李 進(jìn)

(中海油能源發(fā)展裝備技術(shù)有限公司，天津 300450)

海洋石油包含往復(fù)壓縮機(jī)、原油主機(jī)、燃?xì)馔钙?、大型離心泵等較多的關(guān)鍵動設(shè)備，長期運行在高溫、高壓、易燃易爆、鹽霧腐蝕等惡劣工況下，其安全運行對海上油田的安全生產(chǎn)運行有著重要的影響。往復(fù)壓縮機(jī)是處于工藝流程中的關(guān)鍵設(shè)備，一般壽命達(dá)20～30年，為了保障往復(fù)壓縮機(jī)的可靠性，目前海洋石油較多往復(fù)壓縮機(jī)已安裝在線監(jiān)測診斷系統(tǒng)，實現(xiàn)預(yù)防性維修和預(yù)知性維修并存，其中在線監(jiān)測診斷服務(wù)已近10年，積累了大量的故障特征和典型案例。但往復(fù)壓縮機(jī)因結(jié)構(gòu)復(fù)雜、工況多變、激勵源多，造成振動等信號具有豐富的頻率成分，對設(shè)備診斷分析帶來較大難度。在線監(jiān)測診斷服務(wù)過度依賴專業(yè)工程師的人工服務(wù)模式，無論從企業(yè)數(shù)字化轉(zhuǎn)型，還是工作效率、診斷準(zhǔn)確率等方面還需要提升。

根據(jù)故障特征不同，往復(fù)壓縮機(jī)常見故障分2大類：一類是流體性質(zhì)的故障，屬于機(jī)器熱力性能故障；一類是機(jī)械性質(zhì)故障，屬于動力性能故障[1]。國內(nèi)外針對往復(fù)壓縮機(jī)常見故障智能診斷提出基于局域波法和SVM 模型的故障預(yù)測方法、基于混沌理論的往復(fù)壓縮機(jī)故障診斷、基于非線性復(fù)雜測度的往復(fù)壓縮機(jī)故障診斷等技術(shù)方案，為往復(fù)壓縮機(jī)智能診斷與故障預(yù)測研究提供了基礎(chǔ)指導(dǎo)[2-4]。但已有往復(fù)壓縮機(jī)故障診斷研究成果大都沒有考慮實際的往復(fù)壓縮機(jī)故障診斷過程，設(shè)計模型往往脫離實際無法使用，部分模型過于復(fù)雜、效率低下。針對海洋石油已積累的大量案例和故障特征數(shù)據(jù)，筆者提出采用規(guī)則和相似度的智能診斷技術(shù)研究，提高機(jī)組無故障平穩(wěn)運行時間，從而提高企業(yè)的經(jīng)濟(jì)效益。

1 往復(fù)壓縮機(jī)常見故障分析

根據(jù)海上油田多年往復(fù)壓縮機(jī)故障統(tǒng)計，往復(fù)壓縮機(jī)故障主要包含氣閥類故障、傳動部件類故障、基座固定類故障、曲軸類故障、活塞類故障、密封類故障、工藝類問題等，如表1所示。為了詳細(xì)了解往復(fù)壓縮機(jī)各故障類型占比分布，針對性地對高故障占比的故障實施智能診斷，有效降低設(shè)備故障率，提升診斷的準(zhǔn)確性。據(jù)不完全統(tǒng)計，往復(fù)壓縮機(jī)常見一般性故障的故障率統(tǒng)計分布占比如圖1所示[5-6]。

表1 海上油田往復(fù)壓縮機(jī)故障分類

圖1 往復(fù)壓縮機(jī)常見一般性故障率統(tǒng)計分布占比Fig.1 Statistical distribution of reciprocating compressor failure rate

通過故障診斷案例積累的經(jīng)驗、海洋石油往復(fù)壓縮機(jī)的故障實驗以及國內(nèi)外相關(guān)研究成果，對往復(fù)壓縮機(jī)典型故障及相關(guān)特征進(jìn)行梳理。根據(jù)故障危害程度大致分2類：一類是危害性較大的故障，如活塞桿斷裂、曲軸斷裂、連接螺栓斷裂等；一類是危害性輕微的故障，如活塞環(huán)泄露、吸排氣閥泄露故障等。針對以上情形，2類故障的準(zhǔn)確診斷除了診斷規(guī)則的正確性外，還要注重故障特征信息獲取的程度。因此，海洋石油往復(fù)壓縮機(jī)在線監(jiān)測系統(tǒng)監(jiān)測設(shè)備參數(shù)包含振動、沉降量、偏擺量、溫度、工藝量等多個類型參數(shù)，能夠滿足智能診斷的技術(shù)要求。

2 專家診斷系統(tǒng)

經(jīng)過多年的數(shù)據(jù)和案例積累，海洋石油已形成較多的典型故障案例，因此在故障診斷模型的基礎(chǔ)上，采用基于規(guī)則和相似度原理技術(shù)搭建專家系統(tǒng)，自動診斷往復(fù)壓縮機(jī)常見故障，降低故障率，提升無故障運行時間，提高經(jīng)濟(jì)效益和管理水平。文獻(xiàn)[7]中提出，在往復(fù)壓縮機(jī)診斷智能化上，隨著專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展，實現(xiàn)故障的自動診斷成為可能。專家系統(tǒng)是一種智能診斷算法，以專家知識為基礎(chǔ)，利用人類專家推理的計算機(jī)模型來處理復(fù)雜問題，并得出診斷結(jié)論。專家系統(tǒng)分為基于規(guī)則的、基于案例的、基于模型的和基于框架的專家系統(tǒng)等，其中以基于規(guī)則的專家系統(tǒng)和基于案例的專家系統(tǒng)應(yīng)用最廣，一般流程工業(yè)機(jī)組的正常生產(chǎn)狀態(tài)及各類故障狀態(tài)的數(shù)據(jù)特性不同，提取不同類數(shù)據(jù)特性作為案例用于案例推理，一般通過數(shù)據(jù)相似度進(jìn)行案例匹配[8-9]。文獻(xiàn)[10]中提出專家資源嚴(yán)重不足現(xiàn)狀等現(xiàn)象一直被認(rèn)為是導(dǎo)致智能診斷的知識庫知識量少、機(jī)器智能決策質(zhì)量差的根本原因。筆者也是采用應(yīng)用廣泛的以案例為專家知識資源，建立基于規(guī)則和相似度的專家系統(tǒng)，實現(xiàn)機(jī)組的智能診斷。

2.1 總體設(shè)計

海洋石油往復(fù)壓縮機(jī)智能故障診斷專家系統(tǒng)包括故障特征自動獲取模塊、故障推理模塊、人機(jī)交互模塊、案例庫模塊等，如圖2所示。

圖2 專家系統(tǒng)結(jié)構(gòu)圖Fig.2 Structural diagram of expert system

圖4 曲軸箱振動異常診斷模型Fig.4 Diagnostic model for abnormal vibration of crankcase

(1)故障特征自動獲取模塊獲取機(jī)組實時和歷史運行數(shù)據(jù)，通過信號處理和征兆獲取手段提取故障特征。

(2)故障推理模塊包含知識庫、規(guī)則推理引擎。知識庫主要為案例庫和故障推理表(規(guī)則表、事實表等)等內(nèi)容，包含索要解決問題領(lǐng)域中的大量事實和規(guī)則；規(guī)則推理引擎通過相似度技術(shù)獲得故障特征匹配事實表的響應(yīng)事實屬性。

(3)人機(jī)交互模塊主要完善專家系統(tǒng)故障特征獲取和專家系統(tǒng)故障反饋。

(4)案例庫模塊主要實現(xiàn)案例學(xué)習(xí)與規(guī)則的功能。

2.2 規(guī)則推理設(shè)計

規(guī)則推理是專家系統(tǒng)的“核心處理”機(jī)構(gòu)。根據(jù)外界輸入的設(shè)備狀態(tài)數(shù)據(jù)，運用知識庫的內(nèi)容，按一定策略進(jìn)行推理，最終形成故障診斷結(jié)論和建議。基于規(guī)則推理就是總結(jié)以往專家系統(tǒng)的經(jīng)驗，并將其歸納成規(guī)則，通過啟發(fā)式經(jīng)驗知識進(jìn)行推理。為了提升規(guī)則推理的準(zhǔn)確性，要求專家具有較強(qiáng)的自學(xué)習(xí)能力，即學(xué)習(xí)新知識和歸納、總結(jié)實時經(jīng)驗的能力；規(guī)則應(yīng)滿足一定可信度，同時具有更大的適應(yīng)性[11-12]。

規(guī)則推理過程通過相似度(推理機(jī))來匹配實現(xiàn)，其中事實指機(jī)組信息、狀態(tài)數(shù)據(jù)的特征；規(guī)則即IF…THEN…的判斷。規(guī)則推理如圖3所示。

圖3 規(guī)則推理(常規(guī)模式匹配)Fig.3 Rule reasoning (conventional pattern matching)

在考慮專家系統(tǒng)與已有在線監(jiān)測系統(tǒng)融合層面，將十字頭振動、曲軸箱振動、活塞桿位移、氣閥溫度、鍵相等信號進(jìn)行融合，建立診斷主框架，依靠相對獨立的診斷規(guī)則將儀表故障、機(jī)組不同部件故障診斷進(jìn)行分解，保證各自的診斷過程獨立、無干擾。該框架的突出優(yōu)點是單個診斷規(guī)則的增加、修改、刪除對其他診斷規(guī)則包無影響，可根據(jù)機(jī)組現(xiàn)場傳感器安裝情況對診斷規(guī)則包進(jìn)行定制。以曲軸箱振動異常為例，其診斷模型如圖4所示。

由于不同的海洋石油平臺往復(fù)壓縮機(jī)在結(jié)構(gòu)、型號、驅(qū)動方式、工況等方面存在差異，因此故障診斷方法也不盡相同。專家系統(tǒng)架構(gòu)針對海洋石油不同結(jié)構(gòu)、驅(qū)動方式等情形制定特有的故障診斷知識庫，利用專家系統(tǒng)進(jìn)行診斷時首先獲得機(jī)組信息，根據(jù)診斷任務(wù)的不同調(diào)取特定知識庫中的相關(guān)規(guī)則。這樣建立相對獨立的故障診斷知識庫，避免使用同一知識庫診斷不同的機(jī)組故障，造成不必要的混亂與沖突。

2.3 推理引擎設(shè)計

根據(jù)海洋石油機(jī)組的特點，案例的知識組織形式采用基于框架的知識表示方法，把框架的槽作為案例的屬性，槽值作為相似度來進(jìn)行判斷，推理引擎采用基于管理和知識歸納的組合檢索策略。推理引擎流程如圖5所示。專家系統(tǒng)中特征屬性與槽是對等的，為了提高規(guī)則推理的速度，把規(guī)則前件運算限制為整形運算。

圖5 推理引擎流程Fig.5 Inference Engine flow

推理機(jī)采用相似度計算等方法快速地從案例庫中尋找出與待診斷案例“最相似”的案例，分2個步驟：

(1)根據(jù)輸入的待診斷案例的設(shè)備信息，在案例庫中進(jìn)行檢索，挑選出同類設(shè)備案例集；

(2)采用最近臨匹配法從同類案例中檢索出“最相似”案例。

最近鄰匹配法以n維空間的觀點表示案例，每個案例對應(yīng)的特征向量構(gòu)成，設(shè)V={a(1)，a(2)…}表示案例的特征向量，則2案例的相似度表示如下：

式中：T為待診斷案例；T(i)為案例T的第i個特征；S為案例庫中案例；S(i)為案例S的第i個特征；ωi為案例第i個特征的權(quán)重。

當(dāng)T(i)和S(i)相同時：

當(dāng)T(i)和S(i)不同時：

根據(jù)特征的重要程度，將故障分為最重要、很重要、比較重要、一般、可有可無等5個等級，假設(shè)第i個特征的等級由ki表示，ki為1到5中的某一值，則特征權(quán)重計算方法為：

ωi=ki/∑iki

相似度值越大，表示2案例越相似；相似度越小，表示2案例差別越大。當(dāng)sim(T,S)=1表示2案例完全相同。

3 應(yīng)用

根據(jù)以上理論研究，利用C++開發(fā)了往復(fù)壓縮機(jī)專家系統(tǒng)并集成到設(shè)備在線監(jiān)測系統(tǒng)?？蛇x擇單點診斷和區(qū)域診斷2種模式，單點診斷為選擇某時刻異常點進(jìn)行智能診斷，區(qū)域診斷為選擇某一時間段由系統(tǒng)自動判別設(shè)備異常診斷結(jié)果。通過實際數(shù)據(jù)測試，基于規(guī)則和相似度的智能診斷技術(shù)能夠?qū)崿F(xiàn)設(shè)備的智能診斷，并根據(jù)故障概率將診斷結(jié)論排序顯示，智能診斷系統(tǒng)效果圖如圖6所示。

在實際故障診斷過程中，專家系統(tǒng)規(guī)則推理是在機(jī)組監(jiān)測過程中出現(xiàn)報警時觸發(fā)專家系統(tǒng)運行，或者由人為觸發(fā)進(jìn)行，可根據(jù)機(jī)組類型和相關(guān)測點報警信息來選擇相應(yīng)的規(guī)則，從而避免對所有規(guī)則不斷進(jìn)行匹配。如溫度報警只運行溫度報警診斷的相關(guān)規(guī)則，根據(jù)測點類型和報警信息選擇對應(yīng)的任務(wù)，進(jìn)而觸發(fā)相關(guān)規(guī)則。

4 結(jié)論

海洋石油往復(fù)壓縮機(jī)具有復(fù)雜的工況環(huán)境和非平穩(wěn)信號特征，相對結(jié)構(gòu)簡單的旋轉(zhuǎn)設(shè)備機(jī)泵的故障診斷更為復(fù)雜。筆者采用基于規(guī)則和相似度的智能診斷技術(shù)，能夠有效將設(shè)備狀態(tài)數(shù)據(jù)與案例特征數(shù)據(jù)匹配，得到設(shè)備“相似”故障，實現(xiàn)智能診斷。證明了基于規(guī)則和相似度的智能診斷的有效性。

圖6 智能診斷效果圖Fig.6 Intelligent diagnostic effectiveness diagram