JELLEGZETES ÜZEMFENNTARTÁSI OBJEKTUMOK ÉS SZAKTERÜLETEK 3.09 5.08
Gőzkompressziós hűtőrendszerek hibáinak diagnosztizálása és a hűtőközeg szivárgásának kimutatása Tárgyszavak: hibadiagnosztizálás; hibafelderítés; hűtőgép; klímaberendezés; karbantartás; szivárgásérzékelés.
A hűtőgépek és a klímaberendezések igen sok energiát fogyasztanak, pl. az Egyesült Királyságban a termelt villamos energia kb. 15%-át. A tapasztalatok szerint sok nagyobb rendszerben a hűtőközeg több mint 20%-a szivárog a légkörbe évenként, ezzel növelve az üvegházhatást és a fogyasztást, fokozza a globális felmelegedést, és a hűtőrendszer karbantartási költségei is megnőnek. Irodalmi adatok szerint a hűtőközeg 15%-ának elszivárgása a rendszer teljesítményét és a Carnot-féle ideális fajlagos hűtőteljesítményt akár 45%-kal is csökkentheti. A rendszer jellemzői más hatások, így az expanziós szelep beragadása, helytelen beállítása, a hőcserélők szennyeződése és a kompresszor kopása következtében is romolhatnak.
Szivárgásérzékelők A hűtőközeg szivárgásának jelzésére eddig használatos, gázérzékelőket alkalmazó készülékek az érzékelők gondos elhelyezését követelik meg, lassú szivárgások kimutatására nem alkalmasak, jól szellőzött helyiségekben vagy a szabadban egyáltalán nem működnek, és az érzékelők csak meghatározott anyagokra érzékenyek. A hűtőrendszer folyadékszintjét érzékelő szivárgásjelzők sem adnak megbízható eredményeket, mivel a rendszerben levő hűtőközeg folyadékmennyisége függ az üzemi körülményektől és a környezeti hőmérséklettől. A matematikai és „fekete doboz” modelleken alapuló megoldások viszonylag lassú működésűek, és csak egyes hűtőrendszerekhez alkalmazhatók.
A hűtőközeg szivárgásának érzékelésére, a hűtőrendszer működési hibáinak valós idejű jelzésére mesterséges intelligencián alapuló rendszer kifejlesztéséhez kísérleti berendezéssel végeztek vizsgálatokat. A 4,0 kW névleges hűtőteljesítményű kísérleti rendszer, folyadék– folyadék hőcserélős, 6,63 m3/h volumetrikus szívássebességű, dugatytyús kompresszort, lemez típusú kondenzátoros és elpárologtató csőkígyót és termosztatikus expanziós szelepet tartalmazott. A hűtőközeg R404a típusú anyag volt. A 0 °C alatti elpárolgási hőmérsékleten végzett mérések egyszerűsítése érdekében a rendszer elpárologtató oldalán másodlagos víz/etilénglikol kört alakítottak ki (1a. ábra). A hűtőkör mindegyik lényeges eleme előtt és után a hőmérséklet mérésére –25 °C és +200 °C közötti méréstartományú, K-típusú hőelemeket, a hűtőközeg áramlási sebességének mérésére áramlásmérő műszereket, a kompresszor fogyasztását (tápfeszültségét, áramát, teljesítménytényezőjét) mérő műszert, valamint a kompresszor kisnyomású oldalán 0–10 bar, a nagynyomású oldalán 0–25 bar méréstartományú nyomásmérőket szereltek fel. A kondenzátorban a víz és az etilénglikol áramlási sebességét turbinás áramlásmérőkkel határozták meg. A mérések eredményeit személyi számítógépes rendszerrel öszszesítették. A mérések során az elpárolgási hőmérsékletet –10 °C és +15 °C, a kondenzációs hőmérsékletet +20 °C és +45 °C között, a rendszerbe töltött hűtőközeg mennyiségét az előírt kb. 1,20 kg helyett 0,60 kg és 1,70 kg között változtatták. A vizsgálati körülményeket széles tartományokban módosítva, valamennyi hűtőberendezéshez – általános rendeltetésű, kis, levegő–levegő hőcserélős, nagy, ipari – egyaránt alkalmazható hibafelismerő és -diagnosztizáló rendszer működtetéséhez igyekeztek kielégítő alapadatokat szerezni.
Hibafelismerő és -diagnosztizáló rendszer A hibafelismerő és -diagnosztizáló rendszer moduljai az alábbi tevékenységekre alkalmasak: – adatgyűjtés, – a hibátlan működés tulajdonságainak előrejelzése, – a tényleges és a hibátlan működés tulajdonságai közötti eltérések kiszámítása, – az állandósult állapot körülményeinek meghatározása, – hibadiagnosztizálás, – a felhasználói csatlakozás.
T10
kondenzátor T3 T1
T4
ELSŐDLEGES HŰTŐKÖR
P1
T6
T5
elpárologtató
kompresszor
T8 M1
T2 P2
NYOMÁSOK P1 kompresszor szívó oldali nyomása P2 kompresszor kimeneti nyomása
T7
MÁSODLAGOS HŰTŐKÖR
szivattyú
másodlagos hűtőkígyó
előrejelző mesterséges neuronhálózatok
(b) on-line üzemmód
mérések tanuló üzemmód
T8 T3
mérések
T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 P2 P1
előrejelző mesterséges neuronhálózatok
T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 P2 P1 M1 M2
műszerezés
mérések
HŐMÉRSÉKLETEK T1 – kompresszor szívóoldali hőmérséklete T2 – kompresszor kilépési hőmérséklete T3 – hűtőközeg hőmérséklete a kondenzátor bemenetén T4 – hűtőközeg hőmérséklete a kondenzátor kimenetén T5 – hűtőközeg hőmérséklete az elpárologtató bemenetén T6 – hűtőközeg hőmérséklete az elpárologtató kimenetén T7 – etilénglikol hőmérséklete az elpárologtató bemenetén T8 – etilénglikol hőmérséklete az elpárologtató kimenetén T9 – hűtőfolyadék hőmérséklete a kondenzátor bemenetén T10 – hűtőfolyadék hőmérséklete a kondenzátor kimenetén
ÁRAMLÁSI SEBESSÉGEK M1 etilénglikol áramlási sebessége az elpárologtató körben M2 víz áramlási sebessége a kondenzátorban
T1 T2 T3 T4 T5 T6 T7 T10 P1 P2
előrejelzések
T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 P2 P1
diagnózis, mérések, előrejelzések, különbségek
megjelenítésvezérlés
T9
M1
diagnosztizáló szakértői rendszer
(a)
1. ábra A hűtőrendszer (a) és a hibadetektáló rendszer (b) vázlata Az adatgyűjtő rendszer modulja a műszerekkel meghatározott adatokat személyi számítógép soros bemenetére vezeti. Az előrejelző modulban tíz mesterséges neuronhálózatból felépülő rendszer határozza meg a hűtőberendezés tíz paramétere hiba nélküli,
állandósult állapotú működésének feltételeit. A neuronhálózatok bemeneti adatai a hűtőközegnek az elpárologtató és a kondenzátor bemenetén mért hőmérsékletei, és mindegyik a tíz paraméter egyikének hiba nélküli üzemben várható értékét számítja ki. A tíz paraméter a hűtőközeg két hőcserélő-kimenetén mért hőmérséklete, valamint a gőzkompressziós ciklus nyolc hűtési paramétere, többek között a szívási és a kilépési nyomás. A neuronhálózatokat a rendszer állandósult állapotban mért adatai alapján, off-line tanítják. A tényleges és a hibátlan működés tulajdonságai közötti különbségeket számító modul a tíz különbségadat alapján további, származtatott jellemző adatokat is meghatározhat, így pl. a hőcserélő hőmérséklet- és nyomásadatai alapján a túlhevítés és a túlhűtés mértékét is számíthatja a REFPROP programrendszerrel. Az állandósult állapot detektora egyetlen, a körülmények ugrásszerű változása esetén a leglassabban reagáló, az állandósult állapotot utoljára elérő paramétert vizsgál korábbi értékek „gördülő ablaka” mentén. A rendszert akkor tekintik állandósult állapotúnak, ha a „gördülő ablakbeli” értékek maximális paramétertartománya egy beállított tűréstartományban van. Amennyiben a modul nem észlel állandósult állapotot, akkor a rendszer nem ad diagnózist. A diagnosztikai modul a Sun Microsystem Java nyelvű, Jess nevű, a Java szakértői rendszer parancsértelmezőjével és a fuzzy Java eszköztárral integrált modul. Ez a modul a rendszer állandósult állapotában a különbségeket számító modultól kapott adatokat sorolja öt („nagyon nagy”, „nagy”, „rendben”, „kicsi”, „nagyon kicsi”) kategóriába, majd ezeket egyenként egybeveti a szakértői rendszer szabályaival. Amennyiben nem talál eltérést, akkor a rendszert normális üzemállapotban levőnek minősíti. A felhasználói csatlakozó modul Java nyelvű, Windows típusú környezetben működhet. A kezelő beállíthatja a mintavételi frekvenciát, a modul szöveges formában tájékoztat a hűtőrendszer üzemi állapotáról, a hűtőközeg becsült mennyiségéről, a pillanatnyi adatokról, az ezekhez tartozó hiba nélküli előrejelzésekről és a tényleges és a hibátlan működés tulajdonságai közötti különbségekről. A 4,0 kW teljesítményű, kísérleti hűtőberendezést a „normális” üzemelési körülmények széles tartományaiban működtetve határozták meg az állandósult állapotbeli, hibák nélküli működés körülményeit. Az így kapott adatokkal tanították a tíz neuronhálózatot, hogy ezzel tegyék lehetővé a hűtőközeg különböző belépési hőmérsékleteihez tartozó rendszerjellemzők előrejelzését.
Hitelesítés Ezután a rendszert a különféle működési körülmények között, valamint a névlegesnél kisebb és nagyobb hűtőközeg-feltöltéssel üzemeltetve a különbségképző modul különféle működési körülményekre jellemző, újabb különbségértékeket számított ki. A gyakorlatban túltöltés folyadéktartály nélküli hűtőrendszerekben fordulhat elő, míg a túl kevés hűtőközeg-feltöltéssel az elszivárgás szimulálható. Az 1. táblázat adatai szerint a hűtőberendezés négy különböző állapota diagnosztizálható a kifejlesztett rendszerrel. A négy állapot: „nem állandósult állapot”, „túl kis töltés”, „normális” és „túl nagy töltés”. A „nem állandósult állapot” azt jelenti, hogy a mérési adatok nem elég stabilak érvényes diagnózis készítéséhez. A „túl kis töltés” azt jelenti, hogy a hűtőrendszerben nem megfelelő karbantartás vagy elszivárgás miatt túl kevés a hűtőközeg, a „normális” jelentése hibadiagnózis hiánya és a rendszer normális működése, míg a „túl nagy töltés” azt jelenti, hogy a hűtőrendszerben hűtőközegtöbblet van. 1. táblázat A rendszer alkalmassága négy üzemi állapot felismerésére Tényleges állapot Nem állandósult állapot Túl kis töltés Normális Túl nagy töltés
Diagnózis (a tényleges állapot %-ában) Nem állandósult Túl kis töltés Normális Túl nagy töltés állapot 100,0 0,0 0,0 0,0 0,0 99,9 0,1 0,0 0,0 0,2 94,2 5,6 0,0 0,0 0,0 100,0
Az 1. táblázatban látható, hogy a rendszer hibátlanul meg tudta különböztetni az állandósult és a tranziens állapotokat, és valamennyi „túl nagy töltés” állapotot is tévedés nélkül azonosított. A „túl kis töltés” és a „normális” működési körülmények meghatározásánál kisebb hibák léptek fel, amennyiben a rendszer egyes „túl kis töltés” állapotot „normális” állapotnak, továbbá némely „normális” állapotot „túl nagy töltés” állapotnak minősített. Ez az egyes működési állapotok önkényes meghatározásával magyarázható. A megállapított adatállománnyal a rendszer a hozzávetőleg 4000 működési állapot 96,1%-át helyesen diagnosztizálta. Az állandósult állapotok körülményei közötti döntésre a szakértői rendszer a 2. táblázat szabályait használja. A „túl nagy töltés” és a „túl kis töltés” állapotok meghatározására csak egyetlen egyszerű szabály szükséges.
2. táblázat A töltési szint megkülönböztetésének szabályai Diagnózis Becsült töltési szint Szabály Túl kis töltés –33% HA (rE1Out „nagyon nagy”), AKKOR (a diagnózis „túl kis töltés”) Túl nagy töltés +33% HA (rDisp „nagyon nagy”), AKKOR (a diagnózis „túl nagy töltés”) ”rE1Out” az elpárologtató kimeneti hűtőközeg-hőmérsékletének különbségét, „rDisp” a kompresszor kimeneti nyomásának különbségét jelenti.
ideális fajlagos hűtőteljesítmény
A 2. ábra az ideális fajlagos hűtőteljesítmény és a hűtőközeg menynyisége közötti összefüggést szemlélteti. Ez a hűtőteljesítmény a hűtőközeg mennyiségével nő, és kb. 2,65 nagyságú legnagyobb értékét 1,2 kg mennyiségű hűtőközegnél éri el. A vizsgált hűtőrendszer ideális fajlagos hűtőteljesítménye a hűtőközeg-mennyiség meglehetősen széles tartományában viszonylag állandó. A folyadék–folyadék rendszerek általában kevésbé érzékenyek a hűtőközeg mennyiségére, mint a levegő – levegő rendszerek. A 3. ábra a rendszer diagnosztikáját és a kísérleti működtetés töltését hasonlítja össze. A különbségek értékelése nem csak a töltési szintek detektálását, hanem egyéb hibajelenségek megkülönböztetését is lehetővé teszi. 3,00 2,50 2,00 1,50 1,00 0,50 0,00 -60
-50
-40
-30
-20
-10
0
10
20
30
40
50
hűtőközeg-feltöltés, névleges érték %-ában
2. ábra Az ideális fajlagos hűtőteljesítmény a hűtőközeg-feltöltés függvényében A vizsgált kísérleti rendszer a hűtőközeg névleges mennyiségének 33%-os csökkenése, ill. növekedése esetén ad hibajelzést. A rendszer a töltésmennyiségek adott működési idő után elvégzett összehasonlításával az elszivárgás sebességének meghatározására is alkalmassá tehető.
hűtőközeg-feltöltés, a névleges érték %-ában
50
30
10 -10 0
50
100
150
200
250
300
-30
-50 idő, min tényleges feltöltés
érzékelt feltöltés
túl kis feltöltés
túl nagy feltöltés
3. ábra A rendszer diagnózisa és az aktuális feltöltés az idő függvényében Gyakorlati körülmények között a rendszer „betanítására” a hibátlan működés jellegzetességeit felismerő és azonosító, automatikus egység szükséges. Ilyen lehet például a gőzkompressziós ciklus kialakulási fokának meghatározása a túlhűtés és a túlhevítés megfigyelésével. A hűtőrendszerben fellépő bármilyen hiba e két paraméter valamelyikének növekedését vagy csökkenését okozza. A diagnosztikai modul a pillanatnyi túlhűtés és túlhevítés értékét megfigyeli, és meghatározza, hogy ezek az értékek elfogadható tartományba esnek-e. A 3. táblázat a hűtőrendszer „hibátlan” és „hibás” működése túlhevítés és túlhűtés észlelése alapján történő meghatározásának eredményességét szemlélteti. A mérési adatok értékelésének alapjául szolgáló szabályokat a 4. táblázat foglalja össze. E két egyszerű szabály elegendő a mért adatok hibás, illetve nem hibás osztályokba sorolásához. Az értékelési adatok alapján a rendszer a hozzávetőleg 4000 üzemi állapot 93,4%-át helyesen minősítette. A kísérletek azt is bizonyították, hogy a rendszer a saját hibátlan adatainak azonosítása és gyűjtése alapján automatikusan tudja tanítani a hibátlan előrejelző modul mesterséges neuronhálózatait. Ha csak a hűtőrendszer tömítetlenségének, a hűtőközeg szivárgásának kimutatása a cél, akkor mindössze két neuronhálózat alkalmazása elegendő. Ezek a kompresszor kimeneti nyomását és az elgőzölögtető
hűtőközegének hőmérsékletét jelzik előre. A hűtőrendszer más paramétereinek előrejelzése, az előrejelzett és a ténylegesen mért értékek közötti különbségek alapján szakértői rendszer szabályait alkalmazva lehet egyéb hibákat felismerni, illetve hasonló jelenségeket okozó hibákat megkülönböztetni. 3. táblázat A rendszer alkalmassága a hibátlan működés felismerésére Tényleges állapot Hibás Hibátlan
Diagnózis (a tényleges állapot %-ában) Hibás Hibátlan 95,3 4,7 8,6 91,4
4. táblázat A hibás és hibátlan működés megkülönböztetésének szabályai Diagnózis Hiba Hiba
Szabály HA (a túlterhelés „nagyon nagy”), AKKOR (a diagnózis „hiba kimutatása”) HA (a túlhűtés „nagyon nagy”), AKKOR (a diagnózis „hiba kimutatása”)
A hűtőrendszer terhelésének vagy a környezeti hőmérséklet változásának hatása van a hűtőrendszer paramétereire, azonban a körülmények széles tartományában tanított neuronhálózatok meg tudják különböztetni a hibátlan és a hibás üzemi állapotokat. A kifejlesztett és eredményesen alkalmazott diagnosztikai rendszer szükség esetén további vezérlési–vizsgálati szabályokkal bővíthető, a szokásos hűtőberendezések mérő–szabályozó elemeinek felhasználásával megvalósítható, eredményesen megkülönbözteti a hibás és a hibátlan, az állandósult és a nem állandósult üzemmódot. Nagyobb rendszerekben többféle üzemi állapotbeli működést vezérelhet, pl. több kompresszort tartalmazó hűtőgépekben egyes kompresszorok ki- vagy bekapcsolásával illesztheti a teljesítményt a terheléshez. Összeállította: Pálinkás János Irodalom Tassou, S. A.; Grace, I. N.: Fault diagnosis and refrigerant leak detection in vapour compression refrigeration systems. = International Journal of Refrigeration, 28. k. 5. sz. 2005. p. 680–688. Bailey, M. B.; Kreider, J. F.: Creating an automated chiller fault detection and diagnosis tool using a data fault library. = ISA Transactions, 42. k. 2003. p. 486–495.
Röviden… Fröccssajtoló szerszámok felületének folyamatos ellenőrzése „intelligens” optikai érzékelővel A gumitömítések megfelelő formára sajtolt gumikorongból vulkanizálással készülnek speciális szerszámokkal felszerelt fröccssajtoló gépen. A néhány másodpercig tartó vulkanizálás után a gép kinyílik és keféje lefejti az alakosra sajtolt gumikorongot a formaszerszámról. Az ennek mélyedéseiben (a „fészkekben”) a tisztítás ellenére megtapadt gumimaradványok miatt a folyamat többszázszoros ismétlése után a szerszám elhasználódik, ami szemrevételezéssel is felismerhető a gumi színéről. Az optikai ellenőrzés feladata a gumimaradékok helyének és méretének, valamint a felszín változásainak meghatározása. Megoldásához egy német fejlesztőmérnök az ipari képfeldolgozás módszerét alkalmazta. Az ehhez szükséges érzékelő kiválasztását meghatározó körülmények: – a gépben a hőmérséklet eléri a 210 °C-ot, – a vizsgált felületre csak oldalirányból, mintegy 700 mm-ről van rálátás, – a vizsgálathoz csak a két vulkanizáló ütem közötti 2,5 s áll rendelkezésre. Optikai érzékelőként a DVT Corp. „Legend”-sorozatának „Smartlmage” érzékelőjét alkalmazták, amelyet nagy teljesítményű ipari megvilágítással kombináltak. Az érzékelőt és a megvilágítást speciális közös tartószerkezeten, a vizsgálandó felülettől kb. 800 mm-re, 45°-os látószögben helyezték el. Ez a berendezés a jeltovábbító vezetéken keresztül csatlakozik a fröccssajtoló gép központi irányító és adatfeldolgozó (SPS) egységéhez, amelybe hőmérséklet-szabályozás is be van építve, s amely a vizsgálóciklusok automatikus ki-bekapcsolását is végzi. Az érzékelő objektívjének optikai tengelye és a vizsgálandó szerszám középpontja vízszintes egyenesen helyezkedik el, a megvilágító körfelület pedig ráfekszik a szerszám kör alakú vizsgálandó felületére. Mindkét követelmény teljesülését folyamatosan ellenőrzi az érzékelőbe e célra beépített speciális mérőprogram. A megvilágítás bekapcsolása után az SPS külső jelre megindítja a képfelvételt. A képet az érzékelő azonnal digitalizálja és fel is dolgozza. Az ún. szoftérzékelők kiválasztott képfeldolgozó eljárásainak alkalmazásával rá lehet találni a megvilágított tárgyon az odatapadt gumimaradvá-
nyokra, amelyeknek fényvisszaverése eltér a felület többi részétől. A hatást felerősíti a vörös tartományban alkalmazott megvilágítás. A felvételen ezután meg kell határozni adott felületi mértékegység szerint a gumimaradékok pontos helyét. Ezt követi végül a felület minősítése az elhasználódás fokára jellemző, számított mutatóval. A képfeldolgozó programot a DVT Corp. „Framework” konfigurációs berendezésével tesztelték és ennek pozitív eredménye alapján beépítették a SmartImage szenzorba. A vizsgált szerszámra és minden fészekre (a domborulatok, dudorok közti mélyedésre) előzetesen meghatározták a hibátlan állapotokat, az elhasználódási fokozatokat és a lehetséges hibafajtákat. Az állapotokra felállított listán a vizsgált felület és a fészkek valamennyi állapotához számkódot kell rendelni, ez a rendszer az érzékelő és az SPS közötti adatátviteli jegyzőkönyv alapja. Az érzékelő minden vizsgálati ciklusban elkészít egy értékelést a vizsgált képről, amit jegyzőkönyv foglal össze. A jegyzőkönyv a ciklus végén átkerül az SPS-be, amely az eredmények értékelése alapján vezérli a vulkanizálás folyamatát. A SmartImage érzékelőt „Ethernet-vezetékkel” be lehet kötni a vállalati hálózatba is. Ezáltal a termelés felelőse mindenkor bekapcsolódhat az ellenőrzésbe. Munkahelyi számítógépe segítségével megnézheti az éppen aktuális képeket és betekintést nyer a folyamatban levő képfeldolgozásba. Emellett a felvett képeket, valamint az ellenőrzés adatait és programjait vállalati szerveren archiválhatják, ezáltal meg lehet jeleníteni konkrét gyártási műveleteket és lehetséges hibás állapotokat. A képfeldolgozó rendszer előnyeként elmondható, hogy a gépkezelőtől függetlenül felügyeli a fröccssajtoló gépben végbemenő vulkanizálás menetét, a szerszám és a rátapadt gumi felismerése, valamint helyének és méretének geometriai igényű meghatározása által. Ez segítséget ad a szerszámcsere időprogramjának megtervezéséhez. A beépített „intelligens” kamera lehetővé teszi folyamatjegyzőkönyv valós idejű vezetését. Az üzemzavarokat képek szemléltetik. Szerszámcsere után a szerszámhoz tartozó felügyeleti program a képfeldolgozó rendszer számára azonnal hozzáférhető. Az eddigi alkalmazások arról tanúskodnak, hogy a DVT-SmartImage-érzékelőkkel elérhető képfeldolgozási megoldások még szélsőséges feltételek mellett is megbízhatóan működnek. (Integrierte Produktion, 147. k. 4. sz. 2005. p. 24–26.)
