石化機(jī)械設(shè)備故障診斷方法綜述

邱澤陽 王 雪 單 克

（1.中海油能源發(fā)展股份有限公司北京安全環(huán)保工程技術(shù)研究院；2.中國建材檢驗(yàn)認(rèn)證集團(tuán)股份有限公司；3.深圳市燃?xì)饧瘓F(tuán)股份有限公司）

石化機(jī)械設(shè)備機(jī)組結(jié)構(gòu)復(fù)雜， 一次運(yùn)行時(shí)間較長(zhǎng)，且處于高速、高溫且高壓的運(yùn)行狀態(tài)，因此發(fā)現(xiàn)設(shè)備的早期故障征兆， 提早制定防范和維護(hù)措施，對(duì)減少或避免因停機(jī)造成的損失意義重大。

目前，石化機(jī)械設(shè)備主要以監(jiān)測(cè)系統(tǒng)和定期巡檢的方式保障機(jī)組的正常運(yùn)行。 常用的監(jiān)測(cè)系統(tǒng)有System1 系統(tǒng)、SG8000 系統(tǒng)及Unicos Control System HMI 控制系統(tǒng)等，可監(jiān)測(cè)設(shè)備關(guān)鍵部件的振動(dòng)、壓力、溫度及位移等參數(shù)，一旦運(yùn)行參數(shù)與正常狀態(tài)偏差較大就會(huì)觸發(fā)報(bào)警，現(xiàn)場(chǎng)工程師可根據(jù)情況適當(dāng)進(jìn)行檢查維修，以避免設(shè)備運(yùn)行出現(xiàn)較嚴(yán)重的事故。 目前，對(duì)于機(jī)械設(shè)備的狀態(tài)判斷主要是依據(jù)定期巡檢數(shù)據(jù)或者實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，這就意味著只有設(shè)備故障發(fā)展到一定程度后才能獲取它的故障特征，而這時(shí)設(shè)備大多已出現(xiàn)較嚴(yán)重的故障問題，可見該方式無法在早期故障階段對(duì)設(shè)備狀態(tài)進(jìn)行有效分析， 及時(shí)排查隱患，避免故障的演化和傳遞。

設(shè)備故障診斷技術(shù)發(fā)展經(jīng)歷了3 個(gè)階段：第1 階段是依靠人員經(jīng)驗(yàn)根據(jù)設(shè)備的異常響應(yīng)，如振動(dòng)、噪聲及溫度等明顯變化來判斷可能存在的故障形式及其嚴(yán)重程度；第2 階段是基于傳感器和動(dòng)態(tài)測(cè)試技術(shù)，結(jié)合信號(hào)處理和建模分析方法進(jìn)行設(shè)備故障診斷；第3 階段是近年來發(fā)展形成的以計(jì)算機(jī)和信息技術(shù)為基礎(chǔ)，以機(jī)器學(xué)習(xí)和人工智能為核心的智能診斷。 由于智能診斷方法對(duì)設(shè)備專業(yè)知識(shí)要求低，診斷結(jié)果準(zhǔn)確率高，成為當(dāng)前設(shè)備故障診斷領(lǐng)域研究的熱點(diǎn)。 在此，筆者對(duì)目前以機(jī)器學(xué)習(xí)為基礎(chǔ)的石化機(jī)械設(shè)備故障診斷方法進(jìn)行了總結(jié)，比較了各類方法的優(yōu)缺點(diǎn)和適用性，分析認(rèn)為基于深度學(xué)習(xí)的方法是故障診斷未來發(fā)展的必然趨勢(shì)。

1 基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法

20 世紀(jì)80 年代，隨著計(jì)算機(jī)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)開始誕生。 它通過模擬人大腦的運(yùn)行模式，從一個(gè)新視角來進(jìn)行數(shù)據(jù)處理，實(shí)現(xiàn)事物狀態(tài)的判別與分析。 人工神經(jīng)網(wǎng)絡(luò)發(fā)展的初期形成了多種模型結(jié)構(gòu)，主要包括多層感知器模型［1］、BP 神經(jīng)網(wǎng) 絡(luò)［2］、模 糊 神 經(jīng)網(wǎng)絡(luò)［3］、自 組 織 映射 神經(jīng) 網(wǎng) 絡(luò)［4］、Hopfield 神 經(jīng) 網(wǎng) 絡(luò)［5］及 遞 歸 神 經(jīng) 網(wǎng) 絡(luò)（Recurrent Neural Network，RNN）［6］等。 在這個(gè)過程中，學(xué)者們做了很多研究工作，徐桂云等為了降低基于無線傳感的軸承故障診斷中的數(shù)據(jù)載荷， 提出一種基于PCA-RBF 神經(jīng)網(wǎng)絡(luò)的故障診斷算法，通過仿真驗(yàn)證可知，該方法的故障診斷準(zhǔn)確率達(dá)85%以上，遠(yuǎn)高于傳統(tǒng)的診斷方法［7］。柴保明等針對(duì)齒輪故障信號(hào)中噪聲干擾嚴(yán)重導(dǎo)致診斷準(zhǔn)確率不高的問題，提出了一種基于EEMD與RBF 神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法，通過多尺度濾波，然后提取各模態(tài)能量值輸入RBF 網(wǎng)絡(luò)中，實(shí)現(xiàn)了齒輪的故障診斷［8］。李娟娟等針對(duì)傳感器故障實(shí)時(shí)診斷難的問題，提出了一種基于小波包與SOM 神經(jīng)網(wǎng)絡(luò)的診斷方法， 采用小波包將故障樣本數(shù)據(jù)進(jìn)行分解，再利用分解所得的各頻段能量值與正常工作時(shí)的值之比構(gòu)造特征向量，并將該特征向量輸入SOM 神經(jīng)網(wǎng)絡(luò)中進(jìn)行診斷［9］。 姚海妮等通過求解各故障模式與正常情況下特征空間中的馬氏距離，實(shí)現(xiàn)了軸承早期微弱故障的診斷［10］。謝春麗等基于BP 神經(jīng)網(wǎng)絡(luò)方法，成功診斷出核電蒸汽發(fā)生器中U 形管破裂故障［11］。 崔玲麗等通過提取齒輪箱早期故障中的沖擊信息，并與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合，為強(qiáng)噪聲環(huán)境下的機(jī)械故障診斷提供了一種新思路［12］。 邵繼業(yè)等針對(duì)壓縮機(jī)氣閥故障信號(hào)的非平穩(wěn)性和非周期性特點(diǎn)，提出一種PCA 和BP 相結(jié)合的氣閥故障診斷方法，并通過仿真數(shù)據(jù)驗(yàn)證了該方法的可行性［13］。 萬磊等針對(duì)水下機(jī)器人系統(tǒng)故障診斷難的問題，提出了一種改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)，并利用試驗(yàn)對(duì)RNN 模型網(wǎng)絡(luò)輸出進(jìn)行了修正， 實(shí)現(xiàn)了推進(jìn)器的故障診斷［14］。

2 基于支持向量機(jī)的故障診斷方法

支持向量機(jī)是一種建立在統(tǒng)計(jì)學(xué)基礎(chǔ)上針對(duì)有限樣本數(shù)據(jù)集的機(jī)器學(xué)習(xí)方法，該方法具有優(yōu)越的學(xué)習(xí)能力，可以將非線性問題轉(zhuǎn)化到高維特征空間進(jìn)行線性變換［15］。 相對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)只需要較少的訓(xùn)練樣本就能達(dá)到較好的泛化能力。 因此，該方法一經(jīng)提出就在故障診斷領(lǐng)域得到了廣泛推廣與應(yīng)用。 郭磊等針對(duì)傳統(tǒng)故障分類器性能不佳的問題，提出了一種小波核函數(shù)支持向量機(jī)故障分類方法，并利用不同故障形態(tài)的軸承數(shù)據(jù)進(jìn)行了驗(yàn)證，發(fā)現(xiàn)該診斷方法的準(zhǔn)確率高于傳統(tǒng)診斷方法的準(zhǔn)確率［16］。 Kusiak A 和Li W Y 基于支持向量機(jī)進(jìn)行了不同故障模式和不同故障嚴(yán)重程度的診斷識(shí)別［17］。 Zhu K H 等針對(duì)滾動(dòng)軸承故障信號(hào)的非線性動(dòng)態(tài)特性，提出了一種基于層次熵與支持向量機(jī)的故障診斷方法， 實(shí)驗(yàn)結(jié)果表明， 該方法優(yōu)于傳統(tǒng)的MSE 方法［18］。段禮祥等針對(duì)不均衡數(shù)據(jù)集導(dǎo)致診斷模型訓(xùn)練難的問題，提出了二叉樹結(jié)構(gòu)與加權(quán)C-SVM 相結(jié)合的方法，通過綜合考慮樣本類間距離、類內(nèi)距離和不均衡程度，解決了不均衡數(shù)據(jù)集條件下的故障診斷難題［19］。 鄭近德等針對(duì)滾動(dòng)軸承早期故障敏感特征提取難，導(dǎo)致診斷準(zhǔn)確率低的問題，提出了多尺度模糊熵與支持向量機(jī)相結(jié)合的診斷方法，采用滑動(dòng)均值改進(jìn)的多尺度模糊熵算法，實(shí)現(xiàn)了軸承的故障診斷［20］。 吐松江·卡日等為了提高變壓器故障診斷準(zhǔn)確率，提出了一種SVM 與GA 相結(jié)合的故障診斷方法， 可以準(zhǔn)確、有效地診斷變壓器故障［21］。Li Y B 等針對(duì)早期故障診斷難的問題，提出了一種基于層次符號(hào)動(dòng)態(tài)熵和二叉樹支持向量機(jī)的早期故障診斷方法，并通過仿真和實(shí)驗(yàn)證明了該方法對(duì)滾動(dòng)軸承早期故障診斷的有效性［22］。

3 基于深度學(xué)習(xí)的故障診斷方法

雖然神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)可以很好地實(shí)現(xiàn)故障分類，但依然存在需要人工提取特征和大數(shù)據(jù)量處理困難的問題。 深度學(xué)習(xí)強(qiáng)大的特征挖掘和數(shù)據(jù)處理能力可以很好地解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的不足，因此得到了廣泛應(yīng)用。 李巍華等針對(duì)傳統(tǒng)故障診斷結(jié)果差異性較大的問題，提出了基于深度信念網(wǎng)絡(luò)的故障診斷方法，通過從原始數(shù)據(jù)中挖掘分布式特征，實(shí)現(xiàn)了軸承故障的分類識(shí)別［23］。 趙光權(quán)等針對(duì)復(fù)雜裝備監(jiān)測(cè)信號(hào)的繁雜性導(dǎo)致人工特征提取難的問題，提出了深度置信網(wǎng)絡(luò)的特征提取和故障診斷方法，實(shí)現(xiàn)了故障智能診斷［24］。 劉秀麗和徐小力針對(duì)風(fēng)電設(shè)備在故障診斷中存在數(shù)據(jù)量大、 故障特征提取困難等問題，提出了一種基于深度信念網(wǎng)絡(luò)的齒輪箱故障診斷方法， 通過將原始時(shí)域波形數(shù)據(jù)輸入網(wǎng)絡(luò)模型，同時(shí)在網(wǎng)絡(luò)訓(xùn)練過程中加入Batch Normalization，避免了過擬合現(xiàn)象，實(shí)現(xiàn)了風(fēng)電機(jī)組行星齒輪箱的故障診斷，且診斷結(jié)果優(yōu)于傳統(tǒng)的故障診斷方法［25］。 崔江等針對(duì)復(fù)雜工況下故障特征提取難的問題，提出了基于堆棧自動(dòng)編碼器的故障特征自適應(yīng)提取方法，實(shí)現(xiàn)了航空發(fā)電機(jī)旋轉(zhuǎn)整流器二極管的故障診斷［26］。 鄭曉飛等為了解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)過擬合、泛化能力差的難題，利用深度置信網(wǎng)絡(luò)替代淺層神經(jīng)網(wǎng)絡(luò)，構(gòu)建了基于深度置信網(wǎng)絡(luò)的狀態(tài)觀測(cè)器，仿真驗(yàn)證結(jié)果表明，該方法診斷準(zhǔn)確性和響應(yīng)明顯優(yōu)于傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)［27］。 周奇才等針對(duì)機(jī)械設(shè)備故障診斷中特征提取困難、復(fù)雜故障診斷準(zhǔn)確率低的問題，提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，通過利用多個(gè)交替的卷積層和池化層完成原始數(shù)據(jù)的自適應(yīng)特征學(xué)習(xí)，最終實(shí)現(xiàn)了軸承和齒輪箱健康狀態(tài)的故障診斷［28］。 佘博等針對(duì)傳統(tǒng)診斷模型泛化能力差的問題，通過利用頻譜數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練， 避免了特征提取中對(duì)人工經(jīng)驗(yàn)的依賴，采用凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)進(jìn)行分析，驗(yàn)證了該方法的可靠性［29］。

4 結(jié)束語

目前，常用的人工分析和智能診斷方法存在嚴(yán)重依賴專業(yè)知識(shí)和診斷準(zhǔn)確率不高的問題。 基于深度學(xué)習(xí)的故障診斷方法能夠直接從數(shù)據(jù)中自動(dòng)提取表征設(shè)備狀態(tài)的敏感特征，能夠解決傳統(tǒng)診斷中需要嚴(yán)重依賴專家經(jīng)驗(yàn)和所選特征因主觀或片面性而導(dǎo)致診斷結(jié)果準(zhǔn)確率不高的問題，具有優(yōu)良的特征學(xué)習(xí)能力和強(qiáng)大的模型泛化能力，將成為石化機(jī)械設(shè)備智能診斷領(lǐng)域的研究熱點(diǎn)和未來發(fā)展方向。