基于狀態(tài)監(jiān)測(cè)的預(yù)警管理系統(tǒng)研究與應(yīng)用

張棟梁，魏中青

（北京化工大學(xué) 診斷與自愈工程研究中心，北京 100029）

現(xiàn)代流程工業(yè)設(shè)備趨向大型化、連續(xù)化、高速化和自動(dòng)化，功能越來越多、結(jié)構(gòu)越來越復(fù)雜，因此由于設(shè)備故障停工而造成的損失將會(huì)大大增加。如果在設(shè)備出了問題后維修，停產(chǎn)不僅帶來經(jīng)濟(jì)上的巨大損失，而且設(shè)備帶病工作有可能引起嚴(yán)重?fù)p害[1]。尤其對(duì)關(guān)鍵機(jī)組，它是整個(gè)石化生產(chǎn)裝置的“心臟”，其運(yùn)行狀態(tài)直接影響整個(gè)企業(yè)的安全生產(chǎn)和經(jīng)濟(jì)效益。因此對(duì)于大型設(shè)備在線監(jiān)測(cè)早期故障特征的預(yù)警是至關(guān)重要的。

但是目前預(yù)警技術(shù)與狀態(tài)監(jiān)測(cè)并沒有有效地結(jié)合起來，而且目前的預(yù)警技術(shù)存在一定的缺陷。首先，特征參數(shù)的預(yù)警方式過于簡(jiǎn)單，只能針對(duì)機(jī)組各個(gè)通道振動(dòng)的總體幅值設(shè)置報(bào)警限，當(dāng)超過報(bào)警限時(shí)對(duì)應(yīng)通道報(bào)警。其次，可選預(yù)警參數(shù)特征參數(shù)少且沒有合理利用。當(dāng)前監(jiān)測(cè)系統(tǒng)主要是利用FFT技術(shù)，獲得振動(dòng)信號(hào)各個(gè)諧波的倍頻特征值或分頻特征值[2]。而且沒有將這些特征參數(shù)有機(jī)結(jié)合起來。對(duì)于故障發(fā)生時(shí)，機(jī)組可能出現(xiàn)非穩(wěn)態(tài)等復(fù)雜的工作狀態(tài)，使得預(yù)警不準(zhǔn)確。預(yù)警系統(tǒng)智能化程度相對(duì)比較低，其主要表現(xiàn)在特征參數(shù)學(xué)習(xí)獲得閾值信息不準(zhǔn)確，智能預(yù)警關(guān)頭策略不夠嚴(yán)謹(jǐn)以及預(yù)警特征數(shù)據(jù)智能存儲(chǔ)不夠完善等方面。

筆者將預(yù)警技術(shù)與狀態(tài)監(jiān)測(cè)結(jié)合起來，對(duì)大型機(jī)組尤其是關(guān)鍵機(jī)組的早期預(yù)警進(jìn)行了詳細(xì)地分析和研究。

1 基于監(jiān)督學(xué)習(xí)的預(yù)警

基于狀態(tài)監(jiān)測(cè)的預(yù)警技術(shù)可以根據(jù)閾值學(xué)習(xí)方式以及報(bào)警判斷方式的不同分為很多類，筆者主要針對(duì)基于監(jiān)督學(xué)習(xí)的預(yù)警技術(shù)進(jìn)行討論。監(jiān)督學(xué)習(xí)是利用已知類別的數(shù)據(jù)按照指定的學(xué)習(xí)機(jī)理得出有效的數(shù)據(jù)，正如根據(jù)已知的機(jī)械故障學(xué)習(xí)診斷技術(shù)一樣[3]。本文中主要是指根據(jù)一段時(shí)間內(nèi)的特征值數(shù)據(jù)通過自學(xué)習(xí)得出閾值的過程。基于監(jiān)督學(xué)習(xí)的預(yù)警技術(shù)可以分為以下幾類：快變報(bào)警技術(shù)、緩變報(bào)警技術(shù)、趨勢(shì)報(bào)警技術(shù)、軸心軌跡報(bào)警技術(shù)。

1.1 快變報(bào)警技術(shù)

快變是“快速變化”的簡(jiǎn)稱，含義有兩層：1）機(jī)器運(yùn)行狀態(tài)發(fā)生了快速的變化（突發(fā)故障），例如風(fēng)機(jī)在運(yùn)轉(zhuǎn)過程中發(fā)生了葉片掉落故障，機(jī)器運(yùn)行狀態(tài)會(huì)快速轉(zhuǎn)變?yōu)榉钦顟B(tài)。2）機(jī)器振動(dòng)信號(hào)因?yàn)槠錉顟B(tài)的變化而發(fā)生了瞬間變化，例如風(fēng)機(jī)掉葉片時(shí)，其振動(dòng)信號(hào)的某一個(gè)或某幾個(gè)特征值突然變大或變小。

1.1.1 快變報(bào)警的趨勢(shì)表示

針對(duì)機(jī)組運(yùn)行時(shí)，測(cè)點(diǎn)特征值的趨勢(shì)變化情況，當(dāng)發(fā)生突發(fā)故障時(shí)，信號(hào)的特征值會(huì)出現(xiàn)明顯的增大，則觸發(fā)快變報(bào)警[4]，如圖 1所示。

圖1 發(fā)生快變報(bào)警時(shí)的趨勢(shì)圖Fig.1 Trend graph of fast-changing alarm

1.1.2 快變報(bào)警閾值學(xué)習(xí)

利用高斯模型[5]實(shí)現(xiàn)快變報(bào)警的門限學(xué)習(xí)，各倍頻對(duì)應(yīng)幅值的特征值為Si（k）且服從高斯分布。根據(jù)機(jī)組平穩(wěn)運(yùn)行一段時(shí)間后得到的n組特征值，計(jì)算得到各個(gè)特征值的均值和方差，可反映振動(dòng)信號(hào)特征值在該段時(shí)間范圍內(nèi)平穩(wěn)分布情況。快變報(bào)警門限學(xué)習(xí)的過程如下：

1）計(jì)算一段時(shí)間內(nèi)特征值的均值：

2）計(jì)算一段時(shí)間內(nèi)特征值的方差：

3）根據(jù)特征值的均值以及方差得出特征值的門限：

式中k表示當(dāng)前的特征值索引。

由以上各式中自學(xué)習(xí)獲得的閾值置信度為99.73%，可以真實(shí)反映機(jī)組各個(gè)特征值在該時(shí)間范圍內(nèi)的分布趨勢(shì)。

1.2 緩變報(bào)警技術(shù)

緩變是“緩慢變化”的簡(jiǎn)稱，含義有兩層：1）機(jī)器運(yùn)行狀態(tài)發(fā)生了緩慢的變化（緩變故障），例如旋轉(zhuǎn)機(jī)械轉(zhuǎn)子結(jié)垢與軸承磨損，以及催化劑在機(jī)組葉片上的沉積（緩變故障），機(jī)器運(yùn)行狀態(tài)通過緩慢變化的積累轉(zhuǎn)變?yōu)榉钦顟B(tài)。2）機(jī)器振動(dòng)信號(hào)因?yàn)槠錉顟B(tài)的變化而發(fā)生了緩慢變化的趨勢(shì)。例如旋轉(zhuǎn)機(jī)械轉(zhuǎn)子結(jié)垢與軸承磨損，以及催化劑在機(jī)組葉片上的沉積時(shí)，其振動(dòng)信號(hào)的某一個(gè)或某幾個(gè)特征值具有緩慢變大或變小的趨勢(shì)[6]。

1.2.1 緩變報(bào)警的趨勢(shì)表示

針對(duì)機(jī)組運(yùn)行時(shí)，測(cè)點(diǎn)特征值的趨勢(shì)變化情況，當(dāng)發(fā)生漸發(fā)性故障時(shí)，尤其在故障的早期出現(xiàn)信號(hào)特征值緩慢增大的情況時(shí)，則觸發(fā)緩變報(bào)警。緩變報(bào)警為分鐘級(jí)報(bào)警策略：當(dāng)前機(jī)器狀態(tài)與前一段時(shí)間內(nèi) （通常為幾分鐘前）的機(jī)器狀態(tài)之差，為分鐘級(jí)變化信息量。一般而言，正常運(yùn)行的機(jī)組設(shè)備發(fā)生緩變故障時(shí)，機(jī)組的運(yùn)行狀態(tài)可以描述為：平穩(wěn)運(yùn)行階段→緩變報(bào)警階段→平穩(wěn)運(yùn)行階段。緩變報(bào)警過程如圖2所示。

圖2 發(fā)生緩變報(bào)警時(shí)的趨勢(shì)圖Fig.2 Trend graph of slow-changing alarm

1.2.2 緩變報(bào)警的閾值學(xué)習(xí)

對(duì)于緩變報(bào)警，采用下面的自學(xué)習(xí)算法得出閾值。對(duì)于振動(dòng)信號(hào)，各倍頻對(duì)應(yīng)幅值的特征值為Si（k）。

最后根據(jù)系統(tǒng)設(shè)定的放大系數(shù) （ZOOM）以及期望系數(shù)（HOPE）來計(jì)算得出緩變報(bào)警閾值：

放大系統(tǒng)以及期望系數(shù)可以根據(jù)機(jī)組的運(yùn)行狀態(tài)進(jìn)行調(diào)整，優(yōu)化閾值學(xué)習(xí)結(jié)果，得出最接近機(jī)組正常運(yùn)行狀態(tài)時(shí)閾值。

式（4）中，i表示特征值類型，如1倍頻、2倍頻等。

1.3 趨勢(shì)預(yù)警技術(shù)

趨勢(shì)報(bào)警技術(shù)是從數(shù)據(jù)庫(kù)中獲取指定時(shí)間段的特征值數(shù)據(jù) Si（k），然后對(duì)數(shù)據(jù) Si（k）按照趨勢(shì)預(yù)警策略進(jìn)行分析后給定分級(jí)預(yù)警信息。分級(jí)預(yù)警信息包括趨勢(shì)緩慢增長(zhǎng)、趨勢(shì)較快增長(zhǎng)、趨勢(shì)緩慢減小、趨勢(shì)快速減小以及正常趨勢(shì)。趨勢(shì)分析的策略如圖3所示。

圖3 趨勢(shì)預(yù)警策略圖Fig.3 Diagram of trend alarm strategy

1.4 軸心軌跡預(yù)警技術(shù)

在大型回轉(zhuǎn)設(shè)備的監(jiān)測(cè)中，由于軸心軌跡圖中含有豐富的故障信息，可以通過軸心軌跡圖分析得出故障的前期征兆[7]，因此對(duì)軸心軌跡的預(yù)警有著重要的意義。

利用Hilbert變換[8]獲得軸心軌跡軌跡包絡(luò)線并獲得軸心軌跡的包絡(luò)報(bào)警形狀門限，如果實(shí)際的軸心軌跡不在包絡(luò)報(bào)警形狀門限之內(nèi)，則說明發(fā)生了故障，如圖4所示。

圖4 軸心軌跡圖Fig.4 Axis orbit graph

上圖中，粗線表示實(shí)際的軸心軌跡曲線，細(xì)線表示軸心軌跡包絡(luò)線，即通過自學(xué)習(xí)得到的軸心軌跡包絡(luò)報(bào)警形狀門限。

2 基于狀態(tài)監(jiān)測(cè)的預(yù)警管理系統(tǒng)的應(yīng)用

筆者開發(fā)的基于狀態(tài)監(jiān)測(cè)的預(yù)警管理系統(tǒng)主要由4個(gè)模塊構(gòu)成：設(shè)備信息以及預(yù)警信息的加載、設(shè)備報(bào)警的判斷、報(bào)警狀態(tài)的同步、報(bào)警數(shù)據(jù)以及報(bào)警數(shù)據(jù)的存儲(chǔ)、歷史數(shù)據(jù)的同步。其判斷的流程如圖5所示。

圖5 預(yù)警管理系統(tǒng)的模塊之間的關(guān)系Fig.5 Relationship of the models on early warning system

2.1 設(shè)備信息以及預(yù)警信息的加載

登錄進(jìn)入預(yù)警管理系統(tǒng)后，系統(tǒng)會(huì)讀取中間件服務(wù)器上所有的設(shè)備的基本信息，其中包括測(cè)點(diǎn)信息、預(yù)警信息以及自定義的信息，并且將所有的信息緩存在系統(tǒng)中。

2.2 報(bào)警的判斷以及報(bào)警狀態(tài)的同步

預(yù)警管理系統(tǒng)加載完所有的設(shè)備信息后，會(huì)從中間件服務(wù)器中讀取實(shí)時(shí)數(shù)據(jù)。然后系統(tǒng)根據(jù)設(shè)定的預(yù)警信息已經(jīng)獲取的實(shí)時(shí)數(shù)據(jù)進(jìn)行報(bào)警判斷，如圖6所示，當(dāng)設(shè)備中測(cè)點(diǎn)發(fā)生報(bào)警時(shí)，預(yù)警系統(tǒng)客戶端就會(huì)有相應(yīng)的提示，并且說明發(fā)生了哪種類型的報(bào)警。

圖6 客戶端顯示的報(bào)警狀態(tài)Fig.6 Alarm states showed on client

2.3 報(bào)警數(shù)據(jù)以及報(bào)警日志的保存

通過報(bào)警判斷可以得出設(shè)備以及其各部位當(dāng)前的運(yùn)行狀態(tài)，即是否發(fā)生報(bào)警并且發(fā)生的是什么類型的報(bào)警。但是這些并不足以分析設(shè)備當(dāng)前發(fā)生故障，因此需要保存報(bào)警前后的數(shù)據(jù)。通過保存的歷史數(shù)據(jù)可以查看并分析報(bào)警時(shí)間段機(jī)組的整體運(yùn)行狀態(tài)，并根據(jù)報(bào)警數(shù)據(jù)分析機(jī)組發(fā)生的故障。

3 結(jié) 論

筆者研究開發(fā)的預(yù)警管理系統(tǒng)，通過對(duì)特征值的自學(xué)習(xí)得出特征值門限。然后將采集到的實(shí)時(shí)數(shù)據(jù)與門限值進(jìn)行比較得出設(shè)備通道的報(bào)警狀態(tài)，可以預(yù)測(cè)到設(shè)備早期的故障的發(fā)生，從而避免了由于停車而造成的損失以及由于設(shè)備故障而帶來的危險(xiǎn)。本文中開發(fā)的預(yù)警管理系統(tǒng)可以對(duì)設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測(cè)并有效地進(jìn)行預(yù)警，在實(shí)際應(yīng)用中取得了良好的效果，在預(yù)警的同時(shí)，又能根據(jù)保存的報(bào)警日志以及報(bào)警數(shù)據(jù)進(jìn)行針對(duì)性的故障分析，從而更加準(zhǔn)確地掌握設(shè)備的運(yùn)行狀態(tài)，為安全生產(chǎn)打好基礎(chǔ)。

[1]黃文虎，夏松波.設(shè)備故障診斷原理、技術(shù)與應(yīng)用[M].北京：北京科學(xué)出版社，1997.

[2]徐小力，梁福平，許寶杰，等.旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)及預(yù)測(cè)技術(shù)的發(fā)展與研究[J].北京機(jī)械工業(yè)學(xué)院學(xué)報(bào)，1999，14（4）:6-11.XU Xiao-li， LIANG Fu-ping，XU Bao-jie， et at.Development and research of rotating machinery condition monitor and prediction[J].Journal of Beijing Institute of Machinery，1999，14（4）:6-11.

[3]司捷，周貴安，李函，等.基于梯度監(jiān)督學(xué)習(xí)的理論與應(yīng)用（I）——基本算法[J].清華大學(xué)學(xué)報(bào)，1997（7）：73-75.SI Jie， ZHOU Gui-an， LI Han， etal.Theroryand application for the supervised learning method based on gradient algorithms Part I——Fundamentalgorithm[J].Journal of Tsinghua University.1997（7）：73-75.

[4]魏中青，馬波，江志農(nóng)，等.旋轉(zhuǎn)機(jī)械振動(dòng)監(jiān)測(cè)快變報(bào)警系統(tǒng)研究及工程應(yīng)用[J].機(jī)電工程技術(shù)，2010，12（39）：82-84，114，117-118.WEI Zhong-qing， MA Bo， JIANG Zhi-nong， et al.Study on fast-changing alarm system of rotating machinery vibration monitoring and its application[J].M&E Engineering Technology.2010，12（39） ：82-84，114，117-118.

[5]雷繼堯，何世德.機(jī)械故障診斷基礎(chǔ)知識(shí)[M].西安：西安交通大學(xué)出版社，1989.

[6]WEI Zhong-qing， JINAG Zhi-nong， MA Bo，et al.The slowchanging alarm system of condition monitoring for rotating machinery[J].Wseas Transactions on Systems，2010，9 （1）:52-61.

[7]韓西京，李錄平，史鐵林，等.旋轉(zhuǎn)機(jī)械軸心軌跡的自動(dòng)識(shí)別[J].振動(dòng)、測(cè)試與診斷，1997（3）：22-27.HAN Xi-jing， LI Lu-ping， SHI Tie-lin，et al.Automatic identification of axis orbit of rotating machinery[J].Journal of Vibration ，Measurement&Diagnosis，1997（3）：22-27.

[8]張緒省，朱貽盛，成曉雄，等.信號(hào)包絡(luò)提取方法——從希爾伯特變換到小波變換[J].電子科學(xué)學(xué)刑，1997（1）：120-123.ZHANG Xu-sheng， ZHU Yi-sheng， CHENG Xiao-xiong， et al.The methods of extracting signal envelope——from hilbert transfrom to wavelet transform[J]. Journal of Electronics&Information Technology，1997（1）：120-123.