CN116907846B - 燃气轮机轴承故障预测系统 - Google Patents

燃气轮机轴承故障预测系统 Download PDF

Info

Publication number
CN116907846B
CN116907846B CN202310867427.0A CN202310867427A CN116907846B CN 116907846 B CN116907846 B CN 116907846B CN 202310867427 A CN202310867427 A CN 202310867427A CN 116907846 B CN116907846 B CN 116907846B
Authority
CN
China
Prior art keywords
gas turbine
bearing
peak
vibration
value
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
Application number
CN202310867427.0A
Other languages
English (en)
Other versions
CN116907846A (zh
Inventor
曹云鹏
韩逍豫
屈东生
邱宇康
敖冉
李淑英
冯伟兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202310867427.0A priority Critical patent/CN116907846B/zh
Publication of CN116907846A publication Critical patent/CN116907846A/zh
Application granted granted Critical
Publication of CN116907846B publication Critical patent/CN116907846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Control Of Turbines (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及轴承状态监测领域，特别是燃气轮机轴承故障预测系统。包括：集模块、检测模块、特征模块、存储模块、预测模块。所述的采集模块，用于采集燃气轮机轴承的振动信号、转速信号、扭矩信号；所述的检测模块，用于通过燃气轮机转速信号n、扭矩信号Q，根据机组生产任务，确定燃气轮机故障预测的工况点；所述的特征模块，用于从振动信号中提取燃气轮机轴承振动峰峰值众数；所述的存储模块，用于存储燃气轮机轴承振动峰峰值众数；所述的预测模块，用于读取燃气轮机轴承振动峰峰值众数历史值，根据预测值是否大于振动峰峰值阈值，预测燃气轮机是否发生故障。本发明能够利用轴承振动信号，对燃气轮机轴承故障进行预测。

Description

燃气轮机轴承故障预测系统
技术领域
本发明涉及轴承状态监测领域，特别是燃气轮机轴承故障预测系统。
背景技术
轴承是燃气轮机转子重要零件，其运行状态决定燃气轮机的性能。轴承故障占到燃气轮机故障的30％，是燃气轮机主要故障源之一。现有技术中，一般通过振动信号幅值大小的改变，判断轴承是否故障。然而，生产任务的需要，燃气轮机转速和输出扭矩一直处于波动变化，振动信号随转速和输出扭矩发生振荡变化。因此，轴承故障造成的振动幅值变化，往往被淹没在转速和输出扭矩振荡变化中，造成轴承故障预测精度低。因此，利用轴承振动信号，探索燃气轮机轴承故障预测方式十分必要。
因此，本发明提出一种燃气轮机轴承故障预测系统。
发明内容
本发明的目的是提供燃气轮机轴承故障预测系统，能够利用轴承振动信号，对燃气轮机轴承故障进行预测。
本发明的目的通过以下技术方案来实现：
本发明提供一种燃气轮机轴承故障预测系统，包括：集模块、检测模块、特征模块、存储模块、预测模块。
所述的采集模块，用于采集燃气轮机轴承的振动信号、转速信号、扭矩信号；
所述的检测模块，用于通过燃气轮机转速信号n、扭矩信号Q，根据机组生产任务，确定燃气轮机故障预测的工况点；
所述的特征模块，用于从振动信号中提取燃气轮机轴承振动峰峰值众数；
所述的存储模块，用于存储燃气轮机轴承振动峰峰值众数；
所述的预测模块，用于读取燃气轮机轴承振动峰峰值众数历史值，采用线性回归，预测燃气轮机未来一段时间轴承振动峰峰值。根据预测值是否大于振动峰峰值阈值，预测燃气轮机是否发生故障。
一种燃气轮机轴承故障预测方法，所述预测方法包括：
S1：获取燃气轮机转速信号n、扭矩信号Q、振动信号X；
S2：工况点检测
S2.1：根据机组生产任务，按照转速信号n与扭矩信号Q，设定开展气轮机轴承故障预测的工况点M的转速基准n0和扭矩基准Q0。
可选的，燃气轮机轴承振动监测工况点M为日常运行时间最多的工况点。
S2.2：检查燃气轮机转速信号是否满足转速n＝(1±a)×n0条件；
S2.3：如果S2.2条件“满足”，则跳转S2.4；否则，返回S1；
S2.4：检查燃气轮机扭矩信号是否满足Q＝(1±b)×Q0条件；
S2.5：如果S2.4条件“满足”，则跳转S3；否则返回S1；
S3：故障特征提取
S3.1：对采集到的振动信号X划分为w个窗口，统计第i个窗口信号最大值和最小值，得到窗口信号Xi峰峰值p。
p(i)＝max(X(i))-min(X(i))
S3.2：对w个窗口峰峰值进行排列，统计出现次数最多的数，得到峰峰值p的众数e。
e＝mode(p)
S4：故障特征存储
S4.1：获取S3燃气轮机轴承振动峰峰值众数e最近记录时间值k；
S4.2：存储S3.2计算的峰峰值众数e，以及对应记录时间值k＝k+1；
S4.3：定时器开始计时，检测计时器时间t与预测时间步长z的大小关系。
S4.4：如果定时器计时小于预测时间步长z，则跳转S4.3。如果定时器计时大于预测时间步长z，则跳转S5。
S5：故障预测
S5.1：在j时刻，获取前m个时间步长的燃气轮机轴承振动信号众数集合E和对应记录的时间值集合Z：
E＝{ej，ej-1，ej-2，...，ej-m}
Z＝{zj，zj-1，zj-2，...，zj-m}
S5.2：计算轴承振动信号峰峰值众数E的均值
S5.3：计算记录时间值Z的均值
S5.4：估计未来k步长燃气轮机轴承振动峰峰值e(j+k)
S5.5：振动峰峰值e(j+k)与设定的故障阈值et进行比较。如果e(j+k)大于et，则故障预测结果输出“故障”，反之，故障预测结果输出“正常”。
本发明优点和积极效果在于：
通过工况点检测功能，获得稳态工况下振动信号，消除转速波动和扭矩波动造成振动信号大幅度变化对故障特征提取的影响。选择燃气轮机工作范围宽，对所有的转速、扭矩组合的工况进行故障预测计算工作量大。由于轴承故障是渐变过程，因此本发明择燃气轮机日常运行时间最多的工况点进行故障预测，消除了转速波动和扭矩波动工况因素对预测算法的干扰。故障预测模块采用线性回归预测，计算故障特征退化轨迹，进一步消除转速波动和扭矩波动对预测结果的影响。
附图说明
图1为本发明实施例中一种燃气轮机轴承故障预测系统示意图；
图2为本发明实施例中一种燃气轮机轴承故障预测方法流程图。
图中：采集模块101；检测模块102；特征模块103；存储模块104；预测模块105。
具体实施方式
本发明提供了一种燃气轮机轴承故障预测系统，参考图1，包括：采集模块101，检测模块102、特征模块103、存储模块104、预测模块105，定时器。
所述的燃气轮机轴承故障预测系统硬件为一台计算机，采集模块101采用模拟采集板卡，安装在燃气轮机轴承故障预测系统100的插槽内；采集模块101从燃气轮机自身布置的振动传感器获取原始振动信号X，从燃气轮机测控系统获取转速信号n和扭矩信号Q；所述的检测模块102读取采集模块101获取的振动信号、转速信号和扭矩信号，确定工况点；所述的特征模块103，读取满足工况点检测要求下振动信号，提取监测工况振动信号峰峰值众数，得到故障预测特征；将故障特征储存在存储模块104，故障特征存储间隔为定时器106设定的预测步长；预测模块105，读取存储模块104中的燃气轮机轴承振动峰峰值众数历史数据，执行故障预测程序，实现燃气轮机未来运行状态故障预测；特征模块103、存储模块104中数据、预测模块105，以定时器设定的预测步长，完成故障特征提取结果、特征存储和故障预测。
图2为本发明实施例燃气轮机故障预测方法流程图，所述的方法包括：
步骤1：获取燃气轮机转速信号n、扭矩信号Q、振动信号X；
在一具体实施方式中，在靠近轴承的支架位置布置加速度传感器，获取燃振动信号X；燃气轮机转速信号n、扭矩信号Q从燃气轮机测控系统获取。
步骤2：根据机组工作特点和生产任务的工作流程，选取了该机组日常运行最多的负荷工况点M，确定转速基准n0和扭矩基准Q0。
在一具体实例中，燃气轮机日常运行最多的工况点为82％负荷工况，转速n0＝3000r/min,扭矩基准Q0＝12.7kN·m。.
步骤3：判断燃气轮机转速信号是否满足转速n＝(1±a)×n0条件，满足进入步骤4；不满足跳转至步骤1。
在一具体实施方式中，a＝0.02，转速允许的取值范围为2940r/min-3060r/min。
步骤4：判断燃气轮机扭矩信号是否满足Q＝(1±b)×Q0条件，满足进入步骤5；不满足跳转至步骤1。
在一具体实施方式中，b＝0.01，扭矩允许的取值范围为12.6kN·m-12.8kN·m
步骤5：对采集到的振动信号X划分为w个窗口，统计第i个窗口信号最大值和最小值，得到窗口信号Xi峰峰值p。
p(i)＝max(X(i))-min(X(i))
在一具体实施方式中，窗口w取20个。
步骤6：对w个窗口峰峰值进行排列，统计出现次数最多的数，得到峰峰值p的众数e。
e＝mode(p)
步骤7：读取已有燃气轮机振动峰峰值众数的记录时间值k；
步骤8：存储步骤6提取的燃气轮机轴承振动峰峰值众数e，存储记录时间值k＝k+1；
步骤9：在j时刻，从存储模块获取前m个时间步长的燃气轮机轴承振动信号众数集合E和对应记录的时间值集合Z
E＝{ej，ej-1，ej-2，...，ej-m}；
Z＝{zj，zj-1，zj-2，...，zj-m}；
一般情况下，窗口m＝20。
步骤10：计算轴承振动信号峰峰值众数E的均值
步骤11：计算记录时间值Z的均值
步骤12：预测未来k个步长燃气轮机轴承振动峰峰值e(j+k)
一般情况下，k＝5。
步骤13：振动峰峰值e(j+k)与设定的故障阈值et进行比较。如果e(j+k)大于et，则输出“故障”，反之，输出“正常”。
步骤14：利用定时器，振动信号采集、特征提取、数据存储和故障预测的程序计算循环时间等于预测步长z。循环时间计时条件满足，跳转至步骤1。否则，驻留在步骤14。
在一具体实施方式中，预测步长z为1小时。

Claims (7)

1.燃气轮机轴承故障预测系统的预测方法，所述预测系统包括采集模块(101)，用于采集燃气轮机轴承的振动信号、转速信号、扭矩信号；检测模块(102)，用于通过采集模块(101)获取的转速信号、扭矩信号，根据机组生产任务，确定燃气轮机故障预测的工况点；特征模块(103)，用于从振动信号中提取燃气轮机轴承振动峰峰值众数；存储模块(104)，用于存储燃气轮机轴承振动峰峰值众数；预测模块(105)，用于读取燃气轮机轴承振动峰峰值众数历史值，预测燃气轮机未来一段时间轴承振动峰峰值，根据预测值是否大于振动峰峰值阈值，预测燃气轮机轴承是否发生故障；定时器，用于设定预测步长，完成故障特征提取结果、特征存储和故障预测；其特征在于：所述预测方法包括以下步骤：
S1、获取燃气轮机转速信号n、扭矩信号Q、振动信号；
S2、工况点检测：根据机组生产任务，对比转速信号n和扭矩信号Q，获得稳态工况下振动信号X；
S3、故障特征提取：通过振动信号X提取燃气轮机轴承振动峰峰值众数；
S4、故障特征存储：对步骤S3得到的峰峰值众数e进行存储；
S5、故障预测：通过步骤S4的峰峰值众数历史值，预测燃气轮机轴承是否发生故障；
所述步骤S5包括：
步骤5.1、在j时刻，获取前m个时间步长的燃气轮机轴承振动信号众数集合E和对应记录的时间值集合Z；
步骤5.2、计算轴承振动信号峰峰值众数E的均值；
步骤5.3、计算记录时间值Z的均值；
步骤5.4、估计未来k步长燃气轮机轴承振动峰峰值e(j+k)；
步骤5.5、振动峰峰值e(j+k)与设定的故障阈值et进行比较，如果e(j+k)大于et，则故障预测结果输出“故障”，反之，故障预测结果输出“正常”。
2.根据权利要求1所述预测方法，其特征在于：所述步骤S2包括：
S2.1、根据机组生产任务，按照转速信号n与扭矩信号Q，设定开展气轮机轴承故障预测的工况点M的转速基准n0和扭矩基准Q0；
S2.2、检查燃气轮机转速信号是否满足转速n＝(1±a)×n0条件；
S2.3、如果S2.2条件“满足”，则跳转S2.4；否则，返回S1；
S2.4、检查燃气轮机扭矩信号是否满足Q＝(1±b)×Q0条件；
S2.5、如果S2.4条件“满足”，则跳转S3；否则返回S1。
3.根据权利要求2所述预测方法，其特征在于：所述步骤S3包括：
S3.1、对采集到的振动信号X划分为w个窗口，统计第i个窗口信号最大值和最小值，得到窗口信号Xi峰峰值p；
S3.2、对w个窗口峰峰值进行排列，统计出现次数最多的数，得到峰峰值p的众数e。
4.根据权利要求3所述预测方法，其特征在于：所述步骤S4包括：
S4.1：获取S3燃气轮机轴承振动峰峰值众数e最近记录时间值t0；
S4.2：存储S3.2计算的峰峰值众数e，以及对应记录时间值t0＝t0+1；
S4.3：定时器开始计时，检测计时器时间t与预测时间步长z的大小关系；
S4.4：如果定时器计时小于预测时间步长z，则跳转S4.3；如果定时器计时大于预测时间步长z，则跳转S5。
5.根据权利要求4所述预测方法，其特征在于：所述预测系统还包括显示模块，用于显示预测模块(105)预测结果。
6.根据权利要求5所述预测方法，其特征在于：所述显示模块还用于显示特征模块(103)和存储模块(104)的数值。
7.根据权利要求4所述预测方法，其特征在于：所述采集模块(101)采用模拟采集板卡，采集燃气轮机轴承的振动信号、转速信号、扭矩信号。
CN202310867427.0A 2023-07-15 2023-07-15 燃气轮机轴承故障预测系统 Active CN116907846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310867427.0A CN116907846B (zh) 2023-07-15 2023-07-15 燃气轮机轴承故障预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310867427.0A CN116907846B (zh) 2023-07-15 2023-07-15 燃气轮机轴承故障预测系统

Publications (2)

Publication Number Publication Date
CN116907846A CN116907846A (zh) 2023-10-20
CN116907846B true CN116907846B (zh) 2024-08-30

Family

ID=88366212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310867427.0A Active CN116907846B (zh) 2023-07-15 2023-07-15 燃气轮机轴承故障预测系统

Country Status (1)

Country Link
CN (1) CN116907846B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117326435B (zh) * 2023-11-30 2024-03-22 中国特种设备检测研究院 一种扶梯故障诊断方法及诊断系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112526366A (zh) * 2020-11-27 2021-03-19 蜂巢能源科技有限公司 电池电气连接性预警方法、装置、存储介质及电子设备
CN113187645A (zh) * 2021-06-10 2021-07-30 国家电投集团广西长洲水电开发有限公司 一种灯泡贯流式机组水导轴瓦支撑松动故障在线预警方法
CN113742855A (zh) * 2021-07-27 2021-12-03 清华大学 一种故障预测方法、系统、电子设备与可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109783903B (zh) * 2018-12-28 2023-01-24 佛山科学技术学院 一种基于时间序列的工业用水管道故障诊断方法及系统
GB2585043B (en) * 2019-06-25 2021-12-22 Perkins Engines Co Ltd Method and apparatus for predicting turbocharger failure modes

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112526366A (zh) * 2020-11-27 2021-03-19 蜂巢能源科技有限公司 电池电气连接性预警方法、装置、存储介质及电子设备
CN113187645A (zh) * 2021-06-10 2021-07-30 国家电投集团广西长洲水电开发有限公司 一种灯泡贯流式机组水导轴瓦支撑松动故障在线预警方法
CN113742855A (zh) * 2021-07-27 2021-12-03 清华大学 一种故障预测方法、系统、电子设备与可读存储介质

Also Published As

Publication number Publication date
CN116907846A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN107272586B (zh) 机械学习装置、机械学习方法、故障预知装置及系统
CN109524139B (zh) 一种基于设备工况变化的实时设备性能监测方法
US7030746B2 (en) Method and system for generating automatic alarms based on trends detected in machine operation
US7742881B2 (en) System and method for detection of rotor eccentricity baseline shift
CN116907846B (zh) 燃气轮机轴承故障预测系统
US6741919B1 (en) Methods and apparatus for detecting impending sensor failure
EP2172824B1 (en) Method and system of wind turbine condition monitoring
US6587737B2 (en) Method for the monitoring of a plant
KR102206737B1 (ko) 기계학습 기반 펌프수차 고장 진단 방법 및 시스템
JP2001201433A (ja) 回転機器の機械保護システム及びその方法
US11555757B2 (en) Monitoring device, monitoring method, method of creating shaft vibration determination model, and program
CN104380063B (zh) 异常音检测系统
JPH07159231A (ja) ポンプ劣化診断システム
CN114216640A (zh) 用于检测工业设备故障状态的方法、设备和介质
US5680310A (en) Method and apparatus for sensing a steady state engine condition using a trending algorithm
US7249287B2 (en) Methods and apparatus for providing alarm notification
CN117466153B (zh) 故障检测方法、装置、计算机设备和可读存储介质
CN107076018A (zh) 喘振判定装置、喘振判定方法以及程序
CN112621381B (zh) 机床进给系统健康状态智能评估方法及装置
CN116046077B (zh) 一种基于温湿度监测的gis状态检测方法
CN115060357A (zh) 一种基于语音分析的机电故障判断方法及系统
CN107909677A (zh) 一种船舶机电设备运行数据稳定性提取及判别方法
CN110533255B (zh) 发动机保养时间预测方法、装置、设备及存储介质
Byington et al. False alarm mitigation of vibration diagnostic systems
CN118626752B (zh) 一种变计数时钟的转速采样计算方法

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
GR01 Patent grant
GR01 Patent grant