炼化装置大机组智能故障诊断-为 20 家企业有效诊断 50 余次

中石化各炼化企业大机组监测系统分散不统一，未与工艺量参数以及业务系统实现关联，关键机组各状态监测系统成为信息孤岛，难以实现统筹管理。在应用上缺乏早期预警和故障诊断能力, 多采用门限报警技术，存在反复报警、漏报警、假报警现象较多，故障诊断依赖专业工程师的技术能力，缺少数据挖掘，数据分析不足，智能预警和智能诊断能力不足，对关键大机组维修决策支持能力弱。

为解决以上痛点问题，中石化建立了基于石化智云平台关键机组状态监控应用，主要建设内容如下：

本项目基于石化智云基础架构，利用云资源、技术服务、持续交付中心等云技术及能力，开发了关键机组状态监控应用，包括 5 个一J功能和 34 个二J功能模块，构建了报警通知-诊断通知-检修反馈闭环业务处理流程。

项目依托石化智云构建大机组故障诊断模型等共 7 个组件并上架石化智云，赋能石化智云。

本项目将采集到的大机组振动和工艺数据进行预处理后，建立预警模型，输出预警信息，预警模型分为 5 种模式：常规报警、防止反复穿越报警、趋势预警、智能快变报警、智能动态阈值预警。

本项目研发构建了包括旋转失速、喘振、轴瓦间隙、转子弯曲等 9 个大机组故障诊断模型。

本项目覆盖了中石化炼化企业 20 家关键大机组数据，共接入 490 台机组振动数据和工艺量数据。同时，对大机组故障诊断模型组件进行国产化适配改造，并上云上平台。

大机组故障诊断模型是针对离心压缩机组，采用基于数据驱动和故障机理相结合的方式，通过分析故障机理，结合信号处理方法，提取出G信噪比的振动参数故障特征。

通过对历史案例数据的总结，形成各类故障的故障特征库，采用自编码器 Autoencoder、卷积神经网络 CNN等数据驱动方法，对新采集的机组振动特征参数进行分类，建立智能诊断模型，实现大机组不平衡、不对中、油膜涡动等 9 类典型故障智能诊断。

1)特征提取研究

a）时域特征提取。时域信号是传感器采集经数据采集器后的原始振动信号，当设备发生故障时，振动数据的成分会发生变化，但大都被干扰信息遮蔽，无法直接识别。利用统计方法提取的振动信号时域特征，一定程度上可以减少振动数据中的噪声干扰，减少数据的冗余信息，并且特征对故障具有一定的指示性。

振动数据统计特征分为有量纲参数和无量纲参数。有量纲参数：峰值、峰峰值、均值、有效值、方差等，无量纲的有：峭度、歪度、波形、脉冲、裕度等指标。上述指标对故障信号均有不同的响应，有量纲参数对设备工况、载荷变化非常敏感，无量纲参数会随设备故障严重程度发生变化。单一特征不能实现变工况运行设备故障的有效预警，多特征融合可以解决单一故障特征故障指示面窄的问题。振动信号的时域特征常用于设备的运行状态监测，对于工况变化复杂的设备，单一的时域特征参数无法多面监测设备运行状态，易造成大量的虚警和漏警，还需要频域特征。

b）频域特征提取。振动信号频谱分析是故障诊断常用的手段，频谱分析能够得到振动数据组成成分及其能量大小。傅里叶变换是振动信号频谱分析的基础，通过傅里叶变换将振动信号分解为单一频率成分，可以清晰地看出信号中的主要组成成分，并得出故障特征。

c）时频特征提取。基于傅里叶变换的频谱分析只能处理平稳信号，无法处理非平稳信号。小波分析引入窗函数可变的小波基，其分析窗口函数可调，能够提取到非平稳信号短时、局部信息特征。通过构造小波函数族，将小波分析过程中的小波正交基组扩展为小波正交基库，实现数据低频和G频成分的同时细化和分解。

通过试验数据对时域、频域和时频域特征分析，可以发现，不同特征对故障敏感程度不同，反映了设备不同状态下振动数据特征间的差异。部分时域特征对轴承故障不敏感，但单一状态下特征稳定性较好；频域特征对频谱结构变化敏感，正常状态下，特征变化稳定，未出现大幅波动，指示性好；时频域特征能够细化频谱结构，对频谱异常变化敏感，且故障指示性好。

2)基于自编码器的故障智能诊断

a）自编码器作为诊断模型原理。自编码作为一种无监督式学习模型，利用输入数据 X 本身作为监督，来指导神经网络尝试学习一个映射关系，从而得到一个重构输出。算法模型包含两个主要的部分：Encoder（编码器）和 Decoder（解码器）。编码器的作用是把G维输入 X 编码成低维的隐变量 h 从而强迫神经网络学习有信息量的特征；解码器的作用是把隐藏层的隐变量 h 还原到初始维度。

在故障检测场景下。利用无故障特征数据与各类故障特征数据，构建深度自编码器网络诊断模型 AE，并得到正常与故障样本特征空间；然后将当前待检数据输入 AE 的编码器部分，得到待检数据的特征 at,计算输出值 at 与各特征空间A 之间距离，距离近的判定为待检数据所在工况。

b）诊断模型分类方法。诊断模型采用以下两种距离欧式距离和马氏距离对 AE 模型输出进行分类：

欧氏距离简单明了，且不受坐标旋转、平移的影响。为避免坐标尺度对分类结果的影响，需在计算欧氏距离之前先对特征参数进行归一化处理。考虑到特征矢量中的诸分量对分类所起到的作用不同，可采用加权方法，构造加权欧式距离。

马氏距离是加权欧式距离中用得较多的一种，马氏距离的优点是排除了特征参数之间的相互影响。

3)基于卷积神经网络的故障智能诊断

a）卷积神经网络作为诊断模型原理。卷积神经网络是多J神经网络，包含滤波J（filtering stage）与分类J（classification stage）。其中，滤波J用来提取输入信号的特征，分类J对学习到的特征进行分类，两J网络参数是 共同训练得到的。滤波J包含卷积层(convolutional layers)，池化层(pooling layers)与激活层 (activation layers)等 3 个基本单元，而分类J一般由全连接层组成。本方案设计的卷积神经网络处理的是一维信号。

b）用于振动信号诊断的一维卷积神经网络。本项目采用的卷积神经网络的结构如下图所示。该卷网包含两个卷积层，两个池化层，一个全连接隐含层，以及一个 Softmax 层。诊断信号通过个卷积层以及 ReLU 激活层，变为一组特征图（Feature Maps），再经过大值池化进行降采样。重复一次以上操作，将后一个池化层的特征图与全连接隐含层相连，经过 ReLU 激活之后，传递到后的 softmax 层。

大机组故障诊断模型目前在中石化集团 20 家炼化企业离心大机组进行应用，实现了大机组不平衡、不对中、 油膜涡动、、喘振/旋转失速、动静摩擦等 9 类典型故障自动诊断，为企业维修决策提供有力支持。

自系统上线以来至今应用效果显著，基于系统智能报警和智能诊断模型已为 20 家企业有效诊断 50 余次，统计结果见图 5，其中有 49 次为提前发现机组异常，及时告知企业，密切关注机组，避免造成严重故障。

本模型通过推广至炼化板块其他企业离心大机组故障诊断，可避免或减少非计划停机或停工事件发生，延长设备寿命，同时减少维修时间，提G生产效率和经济效益。

大机组智能诊断模型可大幅度减少对故障诊断专家的依赖，并且确认诊断结论以及检维修建议的时间缩短 6 倍以上，可大幅缩短机组的检修周期，降低机组故障停机时间、提G企业经济效益。

根据应用企业数据反馈：预计一家企业每年降低非计划停机 1-2 次，根据企业规模不同，为企业减少直接或 间接经济损失约每年 400 万，为企业降本增效和可持续发展提供有力的技术支撑。