中石化各煉化企業(yè)大機(jī)組監(jiān)測系統(tǒng)分散不統(tǒng)一，未與工藝量參數(shù)以及業(yè)務(wù)系統(tǒng)實(shí)現(xiàn)關(guān)聯(lián)，關(guān)鍵機(jī)組各狀態(tài)監(jiān)測系統(tǒng)成為信息孤島，難以實(shí)現(xiàn)統(tǒng)籌管理。在應(yīng)用上缺乏早期預(yù)警和故障診斷能力, 多采用門限報(bào)警技術(shù)，存在反復(fù)報(bào)警、漏報(bào)警、假報(bào)警現(xiàn)象較多，故障診斷依賴專業(yè)工程師的技術(shù)能力，缺少數(shù)據(jù)挖掘，數(shù)據(jù)分析不足，智能預(yù)警和智能診斷能力不足，對關(guān)鍵大機(jī)組維修決策支持能力弱。

為解決以上痛點(diǎn)問題，中石化建立了基于石化智云平臺關(guān)鍵機(jī)組狀態(tài)監(jiān)控應(yīng)用，主要建設(shè)內(nèi)容如下：

本項(xiàng)目基于石化智云基礎(chǔ)架構(gòu)，利用云資源、技術(shù)服務(wù)、持續(xù)交付中心等云技術(shù)及能力，開發(fā)了關(guān)鍵機(jī)組狀態(tài)監(jiān)控應(yīng)用，包括 5 個(gè)一級功能和 34 個(gè)二級功能模塊，構(gòu)建了報(bào)警通知-診斷通知-檢修反饋閉環(huán)業(yè)務(wù)處理流程。

項(xiàng)目依托石化智云構(gòu)建大機(jī)組故障診斷模型等共 7 個(gè)組件并上架石化智云，賦能石化智云。

本項(xiàng)目將采集到的大機(jī)組振動(dòng)和工藝數(shù)據(jù)進(jìn)行預(yù)處理后，建立預(yù)警模型，輸出預(yù)警信息，預(yù)警模型分為 5 種模式：常規(guī)報(bào)警、防止反復(fù)穿越報(bào)警、趨勢預(yù)警、智能快變報(bào)警、智能動(dòng)態(tài)閾值預(yù)警。

本項(xiàng)目研發(fā)構(gòu)建了包括旋轉(zhuǎn)失速、喘振、軸瓦間隙、轉(zhuǎn)子彎曲等 9 個(gè)大機(jī)組故障診斷模型。

本項(xiàng)目覆蓋了中石化煉化企業(yè) 20 家關(guān)鍵大機(jī)組數(shù)據(jù)，共接入 490 臺機(jī)組振動(dòng)數(shù)據(jù)和工藝量數(shù)據(jù)。同時(shí)，對大機(jī)組故障診斷模型組件進(jìn)行國產(chǎn)化適配改造，并上云上平臺。

大機(jī)組故障診斷模型是針對離心壓縮機(jī)組，采用基于數(shù)據(jù)驅(qū)動(dòng)和故障機(jī)理相結(jié)合的方式，通過分析故障機(jī)理，結(jié)合信號處理方法，提取出G信噪比的振動(dòng)參數(shù)故障特征。

通過對歷史案例數(shù)據(jù)的總結(jié)，形成各類故障的故障特征庫，采用自編碼器 Autoencoder、卷積神經(jīng)網(wǎng)絡(luò) CNN等數(shù)據(jù)驅(qū)動(dòng)方法，對新采集的機(jī)組振動(dòng)特征參數(shù)進(jìn)行分類，建立智能診斷模型，實(shí)現(xiàn)大機(jī)組不平衡、不對中、油膜渦動(dòng)等 9 類典型故障智能診斷。

1)特征提取研究

a）時(shí)域特征提取。時(shí)域信號是傳感器采集經(jīng)數(shù)據(jù)采集器后的原始振動(dòng)信號，當(dāng)設(shè)備發(fā)生故障時(shí)，振動(dòng)數(shù)據(jù)的成分會(huì)發(fā)生變化，但大都被干擾信息遮蔽，無法直接識別。利用統(tǒng)計(jì)方法提取的振動(dòng)信號時(shí)域特征，一定程度上可以減少振動(dòng)數(shù)據(jù)中的噪聲干擾，減少數(shù)據(jù)的冗余信息，并且特征對故障具有一定的指示性。

振動(dòng)數(shù)據(jù)統(tǒng)計(jì)特征分為有量綱參數(shù)和無量綱參數(shù)。有量綱參數(shù)：峰值、峰峰值、均值、有效值、方差等，無量綱的有：峭度、歪度、波形、脈沖、裕度等指標(biāo)。上述指標(biāo)對故障信號均有不同的響應(yīng)，有量綱參數(shù)對設(shè)備工況、載荷變化非常敏感，無量綱參數(shù)會(huì)隨設(shè)備故障嚴(yán)重程度發(fā)生變化。單一特征不能實(shí)現(xiàn)變工況運(yùn)行設(shè)備故障的有效預(yù)警，多特征融合可以解決單一故障特征故障指示面窄的問題。振動(dòng)信號的時(shí)域特征常用于設(shè)備的運(yùn)行狀態(tài)監(jiān)測，對于工況變化復(fù)雜的設(shè)備，單一的時(shí)域特征參數(shù)無法多面監(jiān)測設(shè)備運(yùn)行狀態(tài)，易造成大量的虛警和漏警，還需要頻域特征。

b）頻域特征提取。振動(dòng)信號頻譜分析是故障診斷常用的手段，頻譜分析能夠得到振動(dòng)數(shù)據(jù)組成成分及其能量大小。傅里葉變換是振動(dòng)信號頻譜分析的基礎(chǔ)，通過傅里葉變換將振動(dòng)信號分解為單一頻率成分，可以清晰地看出信號中的主要組成成分，并得出故障特征。

c）時(shí)頻特征提取�；�于傅里葉變換的頻譜分析只能處理平穩(wěn)信號，無法處理非平穩(wěn)信號。小波分析引入窗函數(shù)可變的小波基，其分析窗口函數(shù)可調(diào)，能夠提取到非平穩(wěn)信號短時(shí)、局部信息特征。通過構(gòu)造小波函數(shù)族，將小波分析過程中的小波正交基組擴(kuò)展為小波正交基庫，實(shí)現(xiàn)數(shù)據(jù)低頻和G頻成分的同時(shí)細(xì)化和分解。

通過試驗(yàn)數(shù)據(jù)對時(shí)域、頻域和時(shí)頻域特征分析，可以發(fā)現(xiàn)，不同特征對故障敏感程度不同，反映了設(shè)備不同狀態(tài)下振動(dòng)數(shù)據(jù)特征間的差異。部分時(shí)域特征對軸承故障不敏感，但單一狀態(tài)下特征穩(wěn)定性較好；頻域特征對頻譜結(jié)構(gòu)變化敏感，正常狀態(tài)下，特征變化穩(wěn)定，未出現(xiàn)大幅波動(dòng)，指示性好；時(shí)頻域特征能夠細(xì)化頻譜結(jié)構(gòu)，對頻譜異常變化敏感，且故障指示性好。

2)基于自編碼器的故障智能診斷

a）自編碼器作為診斷模型原理。自編碼作為一種無監(jiān)督式學(xué)習(xí)模型，利用輸入數(shù)據(jù) X 本身作為監(jiān)督，來指導(dǎo)神經(jīng)網(wǎng)絡(luò)嘗試學(xué)習(xí)一個(gè)映射關(guān)系，從而得到一個(gè)重構(gòu)輸出。算法模型包含兩個(gè)主要的部分：Encoder（編碼器）和 Decoder（解碼器）。編碼器的作用是把G維輸入 X 編碼成低維的隱變量 h 從而強(qiáng)迫神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)有信息量的特征；解碼器的作用是把隱藏層的隱變量 h 還原到初始維度。

在故障檢測場景下。利用無故障特征數(shù)據(jù)與各類故障特征數(shù)據(jù)，構(gòu)建深度自編碼器網(wǎng)絡(luò)診斷模型 AE，并得到正常與故障樣本特征空間；然后將當(dāng)前待檢數(shù)據(jù)輸入 AE 的編碼器部分，得到待檢數(shù)據(jù)的特征 at,計(jì)算輸出值 at 與各特征空間A 之間距離，距離的判定為待檢數(shù)據(jù)所在工況。

b）診斷模型分類方法。診斷模型采用以下兩種距離歐式距離和馬氏距離對 AE 模型輸出進(jìn)行分類：

歐氏距離簡單明了，且不受坐標(biāo)旋轉(zhuǎn)、平移的影響。為避免坐標(biāo)尺度對分類結(jié)果的影響，需在計(jì)算歐氏距離之前先對特征參數(shù)進(jìn)行歸一化處理。考慮到特征矢量中的諸分量對分類所起到的作用不同，可采用加權(quán)方法，構(gòu)造加權(quán)歐式距離。

馬氏距離是加權(quán)歐式距離中用得較多的一種，馬氏距離的優(yōu)點(diǎn)是排除了特征參數(shù)之間的相互影響。

3)基于卷積神經(jīng)網(wǎng)絡(luò)的故障智能診斷

a）卷積神經(jīng)網(wǎng)絡(luò)作為診斷模型原理。卷積神經(jīng)網(wǎng)絡(luò)是多級神經(jīng)網(wǎng)絡(luò)，包含濾波級（filtering stage）與分類級（classification stage）。其中，濾波級用來提取輸入信號的特征，分類級對學(xué)習(xí)到的特征進(jìn)行分類，兩級網(wǎng)絡(luò)參數(shù)是 共同訓(xùn)練得到的。濾波級包含卷積層(convolutional layers)，池化層(pooling layers)與激活層 (activation layers)等 3 個(gè)基本單元，而分類級一般由全連接層組成。本方案設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)處理的是一維信號。

b）用于振動(dòng)信號診斷的一維卷積神經(jīng)網(wǎng)絡(luò)。本項(xiàng)目采用的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如下圖所示。該卷網(wǎng)包含兩個(gè)卷積層，兩個(gè)池化層，一個(gè)全連接隱含層，以及一個(gè) Softmax 層。診斷信號通過D一個(gè)卷積層以及 ReLU 激活層，變?yōu)橐唤M特征圖（Feature Maps），再經(jīng)過大值池化進(jìn)行降采樣。重復(fù)一次以上操作，將后一個(gè)池化層的特征圖與全連接隱含層相連，經(jīng)過 ReLU 激活之后，傳遞到后的 softmax 層。

大機(jī)組故障診斷模型目前在中石化集團(tuán) 20 家煉化企業(yè)離心大機(jī)組進(jìn)行應(yīng)用，實(shí)現(xiàn)了大機(jī)組不平衡、不對中、 油膜渦動(dòng)、、喘振/旋轉(zhuǎn)失速、動(dòng)靜摩擦等 9 類典型故障自動(dòng)診斷，為企業(yè)維修決策提供有力支持。

自系統(tǒng)上線以來至今應(yīng)用效果顯著，基于系統(tǒng)智能報(bào)警和智能診斷模型已為 20 家企業(yè)有效診斷 50 余次，統(tǒng)計(jì)結(jié)果見圖 5，其中有 49 次為提前發(fā)現(xiàn)機(jī)組異常，及時(shí)告知企業(yè)，密切關(guān)注機(jī)組，避免造成嚴(yán)重故障。

本模型通過推廣至煉化板塊其他企業(yè)離心大機(jī)組故障診斷，可避免或減少非計(jì)劃停機(jī)或停工事件發(fā)生，延長設(shè)備壽命，同時(shí)減少維修時(shí)間，提G生產(chǎn)效率和經(jīng)濟(jì)效益。

大機(jī)組智能診斷模型可大幅度減少對故障診斷專家的依賴，并且確認(rèn)診斷結(jié)論以及檢維修建議的時(shí)間縮短 6 倍以上，可大幅縮短機(jī)組的檢修周期，降低機(jī)組故障停機(jī)時(shí)間、提G企業(yè)經(jīng)濟(jì)效益。

根據(jù)應(yīng)用企業(yè)數(shù)據(jù)反饋：預(yù)計(jì)一家企業(yè)每年降低非計(jì)劃停機(jī) 1-2 次，根據(jù)企業(yè)規(guī)模不同，為企業(yè)減少直接或 間接經(jīng)濟(jì)損失約每年 400 萬，為企業(yè)降本增效和可持續(xù)發(fā)展提供有力的技術(shù)支撐。