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 |