一種離心壓縮機組智能聯鎖保護方法技術

本發明專利技術公開了一種離心壓縮機組智能聯鎖保護方法，能夠提高離心壓縮機組故障異常檢測的準確率。該方法包括如下步驟：采集獲得離心壓縮機組正常工況運行數據和實時工況運行數據。針對離心壓縮機組的I種故障，在正常工況運行數據和實時工況運行數據中，分別提取每種故障的特征值；針對每種故障的特征相空間均建立高斯混合模型，訓練得到正常工況下和實時工況下第i種故障對應的特征相空間模型并計算歐式距離，判斷該距離是否超過第i個報警門限，若是則報警并計算第i種故障的故障影響力無量綱指數為

An Intelligent Interlocking Protection Method for Centrifugal Compressor Unit

The invention discloses an intelligent interlocking protection method for centrifugal compressor unit, which can improve the accuracy of fault abnormal detection for centrifugal compressor unit. The method includes the following steps: acquisition and acquisition of centrifugal compressor unit normal operating data and real-time operating data. Aiming at the type I faults of centrifugal compressor unit, the eigenvalues of each fault are extracted from the normal operating data and the real-time operating data respectively; the Gauss mixture model is established for the characteristic phase space of each fault, and the eigenvalue phase space model corresponding to the type I fault under normal and real-time operating conditions is trained, and the Euclidean distance is calculated to determine whether the distance exceeds the type I fault. Five alarm thresholds. If so, alarm and calculate the dimensionless exponent of the fault impact of type I fault.

【技術實現步驟摘要】
一種離心壓縮機組智能聯鎖保護方法
本專利技術涉及機械設備狀態檢測與機組聯鎖控制
，具體涉及一種離心壓縮機組智能聯鎖保護方法。
技術介紹
大型離心壓縮機組作為石化行業的關鍵機械設備之一，其故障頻發且危害很大，一旦無法有效識別故障并報警停機，極有可能引起較大設備事故，造成巨大損失。目前離心壓縮機組已普遍配備了聯鎖保護系統，其主要是通過在軸承上預埋探頭來監測振動、位移、溫度和轉速等參數，通過機組監測系統(MMS)實現超限停車保護。但傳統的聯鎖保護系統無法及時識別機組異常，只能通過單一過線報警停機方式進行保護，往往存在保護不足的問題；而且傳統的聯鎖保護系統對故障種類及其風險程度沒有針對性，當出現虛假信號時經常導致聯鎖停機，造成不必要的過保護現象。無論是保護不足或是過保護均不利于離心壓縮機的穩定運行，因此亟需對離心壓縮機開展智能聯鎖保護技術研究，以進一步提高故障的報警停機的可靠性與準確率。
技術實現思路
有鑒于此，本專利技術提供了一種離心壓縮機組智能聯鎖保護方法，能夠提高離心壓縮機組故障異常檢測的準確率，防止過保護以及保護不足，提高實際工程中離心壓縮機組的運行可靠性。為達到上述目的，本專利技術的技術方案為：一種離心壓縮機組智能聯鎖保護方法，包括如下步驟：步驟1、采集獲得m組離心壓縮機組正常工況運行數據和m組實時工況運行數據；m為經驗值。步驟2、針對離心壓縮機組的I種故障，在正常工況運行數據和實時工況運行數據中，分別提取每種故障的特征值；其中第i種故障的特征值個數為ni，i＝1～I。步驟3、針對離心壓縮機組的每種故障，建立特征值集合，即為特征相空間，且針對每種故障的特征相空間均建立高斯混合模型。采用正常工況運行數據中第i種故障對應的特征相空間數據訓練第i種故障的高斯混合模型，訓練后得到正常工況下第i種故障對應的特征相空間模型；計算正常工況下第i種故障對應的特征相空間模型的分布中心與分布半徑，自學習得到第i個報警門限。采用實時工況運行數據中第i種故障對應的特征相空間數據訓練第i種故障的高斯混合模型，訓練后得到實時工況下第i種故障對應的特征相空間模型；計算實時工況下第i種故障對應的特征相空間模型的分布中心與分布半徑。步驟4、計算正常工況下和實時工況下第i種故障對應的特征相空間模型間的歐式距離，并判斷該距離是否超過第i個報警門限，若是則報警并進入步驟5；否則返回步驟1。步驟5、計算故障影響力無量綱指數，其中第i種故障的故障影響力無量綱指數為H(i)。V(i)為第i種故障劣化程度無量綱指數；f(i,j)為實時工況運行數據中第i種故障的第j種特征值；N(i,j)為正常工況運行數據中第i種故障的第j種特征值；F(i,j)為對第i種故障的第j種特征值的自學習的報警門限；k(i,j)為對第i種故障的第j種特征值的敏感性系數：D(i)為第i種故障風險指數，為已知值。Amax為離心壓縮機組的監測參數總數量，At為步驟2中對于第i種故障，提取特征值所用到的參數數量。步驟6、判斷若第i種故障的故障影響力無量綱指數為H(i)超過設定的故障影響閾值，則將離心壓縮機組進行聯鎖停機，否則離心壓縮機組繼續運行。設定的故障影響閾值為經驗值。優選地，I＝10，即包括10故障，分別為：第1種故障為掉葉片：n1＝4，第1種故障的數據特征值分別為振動加速度有效值、速度有效值、1X幅值突變值以及1X相位突變值。第2種故障為油膜振蕩：n2＝2，第2種故障的數據特征值分別為振動速度有效值以及0.45～0.49X幅值突變值。第3種故障為碰摩：n3＝4，第3種故障的數據特征值分別為振動速度有效值、1X及2X、3X等倍頻幅值突變值。第4種故障為質量不平衡：n4＝3，第4種故障的數據特征值分別為振動速度有效值、1X幅值突變值以及1X相位突變值。第5種故障為齒輪嚙合缺陷：n5＝2，第5種故障的數據特征值分別為振動加速度有效值以及齒輪嚙合頻率GMF值突變值。第6種故障為聯軸節精度過低或損傷：n6＝4，第6種故障的數據特征值分別為振動速度有效值、以及1X、2X、3X等高倍頻幅值突變值。第7種故障為不對中：n7＝3，第7種故障的數據特征值分別為振動速度有效值、1X及2X幅值突變值。第8種故障為喘振：n8＝4，第8種故障的數據特征值分別為振動速度有效值以及1/2、1/3、1/4X等分頻幅值突變量。第9種故障為氣流激振：n9＝2，第9種故障的數據特征值分別為振動速度有效值以及1/2、1/3、1/4X等分頻幅值突變量。第10種故障為油膜渦動：n10＝2，第10種故障的數據特征值分別為振動速度有效值以及0.4～0.5X幅值突變量。優選地，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：本專利技術提供的離心壓縮機組智能聯鎖保護方法，能夠有效解決傳統的單一報警限過限報警方式中異常檢測誤報漏報率高的問題，提高大型離心壓縮機組故障異常檢測的準確率。本專利技術通過無量綱參數模型對不同故障影響進行量化，而不是單純的依賴人工經驗，有效解決了保護不足和過保護的問題具體實施方式下面舉實施例，對本專利技術進行詳細描述。本專利技術實施例提供了一種離心壓縮機組智能聯鎖保護方法，能夠有效解決傳統的單一報警限過限報警方式中異常檢測誤報漏報率高的問題，提高大型離心壓縮機組故障異常檢測的準確率。該方法包括如下步驟：步驟1、采集獲得m組離心壓縮機組正常工況運行數據和m組實時工況運行數據；m為經驗值。步驟2、針對離心壓縮機組的I種故障，在正常工況運行數據和實時工況運行數據中，分別提取每種故障的特征值；其中第i種故障的特征值個數為ni，i＝1～I。本專利技術實施例中，I＝10，表示離心壓縮機中的10種常見的故障類別，分別對應著掉葉片、油膜振蕩、碰摩、質量不平衡、齒輪嚙合缺陷、聯軸節精度過低或損傷、不對中、喘振、氣流激振和油膜渦動故障，分別為：第1種故障為掉葉片：n1＝4，第1種故障的數據特征值分別為振動加速度有效值、速度有效值、1X幅值突變值以及1X相位突變值。第2種故障為油膜振蕩：n2＝2，第2種故障的數據特征值分別為振動速度有效值以及0.45～0.49X幅值突變值。第3種故障為碰摩：n3＝4，第3種故障的數據特征值分別為振動速度有效值、1X及2X、3X等倍頻幅值突變值。第4種故障為質量不平衡：n4＝3，第4種故障的數據特征值分別為振動速度有效值、1X幅值突變值以及1X相位突變值。第5種故障為齒輪嚙合缺陷：n5＝2，第5種故障的數據特征值分別為振動加速度有效值以及齒輪嚙合頻率GMF值突變值。第6種故障為聯軸節精度過低或損傷：n6＝4，第6種故障的數據特征值分別為振動速度有效值、以及1X、2X、3X等高倍頻幅值突變值。第7種故障為不對中：n7＝3，第7種故障的數據特征值分別為振動速度有效值、1X及2X幅值突變值。第8種故障為喘振：n8＝4，第8種故障的數據特征值分別為振動速度有效值以及1/2、1/3、1/4X等分頻幅值突變量。第9種故障為氣流激振：n9＝2，第9種故障的數據特征值分別為振動速度有效值以及1/2、1/3、1/4X等分頻幅值突變量。第10種故障為油膜渦動：n1本文檔來自技高網...

【技術保護點】
1.一種離心壓縮機組智能聯鎖保護方法，其特征在于，包括如下步驟：步驟1、采集獲得離心壓縮機組正常工況運行數據和實時工況運行數據；步驟2、針對所述離心壓縮機組的I種故障，在所述正常工況運行數據和實時工況運行數據中，分別提取每種故障的特征值；其中第i種故障的特征值個數為ni，i＝1～I；步驟3、針對所述離心壓縮機組的每種故障，建立特征值集合，即為特征相空間，且針對每種故障的特征相空間均建立高斯混合模型；采用所述正常工況運行數據中第i種故障對應的特征相空間數據訓練第i種故障的高斯混合模型，訓練后得到正常工況下第i種故障對應的特征相空間模型；計算正常工況下第i種故障對應的特征相空間模型的分布中心與分布半徑，自學習得到第i個報警門限；采用所述實時工況運行數據中第i種故障對應的特征相空間數據訓練第i種故障的高斯混合模型，訓練后得到實時工況下第i種故障對應的特征相空間模型；計算實時工況下第i種故障對應的特征相空間模型的分布中心與分布半徑；步驟4、計算正常工況下和實時工況下第i種故障對應的特征相空間模型間的歐式距離，并判斷該距離是否超過所述第i個報警門限，若是則報警并進入步驟5；否則返回步驟1；步驟5、計算故障影響力無量綱指數，其中第i種故障的故障影響力無量綱指數為H(i)；...

【技術特征摘要】
1.一種離心壓縮機組智能聯鎖保護方法，其特征在于，包括如下步驟：步驟1、采集獲得離心壓縮機組正常工況運行數據和實時工況運行數據；步驟2、針對所述離心壓縮機組的I種故障，在所述正常工況運行數據和實時工況運行數據中，分別提取每種故障的特征值；其中第i種故障的特征值個數為ni，i＝1～I；步驟3、針對所述離心壓縮機組的每種故障，建立特征值集合，即為特征相空間，且針對每種故障的特征相空間均建立高斯混合模型；采用所述正常工況運行數據中第i種故障對應的特征相空間數據訓練第i種故障的高斯混合模型，訓練后得到正常工況下第i種故障對應的特征相空間模型；計算正常工況下第i種故障對應的特征相空間模型的分布中心與分布半徑，自學習得到第i個報警門限；采用所述實時工況運行數據中第i種故障對應的特征相空間數據訓練第i種故障的高斯混合模型，訓練后得到實時工況下第i種故障對應的特征相空間模型；計算實時工況下第i種故障對應的特征相空間模型的分布中心與分布半徑；步驟4、計算正常工況下和實時工況下第i種故障對應的特征相空間模型間的歐式距離，并判斷該距離是否超過所述第i個報警門限，若是則報警并進入步驟5；否則返回步驟1；步驟5、計算故障影響力無量綱指數，其中第i種故障的故障影響力無量綱指數為H(i)；V(i)為第i種故障劣化程度無量綱指數；f(i,j)為實時工況運行數據中第i種故障的第j種特征值；N(i,j)為正常工況運行數據中第i種故障的第j種特征值；F(i,j)為對第i種故障的第j種特征值的自學習的報警門限；k(i,j)為對第i種故障的第j種特征值的敏感性系數：D(i)為第i種故障風險指數，為已知值；Amax為所述離心壓縮機組的監測參數總數量，At為步驟2中對于第i種故障，提取特征值所用到的參數數量；步驟6、判斷若第i種故障的故障影響力無量綱指數為H(i)超過設定的...

【專利技術屬性】
技術研發人員：高暉，鄧化科，
申請(專利權)人：北京博華信智科技股份有限公司，
類型：發明
國別省市：北京,11