原油輸送離心泵預(yù)測(cè)維修技術(shù)

王安琪，徐勇，靳紅利

（1.中國(guó)石化管道儲(chǔ)運(yùn)有限公司天津輸油處，天津300280；2.中國(guó)石化管道儲(chǔ)運(yùn)有限公司徐州輸油處，江蘇徐州221000）

原油輸送離心泵預(yù)測(cè)維修技術(shù)

王安琪1，徐勇2，靳紅利1

（1.中國(guó)石化管道儲(chǔ)運(yùn)有限公司天津輸油處，天津300280；2.中國(guó)石化管道儲(chǔ)運(yùn)有限公司徐州輸油處，江蘇徐州221000）

使用時(shí)間序列、灰色理論與RBF神經(jīng)網(wǎng)絡(luò)的方法分別建立預(yù)測(cè)模型，利用實(shí)際數(shù)據(jù)進(jìn)行測(cè)試和預(yù)測(cè)計(jì)算，證明上述幾種方法在預(yù)測(cè)維修中的有效性，分析和對(duì)比不同預(yù)測(cè)方法得到的結(jié)果，找出最適合離心泵預(yù)測(cè)維修的方法。

離心泵；預(yù)測(cè)維修；灰色理論；RBF神經(jīng)網(wǎng)絡(luò)

0 引言

離心泵是原油儲(chǔ)運(yùn)生產(chǎn)過(guò)程中的大型關(guān)鍵設(shè)備，主要作用是原油輸送、儲(chǔ)罐的倒罐和原油裝卸等。保障其正常運(yùn)行是輸油站庫(kù)日常工作的重點(diǎn)，需定期對(duì)其進(jìn)行維護(hù)保養(yǎng)。在日常生產(chǎn)中，事后維修和預(yù)防維修是最常用的兩種設(shè)備維護(hù)保養(yǎng)方法，這兩種方法的不足之處是，前者會(huì)導(dǎo)致設(shè)備的嚴(yán)重?fù)p壞，降低設(shè)備壽命；后者往往造成維修過(guò)?；蚓S修不足。因此，為了更有效的進(jìn)行離心泵的維護(hù)保養(yǎng)，需要引入新的維修方法［1］。

1 預(yù)測(cè)維修技術(shù)

預(yù)測(cè)維修（Predictive Maintenance，PdM）是以狀態(tài)為依據(jù)的維修，在設(shè)備運(yùn)行時(shí)，對(duì)它的主要（或需要）部位進(jìn)行定期（或連續(xù)）的狀態(tài)監(jiān)測(cè)和故障診斷，判定裝備所處的狀態(tài)，預(yù)測(cè)裝備狀態(tài)未來(lái)的發(fā)展趨勢(shì)，依據(jù)裝備的狀態(tài)發(fā)展趨勢(shì)和可能的故障模式，預(yù)先制定預(yù)測(cè)維修計(jì)劃，確定設(shè)備應(yīng)該修理的時(shí)間、內(nèi)容、方式和必需的技術(shù)和物資支持。預(yù)測(cè)維修集裝備狀態(tài)監(jiān)測(cè)、故障診斷、故障（狀態(tài)）預(yù)測(cè)、維修決策支持和維修活動(dòng)于一體，技術(shù)體系如圖1所示［2］。其中，故障診斷技術(shù)和狀態(tài)預(yù)測(cè)技術(shù)是預(yù)測(cè)維修的核心，

2 狀態(tài)預(yù)測(cè)技術(shù)

根據(jù)所使用的方法不同，狀態(tài)預(yù)測(cè)技術(shù)可以分為4種類型：統(tǒng)計(jì)學(xué)預(yù)測(cè)、數(shù)學(xué)模型預(yù)測(cè)、智能預(yù)測(cè)及信息融合預(yù)測(cè)，技術(shù)體系如圖2所示［3］。

圖1 預(yù)測(cè)維修技術(shù)體系

2.1 時(shí)間序列預(yù)測(cè)

時(shí)間序列預(yù)測(cè)技術(shù)是一種用于有序數(shù)據(jù)的預(yù)測(cè)技術(shù)，其運(yùn)用范圍十分廣泛。假定已知序列{X}的歷史時(shí)刻（l到m-l）隊(duì)形的觀測(cè)值{x1，x2，...xm-1}及當(dāng)前時(shí)刻m對(duì)應(yīng)的觀測(cè)值xm，時(shí)間序列就是：利用時(shí)間序列分析法，對(duì)未來(lái)時(shí)刻m+l（l＞1）的值xm+l進(jìn)行估計(jì)。當(dāng)預(yù)測(cè)步長(zhǎng)l=1時(shí)，為單步預(yù)測(cè)；當(dāng)預(yù)測(cè)步長(zhǎng)l＞1時(shí)，為多步預(yù)測(cè)。時(shí)間序列的預(yù)測(cè)模型為式（1）。

圖2 預(yù)測(cè)技術(shù)體系

式（1）中，f（…）和g（…）為待估函數(shù)；{εl}為觀測(cè)噪聲。從而可以使用此模型，對(duì)系統(tǒng)進(jìn)行分析、預(yù)測(cè)。顯然的，分析、預(yù)測(cè)的關(guān)鍵是如何根據(jù)不同的序列選擇合適的函數(shù)f（…）和g（…），這兩個(gè)函數(shù)的選擇關(guān)系到預(yù)測(cè)的準(zhǔn)確性。

在時(shí)間序列預(yù)測(cè)中常見(jiàn)方法包括移動(dòng)平均法、分解方法、指數(shù)平滑方法、季節(jié)系數(shù)法及自回歸移動(dòng)平均（ARIMA）法及外源自回歸移動(dòng)平均（ARMAX）法［4-6］。

2.2 灰色預(yù)測(cè)

灰色預(yù)測(cè)是基于灰色系統(tǒng)理論的預(yù)測(cè)方法，它將一切隨機(jī)變量看作是在一定范圍內(nèi)變化的灰色量，將隨機(jī)過(guò)程看作是在一定范圍內(nèi)變化的、與時(shí)間有關(guān)的灰色過(guò)程，利用連續(xù)灰色微分模型，對(duì)系統(tǒng)的發(fā)展變化進(jìn)行全面的觀察分析，作出長(zhǎng)期預(yù)測(cè)［7］。

灰色預(yù)測(cè)中常用的模型為GM（1，1）模型。設(shè)GM（1，N）表示一階的N個(gè)變量的灰微分方程模型，則GM（1，1）模型表示一階的只有一個(gè)變量的灰微分方程模型，G（1，1）是GM（1，N）。當(dāng)N=1時(shí)的特殊情況，也是GM（1，N）的核心［8］。

數(shù)列x（0）相應(yīng)的微分模型為式（2）。

預(yù)測(cè)模型為式（3）

式中，a為發(fā)展灰數(shù)，u為內(nèi)生控制灰數(shù)。

2.3 基于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

人工神經(jīng)網(wǎng)絡(luò)擁有很強(qiáng)的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡(jiǎn)單，便于計(jì)算機(jī)實(shí)現(xiàn)等優(yōu)點(diǎn)，作為狀態(tài)預(yù)測(cè)的方法是十分合適的。本文選用RBF神經(jīng)網(wǎng)絡(luò)作為狀態(tài)預(yù)測(cè)方法，其結(jié)構(gòu)與BP神經(jīng)網(wǎng)絡(luò)相似，共分為3層：輸入層、隱含層和一級(jí)輸出層。輸入層負(fù)責(zé)將網(wǎng)絡(luò)與外界環(huán)境聯(lián)系起來(lái)；隱含層負(fù)責(zé)從輸入空間到隱含層空間之間的非線性變換；輸出層負(fù)責(zé)經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)處理后的數(shù)據(jù)的輸出。圖3為1個(gè)n個(gè)輸入節(jié)點(diǎn)，k個(gè)隱含層節(jié)點(diǎn)，m個(gè)輸出節(jié)點(diǎn)的3層RBF神經(jīng)網(wǎng)絡(luò)。

圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3中x=［x1，x2，…，xn］T為輸入矢量；Φ=［φ（x，c1），φ（x，c2），…，φ（x，ck）］為網(wǎng)絡(luò)隱含層輸出矩陣，ci為第i隱含層節(jié)點(diǎn)位置，i=1，2，…，k；Wkm=［w1，w2，…，wk］T為輸出權(quán)值矩陣，其中wi=［wi1，wi2，…，wim］T；F（x）=［f1（x），f2（x），…，fm（x）］T為網(wǎng)絡(luò)輸出矢量。

與BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)不同，RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為徑向基函數(shù)，常用的徑向基函數(shù)有多二次函數(shù)、逆多二次函數(shù)、高斯函數(shù)等。

3 離心泵的預(yù)測(cè)維修

離心泵的運(yùn)行過(guò)程中，一般對(duì)離心泵的軸承溫度、驅(qū)動(dòng)端及非驅(qū)動(dòng)端振動(dòng)值、驅(qū)動(dòng)設(shè)備的振動(dòng)值進(jìn)行監(jiān)測(cè)。下文以離心泵的驅(qū)動(dòng)端振動(dòng)值為例，對(duì)離心泵的預(yù)測(cè)維修技術(shù)進(jìn)行分析。

離心泵驅(qū)動(dòng)端的振動(dòng)值如表1所示，使用表中序號(hào)1-20的數(shù)據(jù)進(jìn)行模型訓(xùn)練，序號(hào)21-30的數(shù)據(jù)進(jìn)行預(yù)測(cè)精度對(duì)比，振動(dòng)數(shù)據(jù)的時(shí)間間隔為1 d。

表1 離心泵驅(qū)動(dòng)端振動(dòng)值mm/s

圖4 基于ARMAX方法的預(yù)測(cè)

圖5 基于灰色理論的預(yù)測(cè)

使用外源自回歸移動(dòng)平均（ARMAX）法建立預(yù)測(cè)模型，對(duì)離心泵前振動(dòng)數(shù)據(jù)進(jìn)行預(yù)測(cè)，這一模型對(duì)未來(lái)值的預(yù)測(cè)和對(duì)實(shí)際數(shù)據(jù)的擬合如圖4所示，由圖4可知，外源自回歸移動(dòng)平均（ARMAX）法對(duì)振動(dòng)值的預(yù)測(cè)較為準(zhǔn)確，在離心泵振動(dòng)值的預(yù)測(cè)方面有一定的實(shí)用性。

使用灰色預(yù)測(cè)法建立預(yù)測(cè)模型，對(duì)離心泵前振動(dòng)數(shù)據(jù)進(jìn)行預(yù)測(cè)，這一模型對(duì)未來(lái)值的預(yù)測(cè)和對(duì)實(shí)際數(shù)據(jù)的擬合如圖5所示，由圖5可知，灰色預(yù)測(cè)法對(duì)實(shí)際振動(dòng)值擬合較為粗糙，為線性擬合，無(wú)法反映出振動(dòng)值非線性的特點(diǎn)，在離心泵振動(dòng)值預(yù)測(cè)方面的實(shí)用性不足。

使用RBF神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，對(duì)離心泵前振動(dòng)數(shù)據(jù)進(jìn)行預(yù)測(cè)，這一模型對(duì)未來(lái)值的預(yù)測(cè)和對(duì)實(shí)際數(shù)據(jù)的擬合如圖6所示，由圖6可知，RBF神經(jīng)網(wǎng)絡(luò)對(duì)振動(dòng)值的預(yù)測(cè)效果較差，實(shí)用性較低。

圖6 基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)

4 結(jié)論

（1）在離心泵預(yù)測(cè)維修技術(shù)研究中，通過(guò)對(duì)不同的預(yù)測(cè)方法進(jìn)行對(duì)比分析，發(fā)現(xiàn)基于ARMAX的預(yù)測(cè)模型對(duì)振動(dòng)值的預(yù)測(cè)較為準(zhǔn)確，灰色預(yù)測(cè)模型無(wú)法很好的表示振動(dòng)數(shù)據(jù)的非線性的特點(diǎn)，而RBF神經(jīng)網(wǎng)絡(luò)與ARMAX預(yù)測(cè)模型相比，精度有所不足。

（2）未來(lái)可在此研究的基礎(chǔ)上，進(jìn)一步進(jìn)行變工況下的預(yù)測(cè)維修技術(shù)研究，增加預(yù)測(cè)維修技術(shù)的適用范圍和預(yù)測(cè)精度。

［1］陳珊，王太勇，王國(guó)鋒，等.機(jī)械設(shè)備智能診斷與預(yù)測(cè)維修系統(tǒng)［J］.西南交通大學(xué)學(xué)報(bào)，2003，38（5）：540-543.

［2］李書(shū)明.制造設(shè)備智能診斷與狀態(tài)預(yù)測(cè)技術(shù)的研究［D］.天津：天津大學(xué)[博士論文]，1998.

［3］左憲章，康健，李浩，等.故障預(yù)測(cè)技術(shù)綜述［J］.火力與控制指揮，2010，35（1）：1-4.

［4］博克斯[美].時(shí)間序列分析：預(yù)測(cè)與控制［M］.王成璋譯.北京：機(jī)械工業(yè)出版社，2011.

［5］陳平，陳鈞.ARMAX時(shí)間序列模型異常點(diǎn)及異常點(diǎn)斑片的估計(jì)和檢測(cè)［J］.系統(tǒng)科學(xué)與數(shù)學(xué)，2010，30（10）.

［6］王麗賢.時(shí)間序列預(yù)測(cè)技術(shù)研究［D］.天津：天津理工大學(xué)［碩士論文］，2012.

［7］曾波.灰色預(yù)測(cè)建模技術(shù)研究［D］.南京：南京航空航天大學(xué)［博士論文］，2011.

［8］黨耀國(guó).灰色預(yù)測(cè)與決策模型研究［M］.北京：科學(xué)出版社，2011.

〔編輯 李波〕

TH311

B

10.16621/j.cnki.issn1001-0599.2016.11.34