Virtual sensor for dynamic behaviour of large flexible rotor

Abstract

Preventing excessive rotor vibration is important for reducing malfunctions and wear in rotating machinery used in many industries such as paper and energy production. Rotor vibration can be measured from bearings or from the rotor surface with various sensors. The vibration measured from the bearings is not informative enough if information of the rotor surface displacement is needed. Furthermore, measuring rotor displacement from the surface can be infeasible for economic or machine assembly related reasons.

This thesis developed a novel technique for approximating the rotor displacement from bearing vibration. The deep regression technique based on long short-term memory recurrent neural networks approximated rotor center point movement of the middle cross-section in the time domain with high accuracy. The developed technique could have industrial relevance, since it could be used to monitor vibration levels and detect excessive vibration in rotors without directly measuring the rotor surface. Additionally, this technique is considered novel since such deep regression application for rotor vibration has not been proposed previously.

Roottorien liiallisen värähtelyn ehkäiseminen on tärkeää vikojen ja koneen komponenttien kulumien välttämiseksi eri teollisuuden aloilla kuten paperin ja energian tuotannossa. Roottorien värähtelyä voidaan mitata laakereista tai roottorien pinnalta antureilla. Laakereita mittaamalla ei kuitenkaan voida päätellä roottorien värähtelyn amplitudia tarkasti. Roottorien värähtelyn mittaaminen pinnalta voi olla haastavaa koneissa, joissa mittajärjestelmälle on rajoitetusti tilaa. Lisäksi mittausjärjestelmien toteuttamisen kustannukset voivat olla liian korkeita tietyissä sovelluksissa.

Tässä diplomityössä kehitettiin epäsuora mittausmenetelmä roottorin värähtelylle, jonka avulla värähtelystä aiheutuvaa siirtymää pystytään approksimoimaan laakeripesistä mitatusta värähtelystä. Menetelmää kutsutaan virtuaaliseksi, koska mitattavasta suureesta saadaan ilman suoraa anturimittausta informaatiota. Kyseisellä pitkä lyhytkestomuisti -neuroverkkomalliin perustuvalla syväregressiivisellä menetelmällä onnistuttiin approksimoimaan roottorin keskimmäisen poikkileikkauksen heittoa aikatasossa hyvällä tarkkuudella. Työssä esitetty menetelmä voi soveltua hyvin esimerkiksi teollisuudessa käytettyjen vaikeasti mitattavien roottoreiden värähtelyn tarkasteluun. Lisäksi työssä kehitetty menetelmä on uudenlainen, sillä roottorin dynaamisen vasteen approksimointiin aikatasossa ei ole aikaisemmin käytetty regressiivisiä neuroverkkoja.