基于状态监测的机械设备剩余寿命预测系统_成明利

合集下载

基于状态监测的设备寿命预测与预防维护规划研究进展_孟光

基于状态监测的设备寿命预测与预防维护规划研究进展_孟光
[2 ]
2
振 动 与 冲 击
2011 年第 30 卷
[8 ]
结、 分类和简单的比较, 进而探讨一些必要的、 有价值 的研究方向。
Li 等 实测的损伤尺寸。 在后续的工作中, 损伤扩展模型推广到随机损伤扩展模型 。
将确定性
1
基于状态监测的寿命预测方法
基于状态监测的设备寿命预测, 具体而言, 是在设
Glodez 等[9]提出了一个齿轮寿命的确定性计算模 该模型以应变 - 寿命方法计算裂纹萌生所需的应 型, 力循环数, 以 Paris 方程模拟裂纹扩展过程, 以位移相 最后 关法计算应力强度因子与裂纹长度的函数关系, 估计齿轮的寿命。 Qiu 等 提出了 基于振动响应分析和损伤力学, 10]中, 一个基于刚度的轴承系统预测模型。 在文献[ 轴承系统作为单自由度振动系统, 因此其固有频率和 加速度幅值可与系统刚度相关联。 另一方面, 通过损 伤力学, 可将失效时间, 服役时间和刚度 变 化 联 系 起 来。这样, 一个轴承系统的固有频率和加速度幅值便 可与失效时间和服役时间联系起来。 因此, 可以通过 振动测量在线预测轴承系统的失效时间 。 Oppenheimer 和 Loparo[11] 提出了一个基于物理的 转轴裂纹诊断与预测方法, 该方法包括监测器和寿命 模型。假设可由实测信号计算轴端速度和轴端力, 根 据转轴的动力学模型, 监测器可估计裂纹的长度。 而 寿命模型基于线弹性断裂力学 Forman 裂纹增长原 后, 理计算转轴的剩余寿命。 Wang 提出了在线 基于简化的齿轮动力学方程, 估计、 更新齿轮啮合刚度、 啮合系数的方法。 而后, 根 据齿轮啮合刚度和啮合系数的变化就可判断齿轮的健 12] 并预测其剩余寿命。不过, 文献[ 指出仍需 康状态, 要一个裂纹扩展模型来预测齿轮的剩余寿命 。 Orsagh 等[13] 讨论了 针对飞机发动机的油湿部件, 信息融合框架, 融合方法等一系列有关故障诊断和预 13] 测的概念。文献[ 中以轴承为例讨论了轴承接触失 效情况下的寿命预测方法, 在碎裂 ( spall ) 萌生前使用 YuHarris 模型, 在碎裂萌生后则使用碎裂扩展模型。 13] Harris 模型和碎裂扩展 同时, 文献[ 也讨论了将 Yu模型随机化的方法, 该方法考虑了载荷、 不对中、 润滑 和制造过程中的不确定因素。 Chelidze 和 Cusumano 等[14 - 16] 将失效过程视为分 级动态系统, 其中损伤扩展的过程远慢于可观测的系 统动态特性, 并假设快速的、 可观测的系统动态特性由 某常微分方程控制, 但并不需要知道该方程的具体模 型。另一方面, 若需进行寿命预测, 则需要知道损伤扩 17 ] 。文 展的数学模型。这方面类似的研究还有文献[ [ 17 ] [ 14 - 16 ] , 献 可视为对文献 的进一步扩展 将状态 监测数据与具体的物理模型结合以提高寿命预测的精 确度。 以 H - 60 直升机中级齿轮箱的主动齿轮为例, 文 18] 献[ 将疲劳失效分为裂纹形成与裂纹扩展阶段 。 在 裂纹形成阶段, 用 Neuber 原理估计裂纹萌生的循环数; 在裂纹扩展阶段, 则使用 Paris 公式计算裂纹扩展至失

《基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统》

《基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统》

《基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统》篇一一、引言随着工业自动化和智能化的快速发展,采煤机作为煤炭开采的核心设备,其运行状态和设备维护对于提高生产效率和保障安全生产具有重要意义。

其中,摇臂作为采煤机的关键零部件,其剩余寿命的准确预测对设备维护和管理具有重要意义。

然而,由于采煤机运行环境的复杂性和设备运行状态的动态性,传统的方法在预测零部件剩余寿命时存在较大误差。

因此,本文提出了一种基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统,以提高预测精度和可靠性。

二、系统架构本系统采用深度学习技术,通过采集采煤机摇臂的运行数据,对数据进行预处理、特征提取和模型训练等操作,最终实现剩余寿命的预测。

系统架构主要包括数据采集层、数据处理层、模型训练层和预测输出层。

1. 数据采集层:通过传感器等设备实时采集采煤机摇臂的运行数据,包括温度、压力、振动等信号。

2. 数据处理层:对采集到的原始数据进行预处理,包括数据清洗、降噪、归一化等操作,以便后续的特征提取和模型训练。

3. 模型训练层:采用深度学习算法对处理后的数据进行特征提取和模型训练,建立摇臂关键零部件的剩余寿命预测模型。

4. 预测输出层:根据训练好的模型对采煤机摇臂关键零部件的剩余寿命进行预测,并将预测结果输出给用户。

三、深度学习算法本系统采用循环神经网络(RNN)和长短期记忆网络(LSTM)等深度学习算法进行特征提取和模型训练。

这些算法能够处理具有时间序列特性的数据,适用于采煤机摇臂运行数据的处理和预测。

其中,LSTM算法能够有效地解决RNN在处理长序列时的梯度消失和梯度爆炸等问题,提高了模型的预测精度和稳定性。

四、系统实现本系统的实现主要包括数据采集、数据处理、模型训练和预测输出四个步骤。

1. 数据采集:通过传感器等设备实时采集采煤机摇臂的运行数据,包括温度、压力、振动等信号。

2. 数据处理:对采集到的原始数据进行预处理,包括数据清洗、降噪、归一化等操作,以便后续的特征提取和模型训练。

一种航空发动机剩余使用寿命预测方法、系统及电子设备[发明专利]

一种航空发动机剩余使用寿命预测方法、系统及电子设备[发明专利]

专利名称:一种航空发动机剩余使用寿命预测方法、系统及电子设备
专利类型:发明专利
发明人:王建敏,马云云,李璐,王瑞雪,王金波,周珊
申请号:CN202011495583.1
申请日:20201217
公开号:CN112560347A
公开日:
20210326
专利内容由知识产权出版社提供
摘要:本发明涉及一种航空发动机剩余使用寿命预测方法、系统及电子设备,将根据三个使用寿命预设模型得到出的第一剩余使用寿命预测值、第二剩余使用寿命预测值和第三剩余使用寿命预测值进行置信度计算,将最大置信度对应的剩余使用寿命预测值确定为待预测航空发动机在所述当前时刻对应的工况下的剩余使用寿命,提高了预测准确性,在提高预测准确性的前提下,制定相应的维修及备件计划,进一步减少维修费用的投入即降低航空发动机的维修保障费用,保证飞机的运行安全,而且,只需要从待预测航空发动机的所有监测数据中获取所有预设关键部件当前时刻的参数就能完成预测,效率高。

申请人:中国科学院空间应用工程与技术中心
地址:100094 北京市海淀区邓庄南路九号
国籍:CN
代理机构:北京轻创知识产权代理有限公司
代理人:徐琪琦
更多信息请下载全文后查看。

基于相似性的机械设备剩余使用寿命预测方法

基于相似性的机械设备剩余使用寿命预测方法

基于相似性的机械设备剩余使用寿命预测方法武斌;李璐;宋建成;曲兵妮;李宏伟;杨健康【期刊名称】《工矿自动化》【年(卷),期】2016(042)006【摘要】针对复杂机械设备剩余使用寿命难以预测的问题,提出了基于相似性的机械设备剩余使用寿命预测方法.基于相关性分析设计了特征量选取方案,通过计算预测数据与样本数据对应特征量的相似程度确定参考剩余使用寿命与权重,再计算参考剩余使用寿命的加权和,得到剩余使用寿命.实验结果表明,该方法能有效提取出可准确反映轴承剩余使用寿命变化趋势的特征量,且能有效地预测轴承剩余使用寿命,准确率高达81.8%,为相关设备的寿命管理提供了科学依据.【总页数】5页(P52-56)【作者】武斌;李璐;宋建成;曲兵妮;李宏伟;杨健康【作者单位】太原理工大学煤矿电气设备与智能控制山西省重点实验室,山西太原030024;太原理工大学煤矿电气设备与智能控制山西省重点实验室,山西太原030024;太原理工大学煤矿电气设备与智能控制山西省重点实验室,山西太原030024;太原理工大学煤矿电气设备与智能控制山西省重点实验室,山西太原030024;太原理工大学煤矿电气设备与智能控制山西省重点实验室,山西太原030024;山西晋城无烟煤矿业集团有限责任公司,山西晋城048006【正文语种】中文【中图分类】TD41/45【相关文献】1.基于退化曲线相似性的剩余使用寿命估计方法 [J], 李劲松;张惠娟;杨忠;李小明;张辉斌2.基于多指标相似性的T/R组件剩余寿命融合预测方法 [J], 侯晓东;杨江平;邓斌;夏亮;王挺;朱新权3.基于迁移学习的轴承剩余使用寿命预测方法 [J], 王新刚;韩凯忠;王超;李林4.基于改进CNN-LSTM的剩余使用寿命预测方法 [J], 郭旭东;宋浏阳;王华庆;徐福健;董作一5.基于SKF-KF-Bayes的滚动轴承剩余使用寿命预测方法 [J], 许艳雷;邱明;李军星;刘璐;牛凯岑因版权原因,仅展示原文概要,查看原文内容请购买。

一种机械系统剩余寿命预测方法及系统[发明专利]

一种机械系统剩余寿命预测方法及系统[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910230891.2(22)申请日 2019.03.26(71)申请人 哈工大机器人(合肥)国际创新研究院地址 236000 安徽省合肥市经济技术开发区翠微路6号海恒大厦6012室(72)发明人 徐国 徐斌 李文兴 于振中 苏丹 叶俊成 江瀚澄 张新选 (74)专利代理机构 合肥市浩智运专利代理事务所(普通合伙) 34124代理人 张景云(51)Int.Cl.G06Q 10/04(2012.01)G06K 9/62(2006.01)G06Q 10/06(2012.01)(54)发明名称一种机械系统剩余寿命预测方法及系统(57)摘要本发明提供一种机械系统剩余寿命预测方法,机械系统包括多个相同型号规格的设备;其特征在于:包括先将待预测机械系统分成建模用设备和待预测设备,并分别对建模用设备和待预测设备进行数据采集,分别形成训练数据和预测数据;通过训练数据建立系统退化模型,得到拟合参数和健康指示量阈值;将预测数据融合为健康指示量时间序列;根据拟合参数和健康指示量阈值,通过健康指示量时间序列预测剩余寿命。

本发明的优点在于:该方法根据设备选择传感器类型,在数据融合、退化建模阶段可使用不同算法或模型,具有较强通用性;预测结果较准确,能有效应用于预测性维护,降低维护成本,提高设备可用性。

权利要求书2页 说明书6页 附图3页CN 109948860 A 2019.06.28C N 109948860A1.一种机械系统剩余寿命预测方法,机械系统包括多个相同型号规格的设备;其特征在于:包括先将待预测机械系统分成建模用设备和待预测设备,并分别对建模用设备和待预测设备进行数据采集,分别形成训练数据和预测数据;通过训练数据建立系统退化模型,得到拟合参数和健康指示量阈值;将预测数据融合得到健康指示量时间序列;根据拟合参数和健康指示量阈值,通过健康指示量时间序列预测剩余寿命。

一种多工况动态基准化的机械设备剩余寿命预测方法[发明专利]

一种多工况动态基准化的机械设备剩余寿命预测方法[发明专利]

专利名称:一种多工况动态基准化的机械设备剩余寿命预测方法
专利类型:发明专利
发明人:雷亚国,韩天宇,李乃鹏,王彪
申请号:CN201810922586.5
申请日:20180814
公开号:CN109212966A
公开日:
20190115
专利内容由知识产权出版社提供
摘要:一种多工况动态基准化的机械设备剩余寿命预测方法,首先建立包括状态转移方程和观测方程的机械设备退化状态空间模型,其次对模型的未知参数和信号变换参数进行估计,基于训练样本失效时间数据,利用极大似然估计法估计状态转移方程的参数,通过线性插值估计将不同运行工况下的监测信号变换至基准工况监测信号的变换参数,并使用变换后的信号估计观测方程的参数,然后对不同工况下测试样本的监测信号进行动态基准化,利用粒子滤波算法估计测试样本的状态值,最后计算测试样本剩余使用寿命概率密度函数的解析解;本发明能够在剩余寿命预测的过程中实时动态地将多工况下的监测信号基准化,有利于提高机械设备剩余寿命预测的精度。

申请人:西安交通大学
地址:710049 陕西省西安市碑林区咸宁西路28号
国籍:CN
代理机构:西安智大知识产权代理事务所
代理人:贺建斌
更多信息请下载全文后查看。

《基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统》

《基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统》

《基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统》篇一一、引言随着科技的不断进步,煤矿行业对采煤设备的运行效率和寿命预测的精确性提出了更高的要求。

特别是对于采煤机摇臂关键零部件的剩余寿命预测,其准确性直接关系到煤矿生产的安全与效率。

本文旨在介绍一种基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统,以提高煤矿生产的安全性和效率。

二、系统概述本系统通过深度学习技术,对采煤机摇臂关键零部件的运行状态进行实时监测和数据分析,从而预测其剩余寿命。

系统主要由数据采集模块、数据处理模块、深度学习模型模块和预测结果输出模块组成。

三、数据采集与处理数据采集模块负责实时收集采煤机摇臂关键零部件的运行数据,包括振动信号、温度信号、压力信号等。

这些数据将通过传感器进行实时传输,并存储在本地数据库中。

数据处理模块将对收集到的数据进行清洗、预处理和特征提取,以供深度学习模型使用。

四、深度学习模型构建深度学习模型是本系统的核心部分,它通过学习大量历史数据,建立零部件运行状态与剩余寿命之间的非线性关系模型。

本系统采用卷积神经网络(CNN)和长短期记忆网络(LSTM)的组合模型,以捕捉时间序列数据中的时空依赖性。

通过优化模型结构和参数,提高预测精度和泛化能力。

五、剩余寿命预测基于深度学习模型的预测结果,本系统可以对采煤机摇臂关键零部件的剩余寿命进行预测。

通过分析历史数据和实际运行状态,结合专家知识和经验,制定合理的维修计划和预防措施,以保障煤矿生产的安全性和效率。

六、系统实施与应用本系统已在多个煤矿企业进行了实施与应用,取得了显著的成效。

通过实时监测和数据分析,提高了采煤机摇臂关键零部件的维护效率,降低了故障率,延长了设备的使用寿命。

同时,本系统还可以为煤矿企业提供决策支持,帮助企业实现智能化管理和优化生产流程。

七、结论基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统,通过实时监测和数据分析,提高了预测精度和可靠性。

本系统具有较高的实用性和推广价值,可以为煤矿企业提供有效的技术支持和管理手段,推动煤矿行业的智能化和可持续发展。

煤炭洗选厂设备故障诊断与预测维护考核试卷

煤炭洗选厂设备故障诊断与预测维护考核试卷
煤炭洗选厂设备故障诊断与预测维护考核试卷
考生姓名:__________答题日期:__________得分:__________判卷人:__________
一、单项选择题(本题共20小题,每小题1分,共20分,在每小题给出的四个选项中,只有一项是符合题目要求的)
1.煤炭洗选厂设备中,下列哪一项不属于常规振动监测的参数?()
C.神经网络
D.流程图
7.在进行煤炭洗选厂设备的故障诊断时,以下哪些信息是有用的?()
A.设备的操作手册
B.设备的维护记录
C.设备的操作条件
D.设备的采购成本
8.以下哪些是预测性维护策略的优点?()
A.降低维护成本
B.减少意外停机
C.提高设备可靠性
D.消除所有维护风险
9.煤炭洗选厂设备故障诊断中,以下哪些方法属于模型驱动方法?()
C.操作环境数据
D.市场需求变化
4.以下哪些因素可能导致煤炭洗选厂设备故障?()
A.材料磨损
B.电负荷过大
C.外部环境变化
D.操作不当
5.在煤炭洗选厂,哪些设备可能需要实施振动分析?()
A.粉碎机
B.输送带
C.筛分机
D.仓库货架
6.以下哪些技术可以用于煤炭洗选厂设备的故障预测?()
A.机器学习
B.模糊逻辑
A.时域分析比频域分析更为直观
B.频域分析不能反映信号的时变特性
C.时域分析可用于所有类型的信号分析
D.频域分析只能应用于稳态信号
12.下列哪种故障诊断技术是基于模型的方法?()
A.专家系统
B.人工神经网络
C.模糊逻辑
D.状态空间模型
13.在煤炭洗选厂,哪种故障通常会导致设备产生明显的温度变化?()

《基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统》

《基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统》

《基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统》篇一一、引言采煤业是我国的重要工业领域,其高效、安全的运作对于国家的能源供应具有重要意义。

在采煤过程中,采煤机摇臂的关健零部件是保证采煤效率及安全性的重要因素。

随着科技的进步,预测这些关键零部件的剩余寿命,成为了提升采煤效率、减少故障率及维护成本的关键。

本文将介绍一种基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统,该系统能有效地进行设备健康管理和预测维护。

二、系统架构该系统主要分为四个部分:数据采集、数据处理、模型训练和预测输出。

1. 数据采集:系统通过安装在采煤机摇臂上的传感器,实时收集关键零部件的运行数据,包括振动、温度、压力等。

2. 数据处理:收集到的原始数据经过清洗、整理和标准化处理,以供模型使用。

3. 模型训练:利用深度学习算法,对处理后的数据进行训练,建立零部件性能与剩余寿命的预测模型。

4. 预测输出:根据实时收集的数据,模型预测关键零部件的剩余寿命,并给出维护建议。

三、深度学习算法应用在系统中,我们采用了长短期记忆网络(LSTM)和卷积神经网络(CNN)的混合模型。

LSTM能够捕捉时间序列数据中的长期依赖关系,而CNN则能有效地提取空间特征。

通过将这两种网络进行结合,我们可以更好地理解零部件的复杂工作状态,并预测其剩余寿命。

四、系统实现与优化系统实现过程中,我们首先确定了关键零部件的性能指标和剩余寿命的评估标准。

然后,通过大量的实际数据对模型进行训练和优化,使模型能够更准确地预测关键零部件的剩余寿命。

此外,我们还采用了无监督学习和半监督学习方法,对模型进行持续优化和更新。

五、实验结果与分析我们通过实验验证了该系统的有效性。

实验结果表明,该系统能够准确地预测采煤机摇臂关键零部件的剩余寿命,并给出合理的维护建议。

与传统的维护方式相比,该系统能够显著提高设备的运行效率,降低故障率和维护成本。

六、未来展望未来,我们将进一步优化该系统,提高其预测精度和稳定性。

机台零件剩余寿命的预测系统与预测方法[发明专利]

机台零件剩余寿命的预测系统与预测方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201710049566.7(22)申请日 2017.01.23(30)优先权数据105141245 2016.12.13 TW(71)申请人 财团法人工业技术研究院地址 中国台湾新竹县竹东镇中兴路4段195号(72)发明人 黄博煜 阙壮华 任佳珉 (74)专利代理机构 中科专利商标代理有限责任公司 11021代理人 任岩(51)Int.Cl.G06Q 10/04(2012.01)G06Q 10/06(2012.01)G06Q 50/04(2012.01)G01M 13/00(2006.01) (54)发明名称机台零件剩余寿命的预测系统与预测方法(57)摘要一种机台零件剩余寿命的预测系统与方法。

预测系统包括数据模块、特征模块、本体预测模块、历史预测模块及信心度模块。

数据模块取得机台零件的测试感测数据。

特征模块得到历史健康指标与本体健康指标。

本体预测模块根据该本体健康指标,得到第一预测剩余寿命与第一预测信心度。

历史预测模块根据该历史健康指标,得到第二预测剩余寿命与第二预测信心度。

信心度模块则是根据第一预测剩余寿命、第二预测剩余寿命、第一预测信心度与第二预测信心度,得出机台零件的最终预测剩余寿命。

权利要求书3页 说明书6页 附图5页CN 108615088 A 2018.10.02C N 108615088A1.一种机台零件剩余寿命的预测系统,其特征在于,包括:一数据模块,用以取得一机台零件的一测试感测数据;一特征模块,根据该机台零件的一历史故障数据得到一历史健康指标,并根据该测试感测数据得到一本体健康指标;一本体预测模块,用以根据该本体健康指标,得到一本体健康指标函数,并根据该本体健康指标函数,得到一第一预测剩余寿命并得到一第一预测信心度;一历史预测模块,用以根据该历史健康指标,得到一历史健康指标模型,该历史健康指标模型包括至少一历史健康指标函数,并根据该历史健康指标模型与该本体健康指标函数,得到一第二预测剩余寿命,并根据该历史健康指标模型与该本体健康指标函数的关系,得到一第二预测信心度;以及一信心度模块,根据该第一预测剩余寿命、该第二预测剩余寿命、该第一预测信心度与该第二预测信心度,得出该机台零件的一最终预测剩余寿命;其中,该数据模块、该特征模块、该本体预测模块、该历史预测模块、及该信心度模块至少其中之一借由至少一电路来达成,或借由一处理器执行一程序来达成。

基于非完美维修的剩余寿命预测模型

基于非完美维修的剩余寿命预测模型

基于非完美维修的剩余寿命预测模型
林森
【期刊名称】《山西冶金》
【年(卷),期】2015(038)005
【摘要】应用随机滤波预测模型,基于系统当前及历史状态监测信息,得到精度不断提高的剩余寿命预测结果,并针对非完美维修对系统退化过程的影响,对预测模型进行了改进.对设备的剩余寿命进行准确预测可以降低设备运行费用,提高设备运行可用度.
【总页数】4页(P49-51,97)
【作者】林森
【作者单位】太原科技大学工业与系统工程研究所, 山西太原030024
【正文语种】中文
【中图分类】O212
【相关文献】
1.考虑非完美维修的实时剩余寿命预测及维修决策模型 [J], 石慧;曾建潮
2.非完美维修下民航发动机剩余寿命预测 [J], 曹惠玲;崔科璐;郭静
3.基于机器学习的压力传感器故障诊断及剩余寿命预测模型研究 [J], 白同元;黄瀚宇;林琳淳;钟晓莹;赵志红
4.基于wiener过程的唇形密封圈剩余寿命预测模型研究 [J], 陈启航;孙灏;孙成
5.基于DBN-LSTM的滚动轴承剩余寿命预测模型 [J], 慎明俊;高宏玉;张守京;王典
因版权原因,仅展示原文概要,查看原文内容请购买。

基于可靠性分析与状态监测的钻井泵剩余工作寿命预测

基于可靠性分析与状态监测的钻井泵剩余工作寿命预测

基于可靠性分析与状态监测的钻井泵剩余工作寿命预测裴峻峰;张嗣伟;齐明侠;张志毅【摘要】在对大量同类钻井泵的大修间隔时间数据进行概率统计分析的基础上,求得与钻井泵的运行可靠度相关的特征参数,在宏观上提供钻井泵寿命预测的依据.动力端中情况最差的轴承的寿命可代表钻井泵的寿命,所以将状态监测所得的经优选的各域振动信息作为神经网络系统的模糊输入向量,通过径向基神经网络求出轴承的故障隶属度,作为轴承理论寿命计算公式的修正系数,由此解决钻井泵剩余工作寿命的预测问题,进而获得钻井泵剩余工作寿命.实际预测结果证明了预测方法的科学性和合理性.【期刊名称】《中国石油大学学报(自然科学版)》【年(卷),期】2010(034)005【总页数】5页(P121-125)【关键词】钻井泵;动力端轴承;可靠性分析;状态监测;剩余工作寿命预测【作者】裴峻峰;张嗣伟;齐明侠;张志毅【作者单位】常州大学机械与能源工程学院,江苏,常州,213016;中国石油大学机械与储运工程学院,北京,102249;中国石油大学机电工程学院,山东,东营,257061;河南石油勘探局,钻井工程公司,河南,南阳,473132【正文语种】中文【中图分类】TE926;N945.24钻井泵是石油钻井的关键设备,目前现场大多采用定期大修和事后大修,这两种大修方法虽具有可操作性,但既不经济,又给钻井生产带来隐患,因此科学确定钻井泵的大修周期(即剩余工作寿命)是保证钻井泵安全运行、节约维修费用进而保证钻井生产安全的迫切问题。

钻井泵主要由动力端和液力端两大部分组成,其中液力端部件大都属于易损件,失效后可以在井场进行现场更换,而动力端中十字头和滑块之间磨损严重和轴承发生损坏,将会使泵无法工作而必须进厂大修。

因为十字头的状况较易判别和处理,所以钻井泵的剩余工作寿命预测问题就转化为对钻井泵动力端轴承剩余工作寿命的预测问题。

笔者采用基于Bayes方法的钻井泵可靠性分析方法,并将其与泵的状态监测与故障诊断技术融合,提出影响钻井泵动力端轴承的剩余工作寿命计算方法,求得钻井泵的剩余工作寿命预测模式及相应的预测系统。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
E = ( E 1, E2 ,, En ) 。 用 P 矩阵记录最后的结果, 其中的每一列元素 为从输入节点 I 到输出节点L 的一条路所经过的节 点标号, 矩阵 P 的元素 P ( V , W ) 记录了第 W 条最 小路中第 V 个节点的标号。用 Uw 表示第 W 条最小 路中的节点数目, 因为事先不知道最小路的长度, 所 以 Uw 及 P 的列数事先都是未知的。
[ 2] 周祖德, 陈幼平. 现代 机械制 造系统 的着 重描写 与故 障 诊断[ M] . 武汉: 华中理工大学出版社, 1999.
( 编辑: 李国云)
2 软件系统开发
2. 1 软件的模块化设计 设备寿命预测系统主要完成设备趋势分析、寿
命预测、报表生成等功能。我们把软件的所有工作 划分为 3 大模块: 数据库管理模块、趋势分析和寿命 预测模块、用户输入输出模块。由这 3 个模块和主 控界面模块, 以及其它的辅助模块构成了整个寿命 预测软件系统, 本系统的软件模块及其关系如图 2 所示。
3 大型网络所有最小路的计算机算法实列
例 1: 有向网络 S , 4 是输入节点, 6 是输出节点, 如图 1 所示。
输入的原始数据为
n= 6; I = 4; 52
L = 6;
63
61
Ro=
5
, 3
62
E= ( 2, 2, 2, 2, 2, 1) 。
2 初值为
C= ( 1, 1, 1, 1, 1, 1) ; I = 4;
图 2 系统功能 结构框图
( 4) 数据库及管理模块。本模块除完成数据的 管理与数据更新( 包括插入、修改、删除) 的功能, 还 对数据进行处理, 实现数据的报表打印与曲线图输 出。为了数据库的安全与维护, 还应有数据库维护 的功能。
( 5) 剩余寿命预测模块。该模块完成设备整体 劣化趋势分析、剩余寿命预测, 该模块是系统的核心 部分。
整体能量趋势分析法如图 1 表示。纵坐标为振
动烈度即速度均方根值; 横坐标为测试时间; L 1 为 状态劣化曲线; L2 为停机维修线; L 为各测试点A ,
B , C, D 的拟合曲线; E , F 点为曲线外推部分与 L1, L2 的交点。E , F 点的横坐标对应的时间差值即为
维修时间, 或从当前到设备发生故障必须停机维修
第 26 卷 第 4 期 2004 年 8 月
水利电力机械 WATER CONSERVANCY & ELECTRIC POWER MACHINERY
Vol. 26 No. 4 Aug. 2004
基于状态监测的机械设备剩余寿命预测系统
The remaining life prediction system of mechanical equipment based on the condition monitoring
卡尔曼滤波等方法。 可用于设备趋势分析的征兆信息的种类很多,
本系统采用最为普遍的基于振动信号能量及其分布
的比较判别法, 即建立在基于振动信号能量谱分析 基础之上。
振动信号的整体能量的计算公式为
En =
n
E Fi2
i= 1

Nn
式中 E n 为信号的整体能量; n 为整个信号频率
范围内的谱线数; N n 为所选窗的噪声带宽。
输入节点开始, 每往前走一步, 使 F 的值相应变化, 一旦 F= - 1, 就表明已经到达输出节点, 即找到了 一条最小路。
上述算法要求输入的原始数据为 n : 网络中节点数; I : 输入节点标号; L : 输出节点标号; R= [ R ( I , k ) ] , I = 1, 2, ,, n, k = 1, 2, ,, Ei 为路线矩阵。
对设备进行状态监测, 首先必须根据设备特点 合理地选择测点位置, 一般选择易劣化部位和设备 的关键部件为测点位置。其次, 通过对设备劣化速 度的分析研究, 确定信号测试的周期。第三, 根据测 点信号频率, 确定测试的具体参数并选择传感器的 类型。例如: 根据振动信号的不同频度范围, 对一个 测点的振动信号测试可以选择其振动位移、速度或 加速度 3 种参数。
文献标识码: B
文章编号: 1006- 6446( 2004) 04- 0054- 02
0 引言
机械设备的寿命是指有形的和无形的损坏而导 致的设备的使用时 间。机械设 备的寿命有物 质寿 命、经济寿命、技术寿命和极限寿命等多种范畴意义 上的寿命。本文所研究的是从设备运行的可靠性和 安全性角度来考虑, 设备保持其正常运行的时间称 为寿命; 所谓剩余寿命, 是指系 统在运行一段 时间 后, 各种损伤累积达到允许值之前的能保持正常工 作的时间。
( 6) 帮助模块。实现系统的在线使用帮助。
2. 2 软件的设计平台与运行环境
该系统的操作系统要求是 Windows95 以上中文
平台, 包括 Windows98, WinNT , Win2000。程序开发语
言及工具使用 Visual C+ + 6. 0 版本。数据库设计采
用 SQL Server 7. 0 版本的数据库管理系统。应用程序
( 1) 主模块。该模块对整个软件系统进行组织 和管理, 使各模块按照剩余寿命预测的工作流程协 调运行。需要完成模块间的调用、模块间参数传递、 提供总体界面等。
( 2) 显示模块。为用户提供有关设备状态信号 的基本信息。
( 3) 输入/ 输出模块。该模块完成使用数据库管 理模块, 向数据库中添加、更新数据; 在寿命预测分 析过程中输入必要的参数; 并完成分析结果报表的 生成、报表存取以及打印功能。
另外, 设备状态监测可能采取在线方式或离线
收稿日期: 2004- 01- 15 作者简介: 成明利( 1971- ) , 男, 湖南湘潭人, 中国有色金属总公司第二十三冶金建设公司第一分公司助理工程师, 从事机电一体化方面的工作。
第 26 卷第 4 期
成明利: 基于状态监测的机械设备剩余寿命预测系统
#55#
方式, 本寿命预测系统可以对在线检测或离线检测 所得的信号进行劣化趋势分析。 1. 2 趋势分析
趋势分析是根据设备的征兆信息来识别设备运
行状态的优劣以及预测其未来, 这也是故障诊断中 普遍采用的方法。将趋势分析与各类诊断参考标准 相结合, 可以作出多种状态趋势分析图, 能用于评判 设备运行状态的优劣和故障的早期预报。目前, 趋 势分析的研究手段主要是最小二乘拟合、时序模型、
前的持续运行时间。
图 1 整体 能量分析法
基于趋势分析的寿命预测步骤是: 第一步, 统计 当前测 量信号 在整个 分析 频带 的振动 烈度, 记 为 Ei , Ei 将与警线L 1, L 2 设定的门限 E o1和 E o2进行比 较, 这就是识别状态。第二步, 将各次能量 Ei 按时 间顺序作图, 形成状态曲线。第三步, 对该曲线进行 曲线按惯例与外推, 求出曲线和警线 L1, L 2 的交点, 该交点的所对应的时间差就是对该设备的可持续运 行时限的估计, 也就是对设备整机未来状态的预测。
63
552
6
626
6
参考文献:
[ 1] 郭 永基. 可靠 性工 程原 理[ M ] . 北京: 清 华大 学出 版社,
2002. [ 2] 潘 仲立. 可靠性分析的理 论基础 [M ] . 北 京: 水 利电力 出
版社, 1988.
图 1 有向网络 S
( 编辑: 王书平)
( 上接第 55 页)
3 结论
W = 1;
V = 2;
P( 1, 1) = 4; F= ( 0, 0, 0, 1, 0, - 1) ;
52 0 63 0
61 R=
0。
5 3 -1
62 0 20 利用上述算法可以依次 求出所有的最 小路( 7 条、按列排出) 。 4 4 4 4 444
5 5 5 3 333
6 P=
2
2
6
1 1 1。
1 设备剩余寿命预测的基本方法[ 1, 2]
基于预测原理的不同, 目前国内外对机械设备 寿命预测的方法主要分为 2 种: 累积损伤跟踪法、特 征参数跟踪法。
累积损伤跟踪法是根据损伤物理学原理, 对机 械受到的损伤进行累积, 根据各种破坏因子对设备 的损伤率和设备的允许损伤值确定设备剩余寿命。
特征参数跟踪法则主要是选择最能够反映设备 技术状态的参数作为状态监测的技术指标, 根据其 发展趋势和事先规定的极限值实现设备的剩余寿命 预测, 根据所采用的数学方法不同, 特征参数跟踪法 又可分为 4 种: 曲线回归拟合法、时间序列参数建模 的方法、基于灰色理论的方法、基于人工神经网络的 方法。本文就是采用该方法来进行设备剩余寿命的 预测, 通过对设备的运行特征参数进行监测, 通过设 备的当前状态来判断其距离大修或报废的时间。因 此, 基于状态监测的剩余寿命分析与预测, 主要涉及 2 个方面的工作: 一是对设备的工作状态进行监测; 二是进行趋势分析。 1. 1 状态监测
本文采取趋势分析技术, 通过对机械设备的运 行状态参数进行监测, 及时分析所获取的特征数据, 确定设备的状态及未来的发展趋势, 从而实现设备 剩余寿命的预测, 在生产实践中可能产生极大的经 济效益, 有着十分广泛的应用前景。
参考文献:
[ 1] 化建宁. 障 Petri 网及其在机械设备剩余寿 命预测中的应 用[ D] . 保定: 河北农业大学, 2001.
成明利
( 中国有色金属总公司第二十三冶金建设公司第 一分公司, 湖南 湘潭 411100)
摘 要:测模型, 并开发了相应的
寿命预测软件系统。
关键词: 剩余寿命预测; 机械设备; 状态监测; 趋势分析
中图分类号: TP311. 52
目前, 国家和各行业制订了许多规范规定机械 设备的使用年限, 超过使用年限必须报废或降低使 用标准。然而, 这些规范和法规是按照设计寿命而 制订的, 实际上同一类设备由于使用情况的差异会 导致其使用寿命的不同, 如何有效预测机械设备的 剩余寿命具有极大的工程意义, 是工程界非常关心 的一个问题。
相关文档
最新文档