打开文本图片集

摘要：泵类关键设备在厂站生产过程中起着至关重要的作用，为保障泵类设备的稳定运行，需要对其进行定期检查和维护。本文介绍一种泵类设备故障智能诊断技术，利用传感器对泵机的振动状态进行在线监测，基于深度学习中的自动学习技术对泵机的故障进行智能诊断，完成泵机故障的提前预警和精确定位，实现泵类关键设备的管理模式由计划性维修向预测性维护的转变，提升厂站关键设备的智能化监测和管理水平，优化设备巡检点检人力资源分配。

关键词 故障智能诊断 自动学习 预测性维护

1 厂站关键设备诊断技术现状

现阶段国内企业设备维护方式各不相同，主要包含了事后维修、计划性维修、预测性维护三种。且设备重要程度不同，运用的维护方式也不尽相同。以油田油气集输公司基层场站为例，目前主要依靠人工，采用便携式点检仪对泵类关键设备进行定期检查，采取计划性维修方式对厂站关键设备进行维护。当前企业设备管理手段的弊端体现在以下几个方面：（1）企业设备覆盖区域广，主要依靠人工巡检点检，人工成本高、人工经验要求高、耗时长。现有在线监测系统或点巡检数据无法做到设备故障的精确分析，无法识别早期设备故障，难以实现科学维护延长设备使用寿命或实现预测性维修，不适用于关键设备的状态管理；（2）缺乏智能化设备数据分析，通过人工专家的知识和经验进行事后分析，响应速度慢，诊断费用高。因此，企业只有实现状态监测从点到面，从局部到完整，从被动到主动的全面转变，才能优化当前的设备管理模式，全面、及时的把握和预测设备状态。

随着企业自动化水平的提高、状态监测技术水平的不断提高，以下将是设备维修方式共同的发展趋势：（1）计划性维修向预测性维护转变，预测性维护技术将逐步覆盖更多的关键设备和关键工艺环节中的设备；（2）被动维修向主动维修改变。从本质上看，被动维修是为了恢复设备运行状态，主动维修是以设备状态可靠性为基础，结合生产工艺要求找出重复故障的根源、辨认和消除影响设备寿命的因素、确保设备处于无故障和良好性能的状态上。

本文提出一种厂站关键泵类设备的故障智能诊断系统，利用传感器对泵机的振动状态进行在线监测，基于深度学习技术中的自动学习技术对泵机的故障进行智能诊断，完成泵机故障的提前预警和精确定位。油气集输公司按照智慧化油田建设的需求，以联合站为试点，建设泵类设备故障智能诊断系统，开展关键技术应用验证，完成对旋转式泵类设备的转子不平衡、转子不对中、A/B/C型机械松动、动静件摩擦、气蚀及共振等若干工况的精确定位，实现泵类关键设备的管理模式由计划性维修向预测性维护的转变，提升厂站关键设备的智能化监测和管理水平，优化设备巡检点检人力资源分配。

2 泵类设备故障智能诊断系统

2.1 预测性维护

随着大数据等技术的成熟，预测性维护应运而生，它不仅可以对设备实时监测，进行大数据分析，提前感知设备故障，而且可以远程服务和提前排查故障隐患，使得维护变得更加智能，运营更加可靠，成本也更低。对于工业设备来说，温度、噪声、流体分析、振动、电气测试与监测等方法均可用于机械故障检测。相对而言，采用振动监测是一种较为早期发现设备潜在故障且监测范围较广的一种方法。

一个基本的预测性维护过程包括数据采集、信号分析处理和预警。传感器测量机械设备的加速度、速度、位移，通过傅里叶变换解析故障频率，结合设备故障神经网络模型的自动学习，对设备故障进行精确定位，对潜在的故障进行预警。预测性维护技术是未来智慧工厂重要的构成部分，也是新的成本盈利模式的来源。

2.2 泵类设备故障智能诊断系统

本文基于泵类设备的振动数据采集，构建泵类设备故障智能诊断系统，实现预测性维护。系统总体架构如图2所示。系统主要由三轴振动传感器、网关、云平台和数据中心等组成。振动传感器一般安装在泵的轴承上方，根据泵的类型可选择在轴的驱动端或驱动端安装一个或两个，如单极离心泵在驱动端安装一个，多级离心泵在驱动端和非驱动端各安装一个。对泵类关键设备，在泵房安装一个网关，实现对多个传感器的数据收集，并将收集的数据通过4G或WiFi传输至云平台。云平台提供泵机故障智能诊断算法模型的训练和大数据分析，数据最终存储在数据中心。

泵类设备故障智能诊断系统采用端云协同的自动学习算法机制，采集不同设备数据并形成高质量标准结构化数据，通过算法模型自动学习，形成一泵一模型，对泵的工况进行分析、识别和预警。其中算法模型通过历史设备数据库进行训练，并根据模型推理精度判断是否更新模型。系统工作时运行逻辑包括泵机启停状态分析、泵机异常检测、泵机工况识别、工况原因分析及泵机健康提醒等。其中泵机启停状态分析、泵机异常检测（简单模型）在靠近泵机端侧的三轴振动传感器内通过边缘计算完成；泵机异常检测（复杂模型）、泵机工况识别、工况原因分析及泵机健康提醒等在云侧通过大数据自动学习完成。边缘计算是指靠近物或数据源头的一侧完成计算，与云端中进行处理和算法决策不同，让数据处理更靠近设备端侧，可以缩短延迟时间，提供对设备状态变化响应的实时性。随着泵类设备的增加，数据生成也快速增长，边缘计算可减少数据传输带宽需求，可减少用户数据中心和物联网络的建设和管理成本。云端由于不受计算资源的限制，可以承载复杂神经网络模型的推理以及端云协同算法模型的训练，端侧边缘计算的算法模型重训练后可以下放至传感器节点进行模型更新。

2.3智能诊断系统诊断过程

2.3.1泵机启停状态分析

在数据采集后，节点边缘计算芯片内已经嵌入的启停机分析算法会实时分析泵机当前的启停状态并将状态量发送至云端进行可视化及提醒。泵机启停机算法以三轴振动加速度每一轴的原始值为输入量，以大量泵机历史启停信息为训练数据，快速判断启停状态。

2.3.2泵机异常检测

在启停机分析算法判定泵机处在运行状态后，边缘计算芯片会启动边缘异常检测算法，先行对实时采集到的数据进行判定，一旦检测到存在可能运行振动异常，则会加快传感器对数据进行更加细密的数据采集。这些更细粒度的数据会传送到云端，并启动云端的异常检测算法对数据进行二次判定。

异常检测算法采用卷积神经网络算法加长短时记忆神经网络算法联立建模的方式来运作。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征进行学习，有稳定的效果且对数据没有额外的特征工程要求。卷积神经网络在这里的主要作用是进行振动信号的特征提取，仿照人眼的观察方式尽可能地发现正常与异常之间的细微差别并进行锁定，抛除区分不明显的信息，再判断设备正常异常。

2.3.3泵机工况识别

在泵机振动被算法确认出存在异常状态后，云端启动工况识别算法对已检测确定出异常的数据进行工况的判断（如：气蚀、动平衡异常、不对中、基础松动等），并会给用户及泵机维护方（如已绑定）同步推送工况信息，方便终端用户第一时间了解异常类型及维修方第一时间准备解决方案及维修备件。

工况识别算法是在异常检测算法中的卷积神经网络算法的输出上建立分支，当卷积神经网络提取出特征后，让特征进入一个误差逆向传播前馈神经网络进行异常原因的分类。误差逆向传播前反馈神经网络对训练数据的每一次判断都与真是结果进行对比，并将与真实的误差进行逆向的传播，从而修正输入量来让下一次的判断更加准确，直到准确率达到最优，用于以后每一次振动信号的异常分类。其原理模拟的是人类在对同一事物不断判断出现问题后的自我学习过程。

2.3.4 工况原因分析

工况原因分析共依靠两个机制进行运行：第一个机制是卷积神经网络特征的整合。卷积神经网络为了将异常和故障种类更好的区别开，将原始数据拆解到超过物理意义可以解释的程度，比频谱分析特征、包络谱分析特征甚至小波分析特征都细致的多，成为完全数学意义上的特征数值，这样的特征对于生产人员和维修人员来说没有任何理解上的价值，所以在做工况原因分析时，会将卷积神经网络提出的特征进行向上还原，直到还原到有近似物理意义的程度，比如某倍频点上的能量，某频段间的信息熵等等；第二个机制是专家库的对应性搜索，在判断出是何种异常工况后，会对已经在云端集成好的专家知识库进行对应工况可能的原因搜索，从传统的角度给予生产人员及维修人员可能的原因成分。最终将两种机制的输出信息进行融合。融合后的工况原因分析上传至系统APP中进行发布。

2.3.5泵机健康提醒

根据泵机当前启停机状态、是否存在振动异常、出现何种工况、工况导致停机可能性、维修难度及时长、维修备件成本等角度综合评价，给出泵机当前所处的综合健康状态，指导生产人员来判断可能会发生的损失。

3 实际测试与分析

为验证泵类设备故障智能诊断系统的实际效果，油气集输公司按照智慧化油田建设的需求，以联合站试点，开展关键技术应用验证，完成对旋转式泵类设备的转子不平衡、转子不对中、A/B/C型机械松动、动静件摩擦、气蚀及共振等若干工况的精确定位试验。

下面以轴不对中工况为例进行实际测试与分析。测试泵为联合站注水提升泵房3#注水过滤提升泵，型号为KL250S-65A，轴功率为90kW，额定转速为1480rpm，额定流量为350m3。当前监测节点安装位置为泵机驱动端及非驱动端，如图4所述，节点内置三轴加速度传感器，可同时监测三个方向的振动，该测点主要目的是监测泵机工况状态。

图5为从2019年11月28日起至2019年12月12日为止的驱动端三轴振动烈度趋势图。xv代表水平方向振动烈度，yv代表沿轴方向振动烈度，zv代表垂直方向振动烈度，从图上看水平振动在近一个月相比其他两方向较大，最大时超过5mm/s，同时从图上可以看出从11月28日起三轴方向的振动同时承逐步升高趋势，且三轴振动幅度波动浮动大，波动无规律。

图6为从2019年11月28日起至2019年12月12日为止的非驱动端三轴振动烈度趋势图。xv代表水平方向振动烈度，yv代表沿轴方向振动烈度，zv代表垂直方向振动烈度，从图上看三轴振动水平保持一致，同时可以看出从12月10日上午起三轴方向的振动同时承逐步升高趋势，且三轴振动幅度波动浮动大，波动无规律。

该泵机电机额定转速为1480rpm，进出口径为250mm，依据标准GB/T 6075.5-2002《在非旋转部件上测量和评价机器的机械振动》和GBT 29531-2013 泵的振动测量与评价方法中的泵机分类标准进行分类，该泵机属于2类泵。依据ISO10816国际标准，2类泵机的振动烈度划分B级与C级的分界线为振动速度均方根值2.8mm/s，该泵驱动端水平方向的振动烈度长期处于C级，其余振动处于B级。依据ISO10816国际标准，B级表示为通常可接受的常期工作的机器振动区域，C级表示为通常不能令人满意的长期工作的机器振动区域。C级状态一般建议可以做有期限的操作直到有满意的补救措施出现。

从驱动端及非驱动端的振动趋势对比来看，两端在垂直方向与沿轴方向处于同一等级的振动水平，而水平振动方向驱动端明显大于非驱动端，且大于同为驱动端的其他两轴，故故障大概率发生在靠近驱动端附近。从驱动端及非驱动端正常振动与报警点的频谱对比来看，驱动端和非驱动端均存在2倍转频振动增大的现象，且三轴方向的2倍频均增加明显，而水平振动在驱动端及非驱动端均为最大振动方向，故判定该故障来源存在两种可能：（1）驱动端联轴器不对中力持续作用且逐步加深；（2）进出口同时流体激振将力作用在泵机上。

根据以上判定结果及依据，本次故障的报警可能有以下原因：（1）因为联轴器对中不良导致泵机的旋转中心与泵机设备中心不重叠（原因：三轴方向的二倍频振动均比10号有所加深）。请检查联轴器对中状况，如存在不对中则请将机组对中调至最优。（2）泵机进出口流量紊乱，造成两侧同时冲击形成对泵机的流体激振（原因：该泵机为双吸离心泵，且最大的2倍能量在两端均为水平方向）。

结合泵类设备故障智能诊断系统给出的信息和现场员工的现场反馈，总结情况如下：2019年12月10日，泵机健康度由98%持续下降至79%，自动学习算法预警结果为联轴器对中不良。12月12日上午现场巡检人员进行设备检查，无明显噪声，有轻微振动异常（驱动端振动为5.37mm/s，石油行业标准报警阈值4.5mm/s），联轴器无明显间隙差距。现场员工认为近期阀门失效频繁，认定可能报警由流量波动导致。12月13日下午，现场员工再次进行现场勘查，此时泵机驱动端振动上涨到7.01mm/s，认定此泵机不正常，并进行了切泵操作。完成切泵后，对联轴器进行了检查，发现联轴器对轮胶圈已出现损坏，并于12月17完成更换，更换完后试运行正常，泵机健康度恢复至98%。

4 总结

本文介绍了一种基于端云协同自动学习技术的泵类设备故障智能诊断系统，对系统架构和工作原理进行了详细论述，结合油田联合站注水提升泵房3#注水过滤提升泵的轴不对中的工况进行实际测试和分析，经过现场维检人员的拆机检查，完成了技术验证和设备维护。通过实际现场的测试验证表明自动学习技术可用于泵类关键设备的故障智能诊断，精确定位设备故障，对设备故障进行提前预警，实现厂站关键设备管理模式由计划性维修向预测性维护的转变，提前准备维修备件，大大缩短设备维护周期，同时可优化关键设备的人员分配。泵类设备故障智能诊断系统是智慧化油田建设试点的重要内容，对提升油田关键设备管理的智能化水平具有重要的意义。

参考文献

[1] 汪旭东.刍议大数据技术在智慧油田建设中的应用[J].中国石油和化工标准与质量，2019，39（16）：249-250.

[2] 吕佳琪.状态监测系统在关键机泵的应用[J].通用机械，2018（06）：18-21.

[3] 王凯，李元辉.迁移学习在机械设备预测性维护领域的应用综述[J].中国仪器仪表，2019（12）：64-68.

[4] Jack C.P. Cheng，Weiwei Chen，Keyu Chen，Qian Wang. Data-driven predictive maintenance planning framework for MEP components based on BIM and IoT using machine learning algorithms[J]. Automation in Construction，2020，112.

[5] 刘志宇，黄亦翔.基于深度学习和迁移学习的液压泵健康评估方法[J].机械与电子，2018，36（09）：67-71.

[6] 杨露霞，姚杰，钱依祎.机泵远程在线监测与智能诊断系统设计[J].自动化仪表，2019，40（07）：29-32.