煉化裝置大機組智能故障診斷-為 20 家企業(yè)有效診斷 50 余次

中石化各煉化企業(yè)大機組監測系統分散不統一，未與工藝量參數以及業(yè)務(wù)系統實(shí)現關(guān)聯(lián)，關(guān)鍵機組各狀態(tài)監測系統成為信息孤島，難以實(shí)現統籌管理。在應用上缺乏早期預警和故障診斷能力, 多采用門(mén)限報警技術(shù)，存在反復報警、漏報警、假報警現象較多，故障診斷依賴(lài)專(zhuān)業(yè)工程師的技術(shù)能力，缺少數據挖掘，數據分析不足，智能預警和智能診斷能力不足，對關(guān)鍵大機組維修決策支持能力弱。

為解決以上痛點(diǎn)問(wèn)題，中石化建立了基于石化智云平臺關(guān)鍵機組狀態(tài)監控應用，主要建設內容如下：

本項目基于石化智云基礎架構，利用云資源、技術(shù)服務(wù)、持續交付中心等云技術(shù)及能力，開(kāi)發(fā)了關(guān)鍵機組狀態(tài)監控應用，包括 5 個(gè)一級功能和 34 個(gè)二級功能模塊，構建了報警通知-診斷通知-檢修反饋閉環(huán)業(yè)務(wù)處理流程。

項目依托石化智云構建大機組故障診斷模型等共 7 個(gè)組件并上架石化智云，賦能石化智云。

本項目將采集到的大機組振動(dòng)和工藝數據進(jìn)行預處理后，建立預警模型，輸出預警信息，預警模型分為 5 種模式：常規報警、防止反復穿越報警、趨勢預警、智能快變報警、智能動(dòng)態(tài)閾值預警。

本項目研發(fā)構建了包括旋轉失速、喘振、軸瓦間隙、轉子彎曲等 9 個(gè)大機組故障診斷模型。

本項目覆蓋了中石化煉化企業(yè) 20 家關(guān)鍵大機組數據，共接入 490 臺機組振動(dòng)數據和工藝量數據。同時(shí)，對大機組故障診斷模型組件進(jìn)行國產(chǎn)化適配改造，并上云上平臺。

大機組故障診斷模型是針對離心壓縮機組，采用基于數據驅動(dòng)和故障機理相結合的方式，通過(guò)分析故障機理，結合信號處理方法，提取出G信噪比的振動(dòng)參數故障特征。

通過(guò)對歷史案例數據的總結，形成各類(lèi)故障的故障特征庫，采用自編碼器 Autoencoder、卷積神經(jīng)網(wǎng)絡(luò ) CNN等數據驅動(dòng)方法，對新采集的機組振動(dòng)特征參數進(jìn)行分類(lèi)，建立智能診斷模型，實(shí)現大機組不平衡、不對中、油膜渦動(dòng)等 9 類(lèi)典型故障智能診斷。

1)特征提取研究

a）時(shí)域特征提取。時(shí)域信號是傳感器采集經(jīng)數據采集器后的原始振動(dòng)信號，當設備發(fā)生故障時(shí)，振動(dòng)數據的成分會(huì )發(fā)生變化，但大都被干擾信息遮蔽，無(wú)法直接識別。利用統計方法提取的振動(dòng)信號時(shí)域特征，一定程度上可以減少振動(dòng)數據中的噪聲干擾，減少數據的冗余信息，并且特征對故障具有一定的指示性。

振動(dòng)數據統計特征分為有量綱參數和無(wú)量綱參數。有量綱參數：峰值、峰峰值、均值、有效值、方差等，無(wú)量綱的有：峭度、歪度、波形、脈沖、裕度等指標。上述指標對故障信號均有不同的響應，有量綱參數對設備工況、載荷變化非常敏感，無(wú)量綱參數會(huì )隨設備故障嚴重程度發(fā)生變化。單一特征不能實(shí)現變工況運行設備故障的有效預警，多特征融合可以解決單一故障特征故障指示面窄的問(wèn)題。振動(dòng)信號的時(shí)域特征常用于設備的運行狀態(tài)監測，對于工況變化復雜的設備，單一的時(shí)域特征參數無(wú)法多面監測設備運行狀態(tài)，易造成大量的虛警和漏警，還需要頻域特征。

b）頻域特征提取。振動(dòng)信號頻譜分析是故障診斷常用的手段，頻譜分析能夠得到振動(dòng)數據組成成分及其能量大小。傅里葉變換是振動(dòng)信號頻譜分析的基礎，通過(guò)傅里葉變換將振動(dòng)信號分解為單一頻率成分，可以清晰地看出信號中的主要組成成分，并得出故障特征。

c）時(shí)頻特征提取。基于傅里葉變換的頻譜分析只能處理平穩信號，無(wú)法處理非平穩信號。小波分析引入窗函數可變的小波基，其分析窗口函數可調，能夠提取到非平穩信號短時(shí)、局部信息特征。通過(guò)構造小波函數族，將小波分析過(guò)程中的小波正交基組擴展為小波正交基庫，實(shí)現數據低頻和G頻成分的同時(shí)細化和分解。

通過(guò)試驗數據對時(shí)域、頻域和時(shí)頻域特征分析，可以發(fā)現，不同特征對故障敏感程度不同，反映了設備不同狀態(tài)下振動(dòng)數據特征間的差異。部分時(shí)域特征對軸承故障不敏感，但單一狀態(tài)下特征穩定性較好；頻域特征對頻譜結構變化敏感，正常狀態(tài)下，特征變化穩定，未出現大幅波動(dòng)，指示性好；時(shí)頻域特征能夠細化頻譜結構，對頻譜異常變化敏感，且故障指示性好。

2)基于自編碼器的故障智能診斷

a）自編碼器作為診斷模型原理。自編碼作為一種無(wú)監督式學(xué)習模型，利用輸入數據 X 本身作為監督，來(lái)指導神經(jīng)網(wǎng)絡(luò )嘗試學(xué)習一個(gè)映射關(guān)系，從而得到一個(gè)重構輸出。算法模型包含兩個(gè)主要的部分：Encoder（編碼器）和 Decoder（解碼器）。編碼器的作用是把G維輸入 X 編碼成低維的隱變量 h 從而強迫神經(jīng)網(wǎng)絡(luò )學(xué)習有信息量的特征；解碼器的作用是把隱藏層的隱變量 h 還原到初始維度。

在故障檢測場(chǎng)景下。利用無(wú)故障特征數據與各類(lèi)故障特征數據，構建深度自編碼器網(wǎng)絡(luò )診斷模型 AE，并得到正常與故障樣本特征空間；然后將當前待檢數據輸入 AE 的編碼器部分，得到待檢數據的特征 at,計算輸出值 at 與各特征空間A 之間距離，距離的判定為待檢數據所在工況。

b）診斷模型分類(lèi)方法。診斷模型采用以下兩種距離歐式距離和馬氏距離對 AE 模型輸出進(jìn)行分類(lèi)：

歐氏距離簡(jiǎn)單明了，且不受坐標旋轉、平移的影響。為避免坐標尺度對分類(lèi)結果的影響，需在計算歐氏距離之前先對特征參數進(jìn)行歸一化處理。考慮到特征矢量中的諸分量對分類(lèi)所起到的作用不同，可采用加權方法，構造加權歐式距離。

馬氏距離是加權歐式距離中用得較多的一種，馬氏距離的優(yōu)點(diǎn)是排除了特征參數之間的相互影響。

3)基于卷積神經(jīng)網(wǎng)絡(luò )的故障智能診斷

a）卷積神經(jīng)網(wǎng)絡(luò )作為診斷模型原理。卷積神經(jīng)網(wǎng)絡(luò )是多級神經(jīng)網(wǎng)絡(luò )，包含濾波級（filtering stage）與分類(lèi)級（classification stage）。其中，濾波級用來(lái)提取輸入信號的特征，分類(lèi)級對學(xué)習到的特征進(jìn)行分類(lèi)，兩級網(wǎng)絡(luò )參數是 共同訓練得到的。濾波級包含卷積層(convolutional layers)，池化層(pooling layers)與激活層 (activation layers)等 3 個(gè)基本單元，而分類(lèi)級一般由全連接層組成。本方案設計的卷積神經(jīng)網(wǎng)絡(luò )處理的是一維信號。

b）用于振動(dòng)信號診斷的一維卷積神經(jīng)網(wǎng)絡(luò )。本項目采用的卷積神經(jīng)網(wǎng)絡(luò )的結構如下圖所示。該卷網(wǎng)包含兩個(gè)卷積層，兩個(gè)池化層，一個(gè)全連接隱含層，以及一個(gè) Softmax 層。診斷信號通過(guò)D一個(gè)卷積層以及 ReLU 激活層，變?yōu)橐唤M特征圖（Feature Maps），再經(jīng)過(guò)大值池化進(jìn)行降采樣。重復一次以上操作，將后一個(gè)池化層的特征圖與全連接隱含層相連，經(jīng)過(guò) ReLU 激活之后，傳遞到后的 softmax 層。

大機組故障診斷模型目前在中石化集團 20 家煉化企業(yè)離心大機組進(jìn)行應用，實(shí)現了大機組不平衡、不對中、 油膜渦動(dòng)、、喘振/旋轉失速、動(dòng)靜摩擦等 9 類(lèi)典型故障自動(dòng)診斷，為企業(yè)維修決策提供有力支持。

自系統上線(xiàn)以來(lái)至今應用效果顯著(zhù)，基于系統智能報警和智能診斷模型已為 20 家企業(yè)有效診斷 50 余次，統計結果見(jiàn)圖 5，其中有 49 次為提前發(fā)現機組異常，及時(shí)告知企業(yè)，密切關(guān)注機組，避免造成嚴重故障。

本模型通過(guò)推廣至煉化板塊其他企業(yè)離心大機組故障診斷，可避免或減少非計劃停機或停工事件發(fā)生，延長(cháng)設備壽命，同時(shí)減少維修時(shí)間，提G生產(chǎn)效率和經(jīng)濟效益。

大機組智能診斷模型可大幅度減少對故障診斷專(zhuān)家的依賴(lài)，并且確認診斷結論以及檢維修建議的時(shí)間縮短 6 倍以上，可大幅縮短機組的檢修周期，降低機組故障停機時(shí)間、提G企業(yè)經(jīng)濟效益。

根據應用企業(yè)數據反饋：預計一家企業(yè)每年降低非計劃停機 1-2 次，根據企業(yè)規模不同，為企業(yè)減少直接或 間接經(jīng)濟損失約每年 400 萬(wàn)，為企業(yè)降本增效和可持續發(fā)展提供有力的技術(shù)支撐。