基于在線狀態監測系統的設備預測性維修

李 政

（中海油能源發展裝備技術有限公司，天津 300450）

預測性維修作為工業互聯網中最核心的應用，無論是早期的探索者還是新進的工業互聯網平臺都將它作為主要切入口。當人們談到應用落地時，可能很多企業會有這樣的誤解或疑問：“是不是將設備裝上傳感器就能開展預測性維修”“工廠現在能不能部署預測性維修”。

1 預測性維修的概念

預測性維修是以狀態為依據的維修。在機器運行時，對它的主要或需要部位進行定期或連續的狀態監測和故障診斷，判定裝備所處的狀態，預測裝備狀態及未來發展趨勢。依據裝備的狀態發展趨勢和可能的故障模式，預先制定預測性維修計劃，確定機器應該修理的時間、內容、方式和必需的技術及物資支持[1]。預測性維修集裝備狀態監測、故障診斷、故障（狀態）預測、維修決策支持和維修活動于一體，是一種新興的維修方式[2]。

預知性維修被定義為：以設備診斷技術為基礎，結合設備故障的歷史和現狀，參考運行環境及其他同類設備的運行情況，應用系統工程的方法進行綜合判斷，查明設備內部情況。

2 預測性維修研究要素和重點

故障預測的前提假設是設備故障遵循某種與時間相關的模式，也就是說設備會隨著使用時間的增加而出現性能下降、健康衰減、零件磨損等問題，最終這些問題積累到一定程度后導致設備故障的發生。故障預測的過程是使用設備歷史數據進行訓練，得到一個可以識別隱藏的設備故障模式的模型，然后將實時的數據扔到模型中以識別到故障發生的概率。目前一般采用機器學習來進行模型訓練，要求訓練數據既有設備的特征X，又要有故障標簽Y，經過訓練的模型可以獲得特征X 與目標預測值Y 之間的關聯關系，這是機器學習最擅長的東西。當然，在沒有部署機器學習系統的情況下，這些工作只能靠人工去甄別、篩選、辨別，所以就需要有豐富的知識和經驗，具備一定技能的專業工程師或專家去實現設備故障的預測。

不管機器學習模型還是人工進行設備故障預測，通常基本需要以下這些與故障具有相關性的主要數據：

1）設備屬性：主要包括設備的制造商屬性，比如制造商、型號、制造日期等，不同制造商生產的設備、不同型號的設備，在設備的材料、設計、工藝上都會存在很大的差異性，從而決定了設備出廠時的可靠性水平。

2）運營/運行環境：運營/運行環境對設備的使用壽命、可靠性等會產生較大的影響，比如設備使用的場所：陸地安裝使用、海上平臺/FPSO 安裝使用，安裝的設備型號，使用的類別（船用、陸地及其他方面用）；又如透平發動機使用領域：民航使用、工業發電用，制造裝配精度，民航用透平發動機的飛行環境：航線類型（如高原航線、平原航線）、安裝的飛機型號（如CFM56 發動機裝在A320還是B737 上），工業用透平發電機的使用環境（渤海、東海、南海）；再比如，機房服務器設備所處的環境，包括機房溫度、機房濕度、機房空氣含塵量等。

3）故障記錄：為了構建預測模型或人工經驗進行故障預測，機器學習或人工經驗判斷需要通過訓練過程學習設備的正常運行模式（正例）和故障模式（負例），那么訓練數據集中要有足夠數量的兩種不同類別的樣本。通常可以從故障報告、因故障導致的維修記錄或備件更換歷史中可以提取出故障信息，故障記錄明細包括設備ID、故障時間、故障描述、故障位置、故障代碼等。

4）維修記錄：設備的維修記錄是預測維修解決方案的重要數據，因為維修活動會影響設備的可靠性。維修記錄包括定期的保養、測試、翻新、技術改造等計劃性維修活動，以及故障檢修、停機檢修等非計劃性維修活動。維修記錄明細應該包含設備ID、維修時間、維修類型、維修內容、更換的備件等信息。目前很多企業，維修記錄會通過ERP、EAM、MAXIMO 信息管理系統等軟件進行管理。

5）運行狀態：設備的健康狀況在運行中隨著時間而逐漸衰弱，為了預測設備的故障，需要有隨著時間變化的特征來捕捉設備的老化模式。通過部署傳感器、邊緣計算和IOT 平臺，可以從不同傳感器中獲取設備的運行狀態參數，比如電動設備的實時溫度、消耗電流、轉速、功率、振動等。對于需要獲取哪些傳感器數據，主要需要依靠行業領域專家根據設備的機理、行業經驗進行識別。因此，在開始構建預測性模型之初，就要向業務專家了解數據相關性要求，根據行業領域知識有選擇地進行傳感器部署。

6）異常信息：首先，要將設備故障與設備異常區分開來。設備故障是指設備不能正常運行，致使生產中斷或效率降低而影響生產，比如電源開關未合閘導致的壓縮機組不運轉；設備異常是指設備在正常運行過程中，出現某些指標偏離正常范圍的現象，比如壓縮機的排氣溫度過高。設備異常通常是故障發生的前兆，這些異常信息是建立故障預測模型的重要特征，往往與故障具有很高的相關性。

3 基于在線狀態監測系統的設備預測性維修實踐

中海油海上生產平臺目前安裝的在線監測系統主要有泛泰克斯的XPR300 在線監測系統，上海容知公司的RH2000/3000 在線監測系統與北京博華信智的BH5000 在線監測系統。在線監測系統即利用現有的企業局域網實現內部信息共享。故障診斷中心的人員與設備管理人員利用客戶端登錄在線狀態監測系統，瀏覽設備動態運行數據并提取設備振動、溫度、電流、轉速，調取設備歷史故障、設備信息、設備故障維修記錄等相關信息，對設備狀態進行分析，評估設備目前的狀態。如果設備出現故障或存在潛在故障，診斷中心的專業工程師通過郵件、電話，動設備集群管理系統等方式聯系現場設備管理人員，結合系統所有數據信息形成維修策略，綜合決策并采取相應的維護維修措施，及時解決設備故障，避免設備故障發展或惡化。應用設備在線狀態監測系統，準確及時判斷機組的故障并對機組故障的嚴重程度做出判斷，實現預測性維修。

◇ 案例一

背景：2015 年6 月份，通過在線狀態監測系統發現南海某平臺處于運行狀態的注水泵A 泵，電機非驅動端（1H）振動加速度和速度總值出現異常。診斷中心人員在線監測值班人員發現異常現象，調取設備狀態監測數據和結合其他相關數據，判斷該設備是潤滑不良導致設備振動數據異常，第一時間和平臺取得聯系，向平臺發送郵件進行分析和提出處理措施。平臺收到郵件后及時處理，設備振動重新恢復到振動波動之前的正常范圍。

事件處理過程：

1）當日10 時～13 時注水泵A 泵，電機非驅動端1H加速度總值出現輕微波動，在線監測人員發現后通過在線監測系統密切關注振動發展變化。當日下午13 時后，電機非驅動端1H 加速度總值和速度總值同時呈直線上升趨勢，如圖1 所示。在線監測人員于16 時～17 時之間及時和平臺取得聯系，向平臺發送郵件描述設備振動狀態和提出處理建議。

圖1 振動呈直線上升趨勢Fig.1 The vibration shows a straight upward trend

圖2 振動趨勢降到正常水平Fig.2 Vibration trend to normal

圖3 振動較高且趨勢波動明顯Fig.3 High vibration and obvious trend fluctuation

2）平臺收到郵件后，及時對電機非驅動端加注潤滑脂后，振動加速度總值和速度總值于當日18 時左右開始逐漸下降到波動之前的正常水平，如圖2 所示。

◇ 案例二

背景：2015 年1 月份，渤海某平臺注水泵B 運行過程中，電機驅動端振動加速度總值變高且存在較大的波動現象，該端加速度總值達到110m/s2，如圖3 所示。軸承加速度時域波形沖擊明顯，包絡頻譜中存在軸承故障頻率如圖4 所示；且速度時域波形存在輕微的削頂現象。建議平臺應謹慎關注運行，電機驅動端軸承存在一定的磨損，故障有進一步惡化趨勢，平臺應做好更換軸承準備。該設備運行至當年6 月份，診斷中心人員和平臺通過調取在線狀態監測系統數據及綜合設備維修歷史、維修情況等進行綜合決策，判斷該設備電機驅動端軸承出現嚴重故障，已經超過軸承正常服役期限。隨后維修人員更換了電機驅動端軸承，發現軸承保持架磨損嚴重，如圖5 所示。

事件處理過程：

1）當時的頻譜圖如圖3 所示。

2）更換故障軸承。

4 結論

通過以上案例實踐，證實了基于在線狀態監測系統的設備預測維修的有效性：①及時預測設備運轉狀況和趨勢，發現故障，及時處理，避免設備故障進一步惡化引起設備事故性故障發生，甚至避免災難事故的發生，提高設備可靠性；②優化設備的可靠性，減少機器停機時間，提高了生產率；③可在設備維護后驗證維護效果和質量，找到導致機器早期故障發生原因，對設備維護和維修流程加以優化并消除故障性停機，提高維修效率和資產利用率，降低設備維修費用。

圖4 包絡頻譜中存在軸承故障頻率Fig.4 Bearing failure frequency in envelope spectrum

圖5 軸承保持架磨損嚴重Fig.5 Bearing cage severely worn

預測性維修的提出經歷了不長的時間，但預測性維修通過對設備狀態進行監測和診斷，對設備的狀態做出正確的判斷，從而制定出科學合理的維修策略，克服了現行維修所面臨的很多難題。故障診斷和狀態預測技術的發展是預測性維修發展的關鍵[3]。

從國內外近年的研究可以看出，目前設備故障診斷研究的熱點是嵌入式故障診斷技術，以動力學分析為基礎的故障診斷技術，基于神經網絡理論的故障診斷技術，以解決強干擾、多故障、多征兆、突發條件下的故障為目的的故障診斷技術等。故障診斷的手段也在向自動診斷和遠程診斷方向拓展。狀態預測則更多地利用對設備連續監測所得的特征參數的時間序列，對設備的未來狀態進行預測，目前研究的熱點是時間序列模型預測、灰色模型預測、神經網絡預測等，主要立足于解決預測精度和預測時間間隔問題。隨著監測、診斷和預測技術及儀器的發展，預測性維修的理論、技術及其整個體系也日趨成熟。