智能化在離心泵預(yù)測(cè)性維修中的應(yīng)用研究

周云奕，蔡康健，張玉媛，郭新然，石 坤，向 峰

（中國(guó)特種設(shè)備檢測(cè)研究院，北京 100029）

0 引 言

石油化工是我國(guó)經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，保證石油產(chǎn)業(yè)安全高效運(yùn)轉(zhuǎn)是保障民生的關(guān)鍵任務(wù)之一。離心泵是石油運(yùn)輸中的關(guān)鍵動(dòng)設(shè)備，扮演著“心臟”的角色，一旦發(fā)生故障，輕則引起非計(jì)劃停機(jī)影響生產(chǎn)效率，帶來(lái)經(jīng)濟(jì)損失；重則引起生產(chǎn)安全事故，給人民生命財(cái)產(chǎn)安全帶來(lái)威脅。因此，保障生產(chǎn)設(shè)備安全可靠運(yùn)行是石化企業(yè)的核心工作之一。

隨著物聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)等新技術(shù)的不斷發(fā)展，基于運(yùn)行監(jiān)控?cái)?shù)據(jù)的設(shè)備早期故障診斷成為可能，有望進(jìn)一步降低計(jì)劃外維修發(fā)生的概率，在設(shè)備狀態(tài)及運(yùn)轉(zhuǎn)趨勢(shì)已知可控的前提下制定維修策略、調(diào)整生產(chǎn)計(jì)劃、調(diào)配維修所需資源，從而保證企業(yè)生產(chǎn)安全的同時(shí)提升企業(yè)生產(chǎn)效率。

1 設(shè)備全生命周期管理系統(tǒng)總體設(shè)計(jì)

設(shè)備全生命周期管理系統(tǒng)架構(gòu)如圖1 所示。系統(tǒng)中的數(shù)據(jù)類(lèi)型包括生產(chǎn)運(yùn)行和記錄型業(yè)務(wù)數(shù)據(jù)兩大類(lèi)。生產(chǎn)運(yùn)行數(shù)據(jù)主要為設(shè)備的運(yùn)行監(jiān)控?cái)?shù)據(jù)和工藝生產(chǎn)數(shù)據(jù)，來(lái)源包括設(shè)備本體、設(shè)備狀態(tài)在線監(jiān)測(cè)系統(tǒng)、SCADA 系統(tǒng)（PLC/DCS系統(tǒng)）[1]、陰保系統(tǒng)等。記錄型業(yè)務(wù)數(shù)據(jù)包括設(shè)備設(shè)計(jì)、制造、采購(gòu)、維修、保養(yǎng)、巡檢及相關(guān)知識(shí)庫(kù)資料等數(shù)據(jù)，來(lái)源于企業(yè)內(nèi)部的ERP、OA、財(cái)務(wù)系統(tǒng)以及在本系統(tǒng)的信息化錄入模塊。結(jié)合數(shù)據(jù)處理技術(shù)與存儲(chǔ)設(shè)備將以上數(shù)據(jù)統(tǒng)一存儲(chǔ)至數(shù)據(jù)中心，用于實(shí)際應(yīng)用中的數(shù)據(jù)分析與挖掘，支撐系統(tǒng)應(yīng)用層的設(shè)備運(yùn)行監(jiān)控、設(shè)備故障診斷、設(shè)備缺陷庫(kù)建立、設(shè)備效能評(píng)估、設(shè)備剩余壽命預(yù)測(cè)、備品備件庫(kù)存統(tǒng)計(jì)以及供應(yīng)商評(píng)估等應(yīng)用，從而實(shí)現(xiàn)對(duì)設(shè)備管理數(shù)據(jù)價(jià)值的深度挖掘與利用。系統(tǒng)在用戶層以云端智能平臺(tái)與移動(dòng)端為載體，集中匯總并集中展現(xiàn)設(shè)備全生命周期管理數(shù)據(jù)，實(shí)現(xiàn)智能化技術(shù)為企業(yè)管理賦能的目標(biāo)。

圖1 設(shè)備全生命周期管理系統(tǒng)架構(gòu)

2 離心泵的預(yù)測(cè)性維修方案設(shè)計(jì)

離心泵是石油化工行業(yè)中的關(guān)鍵動(dòng)設(shè)備，是油庫(kù)外輸、消防、換熱器水循環(huán)等環(huán)節(jié)必不可少的裝置，保證其安全運(yùn)轉(zhuǎn)是油庫(kù)管理的基礎(chǔ)，一旦發(fā)生故障則會(huì)影響生產(chǎn)效率，甚至導(dǎo)致安全事故的發(fā)生。因此，保證油庫(kù)中機(jī)泵的正常平穩(wěn)運(yùn)轉(zhuǎn)至關(guān)重要。

目前，針對(duì)動(dòng)設(shè)備的維護(hù)應(yīng)用最為廣泛的理論是基于設(shè)備可靠性分析的維修（Reliability Centered Maintenance,RCM）。RCM 是建立在風(fēng)險(xiǎn)評(píng)價(jià)和可靠性分析基礎(chǔ)上的[2]，應(yīng)用系統(tǒng)化的技術(shù)方法對(duì)設(shè)備的失效模式及影響進(jìn)行分析評(píng)估，確定設(shè)備失效的風(fēng)險(xiǎn)、造成失效的原因，識(shí)別設(shè)備固有或潛在的危險(xiǎn)及其可能產(chǎn)生的后果，從而制定和優(yōu)化降低風(fēng)險(xiǎn)的維修策略[3]。主要流程包括：（1）確定設(shè)備可能出現(xiàn)的故障問(wèn)題，并分析故障問(wèn)題出現(xiàn)后會(huì)給設(shè)備帶來(lái)的損害和影響；（2）通過(guò)邏輯判斷和科學(xué)有效的評(píng)估，針對(duì)故障造成的影響制定相應(yīng)的控制措施；（3）由相關(guān)專(zhuān)業(yè)人員對(duì)實(shí)際的設(shè)備故障相關(guān)數(shù)據(jù)信息進(jìn)行分析，并且建立數(shù)據(jù)模型，在保障設(shè)備功能性完整的基礎(chǔ)上對(duì)設(shè)備進(jìn)行優(yōu)化維修，從而盡可能地降低設(shè)備運(yùn)行中由于故障而造成的損失。

預(yù)測(cè)性維修是以狀態(tài)為依據(jù)的維修。在設(shè)備運(yùn)行時(shí)，對(duì)它的主要或重要部位進(jìn)行定期或連續(xù)的狀態(tài)監(jiān)測(cè)和故障診斷，判定設(shè)備所處的狀態(tài)，預(yù)測(cè)設(shè)備未來(lái)的狀態(tài)及發(fā)展趨勢(shì)。依據(jù)設(shè)備的狀態(tài)發(fā)展趨勢(shì)和可能的故障模式，預(yù)先制定預(yù)測(cè)性維修計(jì)劃，確定設(shè)備計(jì)劃維修時(shí)間、內(nèi)容、方式、必需的技術(shù)及物資支持。預(yù)測(cè)性維修集設(shè)備狀態(tài)監(jiān)測(cè)、故障診斷、故障（狀態(tài)）預(yù)測(cè)、維修決策支持和維修活動(dòng)于一體，是一種新興的維修方式。

2.1 預(yù)測(cè)性維修方案設(shè)計(jì)思想

基于設(shè)備可靠性的預(yù)防性維修方案主要關(guān)注機(jī)械設(shè)備的性能退化規(guī)律，即設(shè)備P-F 曲線[4]，如圖2 所示，P 點(diǎn)為潛在故障點(diǎn)，在此點(diǎn)設(shè)備出現(xiàn)故障趨勢(shì)，但仍未失效；F 點(diǎn)為功能故障點(diǎn)，設(shè)備出現(xiàn)功能性失效。有時(shí)P-F 間隔期很短，往往來(lái)不及采取預(yù)防性維修措施[5]，所以預(yù)防性維修周期（依據(jù)平均故障間隔時(shí)間MTBF 確定）[4]需在潛在故障點(diǎn)之前。因此，設(shè)備的維修周期應(yīng)根據(jù)設(shè)備的實(shí)際運(yùn)行狀態(tài)進(jìn)一步延長(zhǎng)和優(yōu)化，為維修提供充分的準(zhǔn)備，優(yōu)化備品備件庫(kù)存、優(yōu)化人員調(diào)配方案、協(xié)調(diào)生產(chǎn)計(jì)劃乃至節(jié)約維修成本，從而提升企業(yè)運(yùn)轉(zhuǎn)效能。

圖2 設(shè)備P-F 曲線

隨著設(shè)備在線檢測(cè)技術(shù)的不斷發(fā)展及成功應(yīng)用，可考慮通過(guò)對(duì)設(shè)備的實(shí)時(shí)運(yùn)行狀態(tài)進(jìn)行監(jiān)控及設(shè)備運(yùn)行趨勢(shì)的預(yù)測(cè)，實(shí)現(xiàn)更加精準(zhǔn)的預(yù)測(cè)性維修，進(jìn)一步提升對(duì)設(shè)備正常運(yùn)轉(zhuǎn)周期的預(yù)測(cè)精度，可較為準(zhǔn)確地預(yù)測(cè)出設(shè)備的潛在故障點(diǎn)及功能故障點(diǎn)，以此實(shí)現(xiàn)在潛在故障點(diǎn)前調(diào)整生產(chǎn)計(jì)劃與維修安排，調(diào)配所需備品備件，避免欠維修，減少過(guò)維修，在P-F區(qū)間實(shí)現(xiàn)精準(zhǔn)維修的目標(biāo)。

張志彤：2013年，我國(guó)水旱災(zāi)害頻繁。松花江、黑龍江發(fā)生流域性大洪水，有9個(gè)熱帶氣旋登陸，一些地區(qū)發(fā)生了較為嚴(yán)重的暴雨洪水和山洪地質(zhì)災(zāi)害，南方部分地區(qū)發(fā)生了嚴(yán)重高溫伏旱。全國(guó)汛情、旱情、災(zāi)情主要有6個(gè)特點(diǎn):

2.2 技術(shù)路線

預(yù)測(cè)性維修的整體技術(shù)路線如圖3 所示。由設(shè)備全生命周期系統(tǒng)獲取到設(shè)備歷史與實(shí)時(shí)的運(yùn)行數(shù)據(jù)和記錄型業(yè)務(wù)數(shù)據(jù)，基于以上原始數(shù)據(jù)，結(jié)合大數(shù)據(jù)分析以及專(zhuān)家經(jīng)驗(yàn)建立設(shè)備缺陷庫(kù)，梳理設(shè)備可能出現(xiàn)的所有缺陷對(duì)象、缺陷現(xiàn)象、缺陷機(jī)理、缺陷原因及治理策略。匯總以上所有數(shù)據(jù)用于設(shè)備的運(yùn)行分析和運(yùn)行監(jiān)控、故障診斷[6]、可靠性分析、風(fēng)險(xiǎn)評(píng)估及效能分析，評(píng)估設(shè)備的剩余使用壽命并最終生成設(shè)備的預(yù)測(cè)性維修策略。同時(shí)，將以上設(shè)備運(yùn)行分析模塊的中間或最終結(jié)果與設(shè)備維修過(guò)程中的實(shí)際結(jié)果比對(duì)后又會(huì)更新設(shè)備的相關(guān)業(yè)務(wù)記錄數(shù)據(jù)。需明確說(shuō)明的是，技術(shù)路線中設(shè)備運(yùn)行分析部分的各個(gè)功能模塊不完全獨(dú)立且不是并行關(guān)系，存在一定的耦合關(guān)系。

圖3 預(yù)測(cè)性維修技術(shù)路線

2.3 離心泵FMECA 分析

FMECA 即故障模式、影響及危害性分析，是通過(guò)分析產(chǎn)品所有可能的故障模式及其可能產(chǎn)生的影響，并按嚴(yán)重程度及發(fā)生概率予以分類(lèi)的一種歸納分析方法，是RCM 中使用的主要方式，可支撐設(shè)備風(fēng)險(xiǎn)的評(píng)估。

2.3.1 泵的故障模式及原因分析

根據(jù)部件功能描述，確定該設(shè)備所有可能的功能故障模式；并根據(jù)設(shè)備的硬件組成，列舉最低層次上可能發(fā)生的硬件故障模式。找出每個(gè)故障模式產(chǎn)生的直接原因，以及外部因素構(gòu)成的間接原因，如部件使用方式等人為操作因素。對(duì)部件進(jìn)行故障原因分析，可幫助制定針對(duì)性的改進(jìn)措施，從而降低故障發(fā)生的可能性。

結(jié)合某石油管道運(yùn)輸公司場(chǎng)站調(diào)研情況，在實(shí)際生產(chǎn)過(guò)程中需要重點(diǎn)關(guān)注的離心泵故障類(lèi)型包括：電機(jī)定子故障、軸承磨損、潤(rùn)滑油/潤(rùn)滑脂液位過(guò)低、電機(jī)和泵體不在一條直線等。離心泵泵體和電機(jī)現(xiàn)有的監(jiān)測(cè)數(shù)據(jù)包含：泵體進(jìn)出口兩端溫度、位移、電機(jī)溫度、定子三相溫度、電機(jī)電流、電機(jī)轉(zhuǎn)速、電機(jī)頻率等。

2.3.2 泵的故障模式危害性分析

故障模式危害性分析是分析設(shè)備故障造成的結(jié)果，包括：影響安全與環(huán)境的方式、影響生產(chǎn)和運(yùn)行的方式、故障引起的物理?yè)p壞、要修復(fù)故障必須采取的措施（維修后果、故障后果、環(huán)境后果）。對(duì)每一種故障模式，一般用風(fēng)險(xiǎn)來(lái)描述其危害性。風(fēng)險(xiǎn)的兩個(gè)重要影響因素為失效頻率等級(jí)和失效所造成的后果?；陲L(fēng)險(xiǎn)和后果的評(píng)價(jià)與分析，通過(guò)建立風(fēng)險(xiǎn)矩陣劃分失效模式的等級(jí)，關(guān)聯(lián)后續(xù)設(shè)備維修策略的制定與優(yōu)化。

2.4 基于狀態(tài)監(jiān)測(cè)的離心泵可靠性分析

可靠性是指設(shè)備在一定時(shí)間內(nèi)，不發(fā)生故障的概率。實(shí)現(xiàn)設(shè)備的可靠性分析重點(diǎn)在于發(fā)現(xiàn)并掌握設(shè)備性能劣化的趨勢(shì)，具體內(nèi)容包括：對(duì)設(shè)備早期故障的感知、對(duì)設(shè)備故障類(lèi)型的診斷、對(duì)設(shè)備運(yùn)行趨勢(shì)的預(yù)測(cè)與設(shè)備剩余使用壽命的評(píng)估。核心研究?jī)?nèi)容為基于振動(dòng)信號(hào)的設(shè)備早期故障診斷及設(shè)備的剩余使用壽命（Remaining Useful Life, RUL）預(yù)測(cè)。在基于設(shè)備振動(dòng)信號(hào)進(jìn)行分析時(shí)，前者關(guān)注故障特征信號(hào)的類(lèi)型，后者則更關(guān)注故障信號(hào)的趨勢(shì)。

2.4.1 基于振動(dòng)信號(hào)分析的離心泵故障診斷

傳統(tǒng)的基于統(tǒng)計(jì)的壽命分布模型往往僅關(guān)注設(shè)備的靜態(tài)或歷史數(shù)據(jù)，缺乏對(duì)設(shè)備實(shí)時(shí)運(yùn)行數(shù)據(jù)的分析，且分布模型的選擇需要依靠人工經(jīng)驗(yàn)，參數(shù)求解過(guò)程較為復(fù)雜。在實(shí)際生產(chǎn)中，離心泵發(fā)生轉(zhuǎn)子不平衡或不對(duì)中、轉(zhuǎn)軸明顯彎曲、轉(zhuǎn)子的支撐部件聯(lián)接出現(xiàn)松動(dòng)以及機(jī)械密封動(dòng)靜件出現(xiàn)摩擦等故障都會(huì)伴隨設(shè)備振動(dòng)異?，F(xiàn)象的發(fā)生[7]。

隨著傳感器、物聯(lián)網(wǎng)、人工智能等技術(shù)的進(jìn)步，可在以上新技術(shù)的基礎(chǔ)上，結(jié)合關(guān)鍵機(jī)泵的狀態(tài)在線監(jiān)測(cè)與趨勢(shì)預(yù)測(cè)，實(shí)現(xiàn)對(duì)機(jī)泵尤其是軸承等核心部件[8]早期故障的檢測(cè)與診斷，提升設(shè)備可靠性分析的準(zhǔn)確率，更能降低災(zāi)難性損壞的可能性以及減少停機(jī)時(shí)間。設(shè)備的振動(dòng)信號(hào)特征包括：（1）時(shí)域特征，例如均值（mean）、均方根（RMS）、方差、偏度、峰度等；（2）頻域特征，例如FFT 頻譜的幅度等；（3）時(shí)頻域特征，例如短時(shí)傅立葉變換（STFT）、維格納-維勒分布（WVD）、小波變換（WT）等的統(tǒng)計(jì)特性。

隨著機(jī)器學(xué)習(xí)理論研究的不斷進(jìn)步，可在對(duì)設(shè)備振動(dòng)信號(hào)進(jìn)行特征提取的基礎(chǔ)上進(jìn)行分類(lèi)，實(shí)現(xiàn)對(duì)機(jī)泵故障類(lèi)型的診斷，主流的算法包括：人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊分類(lèi)器、決策樹(shù)等。支持向量機(jī)以其在小樣本數(shù)據(jù)分類(lèi)上的優(yōu)勢(shì)被用于解決振動(dòng)信號(hào)的特征識(shí)別中的過(guò)擬合、收斂慢和局部最優(yōu)解等問(wèn)題。在設(shè)備故障診斷中可通過(guò)基于多尺度形態(tài)分析的形態(tài)模式譜對(duì)原始振動(dòng)信號(hào)的形狀特征進(jìn)行描述，再結(jié)合SVM 實(shí)現(xiàn)不同故障特征信號(hào)的分類(lèi)與識(shí)別[9]。宋禮威等人[10]對(duì)離心泵轉(zhuǎn)子振動(dòng)位移信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，針對(duì)分解出的各層固有模態(tài)函數(shù)中的故障敏感分量進(jìn)行分析，利用徑向基神經(jīng)網(wǎng)絡(luò)對(duì)故障特征進(jìn)行分類(lèi)。Sugumaran 等[11]通過(guò)對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行統(tǒng)計(jì)分析，得到主要和次要參數(shù)，結(jié)合決策樹(shù)和距離評(píng)估算法從中提取并選擇用于故障分類(lèi)的特征，針對(duì)故障信號(hào)存在的演變特點(diǎn)訓(xùn)練模糊分類(lèi)器，實(shí)現(xiàn)輸入特征和輸出類(lèi)別之間的映射，完成軸承故障的診斷。王慶鋒等人[5]利用小波包分解技術(shù)對(duì)運(yùn)行正常的振動(dòng)數(shù)據(jù)進(jìn)行特征矩陣抽取，然后基于動(dòng)態(tài)核主成分分析得到該特征矩陣的特征子空間，在特征子空間內(nèi)通過(guò)T2 統(tǒng)計(jì)分析求取設(shè)備健康指數(shù)T2 統(tǒng)計(jì)量，再基于Beta 分布自學(xué)習(xí)技術(shù)求取設(shè)備運(yùn)行正常狀態(tài)的告警控制限，求得在線監(jiān)測(cè)數(shù)據(jù)的健康指標(biāo)，作為實(shí)際監(jiān)控?cái)?shù)據(jù)的告警控制限，以此探索不需要外部專(zhuān)家干預(yù)和人工分析即可準(zhǔn)確獲取早期設(shè)備故障信息的方法。這對(duì)于信息物理系統(tǒng)環(huán)境下實(shí)現(xiàn)設(shè)備智能運(yùn)維具有重要意義。

2.4.2 離心泵的剩余使用壽命預(yù)測(cè)

如前所述，以可靠性為中心的維修最終須得到設(shè)備的預(yù)防性維修周期，從而制定對(duì)應(yīng)的維修計(jì)劃與策略。這與計(jì)算當(dāng)前時(shí)間節(jié)點(diǎn)下設(shè)備的剩余使用壽命密切相關(guān)。實(shí)現(xiàn)以上數(shù)值預(yù)測(cè)的方法一般分為基于退化模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法。

基于退化模型的方法常通過(guò)對(duì)設(shè)備歷史運(yùn)行數(shù)據(jù)進(jìn)行統(tǒng)計(jì)得到設(shè)備運(yùn)行時(shí)間與故障率和可靠度的關(guān)系。常見(jiàn)的壽命分析模型包括威布爾分布、正態(tài)分布及指數(shù)分布等。大量實(shí)踐表明，因設(shè)備中某一零件失效引起設(shè)備故障的設(shè)備使用壽命服從三參數(shù)威布爾分布[2]。

基于數(shù)據(jù)驅(qū)動(dòng)的方法無(wú)須依賴人工經(jīng)驗(yàn)，可通過(guò)挖掘生產(chǎn)中運(yùn)行、工藝、巡檢、檢驗(yàn)檢測(cè)、監(jiān)測(cè)、環(huán)境等多維度數(shù)據(jù)，建立以數(shù)據(jù)為基礎(chǔ)的設(shè)備性能退化模型，挖掘其中與設(shè)備使用壽命預(yù)測(cè)相關(guān)的規(guī)律。當(dāng)以振動(dòng)信號(hào)為數(shù)據(jù)來(lái)源時(shí)，類(lèi)似基于振動(dòng)信號(hào)的故障診斷，不過(guò)前述問(wèn)題為分類(lèi)問(wèn)題，而剩余壽命預(yù)測(cè)為回歸問(wèn)題，更關(guān)注故障信號(hào)與設(shè)備使用壽命之間的聯(lián)系，實(shí)際預(yù)測(cè)值可作為設(shè)備性能退化的指示參數(shù)[12]，也可直接為壽命的預(yù)測(cè)值[13]，這與選擇的深度神經(jīng)網(wǎng)絡(luò)特性有關(guān)。具體步驟包括設(shè)備運(yùn)行數(shù)據(jù)的分解、特征的提取與選擇、健康指標(biāo)建立及剩余使用壽命確定等。訓(xùn)練模型可運(yùn)用支持向量機(jī)（SVM）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）[12]、循環(huán)神經(jīng)網(wǎng)絡(luò)建立。

2.5 預(yù)測(cè)性維修方案的制定

基于設(shè)備風(fēng)險(xiǎn)評(píng)估的結(jié)果，考慮針對(duì)風(fēng)險(xiǎn)等級(jí)較小、維修過(guò)程對(duì)生產(chǎn)影響較小且維修成本較低的設(shè)備及部件，采用預(yù)防性維修的策略進(jìn)行定期維修，將周期性維修計(jì)劃制定入生產(chǎn)計(jì)劃中；對(duì)于風(fēng)險(xiǎn)等級(jí)較高、維修過(guò)程較復(fù)雜且對(duì)生產(chǎn)影響大、維修成本高的設(shè)備及部件，考慮結(jié)合其當(dāng)前狀態(tài)及可靠性分析，采取預(yù)測(cè)性維修的方式，實(shí)現(xiàn)更加精準(zhǔn)的維修，在保證生產(chǎn)安全的前提下提升生產(chǎn)效率。在實(shí)際工程應(yīng)用中進(jìn)一步結(jié)合企業(yè)生產(chǎn)及管理的要求，制定詳細(xì)且全面的設(shè)備維修策略。

3 結(jié) 語(yǔ)

物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能技術(shù)的發(fā)展為工業(yè)領(lǐng)域?qū)崿F(xiàn)高效的設(shè)備管理提供技術(shù)支撐，有望通過(guò)多技術(shù)手段的融合，結(jié)合人工經(jīng)驗(yàn)與數(shù)據(jù)挖掘的雙重優(yōu)勢(shì)，提升設(shè)備管理的效能和智能化水平，促進(jìn)行業(yè)的安全高效發(fā)展。