试压泵故障（共7篇）
试压泵故障 篇1
在武器系统的各类装备中, 液压系统由于具有推力大、元件布置方便、易于实现无级调速等优点, 从而得到了广泛的利用。液压泵是液压系统的动力元件, 是液压系统的必要组成部分之一, 常被称为液压系统的心脏, 其作用是将电动机的机械能转换成液体的压力能, 向整个液压系统提供动力。其结构形式主要包括齿轮泵、叶片泵和柱塞泵等三种。在液压系统的故障类型中, 液压泵的故障是非常重要的一类。因此, 为了确保液压系统的工作可靠性, 对于液压泵的故障诊断的研究具有非常重要的现实意义。本文从装备液压系统液压泵的故障诊断方面进行了详细研究。
1 装备液压系统液压泵的常见故障
装备中的液压泵由于受装备液压系统设计不合理、液压组件磨损、油液污染、维护不当、操作人员误操作等因素的影响, 经常会出现多种形式的故障, 主要有以下几种类型:1) 泵吸不进油, 泵出口压力低。此类故障的主要原因有:密封件老化变形、吸油滤油器被脏物堵塞、油箱油位过低、油温太低, 油液粘度太大、泵的密封损坏, 吸入空气、零件磨损严重, 容积效率太低、溢流阀出现故障;2) 泵运行时的噪声过大。主要原因是泵吸油不足 (例如滤油器堵塞、油位过低、吸油管路密封不好等) 、回油管高于油面, 油液中有大量气泡、油液粘度过高、检修后从动齿轮装倒, 啮合面积变小;3) 液压泵温升过高。其主要原因有:压力过高, 转速太快, 侧板研伤、油液粘度过高或泵内部泄漏严重、回油路的背压太大;4) 泄漏。其主要原因有管路连接部分的密封老化、损伤或变质等、油温过高致使油液粘度过低。这些故障都可能导致液压泵不能正常工作。
2 装备液压系统液压泵的故障诊断方法
装备液压系统液压泵的故障原因有很多, 如何进行故障诊断呢?但总体来说, 对于装备液压泵的故障诊断方法可以分为人工诊断法、仪器诊断法与理论分析法三种。
2.1 人工诊断法
即利用感观, 如视觉、听觉、嗅觉和触觉来初步诊断装备液压泵的技术状态和故障, 这种方法对操作人员对于液压泵及装备液压系统的性能熟悉情况要求比较高, 主要是借助经验进行故障诊断。
2.2 仪器诊断法 (也称物理测试方法)
即通过一些相关的仪器来确定故障的原因。常用的仪器测试诊断法主要包括以下几种:
1) 油质分析法。油质分析法的基本原理是以油液介电常数的变化来反映所用液压油的老化程度, 因为液压油在液压系统工作时是直接进入液压泵的。该方法不仅为装备液压系统等提供了一个迅速简捷的油质检测手段, 而且通过对所用液压油的定期检测, 可监视装备的运行状况, 以预防故障的发生。此方法可以根据现场情况迅速检测出液压油的各项物理化学性能指标, 以判断液压泵故障是否由于液压油变质引起。
2) 流量测试法。由于装备液压系统液压泵的压力在调节范围内保持不变, 所以可以通过测试液压系统液压泵的流量来判断其故障的原因。将液压流量计接入液压系统中, 观察并记录流量计在空载时的流量值, 然后用加载阀加载, 使负载压力逐渐上升到系统的额定压力, 观察并且记录此时的流量读值。若实测流量比空载时下降了25%以上, 表明液压泵已有故障。
3) 噪声判定法。利用噪声检测仪大体判断装备液压泵的故障原因。因为装备液压泵的正常噪声有一定的范围, 当噪声超过其极限值时, 则很可能是电机与泵传动轴的不同心度引起的, 也可能是空气进入液压泵内部或液压泵磨损太大。
4) 温度测量法。通过测量装备液压泵泵壳温度和液压油温度之差来诊断故障。若泵壳温度高于油温5℃以上, 则故障可能是液压泵的机械效率太低、机械磨损较大;如果温差在10℃以上, 并且系统压力调节与油质均没有正常, 则故障可能是轴向间隙大、液压泵磨损严重、容积效率降低、泄漏增加。
2.3 理论分析法
该方法主要是借助现代的一些优秀算法, 利用传感器实时采集液压泵的相关信号, 利用故障库来科学确定液压泵的故障原因。该方法主要分析液压泵出口检测到的压力信号和振动信号, 可以实时准确地确定液压泵的状态与故障类型。
由于装备液压泵的工作环境比较恶劣, 一般情况下, 在泵出口检测到的信号含有较大的噪声。试验表明, 两种信号具有以下两个特点:1) 信号的频谱分布很宽、波形杂乱, 规律性差;2) 时变与非平稳性表现明显。因此, 基于这两种信号的故障特征提取非常困难, 在提取前必须对检测的信号进行消噪处理。
小波分析是目前较为有效的信号处理方法, 它可以同时在时域和频域中对信号进行分析, 能有效地区分信号中的突变部分和噪声, 实现信号的消噪。经过小波处理后, 可以有效地消除泵出口振动信号与压力信号中所包含的噪声, 有利于故障特征的提取。在提取故障特征信号后, 采用BP神经网络等算法对液压泵的故障点进行诊断, 再借助装备液压泵的故障库进行故障类型的准确判断, 在故障库中包含一些常见的故障类型的相关参数以及液压泵正常工作时的相关参数。
3 装备液压系统液压泵的故障排除方法
装备液压系统的液压泵在诊断出故障后, 如果使用单位有条件与能力, 可以进行自行维修。
在拆开检修时, 必须用轻质柴油或煤油清洗全部零件, 并用压缩空气吹净。轴套与齿轮的配合不允许有漏光。注意卸荷槽放置位置不能错, 一般应放在吸油腔一侧。导向弹簧钢丝安装时必须注意弹簧力的作用方向, 在弹簧力的作用下, 使两轴套的扭转方向与被动齿轮的旋转方向一致。只有在这样正确安装, 才能保证消除困油现象的卸荷槽的错动而不至于使吸、压油腔相通。卸压片应放在吸油腔一侧。泵盖紧固螺钉应交替均匀拧紧。转向需满足设备要求。
在维修好后, 注意液压泵在以后使用时, 一定要符合公称压力和流量, 不要超过其容积效率, 避免相关元件过度疲劳, 减少轴承等元件的磨损速度。这样, 可以延长液压泵的使用寿命。
4 结语
本文针对装备液压系统液压泵的常见故障类型与原因进行了分析与总结, 提出了有针对性的解决途径与故障诊断方法, 这对于装备液压系统的液压泵故障诊断有一定的参考意义。
摘要：在装备液压系统中, 液压泵是必备的动力元件。本文就装备液压系统液压泵常见的故障类型进行了归纳, 对其发生故障的原因进行了分析, 对其故障的诊断方法进行了针对性的研究。对于液压泵的故障诊断的研究具有非常重要的现实意义。
关键词：装备液压系统,液压泵,故障诊断
参考文献
[1]刘玉娇, 姚恩涛, 徐红专.基于粒子滤波和自回归谱的液压泵故障诊断[J].仪器仪表学报, 2012.
[2]王少萍, 苑中魁, 杨光琴.液压泵信息融合故障诊断[J].中国机械工程, 2005.
[3]崔玉理.机械液压传动系统中智能故障诊断技术的应用研究[J].液压与气动, 2007.
试压泵故障 篇2
关键词：多尺度排列熵,偏均值,液压泵,故障特征
0 引言
分析壳体振动信号是液压泵故障诊断与预测的主要方法之一，基于振动信号分析结果可以判定液压泵故障的类型和程度[1]。对于轴向柱塞泵而言，由于液压油的压缩性、泵源与液压回路的流固耦合作用以及工作过程中泵体本身固有的机械冲击，导致液压泵的振动信号表现出很强的非平稳、非线性特性[2]。传统的小波分析、经验模态分解等方法能够很好地解决振动信号的非平稳性问题，但采用以上方法处理具有非线性特性的液压泵振动信号具有一定的局限性。
随着非线性理论的发展，许多非线性方法被应用到机械信号处理中，如分形维数、近似熵和样本熵等[3,4]。排列熵（permutation entropy,PE）是Bandt等[5]提出的一种新的时间序列复杂度指标，与Lyapunov指数、分形维数以及样本熵等相比，它在概念上更容易理解，且具有计算简单、运行速度快和对噪声鲁棒性强的优点，排列熵已被广泛应用于脑电信号、心音信号、地磁信号以及机械信号[6]处理中。多尺度排列熵（multi-scale permutation entropy,MPE）是Aziz等在排列熵的基础上提出的[7]，相关研究表明，多尺度排列熵具有比排列熵更好的鲁棒性[8]。在国内，刘永斌等[9]将排列熵用于旋转机械的状态监测，并分析了不同的延迟时间和嵌入维数对排列熵的影响。冯辅周团队对排列熵进行了更进一步的研究，将排列熵用于机械设备的状态监测和故障预测，并对排列熵的参数优化方法进行了研究[10,11]。郑近德等[12]将多尺度排列熵用于轴承的故障特征提取，并与支持向量机相结合，有效地实现了轴承的故障诊断。但现有关于排列熵的研究大都是基于排列熵良好的突变检测性能展开的，多数是采用排列熵检测某一系统的异常或者预测某一故障的发展变化趋势，将排列熵用作故障特征指标实现系统多故障识别的研究还比较少，将排列熵用于液压泵故障识别的研究更是很少见到报道。
本文将排列熵引入液压泵的故障识别中，在对液压泵振动信号排列熵和多尺度排列熵进行研究的基础上，提出了一种综合液压泵振动信号在多个尺度上排列熵值和排列熵值随尺度变化趋势的指标———多尺度排列熵偏均值（partial mean of multi-scale permutation entropy,PMMPE）作为液压泵的故障特征指标，对液压泵实测信号的分析结果验证了所提指标的有效性和优越性。
1 排列熵相关理论
1.1 排列熵算法及其参数优化
排列熵是一种衡量一维时间序列复杂度和随机性的指标，它可以很好地检测出系统的动力学突变[5]。对于一维时间序列{x(j),j=1,2，…，n}，以嵌入维数为m、延迟时间为r对其进行相空间重构，可以得到如下形式的矩阵：
重构的矩阵共包括K行，每一行是矩阵的一个重构分量。对每个重构分量中的元素按其数值大小进行升序排列，然后提取每个元素在排序前重构分量中所在列的索引组成一个符号序列。对于重构的m维列向量，可能出现的符号序列共有m！种，计算第k种排列形式的符号序列出现的概率，记为Pk，则该时间序列的排列熵可以由下式求得：
对Hp进行归一化可得
Hp的大小反映了时间序列的复杂程度和随机性。机械设备发生某种故障时，故障越严重，其振动信号的随机性越小、复杂度越低，此时振动信号的排列熵越小；反之，机械设备处于正常状态时其振动信号的随机性最大，排列熵值也最大[9]。Hp值的变化能够很好地反映机械设备故障程度的变化，常被用作机械设备状态监测和异常检测的指标。对于液压泵而言，当其处于不同的故障状态时，其振动信号的复杂度和随机性也各不相同，因此，排列熵应该可以作为液压泵的故障特征指标用于液压泵的故障识别。
根据排列熵的计算步骤可知，相空间重构时的延迟时间和嵌入维数是影响排列熵算法的两个主要参数，人为地确定这两个参数具有一定的主观性和随机性，针对该问题，饶国强等[11]对比分析了采用互信息法和伪近邻法独立确定两参数与采用关联积分法（C-C算法）联合确定两参数的效果，发现独立确定的参数求得的排列熵具有更好的突变检测效果，也即参数优化能够提高排列熵区分突变前后两状态的能力。
1.2 多尺度排列熵
多尺度排列熵是在多个尺度上计算时间序列的排列熵，求时间序列的多尺度排列熵首先要将时间序列多尺度化即粗粒化[12]。振动信号序列X={x(j),j=1,2，…，n}可以根据下式进行粗粒化：
yi(l）表示尺度为l的粗粒化序列，尺度因子l决定了时间序列的粗粒化程度，在粗粒化过程中时间序列的长度也相应缩短，尺度因子为l时，粗粒化序列长度为ent(n/l），当l=1时粗粒化序列就是原时间序列。
在对时间序列粗粒化处理后，计算每个粗粒化序列的排列熵即可得到多尺度排列熵。为了使每个尺度下的排列熵具有更好的故障识别效果，在计算每个尺度上的排列熵时有必要采用互信息法和伪近邻法优选延迟时间和嵌入维数，基于优化的参数计算各尺度排列熵。
1.3 多尺度排列熵偏均值
在关于多尺度排列熵的研究中，大部分文献都没有提出一种综合多个尺度上排列熵值的指标。文献[13]在对多尺度熵研究的基础上提出了综合时间序列在多个尺度上的非线性信息的指标———多尺度熵偏均值。该指标在计算轴承振动信号多尺度熵的基础上，结合偏均值的概念，综合了多个尺度样本熵值和熵值的变化趋势两方面的信息，能更加全面地反映振动信号所包含的信息。本文在对排列熵和多尺度排列熵研究的基础上，提出了多尺度排列熵偏均值的概念，并采用多尺度排列熵偏均值作为液压泵故障识别的特征参量，以期得到更好的故障识别效果。
某一振动信号序列X={x(j),j=1,2，…，n}的多尺度排列熵偏均值计算步骤如下：
(1）确定多尺度排列熵的最大尺度因子s。
(2）在某一尺度l(l=1,2，…，s）下对振动信号进行粗粒化，采用互信息法和伪近邻法确定该粗粒化序列的最佳延迟时间和嵌入维数，然后计算该粗粒化序列的排列熵Hp(l）；计算所有尺度下粗粒化序列的排列熵可得到X的多尺度排列熵Hmp(X）={Hp(1),Hp(2），…，Hp(s）}。
(3）计算多尺度排列熵的偏斜度Ske，即该序列的偏态绝对值与其标准差的比值，其计算公式如下：
式中，Hmmp、Hcmp和Hdmp分别表示多尺度排列熵Hmp的均值、中位数和标准差。
(4）该振动信号的多尺度排列熵偏均值可按下式求得：
2 液压泵故障特征提取
2.1 振动信号采集
实测液压泵振动信号采自液压泵试验台，液压泵型号为SY-10MCY14-1EL，驱动电机型号为Y132M-4，其额定转速为1480r/min。选用CA-YD-139型压电式加速度传感器与液压泵端盖进行刚性连接，见图1，使用DH-5920动态信号测试分析系统进行数据采集。采集正常、滑靴磨损、松靴、双松靴以及严重松靴5种故障状态下的液压泵振动信号，试验中液压泵故障采用装备检修时换下的出现故障的柱塞代替正常柱塞的方式进行模拟，试验所用部分柱塞见图2。试验中振动信号采样频率为10kHz，每种故障采集10组数据，每组数据采样点数为2048，采样间隔为1min。试验过程中试验台主溢流阀压力为10MPa，电机转速为其额定转速。
采集到的5种状态下液压泵振动信号波形如图3所示。从振动信号的波形图可以看出，不同故障模式下液压泵振动信号的幅值不同，正常液压泵振动信号的幅值最小，但根据时域波形图无法判断液压泵的故障。
2.2 基于排列熵的液压泵故障特征提取
首先分析排列熵作为特征指标区分液压泵不同故障的能力。根据文献[9]的经验，本文取排列熵计算过程中相空间重构的嵌入维数m=5，延迟时间r=3，根据排列熵计算步骤求得5种故障模式下各组样本的排列熵，如图4所示。由图4可以看出，不同故障模式下液压泵振动信号的排列熵具有不同的波动区间，且波动强度也不相同。正常信号的排列熵值最大，波动性最小；严重松靴状态下振动信号的排列熵值最小，波动性最大。排列熵能够较好地衡量不同故障模式下液压泵振动信号的复杂度和随机性。但从图4也可以看出，不同故障模式下的排列熵波动区间有一定的重叠和交叉，直接采用排列熵作为液压泵的故障特征可能会引起误判。
采用互信息法和伪近邻法对排列熵计算过程中的延迟时间和嵌入维数进行优选，基于优选的参数对信号序列进行相空间重构，然后计算其排列熵，以期得到更好的故障识别效果。限于篇幅，此处取正常信号中的第三组数据介绍其参数优选过程。首先采用互信息法确定延迟时间r，求得互信息（mutual information,MI）随延迟时间变化的曲线，如图5所示，根据互信息法确定延迟时间的规则，选定延迟时间r=4。在确定延迟时间的基础上[11]，采用伪近邻法优选嵌入维数，其中最大嵌入维数设置为8，判据一设置为20，判据二设置为2，伪近邻率（ratio of false neighbor,RFN）随着嵌入维数变化的曲线如图6所示，在嵌入维数为4处伪近邻率不再随着嵌入维数的增加而减小，则取嵌入维数m=4。
采用互信息法和伪近邻法求得的5种故障模式下各组样本的延迟时间和嵌入维数如表1所示。基于优选的延迟时间和嵌入维数对各组样本进行相空间重构，并计算其排列熵，得到优化参数下的排列熵如图7所示。
可以看出，与图4相比，图7中不同故障模式下排列熵间的区分度更好，同一故障模式下不同样本的排列熵间的差异更小，说明参数优选能够有效提高排列熵区分液压泵不同故障的能力。但是，不同故障模式下排列熵的波动区间仍有重叠现象。另外，在参数优选条件下，滑靴磨损信号的排列熵值明显变大，造成该变化的原因在于参数优选确定的延迟时间和嵌入维数明显区别于前文排列熵计算时的延迟时间和嵌入维数。以上分析表明，在计算排列熵过程中有必要对延迟时间和嵌入维数进行优选。
2.3 基于多尺度排列熵偏均值的液压泵故障特征提取
排列熵只能反映振动信号在单个尺度上的复杂度和随机性，为了衡量振动信号在多个尺度上的复杂度和随机性，并将多个尺度上的复杂度用一个指标反映出来，本文计算了液压泵振动信号的多尺度排列熵偏均值Hmppc，并对其作为液压泵故障特征指标的可行性和有效性进行分析。
按照多尺度熵偏均值的计算步骤，首先计算5种故障模式下每组样本的多尺度排列熵Hmp，此处从每种故障模式的样本中各选一组进行分析，取最大尺度因子为12，求得5组样本的多尺度排列熵曲线，如图8所示。由图8知，液压泵振动信号的多尺度排列熵熵值Hmp随着尺度因子l的增大呈现递减的趋势，这说明随着尺度的增大，粗粒化序列的复杂度和随机性降低。另外，不同故障类型振动信号的多尺度排列熵曲线具有不同的下降速率，说明不同故障振动信号随着尺度的增大其复杂度降低的速率不同。为了更好地区分液压泵故障，采用多尺度排列熵偏均值作为液压泵的故障特征指标。
计算5种故障模式下各组样本的多尺度排列熵Hmp，并计算它们的多尺度排列熵偏均值Hmppc，结果如图9所示。对比图9和图7可知，多尺度排列熵偏均值能够更好地区分液压泵故障，且具有更好的稳定性。实测液压泵振动信号的分析结果证明了本文提出的多尺度排列熵偏均值作为液压泵故障特征指标的有效性和优越性。
3 结论
试压泵故障 篇3
某石化公司涤纶短纤维装置是20万吨/年聚酯二阶段工程的主要生产装置之一。采用直接纺丝工艺, 从熔体输送系统、纺丝、后加工直到打包, 全部工艺技术和设备由国外引进。纺丝泵、卷绕、喂入、丝桶横动装置的控制是通过可编程控制器 (PLC) 来实现, 其主要参数送至DCS进行监视和操作。后加工生产线采用PCS7系统, 其控制功能通过可编程控制器 (PLC) 来实现。该装置生产能力为20万吨/年涤纶短纤维, 配置两条生产线, 单线能力为150吨/天。本文中的增压泵设备在该装置中处于“龙头”位置, 来自聚酯装置的纺丝原料在热媒系统的保温下, 以熔体的形式经输送管线输送至增压泵处, 在通过增压泵设备加压后输送到各个纺丝箱体, 然后经过纺丝、卷绕、喂入、铺丝后再进行后并进行加工处理。
增压泵设备是由电机、减速机和泵体组成, 电机为1LA系列三相异步电动机, 电机的运转则是由6SE70系列变频器控制, 其控制系统采用S7400系列PLC。通过熔体的压力传感器输出4-20m A信号来控制变频器的输出频率, 从而实现对熔体的恒压控制。控制增压泵电机的启停信号以及相关的联锁信号点全部进入PLC的ET200M模块, PLC与ET200M通过Profibus通讯方式来联系, 系统的控制命令均由PLC发出。
2 故障现象
2011年12月19日11点58分前纺增压泵装置停车, 电气人员检查增压泵变频器发现F011 (该装置由于过流而停机) 报警, 查看增压泵PLC系统的故障诊断信息, 出现PLC总线上的ET200M掉站故障。变频器复位后即刻恢复生产。2012年3月6日0点58分前纺增压泵装置再次停车, 增压泵变频器F011报警, PLC系统的故障诊断信息再次出现ET200M掉站故障, 两次的故障现象几乎一致。故障的难点在于变频器故障和PLC故障之间是否存在因果关系还是各自独立的。
3 原因分析
通过对PLC系统的故障诊断信息进行仔细分析, 发现故障发生和恢复返回的时间均为毫秒级, 有的甚至为几十毫秒。在短时间内几乎无法判断变频器故障和PLC故障的先后顺序, 这使得故障分析处于停滞状态。但是通过查阅相关资料发现使用“drivemoniter”软件中的“trace”功能, 对分析故障原因起到了关键作用。
首先介绍一下“trace”功能的使用:在ONLINE模式下点击TRACE图标, →进入TRACE画面→点击SETTING→进入SETTING对话框→在对话框的左半部分选择想检测的连接器 (K或B) , 在右半部分的上半部分设定采样周期, 在下面部分选择触发条件→保存→点击START, 然后等待触发激活后即可记录曲线数据。“trace”功能是“drivemoniter”软件中的亮点, 它完全可以替代示波器的功能, 而且相比普通示波器有以下优点: (1) 保存数据, 并具有打印功能; (2) 最多可同时监控10个数据, 并以不同颜色的曲线显示; (3) 可监控K或B连接器的状态; (4) 采样时间可以选择设定, 最短采样周期可以达到5ms。
为了获取第一手信息采取长期在线连接变频器, 并将变频器故障报警信息作为数据采样的触发条件, 采集到变频器发生故障时的历史数据曲线, 通过对这几次的曲线情况进行比较, 针对变频器发生F011 (变频器过流报警) 进行了认真分析。如图1所示为变频器故障数据曲线。图1中1为输出电流曲线;2为输出实际速度曲线;3为变频器U相输出电流波形。
通过对以上两次变频器故障时采样的数据曲线进行比对不难发现, 这两次的故障曲线基本一致。主要表现在: (1) 输出电流曲线1在变频器报警点时间后延时几十毫秒变为零; (2) 输出实际速度曲线2在变频器报警点时间变为零; (3) 变频器输出电流波形曲线3出现在故障时间点前100ms的时间段内没有曲线记录的情况, 而在故障点则出现2-3倍于正常波形幅值的曲线。
首先, 针对记录曲线所反映的现象, 通过查看变频器矢量大全中的矢量图可以发现, 输出电流 (output Amps) 曲线1所采样的数值为变频器输出电流互感器反应的电流值, 通过计算后又经过一个2s的滤波延时后才送给连接量k0022 (输出电流值) , 而输出实际速度曲线2则是直接采用了变频器的实时频率进行计算而未进行滤波直接送到连接量上。因此这就解释了曲线图中输出电流曲线1滞后于速度曲线的原因。变频器的输出电流矢量图如图2所示。
变频器输出电流波形曲线3、4分别是通过变频器输出电流互感器采集到的Phase1和Phase3的电流值通过控制板进行模数转换后送给相应的连接量, 通过连接量显现为曲线图中的正弦曲线。其矢量图如图3所示。
针对这两次同时出现电流波形曲线3、4在故障时间点前几十毫秒左右的时间段内没有曲线记录的情况进行分析, 研究发现没有曲线记录的这段时间是因为电流互感器没有采集到电流数据导致的, 而造成这种现象是因为变频器的输出接触器出现了瞬间的释放断开。断开的这段时间电流互感器检测不到电流因此没有曲线记录, 但是这段时间变频器一直处于正常输出状态, 而当接触器瞬间吸合时相当于电机全压启动, 其瞬时电流峰值必然会很大, 这就是图1中在变频器发生故障的时间点出现的2-3倍于正常波形幅值的曲线。当这个波形峰值达到或超过变频器的过流报警阀值时, 变频器便发送故障指令F011 (变频器过流) 来关断变频器的输出, 从而导致本次事故的发生。
分析变频器的输出接触器为何出现瞬间的吸合状态, 由于变频器的输出接触器的线圈是通过PLC的输出点控制的, 因此将PLC系统作为突破点, 通过查看PLC系统的诊断信息来分析其原因。
在正常状态下PLC运行时的工作步骤如图4所示。
PLC正常上电启动后会执行一次OB100启动块, 然后CPU不断循环操作以下三个主要部分: (1) CPU检查输入信号的状态并刷新过程映象输入表; (2) 执行用户程序; (3) 把过程输出映象输出表写到输出模块。
在每个扫描周期, CPU检查输入和输出的状态。过程映象输入表建立在CPU存储器区, 所有输入模块的信号状态存放在这里。而PIQ过程映象输出表包含程序执行的结果值, 扫描结束后传送到实际输出模块上, 如图5所示。
当PLC发生通讯中断时, 其无法访问映象区内的数据, CPU会将其存储区内的输入输出信号置为“0”, 一旦通讯恢复正常CPU继续执行用户程序, 按照程序进行输入输出分配。由此调取了发生故障时增压泵变频器所在的ET200发生的故障信息, 如图6所示为截取的部分具有代表性的报警信息。
通过对诊断信息的分析认为是由于PLC与变频器所在的ET200模块发生通讯后出现掉站现象, 直接导致其在过程映像区内的数据无法正常访问, 致使ET200的输入输出点均为“0”, 而变频器的输出接触器线圈是由PLC的输出点来控制的。因此, 当增压泵变频器所在的ET200模块出现瞬时的通讯中断后, 其输出点输出为“0”, 导致其所控制的接触器断开, 而当通讯恢复正常后其输出恢复到正常状态“1”, 接触器吸合, 而接触器瞬间的断开吸合会产生一个很大的电流峰值, 当峰值达到变频器的报警阀值时变频器故障停车。
4 处理措施
本次故障其根本原因在于如何解决PLC的通讯问题, 一旦PLC的通讯问题解决上述问题也不复存在了, 因此对变频器所在的ET200M进行改造, 将增压泵变频器所在的ET200M从站取消, 将其从站所有的输入输出点全部引至PLC的主机架的输入输出卡上, 这样就不会出现ET200M的通讯故障导致的掉站现象。
改造后将从系统结构和控制原理上避免了通讯故障的产生, 确保短丝装置的安全稳定运行, 彻底摆脱通讯故障对短丝生产的长期困扰。
参考文献
[1]SIMOVERT MASTERDRIVES矢量控制使用大全.西门子.
[2]西门子S7-400使用手册.西门子.
试压泵故障 篇4
(1)负流量控制
负流量控制是指主液压泵的排量与先导控制压力成反比。其主要特点是在多路阀的回油口设置背压阀,多路阀的回油到达该背压阀后被截流并产生压力,将该压力油作为先导压力油用来控制主液压泵排量。该压力油压力越大,主液压泵排量越小,反之亦然。
液压负流量控制原理应用于神钢3型挖掘机上,如图1所示。多路阀主阀芯中间油路带有一定压力的油液Pi流入泵调节器的流量控制活塞3;前泵、后泵的主压力油P1、P2分别引入到泵调节器的功率控制活塞4的两处台阶面。由比例电磁阀5出来的先导二次压力Pfi则分别进入到泵调节器的功率控制活塞4和功率设定活塞6。
流量控制活塞3和功率控制活塞4通过连杆机构共同作用于伺服阀2上,既能保证前泵、后泵流量既可随着Pi的变化而变化,也不会因流量过大而导致发动机过载。
1.伺服活塞2.伺服阀3.流量控制活塞4.功率控制活塞5.比例电磁阀6.功率设定活塞P1——前泵主压力油P2一后泵主压力油Pi——多路阀中路压力油Pfi—先导二次压力油
1.伺服活塞2.伺服阀3.先导阀4.反馈阀5.应急阀6.比例电磁阀SE22、SE23——高压传感器SE26、SE27——负压传感器
电子负流量控制常应用于神钢6型20t及25t挖掘机,如图2所示。相对于液压负流量控制,电子负流量控制在油路中增加了高压传感器(SE22、SE23)、负压传感器(SE26、SE27)以及应急阀5。由多路阀主阀芯中间油路到泵调节器的负压Pi,不再直接驱动先导阀3,而是在应急阀处被截止,仅将压力信号传递给负压传感器(SE26、SE27)。
CPU采集负压传感器信号的同时,采集高压传感器(SE22、SE23)的信号,经内部运算后输出适当的控制电流值到比例电磁阀6,由比例电磁阀6输出的二次压力油来驱动先导阀3,进而控制主液压泵的流量。
(2)正流量控制
正流量控制是指主液压泵的排量与先导操纵手柄输出的信号压力成正比。其主要特点是:操纵手柄的先导压力油在控制多路阀换向的同时,还用来调节主液压泵的排量。主控制器根据先导压力信号判断执行器的流量需求,从而实现主液压泵排量的实时匹配。如图3所示。
电子正流量控制系统应用于神钢8型13t及以上挖掘机,如图4所示。该系统中CPU不再采集负压信号,所以与负压相关的部件,如负压溢流阀、负压传感器等全部取消,改为采集由操纵手柄减压阀处发出的先导压力信号。不同于传统的正流量控制,电子正流量控制不是将先导油路采集的信号直接传递到调节器中,而是由CPU采集安装在先导管路上的先导低压传感器信号和主回路上的高压传感器信号。这2种信号经CPU运算后,输出适当的控制电流值到比例电磁阀,由比例电磁阀输出二次先导压力油来驱动先导阀,进而控制主液压泵的流量。
2.故障排查方法
在挖掘机发生与主液压泵流量控制相关的故障时,可以依据正流量或负流量控制原理进行分析和排查,现举例说明。
1.伺服活塞2.伺服阀3.先导阀4.反馈阀5.应急阀6.比例电磁阀SE22、SE23——高压传感器
(1)启动困难
1台配装负流量控制系统的神钢挖掘机发生发动机启动困难故障。该故障应从发动机(排查从略)和液压系统两方面进行分析。
发动机启动困难涉及液压系统的原因可能有:主阀芯没有正常切换,导致主液压泵回油不畅、系统压力上升;控制信号异常或泵调节器卡滞,使发动机启动时的流量过大。针对液压系统的排查过程如下:
检查多路阀各阀芯切换顺畅无卡滞,各电磁阀和比例电磁阀切换正常无故障,调节器内部无明显磨损及卡滞。
检查控制信号时,发现负压压力比正常值低。根据负流量控制原理可知,当负压压力变低时,泵输出的流量会变大。继续检查发现,由于先导泵输出压力过低,导致多路阀中立切断阀不能切换到全开位置,进而导致负压压力下降。更换新品先导泵后试机,各控制信号均恢复正常,发动机启动困难故障消失。
(2)动作缓慢
1台配装正流量控制系统的神钢挖掘机发生工作装置动作缓慢故障。
分析认为,挖掘机动作变慢的原因主要有5点:一是主液压泵、液压缸、液压马达严重磨损,二是多路阀阀体或阀芯严重磨损,三是CPU控制异常,四是卸荷电磁阀或卸荷阀卡滞,五是调节器卡滞或接受错误控制信号。
该故障排查过程如下:检测主液压泵、马达和液压缸的无明显泄漏;检查多路阀各阀芯与阀体的配合间隙正常,检查卸荷电磁阀及卸荷阀无卡滞;检查CPU输出控制指令正常,检查调节器内部无明显磨损及卡滞。
在检查调节器的控制信号时,发现由比例电磁阀输出的用于驱动先导柱塞的先导二次压力偏低。根据正流量控制原理可知,若CPU接收到较低的先导压力信号,会造成比例电磁阀输出的先导二次压力降低,进而导致泵流量变小。
试压泵故障 篇5
由于工程机械设备体系结构复杂、工作环境
恶劣,以及高荷载的长时间作业效应和疲劳效应,致使各种设备故障频发,严重威胁着人民生命和设备财产的安全。统计表明,液压泵的故障率约占所有工程机械设备故障率的30%～40%。液压泵故障具有潜伏性,早期孕育阶段往往不易察觉,因此,实时在线监测液压泵的运行状态、早期预测预警液压泵故障,对于减少液压泵的损坏率和事故、缩短工程机械作业现场的停工期具有十分重要的意义。
液压泵在线故障诊断要求在分类速度、分类精度、工程机械作业时在强噪声环境中的抗干扰能力和海量数据处理上同时达到一个较好的平衡。
基于结构风险的支持向量机(support vector machine,SVM)是一种新的状态识别方法,比人工神经网络有更好的泛化性能,能有效避免经典识别算法中的过学习、维数灾难、局部极小等问题,分类性能不依赖于特征维数, 在小样本条件下仍具有良好的泛化能力,适用于小样本决策的机械故障诊断[1,2]。对于液压系统,故障类型可能达到上百种,故障类别的增加会使得SVM的分类时间急速增长,从而影响在线故障诊断的实时性,这就要求SVM在分类速度上做相应提高。
SVM最初是为解决二分类问题而提出的,为满足实际工程需求,很多学者在二分类基础上对多分类问题进行了研究,其中最成熟的是一对多(one-against-all,OAA)[3]、一对一(one-against-one,OAO)[4]和有向无环图(direct acyclic graph,DAG)[5]。为提高分类速度,Fei等[6]在2006年提出了二叉树支持向量机(binary tree of SVM,BTS)算法和集中二叉树支持向量机(centered BTS, c-BTS)算法,这两种算法在一定程度上减少了分类器数。但测试时间的影响因素包括二分类器支持向量机数和总分类器数。2009年,Chen等[7]从降低总的二分类器支持向量机数的角度对BTS进行了改进,提出了自适应二叉树支持向量机(adaptive binary tree SVM,ABTS)算法,提高了分类速度。ABTS认为只有所有样本都满足分类条件时该类别才可分的原则使得该算法对在线故障分类速度提高方面优势并不明显,且该方法未动态地考虑预测过程中的新增样本,使得其在实际的工程应用中存在局限性。
本文在ABTS理论基础上对多分类算法从速度和精度上做了改进,提出了容错度自适应支持向量机(fault-tolerant adaptive support vector machine,FTASVM)。FTASVM在实时性、分类精度、工程机械作业时在强噪声环境中的抗干扰能力和海量数据处理上能同时达到一个较好的平衡。
1 现有SVM多分类方法
SVM的核心思想是建立一个决策超平面,使正例、反例之间的隔离边缘最大化[8]。
现有的SVM多分类方法主要包括OAA、OAO、DAG、BTS等方法。ABTS[7]的基本思想是在BTS基础上为二叉树的每个内部节点选择平均支持向量机数最小的分类器,从而使参与计算的总支持向量机数最小,以提高分类速度。
图1中的H12是C1和C2两类样本训练得到的分类超平面,C3也可以通过H12和C2分离出来,C4的样本分布在H12的两边,不能被H12分离。测试阶段,输入位于A点的测试数据xt,如果sgn(f(xt))=-1,可以判断A不属于C1和C3,换言之,在预测阶段我们不需要再使用C3和C2间的分类超平面H23。
为反映二分类器的计算复杂度,引入平均支持向量机数:
其中,Vij 是i类和j类训练所得分类面的支持向量机数,Ni和Nj是分类超平面Hij两边的类别数。
对于每个分类面,ABTS通过sgn(f(x))条件将样本分到分类面的两边。
sgn(f(x))条件:假设二分器两边输出结果为-1和1,如对于某类所有样本数输出结果都为-1(或1),该类可被分到-1(或1)面,否则,该类不可被该二分类器分离。
以六种故障中的单一故障(正常状态、柱塞磨损、内圈磨损、滚珠磨损、斜盘磨损、配流盘磨损)各50组样本为例对ABTS的分类情况进行说明。
根据sgn(f(x))条件,各分类器信息如表1所示,这里1/2(3 4 5 6) //4表示由类1和类2训练得到的分类器H12,可同时将类1和括号中的类3、4、5、6分开,对应的平均支持向量机数为4。
从表1可以看出,当i=2、j=5时,对应分类器分类器标记为H25,然而分类器右边并没有类5。我们从sgn(f(x))条件寻找原因,类5的50个样本里面只有42个(而不是全部的50个)输出结果为-1,从而使得类5被误分。随着样本总数的增加,此问题越明显。这也是ABTS的最大缺陷所在。为改善ABT因sgn(f(x))条件所引起的局限性,进一步提高分类速度,本文提出了FTASVM分类算法。
2 FTASVM理论及其算法
速度和精度是两个相互制约的量,如何在做到提高分类速度的同时又能保证分类精度是本文要解决的核心问题。FTASVM将二叉树的建立放在模型训练阶段完成,这样虽然延长了离线训练时间,但是可以缩短在线故障分类时间。
由于训练初期对问题理解的局限性以及问题本身的高度复杂性,训练初期一般很难准确地定义和收集所有需要的训练样本集,为此,我们希望故障分类器具有自学习能力,从而不断优化训练模型。
2.1预测速度的提高
预测速度提高包括三个核心内容:
(1)引入容错度因子σ。设训练样本总数为l,如果不满足sgn(f(x))条件的样本个数小于等于l σ,则认为该类可被分到-1(或1)面;
(2)优先选择能将某类i单独分离出来的二分类器作为当前节点,这样,和类i有关的分类器在后续节点选择时将不再考虑,从而减少分类器数;
(3)如果满足条件的二分类器个数大于1或等于零,则选择平均支持向量机数最小的二分类器作为当前节点。
2.2自适应性的提高
标准支持向量机不具备自学习能力,本文引入淘汰式增量学习算法[9]来对容错度因子σ等模型参数进行动态自适应调整。
2.2.1 增量学习要解决的问题
增量学习要解决的两个问题如下:什么样的新增训练样本会使支持向量集发生变化;新增训练样本对原支持向量机分类器中的支持向量和非支持向量有什么影响。对于第一个问题,新增样本中违反卡罗需-库恩-塔克条件(Karush Kuhn Tucker conditions,KKT)的全部样本和满足KKT条件的部分样本会影响增量学习后的支持向量机,违背KKT条件等价于y(xi)f(xi)<1。对于第二个问题,如果新增训练样本中存在违反KKT条件的样本,则原来的支持向量可能转化为非支持向量,原来的非支持向量可能转化为支持向量。
2.2.2 淘汰规则
对新增样本中满足KKT条件的样本和原样本中的非支持向量机采用淘汰规则进行淘汰,剩下的支持向量机作为训练集训练成新的模型[9]。如果样本在图2中的阴影部分,则在下一轮分类器训练时淘汰该样本。D(x)为最优决策面函数,δ为分类间隔,Rj为第j类样本的分类超平面半径,ρ和θ是半径和角度的阈值。
淘汰规则一 如果样本点x的映射函数ϕ(x)和超平面中心aj的距离rj(x)小于ρ Rj,我们认为该样本在以类中心为球心的小超球面内,不会影响新的支持向量集,则淘汰该样本。存在
其中,Sj为第j类支持向量集,α(j)i为第j类样本的第i个拉格朗日乘子,核函数K(xi,xk)选择径向基函数。
淘汰规则二 如果样本x满足ϕ(x)-aj和超平面的夹角ψj(x)大于θ,我们认为ϕ(x)在分类超锥面内,不会影响新的支持向量集,则淘汰该样本。其中
式中,f(x)为决策函数。
2.2.3 FTASVM计算步骤
设单个的训练样本为x,淘汰式增量学习算法对容错度因子等模型参数进行动态自适应调整步骤如下:
(1)判断训练样本是否为空集,若是,则结束训练,否则转步骤(2)(步骤(2)～步骤(8)完成最优容错因子的确定及二叉树的构建);
(2)容错度因子从0开始逐渐增大(0≤σ≤1),步长为0.01;
(3)根据需要设定精度门槛值γ(本实验取γ=90%),判断精度门槛值是否大于90%,如果大于90%且σ小于0.4(设置0.4为σ的上限值,以防进入过容错)则返回到步骤(2),否则执行下一步;
(4)用步骤(3)确定的σ训练所有的N(N-1)/2个分类器,并记录每个分类器两边的分类信息,计算平均支持向量机数;
(5)统计分类面能区分的类别数Sij,找出Sij的最大值Smaxij,当存在多个最大值时,选择能将某一类单独分离出来的分类器,若待选二分类器个数大于1或等于0,则选择平均支持向量机数最小的二分类器;
(6)通过计算样本x的sgn(f(x))值将当前节点分为两个子节点;
(7)根据已分离出来的类别更新分类器两边信息和平均支持向量机数;
(8)重复步骤(2)～步骤(8),直至叶子节点,完成初始样本集的训练(步骤(9)～步骤(12)完成容错度因子等模型参数的动态自适应调整);
(9)训练初始集样本X(k)a,得到训练模型SVMk,其中包括支持向量集Xsva和非支持向量集Xnsva,若k=0,SVMk表示原始分类器,k←k+1,转步骤(1);若k≠0,则转步骤(3);
(10)将新增样本X(k)b输入到训练模型SVMk中,得到违背SVMk KKT条件的Xvb和满足KKT条件的样本集Xsb,如果Xvb=Ø,则转向步骤(1),否则执行步骤(11);
(11)将Xsb和Xnsva合并成新的样本Xnew,根据淘汰规则淘汰对后续训练影响不大的样本,得到剩余样本集Xleft;
(12)Xleft、Xsva、Xvb合并得到X′a,k←k+1, Xka=X′a,转至步骤(1)。
预测阶段,根据sgn(f(x))的值选择搜索路径,sgn(f(x))=-1时往左孩子节点走,sgn(f(x))=1时往右孩子节点走,直到叶子节点处停止,叶子节点为故障类别号。
图3所示为根据表1的数据用ABTS和FTASVM构造的两棵二叉树,FTASVM比ABTS节省了两个二分类器,随着故障类别数的增加,FTASVM在节省分类器方面的优势更明显。
3 实验结果与分析
实验所用柱塞泵为力乐式A11VL0190,轴承型号为F207813,电机转速为1600r/min,柱塞间隙为0.3mm,系统采样频率fs=10kHz。前期信号处理和特征选择在MATLAB7.0软件中完成;故障状态识别相关算法在林智仁的LIBSVM软件包基础上完成[10],实验环境为VC++6.0。
本文对6种负载(6、10、15、20、25、30MPa)下的6种单一故障情况(正常状态、柱塞磨损、内圈磨损、滚珠磨损、斜盘磨损、配流盘磨损)和3种复合故障(对位柱塞磨损、内圈滚珠磨损、斜盘配流盘磨损)的信号进行分析。传感器通过磁铁固定在泵身上,布点情况如图4所示。传感器No.1用于测量配流盘端面加速度,No.2用于测量大轴承正上方加速度,No.3用于测量油口上方加速度,No.4用于测量出油口横向加速度,No.5用于测量出油口油压。No.5的数据对分类不敏感,剔除。4个加速度中No.2对应的分类精度最高。本文将从No.2采集的被噪声污染的加速度信号中选取4个子集(A,B,C,D)进行分析,结果如表2所示,其中每个样本集包括1024个采样点,60/30表示训练样本数为60,测试样本数为30,其他类同。
A组样本来自6MPa负载下6种单一故障情况,B组样本来自6种单一故障在4种负载(6、10、15、20MPa)条件下的情况;C组样本来自9种故障状态在6种负载(6、10、15、20、25、30MPa)条件下的情况;D组为故障和负载随机变化的情况。训练样本tra和测试样本test分别来自不同的样本集。
3.1容错度因子对FTASVM的影响
图5比较了不同容错度因子下FTASVM所需的二分类器数、分类时间和达到的分类精度。容错度因子从0开始,以0.01定步长递增,用十折交叉验证法评估精度,当分类精度低于90%时截止。
实验结果表明:适当提高容错度因子,可减少二分类器数n,从而缩短预测时间t,一定范围内分类精度e所受影响不大,当容错度超过某个值时,分类精度会急剧下降。D类情况在容错度因子为0.29时,分类速度提高了26.2%,而此时分类精度只降低了1.9%。对于实时性要求高的在线故障诊断系统,我们可以通过牺牲较小分类精度来换取较高分类速度。
3.2增量学习算法对分类精度的影响
实验时,原始训练样本为50个,每50个为一组增量样本进行增量学习,负载随机变化。表3描述了不同的角度阈值和半径阈值时对应的分类精度。当ρ=0.5,θ=0时,故障分类精度处于下降的边缘,从图2可以看出,ρ的增大和θ的减小都会增大阴影部分面积,面积越大,淘汰的样本也越多。当ρ=0.5、θ=0时,既保持了较高的分类精度,又淘汰了较多的样本点。所以在后续实验中,我们取ρ=0.5、θ=0。
图6描述的是增量学习算法下系统随着训练样本数nTrain增加时的预测精度曲线。从图6可以看出,分类精度在学习初期波动比较大,之后趋于平稳。增量学习算法为故障诊断系统的在线学习提供了一条有效的途径。
3.3多分类方法比较
表4比较了4种SVM多分类算法的分类性能,此时FTASVM对应的精度门槛值设为0.9,增量样本为50。从表4的结果可以看出,4种分类方法对小样本小类别的A组数据分类性能相差不大。随着样本增大,FTASVM在速度上的优势变得明显。C组和D组中,FTASVM比前三种方法中分类速度最快的算法(ABTS)在计算时间上分别节省了24.68%和26.22%。这是因为FTASVM在减少支持向量机数的同时减少了总的参与计算的支持向量机数。B组中,DAG的分类速度比ABTS分类速度稍快,是因为DAG所用分类器比ABTS所用分类器少。
实际故障诊断时,负载和故障类型变换都是随机的,故障类型可能有上百种,为提高分类精度,所提取的特征参数可能大于6个,所以,实际故障诊断更接近D组的情况。
4 结语
本文提出了一种新的FTASVM分类算法,该方法同时从减少分类器数和减少支持向量机数两方面着手,提高了故障分类速度。另一方面,引入增量学习算法对支持向量模型参数进行了优化,使在线诊断系统具备自学习功能。
通过FTASVM分类算法在混凝土泵车的液压泵故障诊断中的应用,证明了该算法对被噪声污染、大数据量的液压泵振动信号有很好的处理能力,在保证分类精度的同时有效提高了分类速度。
本文重点在于提高在线分类速度,并根据新增样本对已有的故障类型进行在线学习和参数调整。如何将新的故障种类添加到样本库是下一步的研究工作。
摘要：针对已有在线故障诊断方法在数据量大、噪声强条件下分类速度较低、分类精度不够高等问题,结合液压泵故障类别数目大、工作环境恶劣的特点,提出了一种适用于混凝土泵车液压泵在线诊断的状态识别算法——容错度自适应支持向量机。该方法主要从四个方面对分类速度做了改进:①引入容错度因子进行模型训练;②优先选择能将某一类故障样本单独分离出来的二分类器;③在满足②的基础上选择平均支持向量机少的分类器;④引入增量学习算法对参数进行自适应调整,提高多故障诊断中对新故障类别和新故障数据的适应性,保证系统的分类精度。通过对混凝土泵车的液压泵故障诊断,证明了该方法在明显提高分类速度的同时保证了较高的分类精度。
关键词：容错度因子,增量学习,支持向量机,多分类,故障诊断
参考文献
[1]Shilton A,Palaniswami M,Ralphd D,et al.Incre-mental Training of Support Vector Machines[J].IEEE Transactions on Neural Networks,2005,16(1):114-131.
[2] Kim H C, Pang S, Je H M, et al. Constructing Support Vector Machine Ensemble[J]. Pattern Recognition, 2003, 36(12):2757-2767.
[3]Bottou L,Cortes C,Denker J.Comparison of Clas-sifier Methods:a Case Study in Handwriting DigitRecognition[J].Proceedings of International Confer-ence on Pattern Recognition,1994,2:77-82.
[4] Friedman J.Another Approach to Polychotomous Classification[EB/OL]. Technical Report, Stanford University, 1996. http://www-stat.stanford.edu/reports.
[5]Platt J,Cristianini N,Shawe-taylor J.LargeMargin DAGs for Multiclass Classification[J].Ad-vances in Neural Information Processing Systems,2000,12:547-553.
[6] Fei B, Liu J. Binary Tree of SVM: a New Fast Multiclass Training and Classification Algorithm[J]. IEEE Trans. Neural Networks,2006, 17(3): 696-704.
[7] Chen Jin,Wang Cheng,Wang Runsheng.Adaptive Binary Tree for Fast SVM Multiclass Classification[J].Neurocomputing 2009,72:3370-3375.
[8] Vapnik V. Statistical Learning Theory[M].New York: Wiley, 1998.
[9]Shinya K,Shigeo A.Incremental Training of Sup-port Vector Machines Using Hyperspheres[J].Pat-tern Recognition Letters,2006,27(13):1495-1507.
试压泵故障 篇6
1 注水泵存在的问题
在油田生产上, 由于各种因素的影响注水量波动, 引起注水系统运行工况的变化, 因不能及时调整相应生产参数, 以致于注水泵运行过程中的流量出现过大或相对过小的现象, 耗费了大量的电能, 对机泵也造成很大的损害。
1.1 流量调解
未安装前置变频装置系统时, 当注水液量突然增加, 就需要手动开大注水泵出口阀门调解注水量, 调解不及时就会造成管压降低, 有时注水泵开到最大流量, 超负荷运转, 损害了设备, 影响油田正常注水。
1.2 压力调解
注水泵泵压和管压是随着注水量的变化而变化的, 注水泵运行中最高压力15.9 MPa, 最低压力13.9 MPa, 注水量少压力就高, 反之则压力降低。有时为了提高注水压力就要控制注水泵的流量, 这样做的同时, 注水流量又得不到保证, 所以生产实际中很多时候是注水泵流量开到最大, 由注水间根据注水井的需要自行调节。长期如此运行增加了注水泵的磨损, 降低了注水泵的使用寿命。
1.3 注水泵耗电量大, 增加了原油生产的成本
由于注水泵长期处于超负荷运转, 注水耗电量自然很大, 由于设备生产参数得不到合理的调节, 白白消耗了大量的电能, 增加了原油生产的成本, 同时对高压机泵的运行也十分不利, 见表1。
2 改造后存在的问题
在保证油田配注要求的前提下, 结合生产实际, 对葡一联合站注水站1#注水泵进行优化减级并应用加装前置泵变频技术, 使其能耗降到最低, 达到节能降耗的目的。经过一段时间的运行, 发现前置变频系统装置存在很多问题, 虽然达到了节能降耗的目的, 但影响了正常生产。
2.1 增压泵流量满足不了注水泵的需要
减级的1#注水泵的型号为D300-150×10A, 流量300 m3/h, 功率2240 k W, 扬程1580 m。经过减级后只是扬程发生了变化, 流量不变, 所选用的增压泵型号为PCP-T-BC, 流量300 m3/h, 功率200 k W, 扬程150 m。两台泵的流量相同, 在实际生产运行中, 机泵不可能超负荷运行, 短时间内可以, 长时间就会损坏设备。由于前置增压泵采用变频控制系统, 当频率为最高50 Hz时输出的流量还能满足注水泵的工作需要, 当频率低于45 Hz以下时, 输出的流量就无法满足注水泵的工作需要。
2.2 有效功率损耗过大
前置增压泵在运行过程中, 当流量达到300 m3/h时, 泵压和效率还能达到正常值, 当流量低于这个值的时候, 流量减少, 泵压下降。根据前置增压泵在运行过程中的各项参数和特性曲线可以看出, 前置增压泵变频控制系统所产生的有效功率损耗过大, 机泵达不到最佳工况点。
2.3 保护装置保护过于频繁
在生产中为了更好地保护设备, 防止突发事故造成设备损坏, 每台运行机泵都装有自动保护装置, 前置变频系统也同样装有保护装置。由于用于高压注水系统生产的时间短以及选用的变频系统和注水泵不匹配, 保护装置参数设置不合理, 运行中出现波动, 保护装置就会自动停泵, 并且频率过于频繁, 增加了操作人员的启泵次数和劳动强度。
2.4 节能效果差, 注水单耗过高
从表2可以看出前置增压变频控制系统刚运行时, 是有一定的节能降耗作用的。
前置增压泵变频系统运行到后期, 由于增压泵超负荷运行, 机泵出现了各种问题。如泵轴断裂、机械密封漏失严重等, 都严重影响了注水泵的运行, 达不到节能要求。注水耗电量也恢复到原先的水平45 000 k Wh/d左右, 注水单耗为5.8 k Wh/m3左右, 达不到节能降耗的目的。
3 变频控制系统的改进措施
目前, 大庆油田注水系统多数是采用前置增压泵变频控制系统装置, 注水泵进行优化减一级后与前置增压泵变频控制系统配合, 使注水泵的进口压力达到0.8 MPa左右, 达到平衡注水泵压力的目的。我们在选用前置泵时, 要根据生产实际情况使之与注水泵各项参数相匹配, 同时在选择前置增压泵流量上要比注水泵的流量大100 m3/h, 这样当变频器处于45 Hz以下生产调解时, 增压泵同样能达到注水泵流量的需求, 实现真正意义上的变频调速, 减少设备的损坏, 延长设备的使用寿命。大庆油田采油四厂注水站已经采取了这种措施, 并且运行后节能效果比较好。
4 结语
作业现场多功能试压泵研制 篇7
目前井下作业在对各种封井器、井口的试压;各种管柱、深井泵、套管漏失程度的验证;液压式封隔器的座封及打丢手等施工, 都需要水泥车的配合才能完成。
水泥车在进行以上施工时存在的弊端:
1) 在进行封井器及井口试压时, 试压空间小 (一般在20-40L范围内) , 而水泥车最低排量达200L/min, 这样压力值很难控制在要求范围内, 使作业对封井器及井口试压很难操作, 而没有得到真正落实。
2) 因水泥车排量大, 压力起升快, 且易造成超压施工, 安全性差。
3) 水泥车管线接拆麻烦且密封性差, 职工劳动强度大, 施工效率低。
4) 使用水泥车作为试压设备费用高, 资源浪费大。
针对以上问题, 有必要研制一种针对作业现场既能大排量为试压空间快速灌注液体, 又能平稳可控的进行打高压施工的多功能泵, 来替代水泥车完成上述作业施工。为此我们开展了作业现场多功能试压泵的研制。
2 多功能试压泵的研制
2.1 结构原理
该试压泵主要由动力系统;液压系统;泵组系统;管路系统;压力控制系统等组成。它是采用拖拉机作为泵组的动力源和牵引动力。拖拉机通过加装液压马达输出液压动力, 驱动高压柱塞泵及螺杆泵工作, 螺杆泵用于对试压空间进行先期灌水, 高压柱塞泵用于打高压。
2.2 管汇设计
高、低压管汇为一体连通式设计。高压管汇工作压力为25.0M P a, 在进行高压施工时, 关闭低压端出口的高压阀门, 低压管汇便不承受高压。
2.3 低压泵的选择
考虑到低压泵必须有较好上水能力, 可以从作业井场循环池内取水, 直接打入井内或给水箱备水。同时要适合液压泵转速变量大的驱动要求, 而选配了自吸能力强, 排量较大的容积式单螺杆泵。它最高排量可达200L/min, 能较快的灌满试压空间。
2.4 高压泵的选择
采用的是三缸柱塞泵作为高压输出源, 排量可达20L/min;额定压力25.0MPa;最高压力30.0MPa。能满足井下作业目前试压、座封等最高压力值的需求。
2.5 高、低压泵的驱动方式
2.6 管汇压力安全控制系统
高、低压流程分别装有不同压力值的压力表, 便于操作者观察压力和操作。并分别有压力安全阀, 在超出设定压力值时, 便可自动泄压, 确保的施工安全。
2.7 进、出口管线的设计
出口管线采用了能承压40.0MPa的高压软管, 一次对接便可连接好试压管线, 使施工的准备和收尾工作比水泥车简单的多。
3 创新成果现场应用情况
该试压泵通过在现场试验体现了一下优点:
(1) 因高压泵采用液压阀控制, 在对井口等较小的空间试压时, 压力起升平稳, 压力值可准确控制到规定压力, 不会造成超压施工。
(2) 出口管线连接方便, 准备工作有以往使用水泥车的15min, 缩短为目前的3min左右, 提高了施工效率, 减轻了工人劳动强度。
(3) 高、低压流程有压力安全阀, 在超压时可自动泄压, 确保了施工安全。
(4) 自备的1.2m3水箱, 在试压空间不大的情况下, 无需罐车提供水源便可完成作业。
(5) 可替代水泥车完成对井下作业各种试压及座封等施工。
4 经济效益和社会效益分析
4.1 经济效益
大队每年作业井在1200口左右, 需对封井器、井口试压, 管柱、套管试压, 座封、丢手的工作量约为3000多次, 水泥车试压一井次费用为763.8元, 共计需支出费用229.14万元。
每套试压装置需要1名工人来操作, 年可施工1500井次。
平均1名工人的人工成本为6.7万元, 设备年维修费、油料消耗预计2.4万元。
加工制作一台回收装置需费用19.5万元, 平均年费用1.95万元。
则年投入总成本为1.95+2.4+6.7=11.05万元。
使用试压装置施工一井次费用:110500元/1500井次=74元。
则年可节省水泥车费用为: (763.8-74) *1500=103.47万元。
4.2 社会效益