石化機械設備狀態預測方法研究綜述

邱澤陽王 雪單 克

（1.中海油能源發展股份有限公司北京安全環保工程技術研究院；2.中國建材檢驗認證集團股份有限公司；3.深圳市燃氣集團股份有限公司）

由于石化機械設備一次運行時間較長，處于高速、高溫、高壓的運行狀態且機組結構復雜，因此對設備的運行狀態進行分析和預測、采取有效的防控措施，對減少或避免因停機造成的損失有重要意義。

目前對于石化機械設備的狀態判斷主要依據定期巡檢數據或者實時監測數據，這就意味著只有設備故障發展到一定程度后才能獲取它的故障特征，而此時設備多已出現較嚴重的故障問題。可見，目前采用巡檢和監測數據判斷的方式無法在早期故障階段對設備狀態進行有效分析，從而避免故障的演化和傳遞。因此需要進行石化機械設備運行狀態的趨勢分析和預測，準確判斷未來一段時間內機組的狀態，將設備風險降低到合理、可接受的水平，減少或消除設備設施故障的潛在后果和影響。

1 設備故障診斷方法

設備狀態預測就是利用設備當前運行信息和歷史運行信息，預知未來運行狀態的發展趨勢，評判其健康情況，從而達到防患于未然，保障設備和系統安全平穩運行的目的。自20世紀50年代現代設備管理概念提出以來，截止目前，已經發展形成一系列的故障預測方法。根據這些方法的原理，可大致分為基于經驗知識的故障預測方法、基于模型的故障預測方法和基于數據驅動的故障預測方法［1～3］。

2 基于經驗知識的故障預測方法

在現代故障預測技術發展起來之前，現場設備管理人員和相關專家通過長期積累的設備劣化經驗來預測設備的運行狀態［4，5］，這在一定程度上具有合理性，但這種方法嚴重依賴專家的經驗，缺乏理論支持。隨著計算機技術的發展，人們嘗試總結這些專家經驗形成專家知識庫，構建設備運行狀態的推理規則，再利用計算機的快速運算能力，實現對設備運行狀態和發展趨勢的預測［6～10］。如朱向陽和林鶴云基于專家庫系統實現了地區電網的短期負荷預測［11］。徐鳳建等基于專家系統實現了雷達裝備的故障預測，克服了傳統方法對人員和檢測設備依賴性大和要求高的缺陷［12］。王毅彪針對石化企業設備狀態預測技術缺乏、預知維修水平較低的問題，建立了一套專家系統用于壓縮機的預知維修［13］。向剛等針對故障漸變的電子設備，提出了一種基于改進型灰色理論和專家系統的故障預測方法，實現了故障和狀態的快速預測，通過該方法提高了診斷預測的快速性和準確性［14］。雖然通過這種模式可以實現專家知識的共享與推廣，但也存在專家對同一事物認知不同，導致知識表達不統一，且需要長期維護和完善知識庫的問題。

3 基于模型的故障預測方法

基于模型的故障預測方法主要通過建立數學模型分析設備狀態隨時間的變化趨勢，從而實現對設備狀態的預測［15，16］。在這個過程中，模型參數的選擇、模型與故障劣化過程的匹配度都會影響最終故障預測的精度。國內外相關研究有許多：呂志立針對時變系統下船舶電力系統電纜故障預測難的問題，探究了船舶電纜故障演化機理并以此為基礎提出了預測方法［17］。薛涵磊和劉曉琴針對電網故障診斷滯后的問題，根據故障發展機理，建立了電網系統故障推理模型，實現了電網故障的早期預警［18］。程哲探究了直升機核心部件行星齒輪箱的失效機理，構建了以行星齒輪箱劣化過程為基礎的故障預測理論和模型［19］。在實際應用中，由于設備結構復雜，運行工況多變，關聯設備影響嚴重，因此要建立準確的數學模型并非易事，這使得基于模型的故障預測方法受到很大限制。同時，實際經驗表明在機械設備的故障預測中，基于模型的故障預測所得到的結果往往預測精度不足，所建立模型的經濟性與泛化能力也有限。

4 基于數據驅動的故障預測方法

基于數據驅動的故障預測方法主要是利用回歸擬合或者機器學習算法從大量歷史監測數據中挖掘數據變化趨勢，建立能夠表征設備狀態的預測模型，從而實現對設備運行狀態的預知［20］。與前兩種故障預測方法不同，基于數據驅動的預測方法既不需要構建復雜的專家知識庫，也不需要明晰設備劣化規律，只要有足夠的歷史數據樣本，就能建立表征設備狀態的預測模型，具有成本低、適用范圍廣、模型泛化能力強的優勢，因此基于數據驅動的預測方法目前成為故障預測領域研究的熱點［21～24］。目前基于數據驅動的故障預測模型包括時間序列分析、支持向量機、神經網絡預測及基于深度學習的預測等［25～32］。

時間序列分析就是利用一組離散等間隔時間的數據建模分析，通過預測數據的變化趨勢實現對設備運行狀態的預知。針對基于時間序列的預測分析，國內外學者進行了一系列的研究，目前已基本形成一套較完整的體系。早在20世紀30年代，為了預測未來市場的變化情況，基于時間序列的自回歸數學模型首次被提出與應用。劉穎和嚴軍運用自回歸滑動平均模型和聚類分析方法實現了汽輪機故障預測［33］。Tian W D等采用灰色模型和時間序列分析進行了化工設備的動態預測［34］。García F P等針對軸承故障預測難的問題，提出了一種自回歸向量滑動平均的預測方法［35］。習偉等針對傳統單參量的預測中模型魯棒性差的問題，提出了基于多維時間序列關聯分析的設備故障預測方法，通過將多維監測數據作為輸入，利用時間序列分析，實現了電力設備故障的預測［36］。上述研究中將機械設備信號假定為平穩隨機信號，因此采用時間序列進行分析時，所建模型具有較好的收斂性。但實際生產運行中，受運行環境和負載波動的影響，監測信息很難保持平穩，因此基于時間序列的設備狀態預測方法依然存在一定的局限性。

由于支持向量機優良的學習能力，對非線性問題的線性變換能力和對小樣本數據出色的泛化能力，使得該模型在故障預測中得到廣泛研究與應用。朱偉等利用支持向量機對小樣本數據良好的處理能力，提出了基于SVM的電機故障預測方法［37］。連光耀等針對復雜設備故障信息不足造成故障預測困難的問題，提出了最小二乘支持向量機的故障預測模型［38］。田海雷等通過對液壓泵振動信號的集總經驗模式分解，將其固有模態能量作為支持向量機的輸入，實現了液壓泵的故障預測［39］。鞠建波等為實現裝備的故障預測，采用加權支持向量機回歸方法，通過計算樣本點的回歸權重，實現了通信電臺設備故障的快速預測［40］。王紅軍等針對大型機電設備監測信息干擾因素多，故障預測難的問題，通過研究設備運行趨勢和支持向量機模型方法，驗證了長區間內基于SVM預測結果的高精度和高可靠性［41］。

基于神經網絡設備狀態預測就是通過挖掘監測數據中的邏輯關系，構建一種模擬人腦思維邏輯的數學模型，實現對設備狀態的判斷和預知。由于神經網絡具有高速尋優、非線性映射能力強的優勢，近年來在設備狀態預測方面，也取得了一些研究成果。黃波等針對裝備的非線性和復雜性導致狀態預測難的問題，提出基于RBF神經網絡模型的故障預測方法［42］。曾文韜等針對混凝土泵車臂架結構復雜、故障頻發導致故障預測難的問題，提出了基于BP神經網絡臂架故障預測方法，實現了臂架運行狀態的預測［43］。胡雷剛等為實現武器裝備故障預測，采用免疫算法改善了BP神經網絡性能，實現了裝備全生命周期的預測［44］。徐輝等針對機械設備非線性系統，提出一種基于極限學習機神經網絡的故障預測方法，通過提取設備運行中的多個特征指標作為網絡輸入，實現了機械設備系統的故障預測［45］。雖然傳統的神經網絡在故障預測領域已經取得一定成果，但傳統的神經網絡依然存在一些不足之處，如計算過程復雜、需要人工特征輸入及實時性差等問題。

近年來，深度學習的提出和發展在一定程度上克服了傳統方法的不足，逐漸成為當前設備故障預測領域研究的新熱點。周福娜等為了克服早期微小故障診斷預測難的問題，提出一種基于深度學習的早期故障診斷和壽命預測方法［46］。李軍亮等為了解決非線性、強耦合特點的軍用飛機狀態預測難題，提出了基于深度學習和模擬退火算法的軍用飛機關鍵部件的狀態預測模型［47］。Lu C等針對機械設備監測信號非線性和非平穩性的特點，研究了一種基于卷積神經網絡的故障預測算法［48］。王鑫等為制定合理可行的設備維護策略，通過對復雜系統的歷史故障數據研究，提出了基于長短時記憶循環神經網絡的故障時間序列預測方法［49］。Zhang B等針對軸承故障準確預測難的問題，提出了一種基于長短時記憶遞歸神經網絡的數據驅動軸承性能退化評估方法，并采用粒子群優化方法優化網絡結構參數，實現了軸承剩余壽命的準確預測［50］。

5 結束語

石化機械設備往往是一個復雜、精密且零部件間相互耦合的龐大系統，一旦發生故障，就會造成整個機組停機乃至整條生產線停工，甚至造成嚴重的財產損失和人員傷亡。其中基于經驗和模型的預測方法更適用于平穩狀態下設備狀態和趨勢的預測，但對于非平穩、非線性復雜系統的預測準確性較差。而基于數據驅動的方法能較好地反映設備狀態隨時間變化的特點，可有效解決非平穩、非線性系統的機械設備狀態預測難的問題，特別是基于機器學習算法的石化機械故障預測方法已經成為最主要發展方向。