機泵遠程在線監測與智能診斷系統設計

楊露霞,姚 杰,錢依祎

(重慶川儀軟件有限公司，重慶 401121)

0 引言

作為中國制造業核心成員，某機泵制造企業深入貫徹落實中國智能制造“十三五”規劃與《中國制造2025》建設綱要，逐步實施企業數字化、發揮智能化制造示范引領帶頭作用；以實施智能制造工程為重要抓手，著力提升關鍵技術產品安全可控能力，培育經濟增長新動能、打造我國制造業競爭新優勢[1]。

目前，科技含量高、研發難度大的大型石油、石化等生產設備，如高端泵，仍主要依靠進口或國外品牌提供。在重視可靠性、安全性和經濟性的同時，該機泵制造企業在提高企業數字化、系統集成化、辦公無紙化的同時，不斷在機泵生產上提高國產化能力、創新能力、“專精特”能力。

1 機泵監測現狀

當前，國內設備監測手段從離線監測慢慢轉變為以傳感器監測方式和工藝狀態監測為主的在線監測；離線監測指通過生產線和設備以外的各類檢測儀表，對生產及設備狀況進行必要的人工抽查監測；在線監測則與之相反；各種監測方式有各自的監測重點和優缺點。而一般機泵客戶企業傳統的監測手段為離線監測、工藝狀態監測；石油石化類的大型企業采用傳感器監測和工藝狀態監測兩種方式。由于現場設備管理人員對各自企業核心設備關注點的異同、各監測技術掌握程度的差異化，并不能有效地運用兩種監測方式對設備故障進行綜合評判，從而提高設備的使用壽命。

作為機泵設備生產廠家，機泵運行的安全性、可靠性是直接面對客戶側的利益核心。如何提高機泵的安全性和可靠性，如何通過信息化手段提高這兩者性能，則是該企業十三五期間需要解決的難點。當前，機泵客戶群或多或少地通過振動、溫度、壓力等在/離線監測數據來監測機泵的運行狀況。這就使得作為生產廠家對外不能及時、深度、系統地對機泵的狀態進行分析，進而不能及時發現故障、定位故障、解決故障；對內不能及時地、針對性地提高機泵的質量(包括泵的各零部件、備件、潤滑油)。

鑒于上述種種原因和現行相關先進技術的推廣普及，機泵遠程在線監測與智能診斷系統的建設迫在眉睫。該系統設計通過分布式采集、集中式在線監測與診斷的方式，提前預測機泵故障，實時監控故障劣化趨勢，將臨時或計劃檢修轉變為預知性維修[3]，為檢修爭取時間，減少非計劃停機；精準定位故障點、智能化分析故障原因，為設備檢維修決策提供依據。

2 遠程在線監測與智能診斷系統設計

2.1 遠程在線監測與智能診斷系統架構設計

機泵遠程在線監測與智能診斷系統采用“分建共享、集中服務”的理念，監測對象主要為出廠客戶端投入生產使用的機泵。通過采集各客戶終端機泵的多種狀態/運行參數，集中監測、診斷、分析、解決機泵出現的各類故障，輔助客戶設備管控、生產計劃正常進行；對內通過現場發生的各種故障，優化提升機泵壽命及相關配件自身質量。

根據機泵在客戶端運營的具體情況，機泵遠程在線監測與智能診斷系統的層級結構分為三層。①數據采集層：機泵現場的模擬量信號采集裝置、應力波監測裝置、振動系統監測裝置、油溫監測裝置。②網絡傳輸層：在現場采用工廠內部的局域網；現場與機泵制造企業之間可以采用專網、普通互聯網的方式將數據收集到機泵制造企業的機泵生命管理中心。③應用層：基于物聯網的云服務器平臺，完成的數據持久化存儲、管理，對核心監測數據進行分析、診斷甚而預測，最終采用可視化手段在各種顯示終端實時監看機泵。機泵遠程在線監測與智能診斷系統架構如圖1所示。

圖1 機泵遠程在線監測與智能診斷系統架構圖

2.1.1 數據采集層

有關高階矩的最早論文是Backus（1977a，b）發表的。繼這一開創性的工作之后，在1980年代早期由幾位作者（Doornbos，1982；Stump and Johnson，1982）發展了高階矩的概念。本文中我們遵循了Doornbos（1982）的方法。我們使用表示定理描述了地震位移。當我們用二階的術語（即，我們用泰勒展開式到2級）表述時，得到了用非線性方法描述的震源參數。應用Doornbos所用的符號，可以區分標準矩張量解（Mij）和二階項：

當前，在各大型的制造業中，針對設備的健康或全生命周期的監測可以分為設備狀態監測、工藝過程監測和管理過程監測。監測方式有有線/無線傳感器、可編程邏輯控制器(programmable logic controller,PLC)、分布式控制系統(distributed control system,DCS)、制造執行系統(manufacturing execution system,MES)等。

①設備狀態監測。

設備狀態監測有振動監測、應力波監測、紅外熱成像、油液監測和電氣；通過有線傳感器或無線傳感器的方式，將數據傳輸到數據服務器進行分析。振動監測、應力波監測具有直接、實時、預測性告警和故障類型覆蓋范圍廣的特點。紅外熱像、油液分析、電氣診斷等則可作為以上兩種監測方式的補充。

②工藝過程監測。

傳統的DCS、PLC、MES主要聚焦于生產工藝過程的監測，針對機泵可以提取其負荷運行時壓力、溫度、流量、轉速、負荷等狀態值。此類狀態監測實時性強，可通過生產管理閉環提高設備故障定位。

③管理過程監測。

管理過程監測與設備狀態監測和工藝過程監測一般有交集，基于上述各系統可以獲取機泵上線時間、機泵運行時間、上次故障原因、上次故障時間、點維修時間、點維修內容、備品備件使用情況等。此類監測內容可作為機泵故障預測、故障診段的輔助信息。

2.1.2 網絡傳輸層。

網絡傳輸層負責連接現場傳感設備、就地控制器以及就地HMI操作站；采用光纜、以太網、無線網卡等方式，以擴散式分布結構接入生產現場局域網。生產現場采用移動通信技術、互聯網技術相融合的方式，將采集的數據完整地、高可靠性地、高安全性地集中傳輸至機泵制造商物聯網數據服務器。

2.1.3 應用層。

本系統基于物聯網技術，能提供無處不在的連接和在線服務的平臺；應用層包含應用支撐平臺層和應用服務層，前者用于支撐跨應用、跨系統之間的信息協同、共享、互通的功能，例如設備監測系統與工藝過程監測系統間數據的協同、互通。應用服務層則是智能診斷、智能告警、可視化大屏等應用。

2.2 遠程在線監測與智能診斷系統功能設計

機泵遠程在線監測與智能診斷系統以集中監測為主，控制為輔；核心在于采用多診斷技術相結合，多層次監測、多維度分析機泵運行狀態數據，為機泵故障提供更精確的診斷、處理方案/措施，最終為機泵壽命的增強、設備質量的優化改進夯實基礎。本系統功能板塊如下。

①地理信息系統監測。

采用地理信息系統(geographic information system,GIS)技術[4-5]實時呈現所售出并在生產狀態的機泵的地理位置和實時監測數據——設備狀態、工藝過程參數、設備管理。機泵制造企業可以縱觀全局、一目了然地查看所銷機泵生產、運行、故障、維修等多維度信息，且能為該后期的運維服務、運維管理、售后服務提供依據。

②在線監測。

本系統以集中監測為主，將機泵的狀態監測、工藝過程狀態、管理過程狀態融合，實現遠程在線集中監測與監看。傳統的狀態監測數據一般在數據采集層進行處理，傳輸與底層計算量大，實時性低；工藝過程數據和管理過程數據一般是監測與控制并行，局限于企業局域網。因此，在線監測板塊需要針對性地對底層與機泵故障相關數據進行篩選、采集、融合到本系統，為建立智能診斷系統提供融合決策基礎。

③智能診斷。

作為機泵遠程在線監測與智能診斷系統的核心，智能診斷板塊采用數據融合決策方式加神經網絡算法實現機泵故障事前預測、故障位置定位、故障原因診斷。基于預置事件響應規則自動運行報警聯動、報警推送機制；自動或按需智能化提取機泵或部件某狀態的故障特征值，進而生成機泵故障診斷結果或報告[6-7]。

④機泵管理。

機泵管理主要管理出廠機泵各類基本信息——狀態監測點位置、上線時間、運行時長、點檢計劃、運維時間、運維內容、備品備件、所在權屬單位、所屬運維負責人等；對機泵的名稱、型號、參數、安裝地理位置、狀態監測點位置等按照企業規約統一編碼并標準化，為機泵故障的智能分析、診斷和預測提供基礎信息。

2.3 機泵故障智能診斷設計

機泵故障是指其失去或降低其規定功能的事件或現象，表現為機泵生產運行異常、機泵某些零件失去原有的精度或性能，使機泵不能正常運行、技術性能降低，最終致使生產中斷或效率降低而影響生產。作為設備的分類之一，機泵的故障診斷也符合設備故障診斷與預測流程：數據采集、狀態監測、數據預處理、特征提取、數據融合、故障診斷、故障預測和保障決策[8]。設備故障診斷與預測流程如圖2所示。

圖2 設備故障診斷與預測流程圖

機泵故障智能診斷系統采用數據融合診斷決策，其工作流程為：多狀態數據采集、多狀態特征提取、數據對比、故障診斷、增強診斷、故障預測。機泵故障智能診斷流程如圖3所示。

圖3 機泵故障智能診斷流程圖

數據融合綜合來自多種監測信息源、多類參數、多傳感器信息，以及歷史與經驗信息，以減小故障診斷與預測的差錯，提高故障診斷與預測的置信度。常用的數據融合方法有神經網絡、專家系統、模糊邏輯、貝葉斯算法、卡爾曼濾波等方法[9]。本系統采用適用于海量數據、適合復雜非線性映射、計算能力強、自學能力強的神經網絡算法。同時，結合生產端機泵的相應管理過程數據作為增強診斷的手段，提高故障預測和故障定位的精確性。

3 結束語

本文立足于某水泵制造企業，分析其機泵生產管理的現狀，針對目前機泵運維管理方式落后、產銷維聯動性差、設備監測數據利用不充分等問題，提出基于物聯網技術的機泵遠程在線監測與智能診斷系統設計方案。本方案雖然采用了物聯網、數據挖掘等高端技術，但仍存在一些值得關注的地方：本系統技術實現主要集中在數據采集、智能診斷和預測推理四個方面；狀態監測的數據采集是整個系統智能診斷的核心，傳感器的高精度、高可靠性(應比被監測對象更可靠)、嚴酷環境高適應性則是采集數據正確性的重要依據；智能診斷的核心取決于數據融合的方式，數據融合則需要考慮各監測系統采樣時間的一致性。智能診斷系統的高置信度，不是機器或算法就能解決的問題，人的參與和聯動才是主要因素。