王安琪,徐勇,靳紅利
(1.中國石化管道儲(chǔ)運(yùn)有限公司天津輸油處,天津300280;2.中國石化管道儲(chǔ)運(yùn)有限公司徐州輸油處,江蘇徐州221000)
原油輸送離心泵預(yù)測(cè)維修技術(shù)
王安琪1,徐勇2,靳紅利1
(1.中國石化管道儲(chǔ)運(yùn)有限公司天津輸油處,天津300280;2.中國石化管道儲(chǔ)運(yùn)有限公司徐州輸油處,江蘇徐州221000)
使用時(shí)間序列、灰色理論與RBF神經(jīng)網(wǎng)絡(luò)的方法分別建立預(yù)測(cè)模型,利用實(shí)際數(shù)據(jù)進(jìn)行測(cè)試和預(yù)測(cè)計(jì)算,證明上述幾種方法在預(yù)測(cè)維修中的有效性,分析和對(duì)比不同預(yù)測(cè)方法得到的結(jié)果,找出最適合離心泵預(yù)測(cè)維修的方法。
離心泵;預(yù)測(cè)維修;灰色理論;RBF神經(jīng)網(wǎng)絡(luò)
離心泵是原油儲(chǔ)運(yùn)生產(chǎn)過程中的大型關(guān)鍵設(shè)備,主要作用是原油輸送、儲(chǔ)罐的倒罐和原油裝卸等。保障其正常運(yùn)行是輸油站庫日常工作的重點(diǎn),需定期對(duì)其進(jìn)行維護(hù)保養(yǎng)。在日常生產(chǎn)中,事后維修和預(yù)防維修是最常用的兩種設(shè)備維護(hù)保養(yǎng)方法,這兩種方法的不足之處是,前者會(huì)導(dǎo)致設(shè)備的嚴(yán)重?fù)p壞,降低設(shè)備壽命;后者往往造成維修過剩或維修不足。因此,為了更有效的進(jìn)行離心泵的維護(hù)保養(yǎng),需要引入新的維修方法[1]。
預(yù)測(cè)維修(Predictive Maintenance,PdM)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(或需要)部位進(jìn)行定期(或連續(xù))的狀態(tài)監(jiān)測(cè)和故障診斷,判定裝備所處的狀態(tài),預(yù)測(cè)裝備狀態(tài)未來的發(fā)展趨勢(shì),依據(jù)裝備的狀態(tài)發(fā)展趨勢(shì)和可能的故障模式,預(yù)先制定預(yù)測(cè)維修計(jì)劃,確定設(shè)備應(yīng)該修理的時(shí)間、內(nèi)容、方式和必需的技術(shù)和物資支持。預(yù)測(cè)維修集裝備狀態(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,技術(shù)體系如圖1所示[2]。其中,故障診斷技術(shù)和狀態(tài)預(yù)測(cè)技術(shù)是預(yù)測(cè)維修的核心,
根據(jù)所使用的方法不同,狀態(tài)預(yù)測(cè)技術(shù)可以分為4種類型:統(tǒng)計(jì)學(xué)預(yù)測(cè)、數(shù)學(xué)模型預(yù)測(cè)、智能預(yù)測(cè)及信息融合預(yù)測(cè),技術(shù)體系如圖2所示[3]。
圖1 預(yù)測(cè)維修技術(shù)體系
2.1 時(shí)間序列預(yù)測(cè)
時(shí)間序列預(yù)測(cè)技術(shù)是一種用于有序數(shù)據(jù)的預(yù)測(cè)技術(shù),其運(yùn)用范圍十分廣泛。假定已知序列{X}的歷史時(shí)刻(l到m-l)隊(duì)形的觀測(cè)值{x1,x2,...xm-1}及當(dāng)前時(shí)刻m對(duì)應(yīng)的觀測(cè)值xm,時(shí)間序列就是:利用時(shí)間序列分析法,對(duì)未來時(shí)刻m+l(l>1)的值xm+l進(jìn)行估計(jì)。當(dāng)預(yù)測(cè)步長l=1時(shí),為單步預(yù)測(cè);當(dāng)預(yù)測(cè)步長l>1時(shí),為多步預(yù)測(cè)。時(shí)間序列的預(yù)測(cè)模型為式(1)。
圖2 預(yù)測(cè)技術(shù)體系
式(1)中,f(…)和g(…)為待估函數(shù);{εl}為觀測(cè)噪聲。從而可以使用此模型,對(duì)系統(tǒng)進(jìn)行分析、預(yù)測(cè)。顯然的,分析、預(yù)測(cè)的關(guān)鍵是如何根據(jù)不同的序列選擇合適的函數(shù)f(…)和g(…),這兩個(gè)函數(shù)的選擇關(guān)系到預(yù)測(cè)的準(zhǔn)確性。
在時(shí)間序列預(yù)測(cè)中常見方法包括移動(dòng)平均法、分解方法、指數(shù)平滑方法、季節(jié)系數(shù)法及自回歸移動(dòng)平均(ARIMA)法及外源自回歸移動(dòng)平均(ARMAX)法[4-6]。
2.2 灰色預(yù)測(cè)
灰色預(yù)測(cè)是基于灰色系統(tǒng)理論的預(yù)測(cè)方法,它將一切隨機(jī)變量看作是在一定范圍內(nèi)變化的灰色量,將隨機(jī)過程看作是在一定范圍內(nèi)變化的、與時(shí)間有關(guān)的灰色過程,利用連續(xù)灰色微分模型,對(duì)系統(tǒng)的發(fā)展變化進(jìn)行全面的觀察分析,作出長期預(yù)測(cè)[7]。
灰色預(yù)測(cè)中常用的模型為GM(1,1)模型。設(shè)GM(1,N)表示一階的N個(gè)變量的灰微分方程模型,則GM(1,1)模型表示一階的只有一個(gè)變量的灰微分方程模型,G(1,1)是GM(1,N)。當(dāng)N=1時(shí)的特殊情況,也是GM(1,N)的核心[8]。
數(shù)列x(0)相應(yīng)的微分模型為式(2)。
預(yù)測(cè)模型為式(3)
式中,a為發(fā)展灰數(shù),u為內(nèi)生控制灰數(shù)。
2.3 基于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
人工神經(jīng)網(wǎng)絡(luò)擁有很強(qiáng)的非線性擬合能力,可映射任意復(fù)雜的非線性關(guān)系,而且學(xué)習(xí)規(guī)則簡單,便于計(jì)算機(jī)實(shí)現(xiàn)等優(yōu)點(diǎn),作為狀態(tài)預(yù)測(cè)的方法是十分合適的。本文選用RBF神經(jīng)網(wǎng)絡(luò)作為狀態(tài)預(yù)測(cè)方法,其結(jié)構(gòu)與BP神經(jīng)網(wǎng)絡(luò)相似,共分為3層:輸入層、隱含層和一級(jí)輸出層。輸入層負(fù)責(zé)將網(wǎng)絡(luò)與外界環(huán)境聯(lián)系起來;隱含層負(fù)責(zé)從輸入空間到隱含層空間之間的非線性變換;輸出層負(fù)責(zé)經(jīng)過神經(jīng)網(wǎng)絡(luò)處理后的數(shù)據(jù)的輸出。圖3為1個(gè)n個(gè)輸入節(jié)點(diǎn),k個(gè)隱含層節(jié)點(diǎn),m個(gè)輸出節(jié)點(diǎn)的3層RBF神經(jīng)網(wǎng)絡(luò)。
圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
圖3中x=[x1,x2,…,xn]T為輸入矢量;Φ=[φ(x,c1),φ(x,c2),…,φ(x,ck)]為網(wǎng)絡(luò)隱含層輸出矩陣,ci為第i隱含層節(jié)點(diǎn)位置,i=1,2,…,k;Wkm=[w1,w2,…,wk]T為輸出權(quán)值矩陣,其中wi=[wi1,wi2,…,wim]T;F(x)=[f1(x),f2(x),…,fm(x)]T為網(wǎng)絡(luò)輸出矢量。
與BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)不同,RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為徑向基函數(shù),常用的徑向基函數(shù)有多二次函數(shù)、逆多二次函數(shù)、高斯函數(shù)等。
離心泵的運(yùn)行過程中,一般對(duì)離心泵的軸承溫度、驅(qū)動(dòng)端及非驅(qū)動(dòng)端振動(dòng)值、驅(qū)動(dòng)設(shè)備的振動(dòng)值進(jìn)行監(jiān)測(cè)。下文以離心泵的驅(qū)動(dòng)端振動(dòng)值為例,對(duì)離心泵的預(yù)測(cè)維修技術(shù)進(jìn)行分析。
離心泵驅(qū)動(dòng)端的振動(dòng)值如表1所示,使用表中序號(hào)1-20的數(shù)據(jù)進(jìn)行模型訓(xùn)練,序號(hào)21-30的數(shù)據(jù)進(jìn)行預(yù)測(cè)精度對(duì)比,振動(dòng)數(shù)據(jù)的時(shí)間間隔為1 d。
表1 離心泵驅(qū)動(dòng)端振動(dòng)值mm/s
圖4 基于ARMAX方法的預(yù)測(cè)
圖5 基于灰色理論的預(yù)測(cè)
使用外源自回歸移動(dòng)平均(ARMAX)法建立預(yù)測(cè)模型,對(duì)離心泵前振動(dòng)數(shù)據(jù)進(jìn)行預(yù)測(cè),這一模型對(duì)未來值的預(yù)測(cè)和對(duì)實(shí)際數(shù)據(jù)的擬合如圖4所示,由圖4可知,外源自回歸移動(dòng)平均(ARMAX)法對(duì)振動(dòng)值的預(yù)測(cè)較為準(zhǔn)確,在離心泵振動(dòng)值的預(yù)測(cè)方面有一定的實(shí)用性。
使用灰色預(yù)測(cè)法建立預(yù)測(cè)模型,對(duì)離心泵前振動(dòng)數(shù)據(jù)進(jìn)行預(yù)測(cè),這一模型對(duì)未來值的預(yù)測(cè)和對(duì)實(shí)際數(shù)據(jù)的擬合如圖5所示,由圖5可知,灰色預(yù)測(cè)法對(duì)實(shí)際振動(dòng)值擬合較為粗糙,為線性擬合,無法反映出振動(dòng)值非線性的特點(diǎn),在離心泵振動(dòng)值預(yù)測(cè)方面的實(shí)用性不足。
使用RBF神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型,對(duì)離心泵前振動(dòng)數(shù)據(jù)進(jìn)行預(yù)測(cè),這一模型對(duì)未來值的預(yù)測(cè)和對(duì)實(shí)際數(shù)據(jù)的擬合如圖6所示,由圖6可知,RBF神經(jīng)網(wǎng)絡(luò)對(duì)振動(dòng)值的預(yù)測(cè)效果較差,實(shí)用性較低。
圖6 基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)
(1)在離心泵預(yù)測(cè)維修技術(shù)研究中,通過對(duì)不同的預(yù)測(cè)方法進(jìn)行對(duì)比分析,發(fā)現(xiàn)基于ARMAX的預(yù)測(cè)模型對(duì)振動(dòng)值的預(yù)測(cè)較為準(zhǔn)確,灰色預(yù)測(cè)模型無法很好的表示振動(dòng)數(shù)據(jù)的非線性的特點(diǎn),而RBF神經(jīng)網(wǎng)絡(luò)與ARMAX預(yù)測(cè)模型相比,精度有所不足。
(2)未來可在此研究的基礎(chǔ)上,進(jìn)一步進(jìn)行變工況下的預(yù)測(cè)維修技術(shù)研究,增加預(yù)測(cè)維修技術(shù)的適用范圍和預(yù)測(cè)精度。
[1]陳珊,王太勇,王國鋒,等.機(jī)械設(shè)備智能診斷與預(yù)測(cè)維修系統(tǒng)[J].西南交通大學(xué)學(xué)報(bào),2003,38(5):540-543.
[2]李書明.制造設(shè)備智能診斷與狀態(tài)預(yù)測(cè)技術(shù)的研究[D].天津:天津大學(xué)[博士論文],1998.
[3]左憲章,康健,李浩,等.故障預(yù)測(cè)技術(shù)綜述[J].火力與控制指揮,2010,35(1):1-4.
[4]博克斯[美].時(shí)間序列分析:預(yù)測(cè)與控制[M].王成璋譯.北京:機(jī)械工業(yè)出版社,2011.
[5]陳平,陳鈞.ARMAX時(shí)間序列模型異常點(diǎn)及異常點(diǎn)斑片的估計(jì)和檢測(cè)[J].系統(tǒng)科學(xué)與數(shù)學(xué),2010,30(10).
[6]王麗賢.時(shí)間序列預(yù)測(cè)技術(shù)研究[D].天津:天津理工大學(xué)[碩士論文],2012.
[7]曾波.灰色預(yù)測(cè)建模技術(shù)研究[D].南京:南京航空航天大學(xué)[博士論文],2011.
[8]黨耀國.灰色預(yù)測(cè)與決策模型研究[M].北京:科學(xué)出版社,2011.
〔編輯 李波〕
TH311
B
10.16621/j.cnki.issn1001-0599.2016.11.34