Корреляционный анализ параметров вибрации для прогнозирования отказов насосного агрегата

Бесплатный доступ

Основной целью статьи является корреляционный анализ параметров вибрации для прогнозирования отказов насосного агрегата. Рассматриваются вопросы повышения эффективности прогнозного обслуживания насосного агрегата за счет автоматизации поиска вибрационных неисправностей и автоматического контроля их функционирования. Разработана методика корреляционного анализа параметров вибрации для прогнозирования отказов насосного агрегата по их предвестникам.

Контроль, корреляционный анализ, вибрация, прогноз, насосные агрегаты

Короткий адрес: https://sciup.org/170205730

IDR: 170205730   |   DOI: 10.24412/2500-1000-2024-6-1-209-213

Текст научной статьи Корреляционный анализ параметров вибрации для прогнозирования отказов насосного агрегата

Сегодня актуальной остается проблема обеспечения надежной и эффективной работы центробежных насосных агрегатов (ЦНА), которые используются в системе поддержания пластового давления (ППТ) и предназначены для повышения нефтеотдачи истощенных пластов нефтяных месторождений- интенсификации процесса добычи нефти [1, 2]. Выходом из данной ситуации является внедрение системы проведение ремонта агрегата по необходимости, требующей знание его фактического технического состояния в любой момент времени, который может быть определен методами технической диагностики При этом, среди всех существующих методов технической диагностики [3, 4], наиболее перспективны вибро-акустические методы, дающие возможность, на основе данных об уровне вибрации в контрольных точках агрегата, оценивать его техническое состояние и проводить диагностику неисправностей. К сожалению, сегодня отсутствуют не только общепринятые методы диагностирования ЦHА в процессе эксплуатации, но и штатные вибродатчики, не позволяющие оценить вибрационное состояние конкретного агрегата. Поэтому актуальными остаются задачи разработки методики и средств контроля их состояния за показателями уровня вибраций, в частности, по параметрам частотного спектра [5, 6].

Анализ литературы по данной теме с целью поиска примеров или эталонов спектральных распределений вибросигналов из контрольных точек центробежных насосных агрегатов при развитии у них различных дефектов значительных результатов не дал. Таким образом, при разработке методики контроля состояния ЦНА с учетом последних требований и возможностей современной измерительной техники, ставится задача установление зависимостей между видами и степенями развития вышеописанных дефектов и изменением составляющих в частотном спектре вибросигналов ЦНА, решения которой позволит определить диагностические признаки и на них основе сформировать основные положения методики.

В статье на основе обобщения, систематизации и анализа научной литературы по проблематике прогнозирования неисправностей насосного агрегата, анализируются математические модели вибрационных сигналов, их неправильная обработка и интерпретация системой, включается прогноз неблагоприятных событий, таких как помехи, всплески и т.п. и их поведение [2].

Согласно промышленным данным, наиболее распространенными типами отказов насосного оборудования системы поддержание пластового давления представляет собой выход из строя подшипников, рабочих колес и направляющих аппаратов, зубчатой соединительной муфты.

Среди дефектов, предопределяющих эти отказы можно выделить следующие основные: разбаланс, расцентровка валов насоса и приводного двигателя (радиальная и торцевая), искривление вала, износ и деформации поверхностей лопастей рабочих колес, дефекты подшипников качения и скольжения, ослабление механической крепи насоса к фундаменту.

В рамках выполнения практической части задачи корреляционного анализа параметров вибрации для прогнозирования отказов насосного агрегата составляется обобщенный анализ математической авторегрессионной модели (АР) прогноза сигналов, которые система обрабатывает с ошибкой или с присутствием помехи, подключаются, в том числе и статистические данные в качестве практического массива информации для прогноза. Сама модель прогнозирования неблагоприятных событий, идущих в сигналах, разделяется на три последовательных этапа [7-12]:

  • 1)    создается порядок работы авторегрессионной модели прогноза;

  • 2)    составляется оценка полученных данных АР модели;

  • 3)    на основе обзора оценки получаем вероятностный прогноз отказного элемента.

Опишем первый этап - создание порядка работы авторегрессионной модели прогноза. На данном этапе определяется p -количество измеряемых параметров модели. За счет функций вида частной автокорреляционной и корреляционной задается описание временного ряда авторегрессионной модели. При этом в процессе прохождения p - порядка авторегрессии частная автокорреляция покажет как обрыв p – помеха, а автокорреляция снизится постепенно. Определяем порядок работы АР модели и вычисляем:

  • 1)    дисперсию о2 сигнала и среднее выражение z ряда работы элементов:

о2 = 1 Z=i(zi — Z)2; z = 1 Z^z ,

здесь n - общее количество элементов ряда; Z i - роль временного интервала рядов на период времени i, i = 1,n.

  • 2)    ряд с автоковариационной функцией O r :

Где Co = о2;

C r = - Z F=1 R(Z j - Z)( zi + n - Z i ), R = 1,K.

  • 3)    ряд с автокорреляционной функцией rR :

r R =   , R = oTK         (2)

^o здесь K - максимальный простой авто-ковариационной и автокорреляционной функций;

  • 4)    функцию частотной автокорреляции:


m = 2,K ,      (3)

здесь (p mj =

m-i'j- <ртт^т_11т_. J = 1, m -1; M - максимальый простой частотной функции автокорреляции.

Немного иным способом выбираются K, L. В результате опытных исследований, K, L выбираются состояния сигнала 20

Второй этап, составление оценки полученных данных АР модели.

АР модель составляется по методу зиционируется как линейная модель с ми-наименьших квадратов, поскольку она по- нимальной дисперсией:

°а = ;^ ^t=P+iа = ^--1 TJ=p+i(zt-SJ=1 bj ^-j) ^ min.

Такой путь приводит нас к получению системы нормальных уравнений.

Ж=Р=1 zt- j (zt-Xj-i bj zt-j) = о, j = 1, P.

Эти уравнения необходимо решать сравнительно Ъ1, b2, , bp, для, получения характеристик событий сигналов (вы-брационных импульсов) на каждом шаге модели автокорреляции.

Выясним состояние произвольной величины дисперсии at: а а = St=1а^/(n - p) и неизменяемую составляющую: 0О= z (1 — Sf=i bi). В зависимости от величины полученных данных проходит пробитие сигнала или он протекает в допустимом спектре.

Третий этап, на основе обзора оценки математических данных модели удастся получить вероятностный прогноз предвестника отказного элемента.

Главной стратегией используемой в модели это создать такое условие, при кото- ром прогнозируемый средний результат будет незначительно отличаться от истинного положения показателей в работе на опережение отказа I. Чем точнее будет прогноз, тем успешнее могут быть действия по оценке риска катастрофы. На точность в прогнозе влияет и допустимый временной интервал, заданный на его выполнение. Внутри намеченного интервала, вероятность точности прогноза отказного элемента по изучению его импульса, будет, например, 65-95% но может меняться в зависимости от длительности интервала.

Также стоит рассмотреть, что минимальная среднеквадратичная ошибка в прогнозировании может вычисляться согласно заданной формуле:

zt(l) = 00 + Zf=iJ( [z,-i+l];

zt-i+l

(zt(i-i), ь >t; Izt-i+i,L ^i, в примере zt (l) - столько шагов прогноза наперед на временной отрезок t; zt-i+i - показатель временного отрезка на период времени t — i + I; 1 = 1, L, где L -прогнозирование (контролирование ложных срабатываний) на максимально возможное опережение.

Из примера показанного выше (5) можно сделать вывод, что формула прогноза достаточно рекуррентна и предоставляет возможность, в связи с появлением нового количества информации выполнять прогнозирование свободно проводить корректирующие действия, что, несомненно, дает ощутимое преимущество в процедуре прогнозирования.

Есть и другой вариант выйти на точный прогноз по этой модели следующим способом. Верхние и нижние границы отыскиваются, вычисляя zt+i = zt (I) ± UJV (I), имеем U = 0, 70; 1,66; 1,97 или 2,60 в данном варианте все будет зависеть от пределов интервала с вероятностью 0,50; 0,90; 0,95 либо 0,99, в конечном счете, гипотеза предполагает нахождение допустимого предела отклонения.

Выражение дисперсии будет равно:

V(I) = rf ij^o tf, здесь,

(     1,J = 0;

^   \yJ (0- ■ ■   / > 1

^L==^upj-i, J — 1

j = 1, L; bi = 0, i > p.

Построение прогноза с использованием авторегрессионной математической модели позволяет получить высокую степень точности результатов в определении ложных срабатываний сигналов.

По результатам анализа параметров вибрации для прогнозирования отказов насосного агрегата в данной статье, очевидно, что математическая авторегресси- онная модель показывает высокие результаты в прогнозе на упреждение, помогает отследить предвестник и сделать прогноз отказа, а также выработать меры по пре- дупреждению этого отказа. Но это существенно будет зависеть и от предыдущих условий, в которых система наработала. Вероятность прогноза может доходить до 95,% и подтверждена моделированием или лабораторными испытаниями. Также существуют более сложные математические модели и методы с использованием различных нелинейных параметров, автокор- реляции, сложных процедур, которые обеспечивают и более точные результаты прогноза.

Список литературы Корреляционный анализ параметров вибрации для прогнозирования отказов насосного агрегата

  • Андронов, A.M. Теория вероятностей и математическая статистика / A.M. Андронов, Е.А. Копытов, Л.Я. Гринглаз. - СПб.: Питер, 2004. - 461 с.
  • Девочкин, Д.В. Электрические аппараты: учебное пособие для студентов СПО / Д.В. Девочкин, В.В. Лохнин, Р.В. Меркулов. - Изд. 5-е, стер. - Москва: Академия, 2015. -240 с.
  • Платонов Ю.М., Уткин Ю.Г. Диагностика, ремонт и профилактика персональных компьютеров. - М.: «Горячая линия-Телеком», 2012.
  • Крашенинников, В.Р. Прогнозирование динамики объекта с использованием авторегрессионных моделей на цилиндре / В.Р. Крашенинников, Ю.Е. Кувайскова // Радиотехника. - 2016. - № 9. - С. 36-39. - EDN XCNXKX.
  • Попов, А.А. Проектирование экспертной системы в виде мобильного приложения для диагностирования неисправностей в работе вычислительной техники / А.А. Попов, А.К. Овсянкин, Ю.А. Юринский // Электротехнические и информационные комплексы и системы, 2019. - №2. - С. 50-62.
  • Ящура А.И. Система технического обслуживания и ремонта общепромышленного оборудования: справочник. - М.: Энас, 2012.
  • Юрков Н.К. К проблеме обеспечения безопасности сложных систем / Н.К. Юрков // Труды международного симпозиума Надежность и качество, 2011. - 2 т.
  • Kuvayskova Y.E. The prediction algorithm of the technical state of an object by means of fuzzy logic inference models / Y.E. Kuvayskova // Procedía Engineering. «3rd International Conference «Information Technology and Nanotechnology», ITNT 2017». - 2017. - Vol. 201. -Pp. 767-772.
  • Zadeh L.A. Fuzzy Logic // Computational Complexity: Theory, Techniques, and Applications / R.A. Meyers (eds). - New York: Springer, 2012. - pp. 1177-1200.
  • Abramovici, M.; Gobel, J.C.; Dang, H.B. Semantic data management for the development and continuous reconfiguration of smart products and systems. CIRP Ann. - 2016. - № 65. -С.185-188.
  • Cecil R., Soares J. IBM Watson Studio: A Platform to Transform Data to Intelligence. In Pharmaceutical Supply Chains-Medicines Shortages; Springer International Publishing: Cham, Switzerland, 2019.
  • Brecher C., Buchsbaum M., Storms S. Control from the cloud: Edge computing, services and digital shadow for automation technologies. In Proceedings of the 2019 International Conference on Robotics and Automation (ICRA), Montreal, QC, Canada, 20-24 May 2019. -Pp. 9327-9333.
Еще
Статья научная