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.中國建材檢驗認證集團股份有限公司；3.深圳市燃氣集團股份有限公司）

由于石化機械設(shè)備一次運行時間較長，處于高速、高溫、高壓的運行狀態(tài)且機組結(jié)構(gòu)復雜，因此對設(shè)備的運行狀態(tài)進行分析和預測、采取有效的防控措施，對減少或避免因停機造成的損失有重要意義。

目前對于石化機械設(shè)備的狀態(tài)判斷主要依據(jù)定期巡檢數(shù)據(jù)或者實時監(jiān)測數(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，而此時設(shè)備多已出現(xiàn)較嚴重的故障問題?？梢?，目前采用巡檢和監(jiān)測數(shù)據(jù)判斷的方式無法在早期故障階段對設(shè)備狀態(tài)進行有效分析，從而避免故障的演化和傳遞。因此需要進行石化機械設(shè)備運行狀態(tài)的趨勢分析和預測，準確判斷未來一段時間內(nèi)機組的狀態(tài)，將設(shè)備風險降低到合理、可接受的水平，減少或消除設(shè)備設(shè)施故障的潛在后果和影響。

1 設(shè)備故障診斷方法

設(shè)備狀態(tài)預測就是利用設(shè)備當前運行信息和歷史運行信息，預知未來運行狀態(tài)的發(fā)展趨勢，評判其健康情況，從而達到防患于未然，保障設(shè)備和系統(tǒng)安全平穩(wěn)運行的目的。自20世紀50年代現(xiàn)代設(shè)備管理概念提出以來，截止目前，已經(jīng)發(fā)展形成一系列的故障預測方法。根據(jù)這些方法的原理，可大致分為基于經(jīng)驗知識的故障預測方法、基于模型的故障預測方法和基于數(shù)據(jù)驅(qū)動的故障預測方法［1～3］。

2 基于經(jīng)驗知識的故障預測方法

在現(xiàn)代故障預測技術(shù)發(fā)展起來之前，現(xiàn)場設(shè)備管理人員和相關(guān)專家通過長期積累的設(shè)備劣化經(jīng)驗來預測設(shè)備的運行狀態(tài)［4，5］，這在一定程度上具有合理性，但這種方法嚴重依賴專家的經(jīng)驗，缺乏理論支持。隨著計算機技術(shù)的發(fā)展，人們嘗試總結(jié)這些專家經(jīng)驗形成專家知識庫，構(gòu)建設(shè)備運行狀態(tài)的推理規(guī)則，再利用計算機的快速運算能力，實現(xiàn)對設(shè)備運行狀態(tài)和發(fā)展趨勢的預測［6～10］。如朱向陽和林鶴云基于專家?guī)煜到y(tǒng)實現(xiàn)了地區(qū)電網(wǎng)的短期負荷預測［11］。徐鳳建等基于專家系統(tǒng)實現(xiàn)了雷達裝備的故障預測，克服了傳統(tǒng)方法對人員和檢測設(shè)備依賴性大和要求高的缺陷［12］。王毅彪針對石化企業(yè)設(shè)備狀態(tài)預測技術(shù)缺乏、預知維修水平較低的問題，建立了一套專家系統(tǒng)用于壓縮機的預知維修［13］。向剛等針對故障漸變的電子設(shè)備，提出了一種基于改進型灰色理論和專家系統(tǒng)的故障預測方法，實現(xiàn)了故障和狀態(tài)的快速預測，通過該方法提高了診斷預測的快速性和準確性［14］。雖然通過這種模式可以實現(xiàn)專家知識的共享與推廣，但也存在專家對同一事物認知不同，導致知識表達不統(tǒng)一，且需要長期維護和完善知識庫的問題。

3 基于模型的故障預測方法

基于模型的故障預測方法主要通過建立數(shù)學模型分析設(shè)備狀態(tài)隨時間的變化趨勢，從而實現(xiàn)對設(shè)備狀態(tài)的預測［15，16］。在這個過程中，模型參數(shù)的選擇、模型與故障劣化過程的匹配度都會影響最終故障預測的精度。國內(nèi)外相關(guān)研究有許多：呂志立針對時變系統(tǒng)下船舶電力系統(tǒng)電纜故障預測難的問題，探究了船舶電纜故障演化機理并以此為基礎(chǔ)提出了預測方法［17］。薛涵磊和劉曉琴針對電網(wǎng)故障診斷滯后的問題，根據(jù)故障發(fā)展機理，建立了電網(wǎng)系統(tǒng)故障推理模型，實現(xiàn)了電網(wǎng)故障的早期預警［18］。程哲探究了直升機核心部件行星齒輪箱的失效機理，構(gòu)建了以行星齒輪箱劣化過程為基礎(chǔ)的故障預測理論和模型［19］。在實際應(yīng)用中，由于設(shè)備結(jié)構(gòu)復雜，運行工況多變，關(guān)聯(lián)設(shè)備影響嚴重，因此要建立準確的數(shù)學模型并非易事，這使得基于模型的故障預測方法受到很大限制。同時，實際經(jīng)驗表明在機械設(shè)備的故障預測中，基于模型的故障預測所得到的結(jié)果往往預測精度不足，所建立模型的經(jīng)濟性與泛化能力也有限。

4 基于數(shù)據(jù)驅(qū)動的故障預測方法

基于數(shù)據(jù)驅(qū)動的故障預測方法主要是利用回歸擬合或者機器學習算法從大量歷史監(jiān)測數(shù)據(jù)中挖掘數(shù)據(jù)變化趨勢，建立能夠表征設(shè)備狀態(tài)的預測模型，從而實現(xiàn)對設(shè)備運行狀態(tài)的預知［20］。與前兩種故障預測方法不同，基于數(shù)據(jù)驅(qū)動的預測方法既不需要構(gòu)建復雜的專家知識庫，也不需要明晰設(shè)備劣化規(guī)律，只要有足夠的歷史數(shù)據(jù)樣本，就能建立表征設(shè)備狀態(tài)的預測模型，具有成本低、適用范圍廣、模型泛化能力強的優(yōu)勢，因此基于數(shù)據(jù)驅(qū)動的預測方法目前成為故障預測領(lǐng)域研究的熱點［21～24］。目前基于數(shù)據(jù)驅(qū)動的故障預測模型包括時間序列分析、支持向量機、神經(jīng)網(wǎng)絡(luò)預測及基于深度學習的預測等［25～32］。

時間序列分析就是利用一組離散等間隔時間的數(shù)據(jù)建模分析，通過預測數(shù)據(jù)的變化趨勢實現(xiàn)對設(shè)備運行狀態(tài)的預知。針對基于時間序列的預測分析，國內(nèi)外學者進行了一系列的研究，目前已基本形成一套較完整的體系。早在20世紀30年代，為了預測未來市場的變化情況，基于時間序列的自回歸數(shù)學模型首次被提出與應(yīng)用。劉穎和嚴軍運用自回歸滑動平均模型和聚類分析方法實現(xiàn)了汽輪機故障預測［33］。Tian W D等采用灰色模型和時間序列分析進行了化工設(shè)備的動態(tài)預測［34］。García F P等針對軸承故障預測難的問題，提出了一種自回歸向量滑動平均的預測方法［35］。習偉等針對傳統(tǒng)單參量的預測中模型魯棒性差的問題，提出了基于多維時間序列關(guān)聯(lián)分析的設(shè)備故障預測方法，通過將多維監(jiān)測數(shù)據(jù)作為輸入，利用時間序列分析，實現(xiàn)了電力設(shè)備故障的預測［36］。上述研究中將機械設(shè)備信號假定為平穩(wěn)隨機信號，因此采用時間序列進行分析時，所建模型具有較好的收斂性。但實際生產(chǎn)運行中，受運行環(huán)境和負載波動的影響，監(jiān)測信息很難保持平穩(wěn)，因此基于時間序列的設(shè)備狀態(tài)預測方法依然存在一定的局限性。

由于支持向量機優(yōu)良的學習能力，對非線性問題的線性變換能力和對小樣本數(shù)據(jù)出色的泛化能力，使得該模型在故障預測中得到廣泛研究與應(yīng)用。朱偉等利用支持向量機對小樣本數(shù)據(jù)良好的處理能力，提出了基于SVM的電機故障預測方法［37］。連光耀等針對復雜設(shè)備故障信息不足造成故障預測困難的問題，提出了最小二乘支持向量機的故障預測模型［38］。田海雷等通過對液壓泵振動信號的集總經(jīng)驗模式分解，將其固有模態(tài)能量作為支持向量機的輸入，實現(xiàn)了液壓泵的故障預測［39］。鞠建波等為實現(xiàn)裝備的故障預測，采用加權(quán)支持向量機回歸方法，通過計算樣本點的回歸權(quán)重，實現(xiàn)了通信電臺設(shè)備故障的快速預測［40］。王紅軍等針對大型機電設(shè)備監(jiān)測信息干擾因素多，故障預測難的問題，通過研究設(shè)備運行趨勢和支持向量機模型方法，驗證了長區(qū)間內(nèi)基于SVM預測結(jié)果的高精度和高可靠性［41］。

基于神經(jīng)網(wǎng)絡(luò)設(shè)備狀態(tài)預測就是通過挖掘監(jiān)測數(shù)據(jù)中的邏輯關(guān)系，構(gòu)建一種模擬人腦思維邏輯的數(shù)學模型，實現(xiàn)對設(shè)備狀態(tài)的判斷和預知。由于神經(jīng)網(wǎng)絡(luò)具有高速尋優(yōu)、非線性映射能力強的優(yōu)勢，近年來在設(shè)備狀態(tài)預測方面，也取得了一些研究成果。黃波等針對裝備的非線性和復雜性導致狀態(tài)預測難的問題，提出基于RBF神經(jīng)網(wǎng)絡(luò)模型的故障預測方法［42］。曾文韜等針對混凝土泵車臂架結(jié)構(gòu)復雜、故障頻發(fā)導致故障預測難的問題，提出了基于BP神經(jīng)網(wǎng)絡(luò)臂架故障預測方法，實現(xiàn)了臂架運行狀態(tài)的預測［43］。胡雷剛等為實現(xiàn)武器裝備故障預測，采用免疫算法改善了BP神經(jīng)網(wǎng)絡(luò)性能，實現(xiàn)了裝備全生命周期的預測［44］。徐輝等針對機械設(shè)備非線性系統(tǒng)，提出一種基于極限學習機神經(jīng)網(wǎng)絡(luò)的故障預測方法，通過提取設(shè)備運行中的多個特征指標作為網(wǎng)絡(luò)輸入，實現(xiàn)了機械設(shè)備系統(tǒng)的故障預測［45］。雖然傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在故障預測領(lǐng)域已經(jīng)取得一定成果，但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)依然存在一些不足之處，如計算過程復雜、需要人工特征輸入及實時性差等問題。

近年來，深度學習的提出和發(fā)展在一定程度上克服了傳統(tǒng)方法的不足，逐漸成為當前設(shè)備故障預測領(lǐng)域研究的新熱點。周福娜等為了克服早期微小故障診斷預測難的問題，提出一種基于深度學習的早期故障診斷和壽命預測方法［46］。李軍亮等為了解決非線性、強耦合特點的軍用飛機狀態(tài)預測難題，提出了基于深度學習和模擬退火算法的軍用飛機關(guān)鍵部件的狀態(tài)預測模型［47］。Lu C等針對機械設(shè)備監(jiān)測信號非線性和非平穩(wěn)性的特點，研究了一種基于卷積神經(jīng)網(wǎng)絡(luò)的故障預測算法［48］。王鑫等為制定合理可行的設(shè)備維護策略，通過對復雜系統(tǒng)的歷史故障數(shù)據(jù)研究，提出了基于長短時記憶循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時間序列預測方法［49］。Zhang B等針對軸承故障準確預測難的問題，提出了一種基于長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動軸承性能退化評估方法，并采用粒子群優(yōu)化方法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，實現(xiàn)了軸承剩余壽命的準確預測［50］。

5 結(jié)束語

石化機械設(shè)備往往是一個復雜、精密且零部件間相互耦合的龐大系統(tǒng)，一旦發(fā)生故障，就會造成整個機組停機乃至整條生產(chǎn)線停工，甚至造成嚴重的財產(chǎn)損失和人員傷亡。其中基于經(jīng)驗和模型的預測方法更適用于平穩(wěn)狀態(tài)下設(shè)備狀態(tài)和趨勢的預測，但對于非平穩(wěn)、非線性復雜系統(tǒng)的預測準確性較差。而基于數(shù)據(jù)驅(qū)動的方法能較好地反映設(shè)備狀態(tài)隨時間變化的特點，可有效解決非平穩(wěn)、非線性系統(tǒng)的機械設(shè)備狀態(tài)預測難的問題，特別是基于機器學習算法的石化機械故障預測方法已經(jīng)成為最主要發(fā)展方向。