石化缘推荐：智能诊断在机泵状态监测领域的探索与应用！

本期内容由湖南天一奥星泵业有限公司冠名

智能诊断在机泵状态监测领域的探索与应用

段腾飞

西安因联信息科技有限公司

摘要：传统的机泵设备状态监测及故障诊断，需要诊断工程师借助于温度、振动时域特征、频谱、包络分析等分析手段，判断设备故障原因及部位。但机泵设备数量较多，分布广泛，诊断工程师的数量远远不能满足现场监测需求，因此会存在诊断及时性不足的问题。为了解决该问题，本文介绍了智能诊断在机泵设备的应用，应用智能诊断模型可以实现故障诊断的自动化，帮助设备管理者及时检测出异常，减少诊断工程师的工作量，提升设备监测诊断的效率。

关键词：智能诊断 监测 机泵

一、引言

机泵设备是石油化工领域应用最为广泛的旋转设备，随着生产设备的自动化程度和智能化程度不断提高，生产效率也得到了提升，对设备运行的可靠性也有了更高的要求。现有的设备监测诊断方式，依赖于设备诊断工程师利用巡检或在线监测的温度、振动数据，通过时域特征分析、频谱分析、包络分析等分析手段，结合经验判断设备故障原因及部位。但由于机泵数量极大，诊断工程师数量远远不能满足设备分析诊断的需求，这种情况会造成不能及时发现设备出现问题，引发安全隐患。因此，为了保证生产线的安全运行，对机泵设备引入智能诊断方法，实现机泵设备的自动故障诊断是十分必要的。应用智能诊断方法，可以大幅减少诊断工程师的工作量，降低不必要的经济损失。

二、智能诊断系统架构概述

智能诊断系统的架构如图1所示。传感器负责采集设备运行的状态参数，包括：振动（加速度、速度、包络等）、温度等；同时需要接入现场的工艺参数，包括：转速、电流、压力等，状态参数与工艺参数共同组成完整的数据源。边缘网关负责数据的接入管理、数据清洗、过滤并进行协议转换，边缘计算技术提升了数据处理的效率，提升了数据的利用率，减轻了云端负担。边缘网关将数据推送到云端（私有云或公有云），对数据做进一步的信号处理及特征提取，输入到对应的设备故障诊断模型中，输出诊断结论，如：轴承损伤，联轴器故障等。

图 1 智能诊断系统架构图

整个诊断流程不需要人工的参与，就可以实现对设备的连续监测。运行在云端的智能诊断系统可以实现秒级延迟诊断，并自动推送诊断结论，极大的提高了设备监测效率。

三、智能诊断实现

在图1所示的智能诊断系统架构中，智能诊断的核心包括两部分：一是数据处理及特征提取，二是故障诊断模型。

1、数据处理及特征提取

数据处理包括数据的标准化以及特征提取两部分。数据标准化用来解决数据尺度不同的问题，在某些算法中数据的尺度对算法性能影响极大，甚至会使算法失效。特征提取用来解决数据信息冗余的问题，一般而言原始数据中包含着全部的信息，但是这些信息对于要解决的问题来说可能是过量的，冗余的信息不仅会导致处理复杂度增加，甚至某些情况下会导致错误的判断结果。

对于数据矩阵M，M的每一列是一条样本，常用的标准化方法如下所述：

(1) 归一化

常规的归一化是将向量的数值映射到[0,1]的一种预处理方法，归一化可以沿着矩阵M的行或者列进行，将行向量或者列向量记为X，则归一化之后的向量Xstd为：

其中Xmax和Xmin分别表示向量X的最大值和最小值。

(2) 2范数标准化

2范数标准化就是将向量的2范数转换为1的一种预处理方法，2范数标准化可以沿着矩阵M的行或者列进行，将行向量或者列向量记为X，则2范数标准化之后的向量Xstd为：

其中||X||2表示X的2范数值。

除了这两种方法之外，还有很多数据标准化方法，例如将数据的分布转换到0均值单位方差，选择标准化方法需要根据实际情况而定。

对于振动信号而言，常见的特征提取包括时域特征提取和频域特征提取[1]。常见的时域特征包括：

方差：度量信号幅值的分散程度。

峰值：即信号中最大的幅值，度量信号的极值状态。

偏度：信号的3阶标准矩，无量纲特征值，度量信号的概率密度函数的偏斜形态。

峭度：信号的4阶标准矩，无量纲特征值，度量信号的概率密度函数的陡峭程度。

其他根据对应的实际设备，提取如脉冲指标，周期指标等特征。

常见的频域特征包括：

频带能量：通过分析信号能量在不同频带的分布情况，可以判断出设备的状况。

频域相位：通过分析不同测点的相位差，判断某些特定的故障类别。

时频分析图[2]：有些故障特征频率是和转速相关的，对于变转速的设备，使用FFT进行频谱分析会出现频率模糊现象。时频分析技术可以解决这个问题，在时频图上可以得到不同时刻不同频率的幅值信息。图2所示是时域波形及其对应的时频图。

图 2 时域波形和时频图

当轴承齿轮发生局部缺陷故障时，会出现周期性的冲击，这些冲击会激起部件的共振，因此需要对振动信号进行包络解调分析[3]得到包络波形。对包络波形也可以提取其时域特征或者频域特征。

2、故障诊断模型

故障诊断模型就是从已有标签的设备数据中学习出一般性的规律，然后将待诊断的设备数据输入模型中，模型的输出结论为该设备正常或者有故障。常见的分类算法有支持向量机(SVM)和卷积神经网络(CNN)等。

支持向量机（Support vector machines，SVM）的思想是基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开[4]。样本空间中的超平面可以表示为：

其中x是样本，w是法向量，b为偏移量。在二维特征空间中的例子如图3所示，+和-分别表示两类样本，粗实线表示分割线，圆圈里的样本点称为“支持向量”，SVM的优化目标是支持向量到分割线之间的距离之和最大。

图 3 支持向量机示意图

卷积神经网络(CNN)[5]在图片分类中有着良好的效果，CNN的典型结构如图4所示，卷积层和池化层实现数据的特征提取，实际应用中一般复合多个卷积层和池化层，并通过“权值共享”策略来节省网络训练的开销，最终通过反向传播算法训练网络。

图 4卷积神经网络

针对机泵设备的故障诊断模型如图5所示，该模型以加速度、速度、包络、温度及工况参数作为数据源，通过对信号进行时域及频域的特征提取，以卷积神经网络作为诊断模型算法。训练数据需要经过人工诊断打上标签，用这些带标签数据训练模型，将训练好的模型保存在故障诊断模型库中。

图 5 机泵设备故障诊断模型

四、智能诊断现场应用

选取某石化厂的机泵设备作为智能诊断的测试，如图6所示。这些设备常用于输送高危介质，因此一旦出现故障，轻则导致生产停止，重则引发火灾爆炸等灾难性事件。常见故障包括轴承松动，轴承损伤，润滑不良，叶片故障等。

图 6 某石化企业机泵设备

在机泵设备部署无线传感器，采集振动温度等参数，网关通过OPC方式与DCS系统通讯采集工艺参数，智能诊断部署在云端数据平台上，接收数据并完成智能诊断，实现诊断结果，系统的拓扑图如图7所示。

图 7 监测系统拓扑图

对信号进行时域及频域特征提取，图8是信号的时频图特征提取。

图 8 训练数据时频图特征提取

通过应用诊断模型，对200多组数据进行分析，故障涵盖了联轴器故障、电气故障、轴承损伤、润滑不良、不平衡等，智能诊断结论与诊断工程师结论匹配度达90%以上，部分对比如表1所示。对部分故障做了现场验证，如图9所示。

表1 智能诊断结论对比

图 9 现场验证故障轴承点蚀、跑套故障

五、结论

本文介绍了智能诊断在机泵设备中的应用，阐述了数据标准化和特征提取方法，并介绍了诊断模型的训练过程。智能诊断的核心包括信号处理、特征提取及模型训练。通过案例验证，智能诊断可以实现自动判断故障原因及部位，及时给出诊断结论，故障诊断精度达到90%以上，具有较高的可靠性。

参考文献：

[1] 何正嘉, 陈进, 王太勇,等. 机械故障诊断理论及应用[M]. 北京：高等教育出版社,2010:31-53.

[2] 何正嘉,訾艳阳,陈雪峰,王晓冬.内积变换原理与机械故障诊断[J].振动工程学报,2007(05):528-533.

[3] 胡广书. 数字信号处理:理论、算法与实现.第3版[M]. 清华大学出版社, 2003:378-381.

[4] 周志华. 机器学习[M]. 清华大学出版社, 2016:121-141..

[5] Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324.

作者简介：段腾飞，男 ，硕士研究生学历，工业AI算法工程师，现任职：西安因联信息科技有限公司，研发中心。