تشخیص عیب در توربوکمپرسورهای ایستگاه‌های تقویت فشار گاز با بکارگیری روش آنالیز سیگنال‌های ارتعاشی تجربی

نوع مقاله: مقاله علمی ترویجی

نویسندگان

1 استادیار، گروه مهندسی مکانیک، دانشگاه شهید مدنی آذربایجان، تبریز، ایران

2 کارشناس ارشد، گروه مهندسی مکانیک، مؤسسه آموزش عالی نبی اکرم (ص)، تبریز، ایران

چکیده

ایستگاه‌های تقویت فشار گاز جهت افزایش فشار گاز و نیز جلوگیری از افت فشار آن در فواصل مشخصی از خطوط انتقال گاز احداث شده و مورد بهره‌برداری واقع می‌شوند. به دلیل افت فشار ایجادشده در نتیجه انبساط گاز، وجود تلفات اصطکاکی، تغییر در ارتفاع و یا نوسانات دما و به منظور جبران تلفات فشار در این ایستگاه‌ها، از ﺗﻮرﺑﻮﮐﻤﭙﺮﺳﻮرﻫﺎ جهت متراکم کردن گاز و افزایش فشار آن استفاده می‌شود. در مقاله حاضر با استفاده از روش آنالیز سیگنال‌های ارتعاشی به بررسی و پایش وضعیت توربوکمپرسورهای ایستگاه‌های تقویت فشار گاز و همچنین شناسایی عیوب ایجادشده در این تجهیزات پرداخته می‌شود. بدین منظور، سیگنال‌های ارتعاشی به صورت تجربی و با استفاده از سنسورهای شتاب‌سنج نصب‌شده روی بدنه توربوکمپرسور به کمک سیستم داده‌برداری ثبت می‌شود. سپس با استفاده از آنالیز طیف فرکانسی و بر اساس استاندارد ISO 10816، به بررسی وجود عیب و نوع آن در توربوکمپرسورهای ایستگاه‌های مختلف تقویت فشار شامل ایستگاه‌های قلعه‌جوق، نکا، نور، مرگنلر و تبریز پرداخته می‌شود.

کلیدواژه‌ها

موضوعات


[1] Davies, Alan. Handbook of condition monitoring: techniques and methodology. Springer Science & Business Media, 2012.
[2] Delvecchio, Simone, Bonfiglio, Paolo, and Pompoli, Francesco. Vibro-acoustic condition monitoring of internal combustion engines: A critical review of existing techniques. Mechanical Systems and Signal Processing, 99:661– 683, 2018.
[3] Vanraj, Dhami, SS, and Pabla, BS. Optimization of sound sensor placement for condition monitoring of fixed-axis gearbox. Cogent Engineering, 4(1):1345673, 2017.
[4] Franco-Piña, J Alejandro, Contreras, Luis, and Jauregui, Juan C. Real time conditioning monitoring for failure prediction. in ASME Turbo Expo 2017: Turbomachinery Technical Conference and Exposition, pp. V009T49A019– V009T49A019. American Society of Mechanical Engineers, 2017.
[5] Milovančević, Miloš, Nikolić, Vlastimir, and Anđelković, Boban. Analyses of the most influential factors for vibration monitoring of planetary power transmissions in pellet mills by adaptive neuro-fuzzy technique. Mechanical Systems and Signal Processing, 82:356–375, 2017.
[6] Yang, Dong, Li, Hui, Hu, Yaogang, Zhao, Jie, Xiao, Hongwei, and Lan, Yongsen. Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion. Renewable energy, 92:104–116, 2016.
[7] Yan, Ruqiang, Chen, Xuefeng, and Mukhopadhyay, Subhas Chandra. Structural health monitoring. Springer, 2017.
[8] Mucchi, Emiliano and Vecchio, Antonio. Acoustical signature analysis of a helicopter cabin in steady-state and run up operational conditions. Measurement, 43(2):283–293, 2010.
[9] Wang, WJ and McFadden, PD. Application of the wavelet transform to gearbox vibration analysis. 1993.
[10] de Azevedo, Henrique Dias Machado, Araújo, Alex Maurício, and Bouchonneau, Nadège. A review of wind turbine bearing condition monitoring: State of the art and challenges. Renewable and Sustainable Energy Reviews, 56:368–379, 2016.
[11] Rajeswari, C, Sathiyabhama, B, Devendiran, S, and Manivannan, K. A gear fault identification using wavelet transform, rough set based ga, ann and c4. 5 algorithm. Procedia Engineering, 97:1831–1841, 2014.
[12] Tarinejad, Reza and Pourgholi, Mehran. Modal identification of arch dams using balanced stochastic subspace identification. Journal of Vibration and Control, 24(10):2030– 2044, 2018.
[13] McFadden, PD. A revised model for the extraction of periodic waveforms by time domain averaging. Mechanical systems and signal processing, 1(1):83–95, 1987.