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）

由于石化機(jī)械設(shè)備一次運(yùn)行時(shí)間較長，處于高速、高溫、高壓的運(yùn)行狀態(tài)且機(jī)組結(jié)構(gòu)復(fù)雜，因此對設(shè)備的運(yùn)行狀態(tài)進(jìn)行分析和預(yù)測、采取有效的防控措施，對減少或避免因停機(jī)造成的損失有重要意義。

目前對于石化機(jī)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(shí)時(shí)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(shí)設(shè)備多已出現(xiàn)較嚴(yán)重的故障問題?？梢姡壳安捎醚矙z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(jìn)行有效分析，從而避免故障的演化和傳遞。因此需要進(jìn)行石化機(jī)械設(shè)備運(yùn)行狀態(tài)的趨勢分析和預(yù)測，準(zhǔn)確判斷未來一段時(shí)間內(nèi)機(jī)組的狀態(tài)，將設(shè)備風(fēng)險(xiǎn)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(yù)測就是利用設(shè)備當(dāng)前運(yùn)行信息和歷史運(yùn)行信息，預(yù)知未來運(yùn)行狀態(tài)的發(fā)展趨勢，評判其健康情況，從而達(dá)到防患于未然，保障設(shè)備和系統(tǒng)安全平穩(wěn)運(yùn)行的目的。自20世紀(jì)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(yù)測方法。根據(jù)這些方法的原理，可大致分為基于經(jīng)驗(yàn)知識的故障預(yù)測方法、基于模型的故障預(yù)測方法和基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法［1～3］。

2 基于經(jīng)驗(yàn)知識的故障預(yù)測方法

在現(xiàn)代故障預(yù)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(yàn)來預(yù)測設(shè)備的運(yùn)行狀態(tài)［4，5］，這在一定程度上具有合理性，但這種方法嚴(yán)重依賴專家的經(jīng)驗(yàn)，缺乏理論支持。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人們嘗試總結(jié)這些專家經(jīng)驗(yàn)形成專家知識庫，構(gòu)建設(shè)備運(yùn)行狀態(tài)的推理規(guī)則，再利用計(jì)算機(jī)的快速運(yùn)算能力，實(shí)現(xiàn)對設(shè)備運(yùn)行狀態(tài)和發(fā)展趨勢的預(yù)測［6～10］。如朱向陽和林鶴云基于專家?guī)煜到y(tǒng)實(shí)現(xiàn)了地區(qū)電網(wǎng)的短期負(fù)荷預(yù)測［11］。徐鳳建等基于專家系統(tǒng)實(shí)現(xiàn)了雷達(dá)裝備的故障預(yù)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(yù)測技術(shù)缺乏、預(yù)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(jī)的預(yù)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(jìn)型灰色理論和專家系統(tǒng)的故障預(yù)測方法，實(shí)現(xiàn)了故障和狀態(tài)的快速預(yù)測，通過該方法提高了診斷預(yù)測的快速性和準(zhǔn)確性［14］。雖然通過這種模式可以實(shí)現(xiàn)專家知識的共享與推廣，但也存在專家對同一事物認(rèn)知不同，導(dǎo)致知識表達(dá)不統(tǒng)一，且需要長期維護(hù)和完善知識庫的問題。

3 基于模型的故障預(yù)測方法

基于模型的故障預(yù)測方法主要通過建立數(shù)學(xué)模型分析設(shè)備狀態(tài)隨時(shí)間的變化趨勢，從而實(shí)現(xiàn)對設(shè)備狀態(tài)的預(yù)測［15，16］。在這個(gè)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(yù)測的精度。國內(nèi)外相關(guān)研究有許多：呂志立針對時(shí)變系統(tǒng)下船舶電力系統(tǒng)電纜故障預(yù)測難的問題，探究了船舶電纜故障演化機(jī)理并以此為基礎(chǔ)提出了預(yù)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(jī)理，建立了電網(wǎng)系統(tǒng)故障推理模型，實(shí)現(xiàn)了電網(wǎng)故障的早期預(yù)警［18］。程哲探究了直升機(jī)核心部件行星齒輪箱的失效機(jī)理，構(gòu)建了以行星齒輪箱劣化過程為基礎(chǔ)的故障預(yù)測理論和模型［19］。在實(shí)際應(yīng)用中，由于設(shè)備結(jié)構(gòu)復(fù)雜，運(yùn)行工況多變，關(guān)聯(lián)設(shè)備影響嚴(yán)重，因此要建立準(zhǔn)確的數(shù)學(xué)模型并非易事，這使得基于模型的故障預(yù)測方法受到很大限制。同時(shí)，實(shí)際經(jīng)驗(yàn)表明在機(jī)械設(shè)備的故障預(yù)測中，基于模型的故障預(yù)測所得到的結(jié)果往往預(yù)測精度不足，所建立模型的經(jīng)濟(jì)性與泛化能力也有限。

4 基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法

基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法主要是利用回歸擬合或者機(jī)器學(xué)習(xí)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(yù)測模型，從而實(shí)現(xiàn)對設(shè)備運(yùn)行狀態(tài)的預(yù)知［20］。與前兩種故障預(yù)測方法不同，基于數(shù)據(jù)驅(qū)動的預(yù)測方法既不需要構(gòu)建復(fù)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(yù)測模型，具有成本低、適用范圍廣、模型泛化能力強(qiáng)的優(yōu)勢，因此基于數(shù)據(jù)驅(qū)動的預(yù)測方法目前成為故障預(yù)測領(lǐng)域研究的熱點(diǎn)［21～24］。目前基于數(shù)據(jù)驅(qū)動的故障預(yù)測模型包括時(shí)間序列分析、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)預(yù)測及基于深度學(xué)習(xí)的預(yù)測等［25～32］。

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

由于支持向量機(jī)優(yōu)良的學(xué)習(xí)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(yù)測中得到廣泛研究與應(yīng)用。朱偉等利用支持向量機(jī)對小樣本數(shù)據(jù)良好的處理能力，提出了基于SVM的電機(jī)故障預(yù)測方法［37］。連光耀等針對復(fù)雜設(shè)備故障信息不足造成故障預(yù)測困難的問題，提出了最小二乘支持向量機(jī)的故障預(yù)測模型［38］。田海雷等通過對液壓泵振動信號的集總經(jīng)驗(yàn)?zāi)Ｊ椒纸?，將其固有模態(tài)能量作為支持向量機(jī)的輸入，實(shí)現(xiàn)了液壓泵的故障預(yù)測［39］。鞠建波等為實(shí)現(xiàn)裝備的故障預(yù)測，采用加權(quán)支持向量機(jī)回歸方法，通過計(jì)算樣本點(diǎn)的回歸權(quán)重，實(shí)現(xiàn)了通信電臺設(shè)備故障的快速預(yù)測［40］。王紅軍等針對大型機(jī)電設(shè)備監(jiān)測信息干擾因素多，故障預(yù)測難的問題，通過研究設(shè)備運(yùn)行趨勢和支持向量機(jī)模型方法，驗(yàn)證了長區(qū)間內(nèi)基于SVM預(yù)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(yù)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(xué)模型，實(shí)現(xiàn)對設(shè)備狀態(tài)的判斷和預(yù)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(qiáng)的優(yōu)勢，近年來在設(shè)備狀態(tài)預(yù)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(fù)雜性導(dǎo)致狀態(tài)預(yù)測難的問題，提出基于RBF神經(jīng)網(wǎng)絡(luò)模型的故障預(yù)測方法［42］。曾文韜等針對混凝土泵車臂架結(jié)構(gòu)復(fù)雜、故障頻發(fā)導(dǎo)致故障預(yù)測難的問題，提出了基于BP神經(jīng)網(wǎng)絡(luò)臂架故障預(yù)測方法，實(shí)現(xiàn)了臂架運(yùn)行狀態(tài)的預(yù)測［43］。胡雷剛等為實(shí)現(xiàn)武器裝備故障預(yù)測，采用免疫算法改善了BP神經(jīng)網(wǎng)絡(luò)性能，實(shí)現(xiàn)了裝備全生命周期的預(yù)測［44］。徐輝等針對機(jī)械設(shè)備非線性系統(tǒng)，提出一種基于極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的故障預(yù)測方法，通過提取設(shè)備運(yùn)行中的多個(gè)特征指標(biāo)作為網(wǎng)絡(luò)輸入，實(shí)現(xiàn)了機(jī)械設(shè)備系統(tǒng)的故障預(yù)測［45］。雖然傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在故障預(yù)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(jì)算過程復(fù)雜、需要人工特征輸入及實(shí)時(shí)性差等問題。

近年來，深度學(xué)習(xí)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(dāng)前設(shè)備故障預(yù)測領(lǐng)域研究的新熱點(diǎn)。周福娜等為了克服早期微小故障診斷預(yù)測難的問題，提出一種基于深度學(xué)習(xí)的早期故障診斷和壽命預(yù)測方法［46］。李軍亮等為了解決非線性、強(qiáng)耦合特點(diǎn)的軍用飛機(jī)狀態(tài)預(yù)測難題，提出了基于深度學(xué)習(xí)和模擬退火算法的軍用飛機(jī)關(guān)鍵部件的狀態(tài)預(yù)測模型［47］。Lu C等針對機(jī)械設(shè)備監(jiān)測信號非線性和非平穩(wěn)性的特點(diǎn)，研究了一種基于卷積神經(jīng)網(wǎng)絡(luò)的故障預(yù)測算法［48］。王鑫等為制定合理可行的設(shè)備維護(hù)策略，通過對復(fù)雜系統(tǒng)的歷史故障數(shù)據(jù)研究，提出了基于長短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測方法［49］。Zhang B等針對軸承故障準(zhǔn)確預(yù)測難的問題，提出了一種基于長短時(shí)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(shí)現(xiàn)了軸承剩余壽命的準(zhǔn)確預(yù)測［50］。

5 結(jié)束語

石化機(jī)械設(shè)備往往是一個(gè)復(fù)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(gè)機(jī)組停機(jī)乃至整條生產(chǎn)線停工，甚至造成嚴(yán)重的財(cái)產(chǎn)損失和人員傷亡。其中基于經(jīng)驗(yàn)和模型的預(yù)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(yù)測，但對于非平穩(wěn)、非線性復(fù)雜系統(tǒng)的預(yù)測準(zhǔn)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(shí)間變化的特點(diǎn)，可有效解決非平穩(wěn)、非線性系統(tǒng)的機(jī)械設(shè)備狀態(tài)預(yù)測難的問題，特別是基于機(jī)器學(xué)習(xí)算法的石化機(jī)械故障預(yù)測方法已經(jīng)成為最主要發(fā)展方向。