CN115479636B - 一种涡轮冷却器状态监测及分析方法 - Google Patents
一种涡轮冷却器状态监测及分析方法 Download PDFInfo
- Publication number
- CN115479636B CN115479636B CN202211314966.3A CN202211314966A CN115479636B CN 115479636 B CN115479636 B CN 115479636B CN 202211314966 A CN202211314966 A CN 202211314966A CN 115479636 B CN115479636 B CN 115479636B
- Authority
- CN
- China
- Prior art keywords
- data
- processed
- turbine cooler
- turbine
- processing
- 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
Classifications
-
- 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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Turbines (AREA)
Abstract
本发明涉及涡轮冷却器技术领域,具体而言,涉及一种涡轮冷却器状态监测及分析方法。监测及分析方法包括:采集涡轮冷却器的工作数据;第一处理器对工作数据进行第一处理,得到第一处理数据;基于第一处理数据,判断涡轮冷却器的工作状态为严重异常、一般异常、正常中的一种状态;基于工作状态判断为严重异常,第一处理器对工作数据和/或第一处理数据进行第二处理,得到第二处理数据;基于第二处理数据,第一处理器分析确定涡轮冷却器的故障类型。通过判断涡轮冷却器的工作状态为严重异常后,对工作数据和/或第一处理数据进行处理分析,确定故障类型。这样就解决了涡轮冷却器状态监测和分析的难度大、成本大幅增加的问题。
Description
技术领域
本发明涉及涡轮冷却器技术领域,尤其涉及航空用涡轮冷却器技术领域,具体而言,涉及一种涡轮冷却器状态监测及分析方法。
背景技术
航空环境控制***是保证航空座舱和设备舱内乘员和设备正常工作所需的适当环境条件的整套装置。航空环境控制***包括舱室供气和空气分配、舱室压力控制、温度控制、湿度控制等。涡轮冷却器是航空环境控制***中用于制冷的核心部件,利用压缩空气在涡轮内部膨胀并驱动涡轮旋转,将压缩空气所蕴含的内能转换为机械能对外输出后产生焓降,由此获得连续的低温气流。
涡轮冷却器作为关键制冷设备,一旦出现故障将会导致严重后果,甚至影响飞行安全。由于涡轮冷却器在航空环境控制***的重要性,因此需要对涡轮冷却器的运行参数进行监测并对发生的故障进行分析。但目前仅对环控***整体性能进行监测,对涡轮冷却器本身很少进行信号采集、实时状态监测与故障诊断分析,缺乏产品的自身状态健康表征能力,且需要在航空器上设置计算能力强大的处理器才能快速、全面、准确的分析和判断。这样会导致涡轮冷却器状态监测和分析的难度大、成本大幅增加。
发明内容
为解决涡轮冷却器状态监测和分析的难度大、成本大幅增加的问题,本发明提供了一种涡轮冷却器状态监测及分析方法,包括:
所述涡轮冷却器状态监测及分析方法包括:
步骤S11,采集所述涡轮冷却器的工作数据,并存储所述工作数据;
步骤S12,第一处理器对所述工作数据进行第一处理,得到第一处理数据;基于第一处理数据,判断所述涡轮冷却器的工作状态为严重异常、一般异常、正常中的一种状态;
步骤S13,基于所述工作状态判断为所述严重异常,所述第一处理器对所述工作数据和/或所述第一处理数据进行第二处理,得到第二处理数据;
步骤S14,基于所述第二处理数据,所述第一处理器分析确定所述涡轮冷却器的故障类型,并发出预警信号和所述故障类型信息。
在一些实施例中,
所述涡轮冷却器状态监测及分析方法还包括:
步骤S15,基于所述工作状态判断为所述一般异常,所述第一处理器发出预警信号。
在一些实施例中,
所述工作数据包括转速数据;所述步骤S12还包括:
步骤S121,所述第一处理器对所述转速数据进行所述第一处理,得到所述第一处理数据,其中,所述第一处理数据包括处理后转速数据;基于所述处理后转速数据大于第一转速上限阈值或小于第一转速下限阈值,判断所述涡轮冷却器的工作状态为所述严重异常;基于所述处理后转速数据大于第二转速上限阈值且小于等于所述第一转速上限阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述处理后转速数据小于第二转速下限阈值且大于等于所述第一转速下限阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述处理后转速数据大于等于所述第二转速下限阈值且小于等于所述第二转速上限阈值,判断所述涡轮冷却器的工作状态为所述正常。
在一些实施例中,
所述工作数据还包括振动数据;所述步骤S12还包括:
步骤S122,基于所述处理后转速数据小于等于第一转速上限阈值且大于等于第一转速下限阈值,所述第一处理器对所述振动数据进行第一处理,得到所述第一处理数据,其中,所述第一处理数据包括第一处理后振动数据;基于所述第一处理后振动数据大于第一振动阈值,判断所述涡轮冷却器的工作状态为所述严重异常;基于所述第一处理后振动数据小于等于第一振动阈值且大于第二振动阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述第一处理后振动数据小于等于所述第二振动阈值,判断所述涡轮冷却器的工作状态为所述正常。
在一些实施例中,
所述工作数据还包括温度数据;所述步骤S12还包括:
步骤S123,基于所述第一处理后振动数据小于等于第一振动阈值,所述第一处理器对所述温度数据进行第一处理,得到所述第一处理数据,其中,所述第一处理数据包括处理后温度数据;基于所述处理后温度数据大于第一温度阈值,判断所述涡轮冷却器的工作状态为所述严重异常;基于所述处理后温度数据小于等于第一温度阈值且大于第二温度阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述处理后温度数据小于等于所述第二温度阈值,判断所述涡轮冷却器的工作状态为所述正常。
在一些实施例中,
所述工作数据还包括压力数据;所述步骤S12还包括:
步骤S124,基于所述处理后温度数据小于等于第一温度阈值,所述第一处理器对所述压力数据进行第一处理,得到所述第一处理数据,其中,所述第一处理数据包括处理后压力数据;基于所述处理后压力数据大于第一压力阈值,判断所述涡轮冷却器的工作状态为所述严重异常;基于所述处理后压力数据小于等于第一压力阈值且大于第二压力阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述处理后压力数据小于等于所述第二压力阈值,判断所述涡轮冷却器的工作状态为所述正常。
在一些实施例中,
所述步骤S13还包括:
步骤S131,所述第一处理器对所述振动数据和/或所述第一处理后振动数据进行第三处理,得到第三处理后振动数据;
步骤S132,将所述第三处理后振动数据和所述第一处理数据合并形成特征向量数据;
步骤S133,将所述特征向量数据进行筛选处理,得到筛选数据;
步骤S134,将所述筛选数据进行降维处理,得到所述第二处理数据。
在一些实施例中,
所述步骤S14还包括:
步骤S141,所述第一处理器将所述第二处理数据输入神经网络进行第四处理,得到第四处理数据;
步骤S142,所述第一处理器将所述第四处理数据与故障模型匹配,确定所述涡轮冷却器的故障类型。
第二方面,本发明提供一种涡轮冷却器状态监测及分析***,包括:
所述涡轮冷却器状态监测及分析方法还包括:
步骤S161,基于所述工作状态判断为所述一般异常,第二处理器对所述工作数据和/或第一处理数据进行第五处理,得到第五处理数据;
步骤S162,基于第五处理数据,所述第二处理器分析确定所述涡轮冷却器的故障类型。
在一些实施例中,
所述涡轮冷却器状态监测及分析方法还包括:
步骤S171,基于所述工作状态判断为所述一般异常或所述正常,第二处理器对所述工作数据和/或第一处理数据进行第六处理,得到第六处理数据;
步骤S172,基于第六处理数据,所述第二处理器分析确定所述涡轮冷却器的剩余寿命。
为解决涡轮冷却器状态监测和分析难度大、成本大幅增加的问题,本发明有以下优点:
1. 对涡轮冷却器采集的工作数据,进行第一处理,先判断出涡轮冷却器的工作状态。然后只对判定为严重异常工作状态的工作数据进行机上分析和处理,并诊断出故障类型。本发明构建了适用于涡轮冷却器的状态监测与故障诊断分析方法及策略,这样可以使用计算能力较低的处理器来执行,从而降低涡轮冷却器状态监测和分析的难度、成本。
2.由于机载处理器***只对严重异常工作状态进行分析和处理,实现关键故障告警并上报,无需时刻复杂信息上报,干扰使用人员信息判断,同时可以降低机载处理器***的算力占比,进而支撑其他计算服务,从而降低航空器的运行成本。
附图说明
图1示出了一种实施例的涡轮冷却器状态监测及分析方法示意图;
图2示出了另一种实施例的涡轮冷却器状态监测及分析方法示意图;
图3示出了一种实施例的涡轮冷却器结构示意图。
附图标识:
10 涡轮组件;
20 轴;
30 风扇组件;
40 风扇端轴承;
50 涡轮端轴承;
60 涡轮端进口管道;
70 涡轮端出口管道。
具体实施方式
现在将参照若干示例性实施例来论述本公开的内容。应当理解,论述了这些实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本公开的内容,而不是暗示对本公开的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。术语“另一个实施例”要被解读为“至少一个其他实施例”。
本实施例公开了一种涡轮冷却器状态监测及分析方法,如图1和图3所示,
涡轮冷却器状态监测及分析方法包括:
步骤S11,采集涡轮冷却器的工作数据,并存储工作数据;
步骤S12,第一处理器对工作数据进行第一处理,得到第一处理数据;基于第一处理数据,判断涡轮冷却器的工作状态为严重异常、一般异常、正常中的一种状态;
步骤S13,基于工作状态判断为严重异常,第一处理器对工作数据和/或第一处理数据进行第二处理,得到第二处理数据;
步骤S14,基于第二处理数据,第一处理器分析确定涡轮冷却器的故障类型,并发出预警信号和故障类型信息。
在本实施例中,如图1和图3所示,涡轮冷却器作为一种环境控制***中用于环境降温核心设备,其主要部件可以包括涡轮组件10、风扇组件30、连接涡轮和风扇的轴20、支撑轴的风扇端轴承40、支撑轴的涡轮端轴承50、涡轮端进口管道60、涡轮端出口管道70。涡轮冷却器还可以包括工作状态监测传感器,用于监测涡轮冷却器工作时的转速、振动、温度、压力等参数。通过对涡轮冷却器工作状态的监测来确保其正常运行以及其故障的判断分析。涡轮冷却器状态监测及分析方法可以包括步骤S11~步骤S14,各步骤详细说明如下:
步骤S11,通过涡轮冷却器上设置的多个不同类型的传感器,可以采集涡轮冷却器的工作数据。采集的工作数据可以包括涡轮冷却器轴转速数据、涡轮端轴承50振动数据、风扇端轴承40振动数据、涡轮端轴承50温度数据、风扇端轴承40温度数据、涡轮端出口温度数据、涡轮端出口压力数据、涡轮端进口温度数据、涡轮端进口压力数据的一种或多种组合。同时将采集的工作数据进行存储在第一处理器的存储单元中,以便后续对工作数据的分析处理。
步骤S12,涡轮冷却器上还可以设置有第一处理器。第一处理器与工作状态监测传感器通信连接。传感器采集的工作数据可以传输到第一处理器中。第一处理器可以对工作数据进行第一处理,得到可以与工作参数阈值进行比较的第一处理数据。第一处理可以包括对工作数据对齐处理、去除异常值处理、去除趋势项处理、时域分析处理、频域分析处理中的一种或多种处理方式。通过对于工作数据的对齐处理,可以使得不同采样率的工作数据之间在时间点上是同步的。这样在对多个工作数据进行分析时,可以准确的找出工作数据之间的对应关系,更能准确的判断出涡轮冷却器的工作状态。去除异常值处理和去除趋势项处理可以去除或减少工作数据中异常、漂移数据的干扰。通过将第一处理数据与工作参数的阈值进行比较,第一处理器可以判断涡轮冷却器的工作状态,其中工作状态可以包括严重异常、一般异常、正常中的一种状态。第一处理器在较小计算负荷情况下完成对工作数据的第一处理和分析比较,从而快速且准确的获得涡轮冷却器当前的工作状态,以便后续对涡轮冷却器的进一步的分析和处理,从而确保涡轮冷却器的正常工作。在另一些实施例中,如图2所示,步骤S12还可以包括步骤S121~步骤S124,具体为:
步骤S121,在监测传感器采集到涡轮冷却器轴转速数据后,第一处理器可以对轴转速数据进行时域分析处理,可以得到处理后转速数据。当处理后转速数据大于第一转速上限阈值或小于第一转速下限阈值,可以判断涡轮冷却器的工作状态为严重异常;基于处理后转速数据大于第二转速上限阈值且小于等于第一转速上限阈值,可以判断涡轮冷却器的工作状态为一般异常;基于处理后转速数据小于第二转速下限阈值且大于等于第一转速下限阈值,可以判断涡轮冷却器的工作状态为一般异常。基于处理后转速数据大于等于第二转速下限阈值且小于等于第二转速上限阈值,可以判断涡轮冷却器的工作状态为正常。由于涡轮冷却器轴的转速是最直接和直观的表现涡轮冷却器的工作状态,所以首先判断涡轮冷却器轴的转速是能快速判断涡轮冷却器工作状态的方式,有利于更好监测涡轮冷却器的工作状态。
步骤S122,当处理后转速小于等于第一转速上限阈值且大于等于第一转速下限阈值(即涡轮冷却器的工作状态为一般异常或正常)时,第一处理器还可以对工作数据中的振动数据进行时域分析处理和/或频域分析处理,得到第一处理后振动数据。这里的振动数据可以是通过涡轮冷却器上的监测传感器对涡轮端轴承振动和/或风扇端轴承振动采集获得。这里的第一处理后振动数据可以是一个数据组,然后将这个数据组的每个数据与各自的阈值进行比较。基于第一处理后振动数据大于第一振动阈值,判断涡轮冷却器的工作状态为严重异常;基于第一处理后振动数据小于等于第一振动阈值且大于第二振动阈值,判断涡轮冷却器的工作状态为一般异常;基于第一处理后振动数据小于等于第二振动阈值,判断涡轮冷却器的工作状态为正常。通过对第一处理后振动数据的分析比较,可以进一步判断出涡轮冷却器的工作情况,从而更进一步判断出涡轮冷却器的严重异常状态,防止其失效。
步骤S123,当第一处理后振动数据小于等于第一振动阈值(即涡轮冷却器通过上述判断,工作状态为一般异常或正常)时,第一处理器还可以对工作数据中的温度数据进行时域分析处理,得到第一处理数据,其中,第一处理数据包括处理后温度数据。这里的温度数据可以是通过涡轮冷却器上的监测传感器对涡轮端轴承、风扇端轴承、涡轮端出口中的一个或多个位置采集获得。这里的处理后温度数据可以是一个数据组,然后将这个数据组的每个数据与各自的阈值进行比较。基于处理后温度数据大于第一温度阈值,判断涡轮冷却器的工作状态为严重异常;基于处理后温度数据小于等于第一温度阈值且大于第二温度阈值,判断涡轮冷却器的工作状态为一般异常;基于处理后温度数据小于等于第二温度阈值,判断涡轮冷却器的工作状态为正常。这样通过对涡轮冷却器多处温度的判断可以更进一步判断出涡轮冷却器的工作状态。在还有一些实施例中,涡轮端进口的温度可以作为进一步判断涡轮端出口温度的条件。在相同工况下,涡轮端进口温度越高可能会导致涡轮端出口温度越高,用于区分是由涡轮冷却器自身故障导致的还是外部***输入导致的。这样可以通过采集涡轮端进口温度来设置涡轮端出口温度的阈值,使得对涡轮端出口温度判断更准确。
步骤S124,当处理后温度数据小于等于第一温度阈值(即涡轮冷却器通过上述判断,工作状态为一般异常或正常)时,第一处理器对压力数据进行时域分析处理,得到第一处理数据。其中,第一处理数据包括处理后压力数据。这里的压力数据可以是通过涡轮冷却器上的监测传感器对涡轮端出口采集获得。这里的处理后压力数据可以是一个数据组,然后将这个数据组的每个数据与各自的阈值进行比较。基于处理后压力数据大于第一压力阈值,判断涡轮冷却器的工作状态为严重异常;基于处理后压力数据小于等于第一压力阈值且大于第二压力阈值,判断涡轮冷却器的工作状态为一般异常;基于处理后压力数据小于等于第二压力阈值,判断涡轮冷却器的工作状态为正常。在还有一些实施例中,涡轮端进口的压力可以作为进一步判断涡轮端出口压力的条件。在相同工况下,涡轮端进口压力越高可能会导致涡轮端出口压力的越高。这样可以通过采集涡轮端进口压力来设置涡轮端出口压力的阈值,使得对涡轮端出口压力判断更准确。
步骤S13,通过对第一处理数据的分析比较后,判断当前的工作状态为严重异常。这里的严重异常表明涡轮冷却器已经或即将发生故障,从而确定涡轮冷却器有较为严重的运行风险。第一处理器可以对工作数据和/或第一处理数据进行第二处理(即更深入的处理分析),得到第二处理数据,更进一步分析和确定涡轮冷却器目前的故障类型,从而帮助使用人员和/或维修人员做出准确和及时的处理。第二处理可以包括时频分析处理和数据融合处理。在另一些实施例中,如图2所示,步骤S13还可以包括步骤S131~步骤S134,具体为:
步骤S131,第一处理器可以对振动数据和/或第一处理后振动数据进行第三处理(即时频分析处理),得到第三处理后振动数据。其中时频分析处理可以包括小波分析处理、HHT分析处理、VMD分析处理的一种或多种分析处理。在还有一些实施例中,可以先设置VMD分析处理方法输入的分解参数的初始值,其中分解参数可以包括惩罚参数、模式分量个数/>;利用设定初始分解参数的VMD分析处理方法对振动数据和/或第一处理后振动数据进行迭代分解,得到待优化的/>个目标分量;对每个目标分量求取其能量值以及峭度值;采用粒子群智能优化算法对不同惩罚参数/>,模式分量个数/>进行寻优分解,确定最优参数;基于最优分解参数对振动数据和/或第一处理后振动数据进行最优VMD分解,得到最优分解后的各目标分量,求取其能量值以及峭度值,作为最终得到第三处理后振动数据。
步骤S132,第一处理器可以将第三处理后振动数据和第一处理数据合并形成特征向量数据。第一处理数据可以包括处理后转速数据、处理后温度数据、处理后压力数据中的一种或多种组合。
步骤S133,第一处理器可以将特征向量数据进行筛选处理,得到筛选数据。这样可以将特征向量数据中的干扰数据去除,提高涡轮冷却器故障诊断的准确性。
步骤S134,第一处理器可以将筛选数据进行降维处理,得到第二处理数据。这样最终得到第二处理数据便于直接导入神经网络中快速进行分析处理。从而使的采用计算能力小的第一处理器即可完成涡轮冷却器的故障分析。
步骤S14,通过获取的第二处理数据,第一处理器可以分析并确定涡轮冷却器的故障类型。最终将确认的故障类型和预警信号发送给使用人员或维修人员,从而帮助使用人员和/或维修人员做出准确和及时的处理。在另一些实施例中,如图2所示,步骤S14还可以包括步骤S141~步骤S142,具体为:
步骤S141,第一处理器可以将第二处理数据输入神经网络进行第四处理,得到第四处理数据。这里的神经网络是通过历史数据训练得到,专门用于涡轮冷却器故障诊断定位的模型。
步骤S142,第一处理器可以将第四处理数据与故障模型匹配,确定涡轮冷却器的故障类型。从而及时准确的分析和确认出涡轮冷却器的故障类型,从而帮助使用人员和/或维修人员做出准确和及时的处理。
在一些实施例中,如图2所示,
涡轮冷却器状态监测及分析方法还包括:
步骤S15,基于工作状态判断为一般异常,第一处理器发出预警信号。
在本实施例中,如图2所示,涡轮冷却器状态监测及分析方法还可以包括步骤S15。在第一处理器判断涡轮冷却器的工作状态为一般异常时,第一处理器可以发出预警信号,提醒使用人员涡轮冷却器工作状态为一般异常,以便使用人员做出补救措施。更进一步便于涡轮冷却器在非工作状态时,提醒维修人员对其检修。
在一些实施例中,如图2所示,
涡轮冷却器状态监测及分析方法还包括:
步骤S161,基于工作状态判断为一般异常,第二处理器对工作数据和/或第一处理数据进行第五处理,得到第五处理数据;
步骤S162,基于第五处理数据,第二处理器分析确定涡轮冷却器的故障类型。
在本实施例中,如图2所示,涡轮冷却器状态监测及分析方法还可以包括步骤S161~S162。在远离涡轮冷却器工作的位置(例如在涡轮冷却器的检修中心)可以设置第二处理器。第一处理器和第二处理器是分离并独立设置。第二处理器可以与第一处理器信号连通。这里的信号连通可以是无线信号连通,也可以是可拆卸的有线信号连通。第二处理器还可以与第一处理器无直接的信号连通,第二处理器通过其他可移动存储介质来获取需要处理的数据。步骤S161,第一处理器可以将获得的工作数据和/或第一处理数据传输给第二处理器。这里的第二处理器可以比第一处理器有更强大的计算能力。这样可以对涡轮冷却器一般异常状态也进行故障分析和确定。为了降低第二处理器的成本,第二处理器可以比第一处理器有更大的体积和更大的重量。当第一处理器判断涡轮冷却器的工作状态为一般异常后,第二处理器可以对工作数据和/或第一处理数据进行第五处理,最终得到第五处理数据。这里的第五处理可以包括第一处理包括的处理方法、第二处理包括的处理方法中的一种或多种处理方法的组合。关于具体数据处理过程与之前数据处理过程类似,在此不详细说明。由于涡轮冷却器为一般异常时的数据量远大于严重异常时的数据量,通过将数据量小的严重异常在涡轮冷却器工作时进行分析判断,可以及时反馈影响涡轮冷却器正常工作的严重故障;通过将数据量大的一般异常状态下载至第二处理器进行分析判断,可以全面的分析和确定影响涡轮冷却器正常工作的所有故障。
步骤S162,第二处理器可以将第五处理数据输入神经网络进行第七处理,得到第七处理数据。这里的神经网络是通过历史数据训练得到,专门用于涡轮冷却器故障确认的模型;第二处理器再可以将第七处理数据与故障模型匹配,确定涡轮冷却器的故障类型。从而及时准确的分析和确认出涡轮冷却器的故障类型,从而帮助使用人员和/或维修人员做出准确和及时的处理。
在一些实施例中,如图2所示,
涡轮冷却器状态监测及分析方法还包括:
步骤S171,基于工作状态判断为一般异常或正常,第二处理器对工作数据和/或第一处理数据进行第六处理,得到第六处理数据;
步骤S172,基于第六处理数据,第二处理器分析确定涡轮冷却器的剩余寿命。
在本实施例中,如图2所示,步骤S171,当第一处理器判断涡轮冷却器的工作状态为一般异常或正常后,第二处理器可以对工作数据和/或第一处理数据进行第六处理,最终得到第六处理数据。第六处理可以包括对工作数据和/或第一处理数据进行故障退化趋势特征提取的处理方法。第六处理数据可以包括各种采集参数的故障退化趋势特征。步骤S172,第二处理器可以将第六处理数据输入深度神经网络中,从而预估出涡轮冷却器的剩余寿命。这样可以便于管理人员对涡轮冷却器备件的准备,以及后期检修计划的制定和安排。
本领域的普通技术人员可以理解,上述各实施方式是实现本公开的具体案例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本公开的精神和范围。
Claims (6)
1.一种涡轮冷却器状态监测及分析方法,其特征在于,
所述涡轮冷却器状态监测及分析方法包括:
步骤S11,采集所述涡轮冷却器的工作数据,并存储所述工作数据;其中,所述工作数据包括所述涡轮冷却器的转速数据、所述涡轮冷却器的振动数据、所述涡轮冷却器的温度数据、所述涡轮冷却器的压力数据;
步骤S12,第一处理器对所述工作数据进行第一处理,得到第一处理数据;其中,所述第一处理数据包括处理后转速数据、第一处理后振动数据、处理后温度数据、处理后压力数据;基于第一处理数据,判断所述涡轮冷却器的工作状态为严重异常、一般异常、正常中的一种状态;
其中,所述步骤S12包括步骤S121至步骤S124;
步骤S121,所述第一处理器对所述转速数据进行所述第一处理,得到所述第一处理数据,其中,所述第一处理数据包括处理后转速数据;基于所述处理后转速数据大于第一转速上限阈值或小于第一转速下限阈值,判断所述涡轮冷却器的工作状态为所述严重异常;基于所述处理后转速数据大于第二转速上限阈值且小于等于所述第一转速上限阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述处理后转速数据小于第二转速下限阈值且大于等于所述第一转速下限阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述处理后转速数据大于等于所述第二转速下限阈值且小于等于所述第二转速上限阈值,判断所述涡轮冷却器的工作状态为所述正常;
步骤S122,基于所述处理后转速数据小于等于第一转速上限阈值且大于等于第一转速下限阈值,所述第一处理器对所述振动数据进行第一处理,得到所述第一处理数据,其中,所述第一处理数据包括第一处理后振动数据;基于所述第一处理后振动数据大于第一振动阈值,判断所述涡轮冷却器的工作状态为所述严重异常;基于所述第一处理后振动数据小于等于第一振动阈值且大于第二振动阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述第一处理后振动数据小于等于所述第二振动阈值,判断所述涡轮冷却器的工作状态为所述正常;
步骤S123,基于所述第一处理后振动数据小于等于第一振动阈值,所述第一处理器对所述温度数据进行第一处理,得到所述第一处理数据,其中,所述第一处理数据包括处理后温度数据;基于所述处理后温度数据大于第一温度阈值,判断所述涡轮冷却器的工作状态为所述严重异常;基于所述处理后温度数据小于等于第一温度阈值且大于第二温度阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述处理后温度数据小于等于所述第二温度阈值,判断所述涡轮冷却器的工作状态为所述正常;
步骤S124,基于所述处理后温度数据小于等于第一温度阈值,所述第一处理器对所述压力数据进行第一处理,得到所述第一处理数据,其中,所述第一处理数据包括处理后压力数据;基于所述处理后压力数据大于第一压力阈值,判断所述涡轮冷却器的工作状态为所述严重异常;基于所述处理后压力数据小于等于第一压力阈值且大于第二压力阈值,判断所述涡轮冷却器的工作状态为所述一般异常;基于所述处理后压力数据小于等于所述第二压力阈值,判断所述涡轮冷却器的工作状态为所述正常;
步骤S13,基于所述工作状态判断为所述严重异常,所述第一处理器对所述工作数据和/或所述第一处理数据进行第二处理,得到第二处理数据;
步骤S14,基于所述第二处理数据,所述第一处理器分析确定所述涡轮冷却器的故障类型,并发出预警信号和所述故障类型信息。
2.根据权利要求1所述的一种涡轮冷却器状态监测及分析方法,其特征在于,
所述涡轮冷却器状态监测及分析方法还包括:
步骤S15,基于所述工作状态判断为所述一般异常,所述第一处理器发出预警信号。
3.根据权利要求1所述的一种涡轮冷却器状态监测及分析方法,其特征在于,
所述步骤S13还包括:
步骤S131,所述第一处理器对所述振动数据和/或所述第一处理后振动数据进行第三处理,得到第三处理后振动数据;
步骤S132,将所述第三处理后振动数据和所述第一处理数据合并形成特征向量数据;
步骤S133,将所述特征向量数据进行筛选处理,得到筛选数据;
步骤S134,将所述筛选数据进行降维处理,得到所述第二处理数据。
4.根据权利要求3所述的一种涡轮冷却器状态监测及分析方法,其特征在于,
所述步骤S14还包括:
步骤S141,所述第一处理器将所述第二处理数据输入神经网络进行第四处理,得到第四处理数据;
步骤S142,所述第一处理器将所述第四处理数据与故障模型匹配,确定所述涡轮冷却器的故障类型。
5.根据权利要求1或2所述的一种涡轮冷却器状态监测及分析方法,其特征在于,
所述涡轮冷却器状态监测及分析方法还包括:
步骤S161,基于所述工作状态判断为所述一般异常,第二处理器对所述工作数据和/或所述第一处理数据进行第五处理,得到第五处理数据;
步骤S162,基于第五处理数据,所述第二处理器分析确定所述涡轮冷却器的故障类型。
6.根据权利要求1或2所述的一种涡轮冷却器状态监测及分析方法,其特征在于,
所述涡轮冷却器状态监测及分析方法还包括:
步骤S171,基于所述工作状态判断为所述一般异常或所述正常,第二处理器对所述工作数据和/或所述第一处理数据进行第六处理,得到第六处理数据;
步骤S172,基于所述第六处理数据,所述第二处理器分析确定所述涡轮冷却器的剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314966.3A CN115479636B (zh) | 2022-10-26 | 2022-10-26 | 一种涡轮冷却器状态监测及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211314966.3A CN115479636B (zh) | 2022-10-26 | 2022-10-26 | 一种涡轮冷却器状态监测及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115479636A CN115479636A (zh) | 2022-12-16 |
CN115479636B true CN115479636B (zh) | 2023-10-03 |
Family
ID=84396650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211314966.3A Active CN115479636B (zh) | 2022-10-26 | 2022-10-26 | 一种涡轮冷却器状态监测及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115479636B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121967A (zh) * | 2010-11-20 | 2011-07-13 | 太原理工大学 | 一种三相旋转机电设备运行状态实时预测诊断器 |
CN102182671A (zh) * | 2011-05-26 | 2011-09-14 | 江苏中能硅业科技发展有限公司 | 一种气体压缩机的状态分析监测***及方法 |
CN104535323A (zh) * | 2015-01-12 | 2015-04-22 | 石家庄铁道大学 | 一种基于角域-时域-频域的机车轮对轴承故障诊断方法 |
CN108169559A (zh) * | 2016-12-07 | 2018-06-15 | 海南金海浆纸业有限公司 | 一种电机定子电流谱分析设备异常的判断方法 |
CN109187038A (zh) * | 2018-08-06 | 2019-01-11 | 大连理工大学 | 一种仿真获得船舶柴油机故障数据的方法 |
CN110131193A (zh) * | 2018-02-02 | 2019-08-16 | 中国航发商用航空发动机有限责任公司 | 航空发动机喘振故障监测方法和*** |
CN110686830A (zh) * | 2019-10-23 | 2020-01-14 | 中船动力有限公司 | 在线柴油机活塞环状态检测方法 |
CN111504385A (zh) * | 2020-05-13 | 2020-08-07 | 兰州工业学院 | 一种适用于机械设备异常状态多参数监测装置及方法 |
CN111583590A (zh) * | 2020-04-08 | 2020-08-25 | 中铁建电气化局集团第一工程有限公司 | 一种建筑内设备故障监测预警*** |
CN112834124A (zh) * | 2021-01-11 | 2021-05-25 | 潍柴动力股份有限公司 | 一种egr冷却器内漏判定方法及相关装置 |
CN113091815A (zh) * | 2021-04-02 | 2021-07-09 | 北京中车赛德铁道电气科技有限公司 | 受电弓运行状态监测控制*** |
CN113295263A (zh) * | 2021-05-19 | 2021-08-24 | 二重(德阳)重型装备有限公司 | 自发电振动监测与报警装置 |
CN114444382A (zh) * | 2021-12-09 | 2022-05-06 | 中广核(北京)新能源科技有限公司 | 基于机器学习算法的风电机组齿轮箱故障诊断分析方法 |
CN114526160A (zh) * | 2020-11-23 | 2022-05-24 | 通用电气公司 | 用于燃气涡轮发动机的阻尼器的阻尼器状况监测 |
CN114676782A (zh) * | 2022-03-30 | 2022-06-28 | 山东大学 | 一种基于高频时序数据的车辆故障预警方法及*** |
CN114738132A (zh) * | 2022-04-07 | 2022-07-12 | 上海船舶运输科学研究所有限公司 | 基于实船数据的增压器转速传感器故障诊断方法及*** |
CN114755038A (zh) * | 2022-04-02 | 2022-07-15 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种具备实时数据库的涡轮冷却器故障诊断装置及方法 |
CN114781547A (zh) * | 2022-05-17 | 2022-07-22 | 北京华科合创科技发展有限公司 | 一种化工设备状态监测与故障诊断方法及*** |
CN114969645A (zh) * | 2022-05-24 | 2022-08-30 | 中国航空发动机研究院 | 一种基于统计分布模型的航空发动机状态监测评估方法 |
CN115130559A (zh) * | 2022-06-06 | 2022-09-30 | 中国船舶集团有限公司***工程研究院 | 船用燃气轮机起动过程监测及状态评估方法、***及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10643187B2 (en) * | 2017-06-09 | 2020-05-05 | Kidde Technologies, Inc. | Reporting and prioritizing faults for aircraft downtime reduction |
-
2022
- 2022-10-26 CN CN202211314966.3A patent/CN115479636B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121967A (zh) * | 2010-11-20 | 2011-07-13 | 太原理工大学 | 一种三相旋转机电设备运行状态实时预测诊断器 |
CN102182671A (zh) * | 2011-05-26 | 2011-09-14 | 江苏中能硅业科技发展有限公司 | 一种气体压缩机的状态分析监测***及方法 |
CN104535323A (zh) * | 2015-01-12 | 2015-04-22 | 石家庄铁道大学 | 一种基于角域-时域-频域的机车轮对轴承故障诊断方法 |
CN108169559A (zh) * | 2016-12-07 | 2018-06-15 | 海南金海浆纸业有限公司 | 一种电机定子电流谱分析设备异常的判断方法 |
CN110131193A (zh) * | 2018-02-02 | 2019-08-16 | 中国航发商用航空发动机有限责任公司 | 航空发动机喘振故障监测方法和*** |
CN109187038A (zh) * | 2018-08-06 | 2019-01-11 | 大连理工大学 | 一种仿真获得船舶柴油机故障数据的方法 |
CN110686830A (zh) * | 2019-10-23 | 2020-01-14 | 中船动力有限公司 | 在线柴油机活塞环状态检测方法 |
CN111583590A (zh) * | 2020-04-08 | 2020-08-25 | 中铁建电气化局集团第一工程有限公司 | 一种建筑内设备故障监测预警*** |
CN111504385A (zh) * | 2020-05-13 | 2020-08-07 | 兰州工业学院 | 一种适用于机械设备异常状态多参数监测装置及方法 |
CN114526160A (zh) * | 2020-11-23 | 2022-05-24 | 通用电气公司 | 用于燃气涡轮发动机的阻尼器的阻尼器状况监测 |
CN112834124A (zh) * | 2021-01-11 | 2021-05-25 | 潍柴动力股份有限公司 | 一种egr冷却器内漏判定方法及相关装置 |
CN113091815A (zh) * | 2021-04-02 | 2021-07-09 | 北京中车赛德铁道电气科技有限公司 | 受电弓运行状态监测控制*** |
CN113295263A (zh) * | 2021-05-19 | 2021-08-24 | 二重(德阳)重型装备有限公司 | 自发电振动监测与报警装置 |
CN114444382A (zh) * | 2021-12-09 | 2022-05-06 | 中广核(北京)新能源科技有限公司 | 基于机器学习算法的风电机组齿轮箱故障诊断分析方法 |
CN114676782A (zh) * | 2022-03-30 | 2022-06-28 | 山东大学 | 一种基于高频时序数据的车辆故障预警方法及*** |
CN114755038A (zh) * | 2022-04-02 | 2022-07-15 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种具备实时数据库的涡轮冷却器故障诊断装置及方法 |
CN114738132A (zh) * | 2022-04-07 | 2022-07-12 | 上海船舶运输科学研究所有限公司 | 基于实船数据的增压器转速传感器故障诊断方法及*** |
CN114781547A (zh) * | 2022-05-17 | 2022-07-22 | 北京华科合创科技发展有限公司 | 一种化工设备状态监测与故障诊断方法及*** |
CN114969645A (zh) * | 2022-05-24 | 2022-08-30 | 中国航空发动机研究院 | 一种基于统计分布模型的航空发动机状态监测评估方法 |
CN115130559A (zh) * | 2022-06-06 | 2022-09-30 | 中国船舶集团有限公司***工程研究院 | 船用燃气轮机起动过程监测及状态评估方法、***及终端 |
Non-Patent Citations (4)
Title |
---|
EMD-AR和GRNN算法下的航空液压泵多模态故障诊断分析;郭文军 等;液压与气动;第46卷(第6期);全文 * |
基于小波包分解GA-BP算法的液压泵故障诊断技术研究;郭自来 等;第五届中国航空科学技术大会论文集;全文 * |
机械故障诊断中信号处理工具箱的开发及应用;张栋栋;董艺;姜海东;高琳;吕亚男;;中国高新科技(第19期);全文 * |
空气循环制冷设备状态监测与故障诊断***设计;谭卫娟;刘宝霞;宋兆华;;沈阳航空工业学院学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115479636A (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3126243B1 (en) | System and method for improved drive system diagnostics | |
US10239640B2 (en) | Predictive aircraft maintenance systems and methods incorporating classifier ensembles | |
US10837866B2 (en) | Self-learning malfunction monitoring and early warning system | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
CN212047237U (zh) | 一种基于新能源汽车控制***的电子检测维修*** | |
EP2775457A1 (en) | Electrical power health monitoring system | |
CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
US20120330499A1 (en) | Acoustic diagnostic of fielded turbine engines | |
CN107807628B (zh) | 民用飞机空调***热交换器性能退化评估方法 | |
JP2016173358A (ja) | 部品を評価する方法 | |
CN113063611B (zh) | 一种设备的监控管理方法及其*** | |
EP3719602A1 (en) | Pattern classification system with smart data collection for environmental control system fault isolation | |
GB2450241A (en) | Bayesian probability analysis for health monitoring and failure prediction of complex systems | |
CN104737029A (zh) | 用于监视具有周期性行为的电性连接***的***及方法 | |
KR102073810B1 (ko) | 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN115479636B (zh) | 一种涡轮冷却器状态监测及分析方法 | |
JP3568939B2 (ja) | 回転機械の軸振動解析による状態診断方法及び装置 | |
CN115573894B (zh) | 一种燃油泵状态监测及分析方法 | |
CN110057587A (zh) | 一种核电用泵轴承智能故障诊断方法及*** | |
JP2004352071A (ja) | 航空機用エンジンの機上トラブル対処装置 | |
CN214201721U (zh) | 一种直升机电源***故障定位设备 | |
CN212550002U (zh) | 一种磨煤机运行状态监测*** | |
CN115391083B (zh) | 一种机载机电设备健康管理方法及*** | |
Bechhoefer et al. | Mechanical Diagnostics System Engineering in IMD HUMS |
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 |