DD225807A1 - PROCEDURE FOR MONITORING AND ERROR IDENTIFICATION OF ROTATING MACHINES - Google Patents
PROCEDURE FOR MONITORING AND ERROR IDENTIFICATION OF ROTATING MACHINES Download PDFInfo
- Publication number
- DD225807A1 DD225807A1 DD25819083A DD25819083A DD225807A1 DD 225807 A1 DD225807 A1 DD 225807A1 DD 25819083 A DD25819083 A DD 25819083A DD 25819083 A DD25819083 A DD 25819083A DD 225807 A1 DD225807 A1 DD 225807A1
- Authority
- DD
- German Democratic Republic
- Prior art keywords
- determined
- item
- monitoring
- statistical
- normal distribution
- Prior art date
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Verfahren zur Ueberwachung und Fehlerfrueherkennung an rotierenden Maschinen waehrend des Betriebes in technischen Anlagen. Es sollen die Laufeigenschaften und speziell bei Pumpen und Verdichtern das hydrodynamische Verhalten erfasst und in der Weise bewertet werden, dass bei vorgegebener Irrtumswahrscheinlichkeit 1. Art eine Zustandsklassifikation in normale und fehlerbehaftete Zustandsklassen vorgenommen werden kann. Die Aufgabe beinhaltet, durch die Analyse von Messsignalen zu Kennfunktionen zu gelangen, aus denen Wahrscheinlichkeitsaussagen zum technischen Zustand und zu sich anbahnenden Fehlern abgeleitet werden koennen. Es werden Merkmalsvektoren gebildet, welche problemabhaengig aus Komponenten bestehen, die durch Integration der Leistungsspektren von Messsignalen in fuer die Konstruktion und den Betrieb der Maschine typischen Frequenzbereichen bestimmt werden, wobei die aktuelle Realisierung des Merkmalsvektors auf vorgegebenen Vertrauensniveaus mit der in einer Belehrungsphase bestimmten normalen Verteilung und mit einer den Trend beruecksichtigenden normalen Verteilung mittels der statistischen Entscheidungstheorie verglichen wird. Aus dem Ergebnis des Vergleichs kann der Fehlertyp bestimmt werden.Method for monitoring and error early detection on rotating machines during operation in technical installations. It should be the running characteristics and especially for pumps and compressors, the hydrodynamic behavior recorded and evaluated in such a way that for a given error probability 1st type a condition classification can be made in normal and faulty condition classes. The task involves arriving at characteristic functions by analyzing measurement signals, from which probability statements on the technical condition and on emerging errors can be derived. Feature vectors are formed, which are problem-dependent components that are determined by integration of the power spectra of measurement signals in frequency ranges typical for the design and operation of the machine, the actual realization of the feature vector at predetermined confidence levels with the normal distribution determined in an instruction phase is compared with a trend-taking normal distribution by means of statistical decision theory. From the result of the comparison, the error type can be determined.
Description
Die Erfindung betrifft ein Verfahren zur Überwachung und Fehlerfrüherkennung an rotierenden Maschinen während des Betriebes in technischen Anlagen. Die Anwendung der Erfindung ist dort gegeben, wo Meßgrößen zur Verfugung stehen, aus deren Signalen durch statistische Signalanalyse weitgehend drehzahlunabhängige Kenngrößen bestimmbar sind, die den Maschinenzustand beschreiben und wobei, mit Hilfe statistischer Methoden bei vorgegebener Irrtumswahrscheinlichkeit 1. Art, Wahrscheinlichkeitsaussagen über den Maschinenzustand möglich sind.The invention relates to a method for monitoring and early fault detection on rotating machines during operation in technical installations. The application of the invention is given where measured variables are available from whose signals largely independent of speed signals can be determined by statistical signal analysis, describing the machine state and wherein, with the help of statistical methods with a predetermined error probability 1st kind, probability statements on the machine state are possible ,
In der Maschinendiagnose sihcj Überwachungsverfahren bekannt, die von einer globalen Beurteilung des Schwingungsverhaltens ausgehen. In der VDI-Richtlinie 2056 — sind Effektivwerte für die Schwinggeschwindigkeit und in der VDI-Richtlinie 2059 — Werte für die Amplituden der Wellenschwingung von rotierenden Maschinen festgelegt^ nach denen ein Maschinenzustand als gut, brauchbar, noch zulässig und unzulässig klassifiziert wird. Die angegebenen Klassenbreiten für die Maschinenzustände sind empirisch festgelegt, sie berücksichtigen nicht die möglichen Ursachen einzelner Schwingungskomponenten und liefern auch keine Aussagen über die Wahrscheinlichkeit von Fehlklassifizierungen.In machine diagnostics monitoring methods are known which assume a global assessment of the vibration behavior. In the VDI guideline 2056 - rms values for the vibration velocity and in the VDI guideline 2059 - values for the amplitudes of the wave vibration of rotating machines are defined ^ after which a machine condition is classified as good, usable, still permissible and inadmissible. The specified class widths for the machine states are determined empirically, they do not take into account the possible causes of individual vibration components and also provide no statements about the probability of misclassifications.
Es ist auch ein Verfahren zur Überwachung von Pumpen bekannt, das durch Bestimmung und Bewertung bandbegrenzter Effektivwerte von Beschleunigungssignalen eine globale Zustandseinschätzung ermöglicht (Kernenergie 23 (1980), H. 8, S.299-There is also known a method for monitoring pumps, which enables a global state estimation by determining and evaluating band-limited effective values of acceleration signals (Kernenergie 23 (1980), H. 8, p.299-
Die Beurteilung erfolgt subjektiv, und es können keine Angaben über Irrtumswahrscheinlichkeiten gemacht werden.The assessment is subjective, and no information can be given about the likelihood of error.
Weiterhin ist bekannt, daß ein statistisches Verfahren zur Überwachung rotierender Maschinen eingesetzt wird (K. R. Piety, Statistical Algorithmen for Automated Signature Analysis of Power Density Data, Progress in Nuclear Energy, Vol. 1, pp. 781-802, Pergamon Press 1977). Dieses Verfahren führt zu Fehlalarmen, wenn sich Lastmoment, Drehzahl der Maschine und Betriebsbedingungen ändern. Außerdem ist bekannt, daß es in einigen einfachen Fällen möglich ist, den Zustand der rotierenden Maschine theoretisch zu beschreiben und problemorientierte Modelle aufzustellen. Unter dieser Voraussetzung können die an die experimentellen Ergebnisse angepaßten Modellparameter als zustandsrelevante Merkmale verwendet werden. Für die Fälle, in denen eine theoretische Modellierung nicht möglich ist, werden verschiedene Vorschläge zur Ermittlung aussagefähiger Merkmale unterbreitet (Proc. Conf. Technical Diagnostica, IMEKO TC 10, London (1982), pp. 161-168).Furthermore, it is known that a statistical method for monitoring rotating machinery is used (K.R. Piety, Statistical Algorithms for Automated Signature Analysis of Power Density Data, Progress in Nuclear Energy, Vol. 1, pp. 781-802, Pergamon Press 1977). This procedure leads to false alarms as load torque, machine speed and operating conditions change. In addition, it is known that in some simple cases it is possible to theoretically describe the state of the rotating machine and to set up problem-oriented models. Under this assumption, the model parameters adapted to the experimental results can be used as state-relevant features. For the cases in which theoretical modeling is not possible, various proposals are made to establish meaningful features (Proc. Conf. Technical Diagnostica, IMEKO TC 10, London (1982), pp. 161-168).
Die eingesetzten Klassifikationsverfahren setzen einerseits Referenzmuster für verschiedene Normal- und Fehlerkiassen voraus und beziehen andererseits den stochastischen Charakter der Merkmalvektoren und gleitende Zustandsänderungen nicht in die Betrachtung ein.On the one hand, the classification methods used presuppose reference patterns for different normal and error classes and, on the other hand, do not include the stochastic character of the feature vectors and sliding state changes.
Es wurde auch bereits ein Korrekturverfahren vorgeschlagen, das es gestattet, reversible Instationaritäten der Leistungsspektren zu berücksichtigen und dadurch einerseits die Fehlalarmrate bei der statistischen Überwachung anhand des Leistungsspektrums zu vermindern und andererseits eine hohe Detektionsempfindlichkeit gegenüber anomalen Zuständen zu erreichen (DD-PS 155462). Das Verfahren erfordert einen hohen Rechen- und Zeitaufwand, muß aber immer dann angewendet werden, wenn infolge von Resonanzstrukturen der Übertragungsstrecke zwischen Signaiquelle und Meßpositionen in den beobachteten Frequenzbereichen eine starke Abhängigkeit der Amplitude des Leistungsspektrums von der Drehfrequenz der Maschine vorliegt.A correction method has already been proposed which allows reversible instationarities of the power spectra to be taken into consideration and thereby, on the one hand, to reduce the false alarm rate in the statistical monitoring on the basis of the power spectrum and, on the other hand, to achieve a high detection sensitivity to abnormal states (DD-PS 155462). The method requires a great deal of computation and time, but must always be used when there is a strong dependence of the amplitude of the power spectrum on the rotational frequency of the machine due to resonance structures of the transmission path between signal source and measuring positions in the observed frequency ranges.
Insgesamt ist zu den bekannten Verfahren festzustellen, daß sie eine hohe Fehlalarmrate aufweisen oder keine Ermittlung der Fehlerklassen zulassen oder keine Angabe über die Wahrscheinlichkeit der Fehlkiassifikation ermöglichen. Bei Verbesserung dieser Parameter werden die Verfahren sehr aufwendig.Overall, it can be stated with the known methods that they have a high false alarm rate or do not permit any determination of the error classes or do not allow any indication of the likelihood of the incorrect classification. As these parameters improve, the processes become very expensive.
Das Ziel der Erfindung besteht darin, eine Fehlerfrüherkennung an rotierenden Maschinen durchzuführen. Insbesondere sollen die Lufteigenschaften und speziell bei Pumpen und Verdichtern das hydrodynamische Verhalten erfaßt und in der Weise bewertet werden, daß bei vorgegebener Irrtumswahrscheinlichkeit 1. Art eine Zustandsklassifikation in normale und fehlerbehaftete Zustandskiassen vorgenommen werden kann.The aim of the invention is to perform an early fault detection on rotating machines. In particular, the air properties and especially in pumps and compressors, the hydrodynamic behavior to be detected and evaluated in such a way that for a given error probability 1st kind a condition classification can be made in normal and faulty state classes.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Fehlerfrüherkennung an rotierenden Maschinen zu schaffen, das durch Analyse von Meßsignalen zu Kennfunktionen führt, aus denen mit Hilfe statistischer Verfahren Wahrscheiniichkeitsaussagen über den technischen Zustand einschließlich sich anbahnender Fehler abgeleitet werden können.The invention has for its object to provide a method for early fault detection on rotating machines, which leads by analysis of measurement signals to characteristic functions, from which by means of statistical methods Probability statements on the technical condition, including imminent errors can be derived.
Erfindungsgemäß wird die Aufgabe dadurch gelöst, daß Merkmalsvektoren gebildet werden, die problemabhängig aus Komponenten bestehen, die durch Integration aer Leistungsspektren von Meßsignalen in für die Konstruktion und den BetriebAccording to the invention the object is achieved in that feature vectors are formed, which are problem-dependent components consisting of the integration of aer power spectra of measurement signals in for the design and operation
der Maschine typischen Frequenzbereichen bestimmt werden, daß die aktuelle Realisierung des Merkmalsvektors auf vorgegebenen Vertrauensniveaus mit der in einer Belehrungsphase bestimmten normalen Verteilung und mit einer den Trend berücksichtigenden normalen Verteilung mittels der statistischen Entscheidungstheorie verglichen wird und daß aus dem Ergebnis des Vergleichs der Fehlertyp bestimmt werden kann. Dabei können die Meßsignale kontinuierlich und/oder in bestimmten Prüfintervallen erfaßtwerden. Es ist vorteilhaft, wenn die Leistungsspektren der Meßgrößen Druck, Beschleunigung und Wellenschwingung herangezogen werden und dabei als Kennfunktionen die Auto- und Kreuzleistungsspektren eingesetzt werden.In the typical frequency ranges of the machine, it is determined that the current realization of the feature vector at predetermined confidence levels is compared with the normal distribution determined in an instruction phase and with a normal distribution taking account of the trend by means of the statistical decision theory, and the error type can be determined from the result of the comparison , The measurement signals can be detected continuously and / or at certain test intervals. It is advantageous if the power spectra of the measured variables pressure, acceleration and shaft oscillation are used and the characteristic features used are the auto and cross power spectra.
In weiterer Ausbildung der Erfindung wird die Wahrscheinlichkeitsverteilung der Merkmaisvektoren durch solche Verfahren geschätzt, die es erlauben, den Algorithmus auf einen Mikrorechner abzuarbeiten. Zur Schätzung kann die Parzensche Verteilungsfunktion benutzt werdenIn a further embodiment of the invention, the probability distribution of the feature vector vectors is estimated by methods that allow the algorithm to be processed on a microcomputer. For estimation, the Parzen distribution function can be used
Ausführungsbeispiel embodiment
Die Erfindung soll am Beispiel der Überwachung und Fehlerfrüherkennung an einer einstufigen stopfbuchsenlosen, gleitgelagerten Kreiselpumpe näher erläutert werden. Es werden in bestimmten Prüfintervallen Meßsignale von der zu überwachenden Maschine erfaßt und die Auto- und Kreuzleistungsspektren bestimmt. Aus diesen Leistungsspektren S(f) wird zur Beschreibung des Zustandes ein Merkmalvektor M mit η Komponenten extrahiert, wobei die v-te Komponente durch den Ausdruck The invention will be explained in more detail using the example of monitoring and early fault detection on a single-stage glandless, sliding bearing centrifugal pump. Measuring signals from the machine to be monitored are detected at certain test intervals and the auto and cross power spectra determined. From these power spectra S (f), a feature vector M with η components is extracted to describe the state, wherein the vth component is represented by the expression
gegeben ist. Die fv und Δίν sind für die Arbeitsweise und Konstruktion der Maschine typische Frequenzen beziehungsweise Frequenzbandbreiten. . _^given is. The f v and Δί ν are typical frequencies or frequency bandwidths for the operation and construction of the machine. , _ ^
In einer Lernphase wird die n-dimensionale Wahrscheinlichkeitsdichtefunktion des Merkmalvektors M anhand von Belehrungsstichproben für alle möglichen Normalzustände geschätzt. Als Normalitätsgrenzen bei der Klassifikation werden diea100% und die (1-a) 100% Quantilen der Randverteilungen des Merkmalvektors verwendet. Nach Abschluß der Lernphase können aktuell bestimmte Merkmalsvektoren M automatisch klassifiziert werden. Liegen alle η Komponenten von M'innerhalb der zuvor geschätzten Grenzen, so wird die Entscheidung „normal" gefällt. Liegen einzelne Komponenten beziehungsweise Kombinationen von Komponenten außerhalb dieser Grenzen, so können daraus Rückschlüsse auf Fehler beziehungsweise den Fehlertyp gezogen werden.In a learning phase, the n-dimensional probability density function of the feature vector M is estimated on the basis of instruction samples for all possible normal states. The normality limits used in the classification are the 100% and the (1-a) 100% quantiles of the edge distributions of the feature vector. After completion of the learning phase, certain feature vectors M can be automatically classified. If all η components of M 'lie within the previously estimated limits, then the decision is made "normally." If individual components or combinations of components lie outside these limits, then conclusions can be drawn about errors or the type of error.
Das Verfahren berücksichtigt gleitende, aber normale Zustandsveränderungen in der Weise, daß neben der Klassifikation nach den Grenzen der Belehrungsstichprobe auch eine Klassifikation nach fortlaufend aktualisierten Grenzwerten, d. h. eine Trendklassifikation durchgeführt wird.The method takes into account sliding but normal state changes such that, in addition to the classification according to the limits of the instruction sample, a classification according to continuously updated limit values, i. H. a trend classification is performed.
Bei der Anwendung des Verfahrens an der o.a. Kreiselpumpe werden zwei Meßgrößen, die Beschleunigung am Pumpengehäuse x1 und der Druck im Druckstutzen x2 erfaßt. Die Ausgangssignale der Detektoren gelangen über eine Signalkonditionierungseinrichtung mit Grenzwertüberwachung und automatischer Pegelanpassung zu einem Mikrorechner, der die Merkmalsextraktion, die Normalklassenermittlung und die Klassifikation der aktuellen Messungen durchführt. Der Mikrorechner berücksichtigt die Betriebsbedingungen der zu überwachenden Maschine und die automatische Pegelanpassung der Konditionierungseinrichtung. Die Anzeige oder Display-Darstellung des Diagnoseresultates erfolgt in einem zentralen Bedienungsraum der Anlage und kann auch mit einem akustischen Alarm gekoppelt werden.When applying the method to the o.a. Centrifugal pump are two measured variables, the acceleration at the pump housing x1 and the pressure in the discharge port x2 detected. The output signals of the detectors arrive via a signal conditioning device with limit monitoring and automatic level adjustment to a microcomputer, which performs the feature extraction, the normal class determination and the classification of the current measurements. The microcomputer takes into account the operating conditions of the machine to be monitored and the automatic level adjustment of the conditioning device. The display or display of the diagnostic result is in a central operating room of the system and can also be coupled with an audible alarm.
Claims (5)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DD25819083A DD225807A1 (en) | 1983-12-20 | 1983-12-20 | PROCEDURE FOR MONITORING AND ERROR IDENTIFICATION OF ROTATING MACHINES |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DD25819083A DD225807A1 (en) | 1983-12-20 | 1983-12-20 | PROCEDURE FOR MONITORING AND ERROR IDENTIFICATION OF ROTATING MACHINES |
Publications (1)
Publication Number | Publication Date |
---|---|
DD225807A1 true DD225807A1 (en) | 1985-08-07 |
Family
ID=5553142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DD25819083A DD225807A1 (en) | 1983-12-20 | 1983-12-20 | PROCEDURE FOR MONITORING AND ERROR IDENTIFICATION OF ROTATING MACHINES |
Country Status (1)
Country | Link |
---|---|
DD (1) | DD225807A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0918230A1 (en) * | 1997-11-11 | 1999-05-26 | Ulf R. C. Nilsson | Method for finding errors of measurement in an energy distribution system |
-
1983
- 1983-12-20 DD DD25819083A patent/DD225807A1/en unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0918230A1 (en) * | 1997-11-11 | 1999-05-26 | Ulf R. C. Nilsson | Method for finding errors of measurement in an energy distribution system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69937737T2 (en) | ASSESSMENT OF THE CONDITION OF A STORAGE | |
DE60221149T2 (en) | SYSTEM AND METHOD FOR IDENTIFYING THE PRESENCE OF DEFECTS IN A VIBRATING MACHINE | |
DE60211002T2 (en) | METHOD AND SYSTEM FOR ANALYZING THE CONTROL POWER PERFORMANCE IN AN INDUSTRIAL PROCESS | |
CN110135492B (en) | Equipment fault diagnosis and abnormality detection method and system based on multiple Gaussian models | |
DE69621739T2 (en) | METHOD, DEVICE AND SYSTEM FOR DETERMINING THE CHANGES OF A TEST EXAMPLE | |
DE2622120A1 (en) | PROCEDURE AND DEVICE FOR AUTOMATIC MONITORING OF SYSTEMS | |
EP2083338A2 (en) | Process and device for monitoring a machine | |
DE102007048602A1 (en) | A method for diagnosing abnormalities and apparatus therefor | |
EP2402731A1 (en) | Method for training a system for classifying a roller bearing state, method for classifying a roller bearing state and system for classifying a roller bearing state | |
DE19855745A1 (en) | Fault diagnosis and quality grading system for production test of rotating machines uses sensing of rotation noise and oscillation with training of processor. | |
EP1415132B1 (en) | Spectral evaluation of an object to be tested | |
DE112019001115T5 (en) | Diagnostic assist device, rotating machine system, and diagnostic assisting method | |
DE102010005525A1 (en) | Method for condition monitoring of a machine and monitoring device therefor | |
WO2018157889A1 (en) | Method and device for determining an indicator for a prediction of an instability in a compressor and use thereof | |
DE102006010734A1 (en) | Apparatus and method for determining the startup of a sensorless motor | |
DD225807A1 (en) | PROCEDURE FOR MONITORING AND ERROR IDENTIFICATION OF ROTATING MACHINES | |
EP2500579A1 (en) | Detection of cavitation and gas entrainment in an electric rotary pump | |
DE102009024981A1 (en) | Damages determining and analyzing method for e.g. rolling bearing, involves dividing data signals into number of different timing signals, and evaluating amplitudes of bispectrum, where amplitudes exceed predetermined value | |
CN113487141B (en) | Bearing state evaluation method based on multisource information clustering fusion | |
DE60319245T2 (en) | METHOD AND DEVICE FOR DETERMINING THE CONDITION OF A TURBINE BLADE AND USING THE COLLECTED INFORMATION FOR ESTIMATING THE LIFE OF THE SHOVEL | |
DE102018007248B3 (en) | Method and device for determining the state of electrical equipment of high voltage engineering and power electronics | |
WO2023020698A1 (en) | Method and device for monitoring an electric machine | |
EP1014054A2 (en) | Method for model-based diagnostic vibration monitoring of rotating machines | |
DE102020213899A1 (en) | SENSOR SYSTEM | |
EP3771827A1 (en) | Method for operating a coolant compressor and coolant compressor system |