jx,y)∈[0.3,0.5)时,健康状态的级别为不满意,在H(Jx,y)∈(0,0.3)时,健康状态的级别为不允许。
可选的,考虑到基于预先建立的评价模型可以得到三种不同的指标,那么优选采用三取二的方式对离心泵的状态进行综合评定。即三个指标中的两个指标对应的健康状态处于同一级别时,就将该级别作为离心泵当前的健康状态。这样的判定方法可以提高离心泵健康状态判定结果的可靠度。
本发明该实施例提供的技术方案,能够从检测的数据信息中量化离心泵的退化过程,将其转换为直观的健康状态信息,从而能够更好地保障离心泵的正常运行和预防故障的发生。
此外,通过本发明实施例提供的技术方案,基于采集的原始震动数据的来源的不同,不仅能够对工作中的离心泵的健康状态进行判定,还能够对离心泵的历史工作状态进行回顾分析。
实施例二
图2是本发明又一实施例提供的用于离心泵的状态判定方法的流程示意图。
如图2所示,获取标签为“运行状况良好”的振动信号和离心泵的试试振动信号,经过预先建立的离心泵健康评价模型处理后,可以得到互相关系数、凝聚系数和谱距离指标系数的数值,依据相应的离心泵健康评价准则和“三取二”策略,即可确定当前离心泵的健康状态处于优秀、良好、不满意和不允许中的哪一级别,以便于后续采取针对性的处理操作。
实施例三
图3是本发明实施例提供的用于离心泵的状态判定系统的结构框图。如图3所示,所述用于离心泵的状态判定系统包括选定模块310、采集模块320和确定模块330。其中,选定模块310用于选定参考振动数据,采集模块320用于采集所述离心泵的原始振动数据,确定模块330用于根据所述原始振动数据、参考振动数据和预先建立的评价模型,确定所述参考振动数据和所述原始振动数据对应的互相关系数、凝聚系数和谱距离指标系数,并根据所述互相关系数、凝聚系数和谱距离指标系数,确定所述离心泵的健康状态。
可选的,采集模块320可以包含如加速度传感器等能够采集离心泵的振动信息的采集设备。
可选的,评价模型可以通过以下公式定所述原始振动数据和所述参考振动数据对应的互相关系数H(Cx,y(τ)):其中,x表示参考振动数据,y表示原始振动数据,x(t)表示参考振动信号,y(t)表示原始振动信号,Cx,y(τ)是x(t)和y(t)之间的正协方差函数,δx表示参考振动数据x(t)的标准差,δy表示原始振动数据y(t)的标准差,λ1为所述离心泵的灵敏度系数。
可选的,评价模型可以通过以下公式确定所述原始振动数据和所述参考振动数据对应的凝聚系数H(γx,y(f)):其中,x表示参考振动数据,y表示原始振动数据,x(t)表示参考振动信号,y(t)表示原始振动信号,Sx,y(f)是x(t)和y(t)之间的互功率谱,Sx(f)和Sy(f)分别是x(t)和y(t)的自功率谱,λ2为所述离心泵的灵敏度系数,γx,y 2(f)是信号x(t)和y(t)的凝聚函数。
可选的,评价模型可以通过以下公式确定所述原始振动数据和所述参考振动数据对应的谱距离指标系数H(Jx,y):其中,x表示参考振动数据,y表示原始振动数据,x(t)表示参考振动信号,y(t)表示原始振动信号,α为所述离心泵的灵敏度系数,Jx,y为x(t)和y(t)之间的J散度。
在一些可选实施例中,确定模块可以将互相关系数、凝聚系数和谱距离指标系数中的两者指示的同一级别健康状态作为离心泵的当前健康状态。
在一些可选实施例中,参考振动数据可以来自历史数据库中,当历史数据库中的数据不能满足需求的情况下,可以将处于运行状态中的离心泵的状态数据中选定符合要求的数据作为参考振动数据。
在一些可选实施例中,基于不同的需求,可以从不同的来源采集原始振动剧。例如,如果想要判定当前状态下的离心泵是否处于健康状态,那么就需要实时采集离心泵当前的状态数据作为原始震动数据,如果想要回顾分析历史工况下的离心泵的健康状态,那边直接从历史数据库中采集原始振动数据即可。
有关本发明上述实施例提供的用于离心泵的状态判定系统的具体工作原理及益处,与上述本发明实施例提供的用于离心泵的状态判定方法的具体工作原理及益处类似,这里将不再赘述。
实施例四
现结合图4至图7来详细解释本发明实施例提供的技术方案。
1、采集原始振动数据
如图4所示,四个轴承安装在同一根轴上,轴承采用强制润滑,转速恒定在2000RPM,其中用弹簧机构给轴承2和轴承3施加6000lb的径向载荷,每个轴承X和Y方向安装2个高灵敏度的加速度传感器以采集振动信号,所述加速度传感器布置于轴承座上。
在采集原始振动数据过程中,每隔10min进行一次数据采集,采样频率恒定为20kHz,采样时长为1s,即一次采样得到20480个数据点。
第一组实验轴承全生命周期运行时间为同年的12月19日11:16:18-12月30日23:55:42,在失效实验结束时,3号轴承肩部发现裂纹,振动信号发生剧烈变化,变化反应了3号轴承发生了快速磨损。因此提取轴承3的数据,进行分析。
2、选取参考振动数据
将2000组数据中的每一组数据作为一个样本,取第一组样本作为运行状态优良的样本。
3、计算互相关系数
计算剩余的样本数据相对于所述第一个样本的互相关系数,其计算结果如图5所示。从图中可以发现,在轴承平稳运行时的互相关系数值虽然有波动,但一直大于0.3即“优秀”或“良好”状态。当振动有效值增大时,互相关系数迅速随之减小;当振动加速度有效值达到0.45mm/s2时,互相关系数已减小到0.2以下即“不允许”状态,说明了互相关函数健康评估对该离心泵的滚动轴承健康评估的适用性。
4、计算凝聚系数
计算剩余的样本数据相对于第一组样本的凝聚系数,得到如图6所示的轴承全生命周期下凝聚系数的计算结果。从图中可以发现,在运行阶段,凝聚系数一直在波动,且波动范围较大,无法对该离心泵的滚动轴承健康状态进行评估,说明凝聚函数健康评估模型对于离心泵的滚动轴承健康评价效果较差。
5、计算谱距离指标系数
计算剩余的样本数据相对于第一个样本的谱距离指标系数,得到如图7所示的轴承全生命周期下谱距离指标系数的计算结果。
从图7中可以发现,在轴承平稳运行时的谱距离指标系数值一直大于0.6即“优秀”状态。当振动有效值增大时,谱距离指标系数迅速随之减小;当振动加速度有效值达到0.45mm/s2时且一直在波动上升时,谱距离指标系数已减小到0.3以下即“不允许”状态,说明了谱距离指标函数对该滚动轴承健康评估的适用性。
6、将计算得到得三种系数值与离心泵健康状态评价准则对比,判断离心泵所处状态。
7、采用三取二的判断方式判断离心泵当前的运行状态,如互相关系数与谱距离指标系数均已给出不允许状态,则当立即停机,实际状况为2000组是实验设备运行故障停机,提前了三十分钟。
本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述中任一项所述的用于离心泵的状态判定方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据振动数据和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种用于离心泵的健康状态判定方法,其特征在于,所述方法包括:
根据采集到的离心泵原始振动数据、参考振动数据和预先建立的评价模型,确定所述参考振动数据和所述原始振动数据对应的互相关系数、凝聚系数和谱距离指标系数;以及
将所述互相关系数、凝聚系数和谱距离指标系数作为健康指数来判定所述离心泵的健康状态。
5.根据权利要求1-4中任一项所述的方法,其特征在于,
针对互相关系数H(Cx,y(τ)),在H(Cx,y(τ))∈[0.5,1)时,健康状态的级别为优秀,在H(Cx,y(τ))∈[0.3,0.5)时,健康状态的级别为良好,在H(Cx,y(τ))∈[0.2,0.3)时,健康状态的级别为不满意,在H(Cx,y(τ))∈(0,0.2)时,健康状态的级别为不允许;
针对凝聚系数H(γx,y(f)),在H(γx,y(f))∈[0.75,1)时,健康状态的级别为优秀,在H(γx,y(f))∈[0.65,0.75)时,健康状态的级别良好,在H(γx,y(f))∈[0.4,0.65)时,健康状态的级别为不满意,在H(γx,y(f))∈(0,0.4)时,健康状态的级别为不允许;
针对谱距离指标系数H(Jx,y),在H(Jx,y)∈[0.6,1)时,健康状态的级别为优秀,在H(Jx,y)∈[0.5,0.6)时,健康状态的级别为良好,在H(Jx,y)∈[0.3,0.5)时,健康状态的级别为不满意,在H(Jx,y)∈(0,0.3)时,健康状态的级别为不允许。
6.根据权利要求5所述的方法,其特征在于,所述根据所述互相关系数、凝聚系数和谱距离指标系数,确定所述离心泵的健康状态包括:
将所述互相关系数、凝聚系数和谱距离指标系数中的至少两者指示的同一级别健康状态作为所述离心泵当前的健康状态。
7.一种用于离心泵的状态判定系统,其特征在于,所述系统包括:
选定模块,用于选定参考振动数据;
采集模块,用于采集所述离心泵的原始振动数据;以及
确定模块,用于根据所述原始振动数据、参考振动数据和预先建立的评价模型,确定所述参考振动数据和所述原始振动数据对应的互相关系数、凝聚系数和谱距离指标系数,将所述互相关系数、凝聚系数和谱距离指标系数作为健康指数来判定所述离心泵的健康状态。
8.根据权利要求7所述的系统,其特征在于,所述选定模块在所述离心泵处于运行状态时选定参考振动数据,或者在历史数据库中选定参考振动数据。
9.根据权利要求7所述的系统,其特征在于,所述采集模块能够实时采集所述离心泵的原始振动数据,或者采集历史数据库中的原始振动数据。
10.根据权利要求7所述的系统,其特征在于,所述确定模块还用于根据从历史数据库中选定的参考振动数据、原始振动数据和预先建立的评价模型,确定所述参考振动数据和所述原始振动数据对应的互相关系数、凝聚系数和谱距离指标系数,并根据所述互相关系数、凝聚系数和谱距离指标系数,确定所述离心泵的当前的健康状态。
11.根据权利要求7所述的系统,其特征在于,所述确定模块还用于将所述互相关系数、凝聚系数和谱距离指标系数中的两者指示的同一级别健康状态作为所述离心泵当前的健康状态。
12.根据权利要求7所述的系统,其特征在于,所述采集模块包括加速度传感器。
13.根据权利要求7-12中任一项所述的系统,其特征在于,所述确定模块还用于执行以下操作:
针对互相关系数H(Cx,y(τ)),在H(Cx,y(τ))∈[0.5,1)时,确定健康状态的级别为优秀,在H(Cx,y(τ))∈[0.3,0.5)时,确定健康状态的级别为良好,在H(Cx,y(τ))∈[0.2,0.3)时,确定健康状态的级别为不满意,在H(Cx,y(τ))∈(0,0.2)时,确定健康状态的级别为不允许;
针对凝聚系数H(γx,y(f)),在H(γx,y(f))∈[0.75,1)时,确定健康状态的级别为优秀,在H(γx,y(f))∈[0.65,0.75)时,确定健康状态的级别良好,在H(γx,y(f))∈[0.4,0.65)时,确定健康状态的级别为不满意,在H(γx,y(f))∈(0,0.4)时,确定健康状态的级别为不允许;
针对谱距离指标系数H(Jx,y),在H(Jx,y)∈[0.6,1)时,确定健康状态的级别为优秀,在H(Jx,y)∈[0.5,0.6)时,确定健康状态的级别为良好,在H(Jx,y)∈[0.3,0.5)时,确定健康状态的级别为不满意,在H(Jx,y)∈(0,0.3)时,确定健康状态的级别为不允许。
14.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述权利要求1-6中任一项所述的用于离心泵的状态判定方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020104516791 | 2020-05-25 | ||
CN202010451679 | 2020-05-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723732A true CN113723732A (zh) | 2021-11-30 |
Family
ID=78672247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010787980.XA Pending CN113723732A (zh) | 2020-05-25 | 2020-08-07 | 用于离心泵的状态判定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723732A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117072460A (zh) * | 2023-10-16 | 2023-11-17 | 四川中测仪器科技有限公司 | 一种基于振动数据和专家经验的离心泵状态监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN105510023A (zh) * | 2015-11-24 | 2016-04-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 |
CN105716857A (zh) * | 2016-01-20 | 2016-06-29 | 中国人民解放军军械工程学院 | 一种行星齿轮箱健康状态评估方法 |
CN108776855A (zh) * | 2018-04-17 | 2018-11-09 | 中国电力科学研究院有限公司 | 一种智能设备健康状态评价方法及系统 |
CN110907207A (zh) * | 2019-11-25 | 2020-03-24 | 湃方科技(天津)有限责任公司 | 非标机械设备的运行状态检测方法及装置 |
-
2020
- 2020-08-07 CN CN202010787980.XA patent/CN113723732A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN105510023A (zh) * | 2015-11-24 | 2016-04-20 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 |
CN105716857A (zh) * | 2016-01-20 | 2016-06-29 | 中国人民解放军军械工程学院 | 一种行星齿轮箱健康状态评估方法 |
CN108776855A (zh) * | 2018-04-17 | 2018-11-09 | 中国电力科学研究院有限公司 | 一种智能设备健康状态评价方法及系统 |
CN110907207A (zh) * | 2019-11-25 | 2020-03-24 | 湃方科技(天津)有限责任公司 | 非标机械设备的运行状态检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
JIAHE LIU 等: "A fault early warning and health status rating method for ensuring safe operation of rotating equipement", 《2019 6TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND CONTROL ENGINEERING (ICISCE)》, pages 635 - 643 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117072460A (zh) * | 2023-10-16 | 2023-11-17 | 四川中测仪器科技有限公司 | 一种基于振动数据和专家经验的离心泵状态监测方法 |
CN117072460B (zh) * | 2023-10-16 | 2023-12-19 | 四川中测仪器科技有限公司 | 一种基于振动数据和专家经验的离心泵状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109901537B (zh) | 用于边缘计算侧的机械设备运行状态监测方法和系统 | |
Amarnath et al. | Exploiting sound signals for fault diagnosis of bearings using decision tree | |
Shakya et al. | Bearing diagnosis based on Mahalanobis–Taguchi–Gram–Schmidt method | |
CN108896299A (zh) | 一种齿轮箱故障检测方法 | |
Elforjani | Diagnosis and prognosis of real world wind turbine gears | |
Godreau et al. | Continuous improvement of HSM process by data mining | |
JPH07159231A (ja) | ポンプ劣化診断システム | |
Medjaher et al. | Feature extraction and evaluation for Health Assessment and Failure prognostics. | |
Shao et al. | Gearbox vibration monitoring using extended Kalman filters and hypothesis tests | |
CN113627304A (zh) | 一种基于人工智能的机床主轴健康监控方法和系统 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
AU2023210611A1 (en) | Method and apparatus for operating state analysis and early warning of auxiliary device of hydroelectric station, and decision support system for hydroelectric production | |
CN113723732A (zh) | 用于离心泵的状态判定方法及系统 | |
CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
Iunusova et al. | Early fault diagnosis in rolling element bearings: comparative analysis of a knowledge-based and a data-driven approach | |
CN114326593A (zh) | 一种刀具寿命预测系统及方法 | |
Meng et al. | Health condition identification of rolling element bearing based on gradient of features matrix and MDDCs-MRSVD | |
CN108982106A (zh) | 一种快速检测复杂系统动力学突变的有效方法 | |
CN113418731A (zh) | 一种卷烟机组的在线故障诊断方法 | |
CN114330569A (zh) | 一种检测风机组部件故障的方法、设备及存储介质 | |
Meier et al. | Verification of measuring the bearing clearance using kurtosis, recurrences and neural networks and comparison of these approaches | |
CN116258482A (zh) | 一种自动选择维修方案的方法、服务器、电子设备 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 |
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 |