机械密封端面状态监测方法与流程

本发明涉及机械密封端面检测领域，特别是机械密封端面状态监测方法。

背景技术

旋转机械，如：压缩机、汽轮机、燃气轮机、水轮机、离心泵等，是现代工业生产过程中的关键设备。该类机械设备处理的工艺介质通常具有易燃、易爆、有毒、高温和腐蚀性。为了阻止或限制工艺介质沿旋转机械的轴端泄露到自然环境中，必须采用有效并可靠的轴端机械密封(mechanicalseal)装置，同时还必须考虑所选用的轴端密封装置能满足现代工业绿色环保、无污染、长寿命、高效益和完成节能减排指标等方面的要求。据英、美、德等国的统计，在石油化工工业设备中，离心机泵占全部机泵设备的85％以上，而离心机泵维修工作量的70％左右是解决密封引起的问题。

如在我国石化行业整个能源消耗中，各种流体动力机械占据的比例较大，这些机械的内漏或外漏，往往造成容积效率降低，其功率损失达总功率的10％以上，小型机械甚至达40-50％同时还可能污染环境。研究新型的机械密封形式，不仅可以降低工艺介质因泄露而产生的物料损耗，还可以降低克服机械密封端面摩擦所需要的能量。因此，深入研究机械密封，能保障密封件自身及配套系统运行的可靠性和稳定性，降低物料和能源的消耗，始终是工业生产设备技术中的一个重要课题。

与普通填料密封相比，机械密封具有泄漏量低、使用寿命长、驱动功耗低且不磨损转轴等特点。但却因结构设计复杂，尤其摩擦面需作微米级表面处理，加工工艺要求较高等原因，导致我国各相关行业所需的机械密封产品被全球几大公司(如flowserve、johncrane、eagleburgmann)所垄断。同时，国外机械密封产品相比，国产产品在高参数领域还存在较大差距。以干气密封产品(摩擦副表面非接触的一种机械密封)为例，国外开发的产品使用压力可达45mpa，线速度230m/s，国产产品最高使用压力为10mpa，线速度150m/s以内。

为了提高国产机械密封件运行参数，使我国自主研发的产品满足各种应用环境的需求，就必须在机械密封机理、仿真计算、状态监测方面开展深入研究。此外，国产机械密封产品在实际使用过程中虽然能够达到较好的效果，但还是常有密封提前失效的情况发生。为了找到密封提前失效的原因，减少停机时间，降低企业损失，就必须对机械密封机理展开更深入的研究。

综上所述，机械密封市场需求大，应用前景广阔。提高我国机械密封自主研发水平，加强机械密封理论研究，对改进现有机械密封设计、缩短产品开发周期、快速柔性地响应用户需求意义重大。特别地，在更加微观层面研究密封端面在系统启停和平稳运行过程中压力场、热场、流场分布，对机械密封开展多场耦合分析，将诸如轴向窜动，角向摆动等干扰因素加入精确分析模型，对机械密封机理开展以上前瞻性研究，可以使我国机械密封技术进一步缩短与发达国家之间的差距，更好的为国民经济服务。

技术实现要素：

为解决现有技术中存在的问题，本发明提供了机械密封端面状态监测方法，解决了现有密封提前失效，造成的停机时间长、企业损失大的问题。

本发明采用的技术方案是，机械密封端面状态监测方法，方法包括如下步骤：

机械密封端面状态监测方法，方法包括如下步骤：

步骤s1：对机械进行密封；

步骤s2：确定密封端面的形貌；

步骤s3：根据密封端面的形貌对机械密封端面的表面进行织构化处理；

步骤s4：选择机械密封运行需求最佳状态下的织构化参数，分别利用dlc涂层端面和复合织构化端面处理同一密封端面；

步骤s5：进行试验对比分析未处理端面、dlc涂层端面和复合织构化端面之间的摩擦特性；

步骤s6：对步骤s5得到的三种摩擦特性的试验对比结果进行分析，并根据分析结果进行信号数据采集；

步骤s7：利用盲源分离和变分模态分解方法对采集的信号提取有效特征值；

步骤s8：根据提取出的有效特征值，采用rbf网络模型和b样条网络模型对磨损状态进行识别；

步骤s9：输出识别结果,完成对机械密封端面状态的监测，结束程序。

本发明机械密封端面状态监测方法的有益效果如下：

1.筛选针对机械密封运行需求最佳状态下的织构化参数和dlc涂层厚度，将两种处理方式相结合，处理同一密封端面，之后进行试验对比分析未处理端面、织构化端面、dlc涂层端面和复合织构化dlc涂层端面之间的摩擦特性。

2.对采集的信号，将盲源分离以及变分模态分解等信号处理方法引入提取有效特征；在研究振动信息、声发射信息以及超声波信息的基础上，通过建立b样条神经网络对密封状态进行监测，研究具有鲜明的创新性。

附图说明

图1为本发明机械密封端面状态监测方法的总流程图。

图2为本发明机械密封端面状态监测方法的rbf网络模型结构示意图。

图3为本发明机械密封端面状态监测方法的b样条神经网络结构示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，机械密封端面状态监测方法，方法包括如下步骤：

步骤s1：对机械进行密封；

步骤s2：确定密封端面的形貌；

步骤s3：根据密封端面的形貌对机械密封端面的表面进行织构化处理；

步骤s4：选择机械密封运行需求最佳状态下的织构化参数，分别利用dlc涂层端面和复合织构化端面处理同一密封端面；

步骤s5：进行试验对比分析未处理端面、dlc涂层端面和复合织构化端面之间的摩擦特性；

步骤s6：对步骤s5得到的三种摩擦特性的试验对比结果进行分析，并根据分析结果进行信号数据采集；

步骤s7：利用盲源分离和变分模态分解方法对采集的信号提取有效特征值；

步骤s8：根据提取出的有效特征值，采用rbf网络模型和b样条网络模型对磨损状态进行识别；

步骤s9：输出识别结果,完成对机械密封端面状态的监测，结束程序。

本方案的步骤s8的结果如下：

rbf神经网络在介质压力0.2mpa的识别率为93.8％，在0.5mpa介质压力下的识别率为90.6％，在1mpa介质压力下的识别率为87.5％；

b样条神经网络在0.2mpa的识别率为91.5％，在0.5mpa介质压力下的识别率为92.6％，在1mpa介质压力下的识别率为93.8％。

本方案的步骤s7的盲源分离的特征提取步骤如下：

步骤a1：设s＝(s1,s2,…,sn)^t.为n个零均值的独立信源，x＝(x1,x2,…,xm)^t为m个观测信号，观测信号是由独立信源线性混合而成，a为mxn阶满秩混合矩阵,在不考虑加性噪声的情况下，ica混合模型可表示为x＝as；

步骤a2：寻找一个分离矩阵w，使观测信号x经w变换后的输出y尽可能的独立，并为源信号的估计：

y＝wx。

步骤s7的变分模态分解方法的特征提取步骤如下：

步骤b1：将原始信号f分解为k个基本模态分量，对应于vmd模型的表达式为：

式中，{uk}＝{u1,…,uk}为分解得到的k个基本模式分量；{ωk}＝{ω1,…,ωk}表示各个分量的频率中心，σ(t)为狄拉克(dirac)函数，*代表卷积，f是原始含噪信号。

步骤b2：引入二次惩罚因子a和拉格朗日乘法算子λ，将约束性变分问题变为非约束性变分问题，其中二次惩罚因子可在高斯噪声存在的情况下保证信号的重构精度，拉格朗日算子使得约束条件保持严格性，从而得到问题的最优解：

式中，a为二次惩罚因子，λ(t)为拉格朗日乘法算子。

本方案的步骤s4的织构化参数包括织构深径比、织构形貌和织构密度。

如图2所示，本方案的步骤s8的rbf网络模型表达式为：

式中，w为连接权值向量，w＝(ωk1,ωk2,…ωkm)，φ为隐层输出，

如图3所示，本方案的步骤s8的b样条网络模型为

第ⅰ层为输入层，

式中，i＝1,2,…,n；n为输入个数。

第ⅱ层为模糊化层，采用b样条函数作为隶属函数，

式中，是第j个模糊集的基函数，i＝1,2,…,n；j＝1,2,…,h，h为b样条基函数的个数；k为b样条函数的阶数；

第ⅲ层为规则层，

式中，ki＝1,2,…h，“*”是乘积操作，表示取小运算；

第ⅳ层为输出层，

式中，l＝1,2,…,t；t为网络输出个数；ωk1k2…kn表示网络的连接权值。

本实施方案在实施时，第一步，对机械密封端面分别进行织构化、dlc涂层，筛选针对机械密封运行需求最佳状态下的织构化参数和dlc涂层厚度，将两种处理方式相结合，处理同一密封端面，之后进行试验对比分析未处理端面、dlc涂层端面和复合织构化端面之间的摩擦特性；

第二步，对采集的信号，将盲源分离以及变分模态分解等信号处理方法引入提取有效特征；

将盲源分离后的有效信号提取以下特征：

均方根(rms)：

能量方差(ev)：

峰值因子(par)：

xpeak为信号的峰值

中心频率(cf):

pi为信号在频率fi时的幅值

歪度(as):

xmean为信号的平均值

将上述特征参数归一化处理后，其结果如表1所示：

表1归一化特征

经vmd分解后，提取前5个imf分量所占总能量的百分比ei/e，总能量结果如表2所示。

表2

第三步，在研究振动信息、声发射信息以及超声波信息的基础上，通过rbf网络模型和b样条网络模型对磨损状态进行识别，得出报告结果。

rbf网络模型表达式为：

式中，w为连接权值向量，w＝(ωk1,ωk2,…ωkm)，φ为隐层输出，

b样条网络模型为

第ⅰ层为输入层，

式中，i＝1,2,…,n；n为输入个数。

第ⅱ层为模糊化层，采用b样条函数作为隶属函数，

式中，是第j个模糊集的基函数，i＝1,2,…,n；j＝1,2,…,h，h为b样条基函数的个数；k为b样条函数的阶数；

第ⅲ层为规则层，

式中，ki＝1,2,…h，“*”是乘积操作，表示取小运算；

第ⅳ层为输出层，

式中，l＝1,2,…,t；t为网络输出个数；ωk1k2…kn表示网络的连接权值。

rbf神经网络在介质压力0.2mpa的识别率为93.8％，在0.5mpa介质压力下的识别率为90.6％，在1mpa介质压力下的识别率为87.5％。

b样条神经网络在0.2mpa的识别率为91.5％，在0.5mpa介质压力下的识别率为92.6％，在1mpa介质压力下的识别率为93.8％。