CN109779938B - 一种离心压缩机组智能联锁保护方法 - Google Patents
一种离心压缩机组智能联锁保护方法 Download PDFInfo
- Publication number
- CN109779938B CN109779938B CN201811641185.9A CN201811641185A CN109779938B CN 109779938 B CN109779938 B CN 109779938B CN 201811641185 A CN201811641185 A CN 201811641185A CN 109779938 B CN109779938 B CN 109779938B
- Authority
- CN
- China
- Prior art keywords
- fault
- ith
- value
- characteristic
- centrifugal compressor
- 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
Landscapes
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明公开了一种离心压缩机组智能联锁保护方法,能够提高离心压缩机组故障异常检测的准确率。该方法包括如下步骤:采集获得离心压缩机组正常工况运行数据和实时工况运行数据。针对离心压缩机组的I种故障,在正常工况运行数据和实时工况运行数据中,分别提取每种故障的特征值;针对每种故障的特征相空间均建立高斯混合模型,训练得到正常工况下和实时工况下第i种故障对应的特征相空间模型并计算欧式距离,判断该距离是否超过第i个报警门限,若是则报警并计算第i种故障的故障影响力无量纲指数为
Description
技术领域
本发明涉及机械设备状态检测与机组联锁控制技术领域,具体涉及一种离 心压缩机组智能联锁保护方法。
背景技术
大型离心压缩机组作为石化行业的关键机械设备之一,其故障频发且危害 很大,一旦无法有效识别故障并报警停机,极有可能引起较大设备事故,造成 巨大损失。目前离心压缩机组已普遍配备了联锁保护***,其主要是通过在轴 承上预埋探头来监测振动、位移、温度和转速等参数,通过机组监测***(MMS) 实现超限停车保护。但传统的联锁保护***无法及时识别机组异常,只能通过 单一过线报警停机方式进行保护,往往存在保护不足的问题;而且传统的联锁 保护***对故障种类及其风险程度没有针对性,当出现虚假信号时经常导致联 锁停机,造成不必要的过保护现象。无论是保护不足或是过保护均不利于离心 压缩机的稳定运行,因此亟需对离心压缩机开展智能联锁保护技术研究,以进 一步提高故障的报警停机的可靠性与准确率。
发明内容
有鉴于此,本发明提供了一种离心压缩机组智能联锁保护方法,能够提高 离心压缩机组故障异常检测的准确率,防止过保护以及保护不足,提高实际工 程中离心压缩机组的运行可靠性。
为达到上述目的,本发明的技术方案为:一种离心压缩机组智能联锁保护 方法,包括如下步骤:
步骤1、采集获得m组离心压缩机组正常工况运行数据和m组实时工况运 行数据;m为经验值。
步骤2、针对离心压缩机组的I种故障,在正常工况运行数据和实时工况运 行数据中,分别提取每种故障的特征值;其中第i种故障的特征值个数为ni, i=1~I。
步骤3、针对离心压缩机组的每种故障,建立特征值集合,即为特征相空间, 且针对每种故障的特征相空间均建立高斯混合模型。
采用正常工况运行数据中第i种故障对应的特征相空间数据训练第i种故障 的高斯混合模型,训练后得到正常工况下第i种故障对应的特征相空间模型;计 算正常工况下第i种故障对应的特征相空间模型的分布中心与分布半径,自学习 得到第i个报警门限。
采用实时工况运行数据中第i种故障对应的特征相空间数据训练第i种故障 的高斯混合模型,训练后得到实时工况下第i种故障对应的特征相空间模型;计 算实时工况下第i种故障对应的特征相空间模型的分布中心与分布半径。
步骤4、计算正常工况下和实时工况下第i种故障对应的特征相空间模型间 的欧式距离,并判断该距离是否超过第i个报警门限,若是则报警并进入步骤5; 否则返回步骤1。
步骤5、计算故障影响力无量纲指数,其中第i种故障的故障影响力无量纲 指数为H(i)。
V(i)为第i种故障劣化程度无量纲指数;
f(i,j)为实时工况运行数据中第i种故障的第j种特征值;
N(i,j)为正常工况运行数据中第i种故障的第j种特征值;
F(i,j)为对第i种故障的第j种特征值的自学习的报警门限;
k(i,j)为对第i种故障的第j种特征值的敏感性系数:
D(i)为第i种故障风险指数,为已知值。
Amax为离心压缩机组的监测参数总数量,At为步骤2中对于第i种故障,提 取特征值所用到的参数数量。
步骤6、判断若第i种故障的故障影响力无量纲指数为H(i)超过设定的故障 影响阈值,则将离心压缩机组进行联锁停机,否则离心压缩机组继续运行。
设定的故障影响阈值为经验值。
优选地,I=10,即包括10故障,分别为:
第1种故障为掉叶片:n1=4,第1种故障的数据特征值分别为振动加速度有 效值、速度有效值、1X幅值突变值以及1X相位突变值。
第2种故障为油膜振荡:n2=2,第2种故障的数据特征值分别为振动速度有 效值以及0.45~0.49X幅值突变值。
第3种故障为碰摩:n3=4,第3种故障的数据特征值分别为振动速度有效值、 1X及2X、3X等倍频幅值突变值。
第4种故障为质量不平衡:n4=3,第4种故障的数据特征值分别为振动速度 有效值、1X幅值突变值以及1X相位突变值。
第5种故障为齿轮啮合缺陷:n5=2,第5种故障的数据特征值分别为振动加 速度有效值以及齿轮啮合频率GMF值突变值。
第6种故障为联轴节精度过低或损伤:n6=4,第6种故障的数据特征值分别 为振动速度有效值、以及1X、2X、3X等高倍频幅值突变值。
第7种故障为不对中:n7=3,第7种故障的数据特征值分别为振动速度有效 值、1X及2X幅值突变值。
第8种故障为喘振:n8=4,第8种故障的数据特征值分别为振动速度有效值 以及1/2、1/3、1/4X等分频幅值突变量。
第9种故障为气流激振:n9=2,第9种故障的数据特征值分别为振动速度有 效值以及1/2、1/3、1/4X等分频幅值突变量。
第10种故障为油膜涡动:n10=2,第10种故障的数据特征值分别为振动速 度有效值以及0.4~0.5X幅值突变量。
优选地,其特征在于,
D(1)=1;D(2)=0.97;D(3)=0.95;D(4)=0.91;D(5)=0.88;D(6)=0.87;D(7)=0.85; D(8)=0.84;D(9)=0.84;D(10)=0.83。
有益效果:
本发明提供的离心压缩机组智能联锁保护方法,能够有效解决传统的单一 报警限过限报警方式中异常检测误报漏报率高的问题,提高大型离心压缩机组 故障异常检测的准确率。本发明通过无量纲参数模型对不同故障影响进行量化, 而不是单纯的依赖人工经验,有效解决了保护不足和过保护的问题
具体实施方式
下面举实施例,对本发明进行详细描述。
本发明实施例提供了一种离心压缩机组智能联锁保护方法,能够有效解决 传统的单一报警限过限报警方式中异常检测误报漏报率高的问题,提高大型离 心压缩机组故障异常检测的准确率。该方法包括如下步骤:
步骤1、采集获得m组离心压缩机组正常工况运行数据和m组实时工况运 行数据;m为经验值。
步骤2、针对离心压缩机组的I种故障,在正常工况运行数据和实时工况运 行数据中,分别提取每种故障的特征值;其中第i种故障的特征值个数为ni, i=1~I。
本发明实施例中,I=10,表示离心压缩机中的10种常见的故障类别,分别 对应着掉叶片、油膜振荡、碰摩、质量不平衡、齿轮啮合缺陷、联轴节精度过 低或损伤、不对中、喘振、气流激振和油膜涡动故障,分别为:
第1种故障为掉叶片:n1=4,第1种故障的数据特征值分别为振动加速度有 效值、速度有效值、1X幅值突变值以及1X相位突变值。
第2种故障为油膜振荡:n2=2,第2种故障的数据特征值分别为振动速度有 效值以及0.45~0.49X幅值突变值。
第3种故障为碰摩:n3=4,第3种故障的数据特征值分别为振动速度有效值、 1X及2X、3X等倍频幅值突变值。
第4种故障为质量不平衡:n4=3,第4种故障的数据特征值分别为振动速度 有效值、1X幅值突变值以及1X相位突变值。
第5种故障为齿轮啮合缺陷:n5=2,第5种故障的数据特征值分别为振动加 速度有效值以及齿轮啮合频率GMF值突变值。
第6种故障为联轴节精度过低或损伤:n6=4,第6种故障的数据特征值分别 为振动速度有效值、以及1X、2X、3X等高倍频幅值突变值。
第7种故障为不对中:n7=3,第7种故障的数据特征值分别为振动速度有效 值、1X及2X幅值突变值。
第8种故障为喘振:n8=4,第8种故障的数据特征值分别为振动速度有效值 以及1/2、1/3、1/4X等分频幅值突变量。
第9种故障为气流激振:n9=2,第9种故障的数据特征值分别为振动速度有 效值以及1/2、1/3、1/4X等分频幅值突变量。
第10种故障为油膜涡动:n10=2,第10种故障的数据特征值分别为振动速 度有效值以及0.4~0.5X幅值突变量。
步骤3、针对离心压缩机组的每种故障,建立特征值集合,即为特征相空间, 且针对每种故障的特征相空间均建立高斯混合模型。
采用正常工况运行数据中第i种故障对应的特征相空间数据训练第i种故障 的高斯混合模型,训练后得到正常工况下第i种故障对应的特征相空间模型;计 算正常工况下第i种故障对应的特征相空间模型的分布中心与分布半径,自学习 得到第i个报警门限。
采用实时工况运行数据中第i种故障对应的特征相空间数据训练第i种故障 的高斯混合模型,训练后得到实时工况下第i种故障对应的特征相空间模型;计 算实时工况下第i种故障对应的特征相空间模型的分布中心与分布半径。
步骤4、计算正常工况下和实时工况下第i种故障对应的特征相空间模型间 的欧式距离,并判断该距离是否超过第i个报警门限,若是则报警并进入步骤5; 否则返回步骤1;
步骤5、计算故障影响力无量纲指数,其中第i种故障的故障影响力无量纲 指数为H(i);
V(i)为第i种故障劣化程度无量纲指数;
f(i,j)为实时工况运行数据中第i种故障的第j种特征值;
N(i,j)为正常工况运行数据中第i种故障的第j种特征值;
F(i,j)为对第i种故障的第j种特征值的自学习的报警门限;其中第i种故障 的报警门限是一个多维向量,向量的每个元素位置为对应特征值的报警门限。
k(i,j)为对第i种故障的第j种数据特征值的敏感性系数:
D(i)为第i种故障风险指数,为已知值;对于故障风险指数D(i),经大量故 障案例分析与验证,使用层次分析法所得的离心压缩机10种常见故障风险指数 如表1所示。
表1离心压缩机10种常见故障风险指数对照表
Amax为离心压缩机组的监测参数总数量,At为步骤2中对于第i种故障,提 取数据特征值所用到的参数数量。
步骤6、判断若第i种故障的故障影响力无量纲指数为H(i)超过设定的故障 影响阈值,则将离心压缩机组进行联锁停机,否则离心压缩机组继续运行;设 定的故障影响阈值为经验值。
本发明实施例中通过无量纲参数模型对不同故障影响进行量化,而不是单 纯的依赖人工经验,有效解决了保护不足和过保护的问题。
综上,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范 围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均 应包含在本发明的保护范围之内。
Claims (1)
1.一种离心压缩机组智能联锁保护方法,其特征在于,包括如下步骤:
步骤1、采集获得离心压缩机组正常工况运行数据和实时工况运行数据;
步骤2、针对所述离心压缩机组的I种故障,在所述正常工况运行数据和实时工况运行数据中,分别提取每种故障的特征值;其中第i种故障的特征值个数为ni,i=1~I;
其中I=10,即包括10故障,分别为:
第1种故障为掉叶片:n1=4,第1种故障的数据特征值分别为振动加速度有效值、速度有效值、1X幅值突变值以及1X相位突变值;
第2种故障为油膜振荡:n2=2,第2种故障的数据特征值分别为振动速度有效值以及0.45~0.49X幅值突变值;
第3种故障为碰摩:n3=4,第3种故障的数据特征值分别为振动速度有效值、1X及2X、3X等倍频幅值突变值;
第4种故障为质量不平衡:n4=3,第4种故障的数据特征值分别为振动速度有效值、1X幅值突变值以及1X相位突变值;
第5种故障为齿轮啮合缺陷:n5=2,第5种故障的数据特征值分别为振动加速度有效值以及齿轮啮合频率GMF值突变值;
第6种故障为联轴节精度过低或损伤:n6=4,第6种故障的数据特征值分别为振动速度有效值、以及1X、2X、3X等高倍频幅值突变值;
第7种故障为不对中:n7=3,第7种故障的数据特征值分别为振动速度有效值、1X及2X幅值突变值;
第8种故障为喘振:n8=4,第8种故障的数据特征值分别为振动速度有效值以及1/2、1/3、1/4X等分频幅值突变量;
第9种故障为气流激振:n9=4,第9种故障的数据特征值分别为振动速度有效值以及1/2、1/3、1/4X等分频幅值突变量;
第10种故障为油膜涡动:n10=2,第10种故障的数据特征值分别为振动速度有效值以及0.4~0.5X幅值突变量;
步骤3、针对所述离心压缩机组的每种故障,建立特征值集合,即为特征相空间,且针对每种故障的特征相空间均建立高斯混合模型;
采用所述正常工况运行数据中第i种故障对应的特征相空间数据训练第i种故障的高斯混合模型,训练后得到正常工况下第i种故障对应的特征相空间模型;计算正常工况下第i种故障对应的特征相空间模型的分布中心与分布半径,自学习得到第i个报警门限;
采用所述实时工况运行数据中第i种故障对应的特征相空间数据训练第i种故障的高斯混合模型,训练后得到实时工况下第i种故障对应的特征相空间模型;计算实时工况下第i种故障对应的特征相空间模型的分布中心与分布半径;
步骤4、计算正常工况下和实时工况下第i种故障对应的特征相空间模型间的欧式距离,并判断该距离是否超过所述第i个报警门限,若是则报警并进入步骤5;
否则返回步骤1;
步骤5、计算故障影响力无量纲指数,其中第i种故障的故障影响力无量纲指数为H(i);
V(i)为第i种故障劣化程度无量纲指数;
f(i,j)为实时工况运行数据中第i种故障的第j种特征值;
N(i,j)为正常工况运行数据中第i种故障的第j种特征值;
F(i,j)为对第i种故障的第j种特征值的自学习的报警门限;
k(i,j)为对第i种故障的第j种特征值的敏感性系数:
D(i)为第i种故障风险指数,为已知值;
Amax为所述离心压缩机组的监测参数总数量,At(i)为步骤2中对于第i种故障,提取特征值所用到的参数数量;
步骤6、判断若第i种故障的故障影响力无量纲指数为H(i)超过设定的故障影响阈值,则将所述离心压缩机组进行联锁停机,否则所述离心压缩机组继续运行;
所述设定的故障影响阈值为经验值;
D(1)=1;D(2)=0.97;D(3)=0.95;D(4)=0.91;D(5)=0.88;D(6)=0.87;D(7)=0.85;D(8)=0.84;D(9)=0.84;D(10)=0.83。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641185.9A CN109779938B (zh) | 2018-12-29 | 2018-12-29 | 一种离心压缩机组智能联锁保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641185.9A CN109779938B (zh) | 2018-12-29 | 2018-12-29 | 一种离心压缩机组智能联锁保护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109779938A CN109779938A (zh) | 2019-05-21 |
CN109779938B true CN109779938B (zh) | 2021-06-22 |
Family
ID=66499542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811641185.9A Active CN109779938B (zh) | 2018-12-29 | 2018-12-29 | 一种离心压缩机组智能联锁保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109779938B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112817240B (zh) * | 2020-12-30 | 2022-03-22 | 西安交通大学 | 一种基于深度强化学习算法的离心压缩机调控方法 |
CN113156899B (zh) * | 2021-03-12 | 2022-07-29 | 张家口卷烟厂有限责任公司 | 安全联锁失效预测方法以及卷包生产*** |
CN116756666B (zh) * | 2023-08-15 | 2023-11-24 | 广东石油化工学院 | 一种多源数据融合的离心式压缩机健康状态评估方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5459652A (en) * | 1977-10-19 | 1979-05-14 | Matsushita Electric Ind Co Ltd | Overload protection device of airconditioner |
CN103147972B (zh) * | 2013-03-19 | 2015-08-05 | 北京化工大学 | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 |
CN104595170B (zh) * | 2014-12-18 | 2016-08-17 | 中国矿业大学 | 一种自适应核高斯混合模型的空压机监控诊断***及方法 |
CN104866704A (zh) * | 2015-03-21 | 2015-08-26 | 北京化工大学 | 一种基于模糊综合评判的离心泵状态评估方法 |
CN104976139B (zh) * | 2015-06-08 | 2017-04-05 | 北京化工大学 | 一种基于高斯模型的机械设备状态诊断方法 |
CN106446339B (zh) * | 2016-08-29 | 2019-04-30 | 北京化工大学 | 基于狄利克雷混合模型的转动机械运行状态异常检测方法 |
-
2018
- 2018-12-29 CN CN201811641185.9A patent/CN109779938B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109779938A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109779938B (zh) | 一种离心压缩机组智能联锁保护方法 | |
US6587737B2 (en) | Method for the monitoring of a plant | |
CN105628421A (zh) | 一种水电机组分工况振摆越限监测预警方法 | |
CN105181019A (zh) | 用于旋转类机械早期故障预警分析的计算机程序产品 | |
CN116044802B (zh) | 一种矿用通风机状态故障监测诊断*** | |
CN102606464A (zh) | 一种轴流风机喘振和失速实时监测和预防方法 | |
CN109707653A (zh) | 一种天然气长输管道离心压缩机组智能监控*** | |
CN106571016B (zh) | 一种基于报警次数跳变触发机制的机械早期故障判别方法 | |
CH710181A2 (de) | Systeme und Verfahren zur Fehleranalyse. | |
CN113176081B (zh) | 一种基于历史数据的汽轮机叶片磨损监测方法 | |
CN111222247A (zh) | 一种旋转机械早期故障预警方法 | |
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN102449309A (zh) | 用于确定推进器的状况指示器的***和方法 | |
CN114252272A (zh) | 一种燃气轮机轴承散热异常的检测方法 | |
CN116735222A (zh) | 一种燃气轮机滑油滤器故障的检测方法 | |
CN109630450A (zh) | 一种天然气长输管道离心压缩机组停机保护方法 | |
CN114323664A (zh) | 一种燃气轮机燃气振动异常的检测方法 | |
CN213450795U (zh) | 一种活塞式压缩机在线实时监控*** | |
CN106640230B (zh) | 一种硝酸机组联锁控制方法 | |
CN210005244U (zh) | 齿轮箱润滑冷却***的智能故障预警***及其风电机组 | |
Tamminen et al. | Detection of mass increase in a fan impeller with a frequency converter | |
JPH02286899A (ja) | ターボ機械の旋回失速を回避するための旋回失速予知装置 | |
JPH0468275A (ja) | ターボ冷凍機のサージ検出装置 | |
CN109751513A (zh) | 一种天然气长输管道离心压缩机组智能保护*** |
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 |