岳崇振

（中國石油大慶煉化公司煉油生產(chǎn)三部，黑龍江大慶 163411）

0 引言

離心泵是煉油廠的關(guān)鍵設(shè)備之一，其主要作用是將原油從一個處理單元輸送到另一個處理單元。由于煉油廠生產(chǎn)過程中的惡劣環(huán)境和高強度的操作條件，離心泵往往容易出現(xiàn)各種故障。離心泵一旦發(fā)生故障，不僅會影響工藝流程，還會對生產(chǎn)安全帶來威脅。因此，煉油廠需要采用一種有效的方法來監(jiān)測泵的運行狀態(tài)和檢測故障。近年來，隨著物聯(lián)網(wǎng)技術(shù)和機器學習算法的發(fā)展，越來越多的煉油廠開始將狀態(tài)監(jiān)測和故障檢測技術(shù)應(yīng)用到關(guān)鍵設(shè)備上，以實現(xiàn)設(shè)備的智能化管理。本文介紹一種基于物聯(lián)網(wǎng)技術(shù)和機器學習算法的狀態(tài)監(jiān)測與故障檢測方案，并在煉油廠離心泵進行驗證。

1 重要性分析

煉油廠關(guān)鍵離心泵是重要的生產(chǎn)設(shè)備，承擔著將原油從一個處理單元輸送至另一個處理單元的重要任務(wù)。由于生產(chǎn)過程需要離心泵長時間、高強度運行，并面處于惡劣環(huán)境和操作條件下，泵很容易出現(xiàn)各種故障，對生產(chǎn)工藝流程造成影響，嚴重的還可能導致重大安全事故，危及員工的人身安全和設(shè)備設(shè)施的完整性。因此，離心泵實施狀態(tài)監(jiān)測與故障檢測對于煉油廠來說非常重要。狀態(tài)監(jiān)測與故障檢測是通過傳感器等設(shè)備來收集泵的振動、溫度、流量等數(shù)據(jù)，并結(jié)合機器學習等算法進行實時分析，利用分析結(jié)果可以及時發(fā)現(xiàn)泵的異常情況，減少意外停機的風險，并提高設(shè)備的可靠性。同時，該項技術(shù)還可以預(yù)測泵的剩余壽命，提前制定維修計劃，避免突發(fā)故障對生產(chǎn)造成不必要的損失?？傊?，對煉油廠關(guān)鍵離心泵實施狀態(tài)監(jiān)測與故障檢測技術(shù)，不僅可以提高泵的安全性和可靠性，還能降低維修成本和停機時間，實現(xiàn)煉油廠生產(chǎn)設(shè)備的智能化管理，具有一定經(jīng)濟和社會效益。

2 離心泵的狀態(tài)監(jiān)測與故障檢測實驗

本文使用一種基于物聯(lián)網(wǎng)技術(shù)的監(jiān)測系統(tǒng)，該系統(tǒng)包括傳感器節(jié)點、數(shù)據(jù)采集器和云平臺。傳感器節(jié)點位于離心泵的各個部位，通過測量振動、溫度、流量等參數(shù)來實時采集泵的運行數(shù)據(jù)。數(shù)據(jù)采集器負責將傳感器節(jié)點的數(shù)據(jù)傳輸?shù)皆破脚_進行存儲和處理，同時也可以通過移動設(shè)備訪問云平臺數(shù)據(jù)。云平臺使用機器學習算法對采集到的數(shù)據(jù)進行分析，以識別泵的故障和預(yù)測其剩余壽命。

2.1 實驗方法

選擇一臺煉油廠關(guān)鍵離心泵作為測試對象，并在其上安裝多個傳感器節(jié)點，包括振動傳感器、溫度傳感器和流量傳感器等。這些傳感器可以實時測量泵的振動、溫度和流量等參數(shù)，并將這些數(shù)據(jù)通過無線網(wǎng)絡(luò)傳輸?shù)綌?shù)據(jù)采集器進行存儲和處理。通過傳感器節(jié)點收集泵的振動、溫度和流量等數(shù)據(jù)，并利用數(shù)據(jù)采集器將數(shù)據(jù)實時上傳到云平臺或本地服務(wù)器進行存儲。在進行機器學習算法的訓練和測試之前，需要對采集到的泵數(shù)據(jù)進行預(yù)處理。具體的預(yù)處理內(nèi)容包括：對數(shù)據(jù)進行去噪、歸一化和特征提取等處理，以便更好地適應(yīng)機器學習模型的要求。使用基于深度學習的卷積神經(jīng)網(wǎng)絡(luò)模型，對采集到的泵數(shù)據(jù)進行訓練和測試。該模型包括卷積層、池化層和全連接層等多個層次，可以有效處理高維度的數(shù)據(jù)，并提高泵故障診斷的準確性和精度。

2.2 機器學習算法訓練模型

機器學習算法訓練模型是指使用已有的數(shù)據(jù)對模型進行優(yōu)化，使得模型能夠更準確地預(yù)測未知數(shù)據(jù)的結(jié)果。該過程通?？梢苑殖梢韵? 個步驟：

（1）收集數(shù)據(jù)：收集一定量質(zhì)量良好的數(shù)據(jù)，這些數(shù)據(jù)應(yīng)該與將要解決的問題相關(guān)。

（2）數(shù)據(jù)預(yù)處理：對數(shù)據(jù)進行清洗、去重、填充缺失值等操作，以便在后續(xù)的步驟中使用。

（3）特征工程：將原始數(shù)據(jù)轉(zhuǎn)換為機器學習算法所需要的特征表示，例如將文本轉(zhuǎn)換為向量或者提取圖像的特征。

（4）模型選擇和訓練：選擇適合當前問題的機器學習算法，并使用訓練集對其進行訓練，以優(yōu)化模型參數(shù)。

（5）模型評估：使用測試集對訓練好的模型進行評估，可以使用各種評估指標來衡量模型的性能，例如準確率、召回率、F1 值等。

（6）模型調(diào)優(yōu)：根據(jù)評估結(jié)果調(diào)整模型參數(shù)或選擇不同的算法，以獲得更好的性能。

（7）模型部署：將訓練好的模型部署到實際應(yīng)用場景中進行預(yù)測和推斷。

實驗應(yīng)包括正常運行實驗和故障模擬實驗兩種：①正常運行實驗：在泵正常運行的情況下，采集泵振動、溫度和流量等數(shù)據(jù)，并使用機器學習算法對這些數(shù)據(jù)進行訓練和測試，以建立正常運行模型；②故障模擬實驗：在泵運行時，人為制造泵葉片故障，即將泵的一個或多個葉片剪斷，然后再次采集泵振動、溫度和流量等數(shù)據(jù)，并使用機器學習算法對這些數(shù)據(jù)進行分析，以識別泵的故障。

2.3 實驗結(jié)果

2.3.1 故障模擬監(jiān)測

通過比對正常運行模型與故障模擬模型得到的誤差值，判斷泵是否發(fā)生故障。在本實驗中，當模型誤差值超過0.005 時，即可認為泵發(fā)生故障。根據(jù)實驗結(jié)果可以評估該方案的有效性并進行改進。模擬實驗結(jié)果如表1 所示。

表1 離心泵狀態(tài)監(jiān)測實驗結(jié)果

根據(jù)表1 數(shù)據(jù)，對煉油廠關(guān)鍵離心泵機器學習模型進行初步分析：表格中包含兩種實驗類型：正常運行實驗和故障模擬實驗。在正常運行實驗中，泵處于正常工作狀態(tài)；而在故障模擬實驗中，人為損壞了泵的某些部件，從而模擬了泵的故障情況。模型誤差值是機器學習模型評估指標之一，通常用來衡量訓練好的模型在測試集上的準確性。從表1 可以看出，在正常運行實驗中，模型誤差值為0.001 5；而在故障模擬實驗中，模型誤差值為0.007 2。通常來說，模型誤差值越小，說明模型預(yù)測結(jié)果越準確。

根據(jù)模型誤差值和預(yù)設(shè)的閾值等條件，機器學習模型可以將測試數(shù)據(jù)判斷為正常或者故障。從表1 可以看出，在正常運行實驗中，模型判斷結(jié)果為“正常”；而在故障模擬實驗中，模型判斷結(jié)果為“故障”。

2.3.2 參數(shù)采集結(jié)果

參數(shù)采集結(jié)果見表2，相關(guān)振動變化曲線見圖1。

圖1 采集數(shù)據(jù)曲線

表2 參數(shù)采集結(jié)果

根據(jù)采集的數(shù)據(jù)，可以對煉油廠關(guān)鍵離心泵的運行狀態(tài)進行詳細分析。其中，振動幅值通常是檢測旋轉(zhuǎn)機械設(shè)備（如泵）運行狀態(tài)的一個重要指標。從圖1a）中可以看出，泵運行前5 min振動幅值僅為0.12 g，之后逐漸增大到0.21 g，此時已經(jīng)明顯高于正常運行時的水平，意味著泵的某些部件可能存在問題或者受到外力的干擾。出現(xiàn)這種情況需要及時檢查和維修，否則可能會導致設(shè)備更嚴重的損壞甚至出現(xiàn)安全事故。

溫度通常是檢測旋轉(zhuǎn)機械設(shè)備運行狀態(tài)的一個重要指標。從圖1b）中可以看出，泵在運行過程中溫度不斷升高，從50 °C上升到62 °C。這意味著泵內(nèi)部摩擦引起的熱量增加，導致泵溫度升高。這種情況下，需要檢查泵的潤滑系統(tǒng)是否正常工作以及是否存在泄漏等問題。

流量可以反映泵的輸送能力，從圖1c）可以看出，泵的流量保持在4679～4692 m3/h，變化不大。這意味著泵的流量沒有受到明顯影響。但是，如果泵的輸送介質(zhì)發(fā)生變化，則其流量也會相應(yīng)變化。

3 應(yīng)用策略

3.1 合理布置傳感器

合理布置傳感器是狀態(tài)監(jiān)測和故障檢測的重要策略之一。首先，在關(guān)鍵設(shè)備關(guān)鍵部位安裝多個不同類型的傳感器，如振動傳感器、溫度傳感器、流量傳感器等，以收集更全面、準確的數(shù)據(jù)。并且根據(jù)泵的特性和工作環(huán)境等因素，確定傳感器安裝數(shù)量和位置，以盡可能完整地覆蓋泵的各個方面。其次，選擇技術(shù)指標符合要求，能夠滿足泵的實際監(jiān)測需求的傳感器。在傳感器的選擇和安裝中，應(yīng)預(yù)留一定的余量，以便在需要時添加或更改傳感器的位置和類型，以及擴展監(jiān)測區(qū)域。最后，為每個傳感器選擇合適的數(shù)據(jù)采集設(shè)備，并將其與網(wǎng)絡(luò)連接起來，便于數(shù)據(jù)的及時收集和處理。

3.2 構(gòu)建大樣本的預(yù)測訓練集

構(gòu)建大樣本的預(yù)測訓練集是狀態(tài)監(jiān)測和故障檢測的重要策略之一。首先，收集泵的運行數(shù)據(jù)，包括振動、溫度、壓力等傳感器采集的數(shù)據(jù)，以及設(shè)備歷史記錄、維護日志等相關(guān)文檔。對收集到的原始數(shù)據(jù)進行清洗、去噪、填充缺失值等操作，使其符合機器學習算法的要求。其次，根據(jù)泵的特性和工作環(huán)境等因素，選擇適合的特征提取方法，將原始數(shù)據(jù)轉(zhuǎn)換為機器學習算法所需的特征表示。根據(jù)已發(fā)生的故障情況，對數(shù)據(jù)進行標注，將有故障的數(shù)據(jù)標記為“故障”，而正常數(shù)據(jù)則標記為“正?！?。最后，使用標注好的數(shù)據(jù)，構(gòu)建大樣本的預(yù)測訓練集，并將其分成訓練集和測試集，以便在后續(xù)的步驟中使用。根據(jù)泵的監(jiān)測需求、數(shù)據(jù)特征和預(yù)測目標等因素，選擇適合的機器學習算法，并進行模型訓練和優(yōu)化。使用測試集對訓練好的模型進行評估和調(diào)優(yōu)，以提高模型的準確性和可靠性。在實際應(yīng)用中，應(yīng)定期更新訓練集，不斷優(yōu)化模型，并根據(jù)實際情況進行相應(yīng)的調(diào)整和改進。

3.3 加強維護工作

加強對關(guān)鍵離心泵維護工作的重視是狀態(tài)監(jiān)測和故障檢測的重要策略之一。具體內(nèi)容包括：①定期對泵進行檢查，包括潤滑、清潔、緊固螺栓、更換易損件等，以避免維修和更換成本過高，同時也避免因長時間運轉(zhuǎn)而導致機械零部件磨損嚴重；②建立完整、可追溯的維護記錄，包括維護日期、維護內(nèi)容、維護人員等信息，便于日后跟蹤和分析；③制定維護計劃，并按照計劃執(zhí)行，以確保泵的正常運行和延長設(shè)備壽命；④周期性地檢查泵的各個部件，如軸承、密封件、葉輪等，以及液路系統(tǒng)是否暢通，預(yù)防故障發(fā)生；⑤對泵的工作環(huán)境進行監(jiān)測，如溫度、濕度、粉塵等，及時發(fā)現(xiàn)并解決問題，在此基礎(chǔ)上建立設(shè)備檔案，包括設(shè)備的基本信息、工作環(huán)境、維護記錄等，便于進行全面的監(jiān)測和管理。

4 結(jié)束語

煉油廠關(guān)鍵設(shè)備離心泵應(yīng)用狀態(tài)監(jiān)測和故障檢測技術(shù)，可以提高設(shè)備的可靠性、安全性和生產(chǎn)效率。在實踐中，可以通過合理布置傳感器、構(gòu)建大樣本的預(yù)測訓練集、加強對維護工作的重視等措施來實現(xiàn)該目標。同時，也需要結(jié)合具體情況，選擇適合的技術(shù)手段、算法模型和管理方法，并不斷進行優(yōu)化和調(diào)整，以確保監(jiān)測和維護工作的持續(xù)有效。