CC BY
45
УДК 621.311.2
И. Н. Веселова
Волгодонский институт (филиал)
Южно-Российского государственного технического университета (Новочеркасского политехнического института)
УПРАВЛЕНИЕ РЕСУРСОМ ЭЛЕКТРОПРИВОДНОЙ АРМАТУРЫ
В энергетической отрасли запорно-регулирующая арматура является важным элементом технологических систем, предназначенных для обеспечения нормальных и безопасных условий эксплуатации энергетических установок. Управляемая арматура, к которой относится вся элек-троприводная арматура (ЭПА), является обязательным элементом систем безопасности. Неисправности и внезапные отказы, возникающие в процессе эксплуатации оборудования этой группы, могут приводить к снижению безопасности и большим экономическим потерям, связанным с длительными сроками ремонтно-восстановительных работ. Одним из наиболее эффективных путей решения этих проблем является разработка и внедрение на действующих предприятиях топливно-энергетического комплекса методов и средств диагностирования, позволяющих осуществлять постоянный мониторинг за техническим состоянием арматуры и не требующих ее демонтажа и разборки [1]. С целью проверки возможности контроля технического состояния в пределах назначенного ресурса на испытательном стенде ГУП «НИЦ ВНИИАЭС» в г. Кашира-2 Московской области было проведено диагностирование клапана сильфонного запорного ПТ 26.273-150М1-01 Ду150 (завод-изготовитель ОАО «ПТПА» г. Пенза) при номинальных параметрах: Р = 2,5 МПа; t = 250 °С во время его ресурсных испытаний. Назначенный ресурс определяется заводом-изготовителем. В процессе испытания клапана регистрировались токовые и акустические сигналы в ультразвуковом диапазоне через определенное количество циклов.
Для регистрации сигналов использовался программно-технический комплекс (рис. 1).
Рис. 1. Программно-технический комплекс:
Дт - датчик токовых сигналов; Дуз - датчик ультразвуковых сигналов (УЗ-сигналов);
АЦП - аналого-цифровой преобразователь; ПК - персональный компьютер
Для обработки сигналов использовалась программа PowerGraft Professional, результаты которой формировались в виде итоговой таблицы. Пример данных, регистрируемых при закрытии, приведен в табл. 1.
Таблица 1
Пример данных, регистрируемых при закрытии
ЗАКРЫТИЕ
Рабочий ток, А Пусковой ток / рабочий ток, А Т ок уплотнения / рабочий ток, А Время закрытия, с Плавность хода, % Циклы
3,46 3,76 1,24 15,01 98,3 1
3,21 3,54 1,19 14,91 97,8 47
3,48 3,36 1,17 14,92 97,4 99
3,60 3,44 1,17 14,84 96,4 145
Поскольку методы обработки экспериментальных данных направлены на анализ, уменьшение и оценку погрешностей результатов измерений, то наибольшее значение имеют методы, связанные с описанием и исследованием различных видов данных. Из них наиболее разработанными и распространенными являются статистические методы.
Основным условием применения статистических методов является статистическая устойчивость данных. Задача математической статистики состоит в том, чтобы на основе полученных экспериментальных данных, которые в целом изменяются непредсказуемым образом, получить надежные выводы относительно основных параметров модели [2].
На основании вышеизложенного для последующей обработки в программе PowerGraft Professional выделялись участки установившегося движения и копировались в табличные формы программы Statistica.
Далее проводится двумерный спектральный анализ Фурье [3], при этом независимой переменной назначается ток, а зависимой - УЗ-сигнал. Обработка производится с удалением тренда. В итоговой таблице результатов фиксируется 1 000 наибольших значений. Затем проводится операция сортировки данных по частоте в порядке возрастания и нормировка значений кроссамплитуды. Кросс-амплитуда интерпретируется как мера корреляции между соответствующими частотными компонентами двух рядов - токового и акустического сигналов.
В результате обработки данных кросс-спектрального анализа строятся графики нормированных значений кросс-амплитуды от частоты (рис. 2), на которых фиксируются гармоники спектра.
2 А 2.2 2.0 1.8 1.6
І 1.4 4
Частота, Гц
Рис. 2. График нормированного кросс-спектра:
1, 2, 3, 4, 5 - характерные частоты элементов ЭПА
Таким образом, удалось выделить как минимум пять частотных гармоник, каждая из которых соответствует характерной частоте конкретного элемента привода (табл. 2).
Таблица 2
Характерные частоты
№ Частота, Гц Расшифровка
1 G,8-G,9 Вторая оборотная частоты вращения червячного колеса
2 9,5 Вторая гармоника сепаратора подшипника червячного вала
3 11,3 Оборотная частота червячного вала
4 22,6 Вторая оборотная частота червячного вала
5 24,4 Оборотная частота вращения вала двигателя
Визуальный анализ графиков спектра позволяет выявить зависимость величины амплитуды от количества циклов срабатывания арматуры. Рост амплитуды на характерных частотах работы элементов привода, особенно на второй гармонике, определяет степень их дефектности. Таким образом, если будет определена зависимость или закон развития аномалий для элементов привода в зависимости от количества срабатываний, то будет возможно прогнозирование его ресурса и ресурса всего оборудования в целом [4].
Для определения закона развития аномалии был проведен регрессионный анализ экспериментально полученных зависимостей изменения значений нормированной амплитуды от количества циклов срабатывания.
Для построения регрессионной модели используется аппарат программы 81ай8йса [5], где формируется таблица с исходными данными для значения нормированной амплитуды на частоте 0,8 и 9,5 Гц, которые определяют развитие аномалий для червячного колеса и подшипников червячного вала соответственно.
Далее проводится оценивание модели экспоненциальной регрессии по методу наименьших квадратов:
у = с + ехрОо + ъх ■ хх +.... + Ъп ■ хп),
где с, Ъп - параметры для п независимых переменных.
В качестве независимой переменой в данной модели определяется переменная, характеризующая количество циклов, зависимыми переменными являются изменяемые значения нормированных амплитуд.
Информационная панель результатов показала основные значения, где Я = 0,993 - коэффициент детерминации, показывающий, что модель объясняет почти всю изменчивость зависимой переменной, В = 0,986 - объясненная доля дисперсии, т. е. 98,6 % исходной изменчивости величин амплитуды могут быть объяснены в данной модели. Функциональная связь в рассматриваемом случае весьма высокая.
На основании полученных данных строится подогнанная 2М функция и наблюдаемые значения. Этот двумерный график позволяет визуально проверить (т. е. качественно оценить) соответствие проверяемой модели и исходных данных (рис. 3, а).
у = -0,78844 + ехр(0,444753 + (0,001201)- х)
-0,1 0,0 Остатки б
Рис. 3. Анализ регрессионной модели: а - модель: экспоненциальный рост (у = с + ехр(Ъ0 + Ъ1 ■ х1 + Ъ2 ■ х2 ...)); б - нормальный вероятностный график остатков
Таким образом, модель экспоненциального роста определяется функцией
у = 0,78844 + ехр(0,444753 + 0,001201 • х),
где х - количество циклов; у - величина нормированной амплитуды.
Для дальнейшей оценки адекватности модели проводится анализ остатков (рис. 3, б), представляющих собой разность между наблюдаемой и прогнозируемой величиной модели. Нормальный вероятностный график остатков представляет простой способ визуальной проверки нормальности распределения остатков. Если распределение остатков далеко от нормального, их расположение на графике будет характеризоваться сильным уклонением от построенной прямой линии. На этом графике также могут стать очевидными выбросы, резко выделяющиеся из основной массы наблюдения.
Анализ полученного распределения показывает, что остатки распределены практически по нормальному закону.
Далее формируется таблица результатов анализа, где коэффициенты регрессии показывают значимость для данной модели. Приемлемая граница уровня ошибки для рассматриваемой модели равна 0,0085 %.
Оценка параметров модели проводится также и по анализу корреляционной матрицы. Значения подсчитанных коэффициентов корреляции (0,9875 и -0,9963) показывают высокую, практически равную единице, меру связи между параметрами регрессионной модели.
Таким же образом строится модель для частоты 0,8 Гц. В данном случае модель экспоненциального роста определяется функцией
у = 0,43394 + ехр(0,49719 + 0,000887 • х).
Опыт эксплуатации технических средств для диагностирования периодически срабатывающей арматуры на одном из действующих энергоблоков позволил установить величину предельно допустимого относительного увеличения значения амплитуды - 10 %. При достижении указанной величины принимается решение о ревизии или замене дефектного узла. Тогда по формулам регрессии получим формулу для определения требуемого значения ресурса:
_ 1п(у - 0,78844)- 0,444753 х _ 0,001201 .
Предельное значение ресурса для первой модели - 1 480 циклов.
Для второй модели получаем формулу для определения требуемого значения ресурса, расчет по которой даст предельно допустимую величину - 1 985 циклов.
_ 1п(у - 0,43394)-0,49719 х _ 0,000887 .
Согласно принятой теории прогнозирования, ресурс оборудования определяется по минимальному ресурсу одного из его элементов, т. е. в данном случае ресурс подшипника червячного вала - 1 480 циклов.
Для иллюстрации возможности использования данного метода приведен спектр, характеризующий техническое состояние эксплуатируемой в настоящее время на энергоблоке арматуры с приводом ВП-4-111 по результатам одного из замеров токового и акустического сигнала при ее срабатывании. На рис. 4 приведен пример, показывающий значительный износ ходовой гайки, на который указывает величина нормированной амплитуды на частоте 0,63 Гц и ее гармоник (8,7, 5,8 и 2,5 % соответственно).
Арматура с приводом ВП-4- III
Частота, Гц
Рис. 4. Кросс-спектр для арматуры с приводом ВП-4-III
Выводы
Таким образом, используя инструментарий метода кросс-спектрального анализа диагностических параметров и регрессионного анализа полученных данных, можно оценивать текущее техническое состояние объекта и управлять его ресурсом.
Для получения диагностической информации необходимо периодически регистрировать токовые и акустические УЗ-сигналы при каждом срабатывании ЭПА по полному циклу.
СПИСОК ЛИТЕРАТУРЫ
1. Гуревич Д. Ф., Ширяев В. В. Арматура атомных станций. - М.: Энергоиздат, 1982. - 312 с.
2. Грановский В. А., Сирая Т. Н. Методы обработки экспериментальных данных при измерениях. - Л.: Энерго-атомиздат, 1990. - 288 с.
3. БендатДж., Пирсол А. Применение корреляционного и спектрального анализа. - М.: Мир, 1983. - 312 с.
4. Вибродиагностика / Г. Ш. Розенберг, Е. З. Мадорский, Е. С. Голуб и др. / Моногр. - СПб.: ПЭИПК Минэнерго РФ, 2003. - 284 с.
5. Боровиков В. П., Боровиков И. П. Statistica / Статистический анализ и обработка данных в среде Window. - М.: Филинъ, 1998. - 560 с.
Получено 30.11.2006
CONTROL OF THE RESOURCE OF MOVE OPERATED VALVE
I. N. Veselova
Methods of obtaining data for construction of regressive model with the purpose of controlling of move operated valve is represented in this article. The program «Statistica», where two-dimensional spectral FFT-analysis is carried out, is used for constructing of regressive model hereby an independent variable is current and a dependent one is an ultrasonic signal. Following data processing of cross-spectral analysis the graphs of normalized values of cross-amplitude, in which spectrum harmonics are fixed, are constructed depending on frequency.
Then the estimation of the model of exponential regression is carried out using the method of the least squares. The current technical condition of object can be estimated and its resource can be controlled using method of cross-spectral analysis of diagnostic parameters and regressive analysis of obtained data. Current and acoustic US-signals must be registered periodically in the time of every turning on of move operated valve according to the full cycle for obtaining diagnostic information.
