石化機械設備故障診斷方法綜述

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）

石化機械設備機組結構復雜， 一次運行時間較長，且處于高速、高溫且高壓的運行狀態，因此發現設備的早期故障征兆， 提早制定防范和維護措施，對減少或避免因停機造成的損失意義重大。

目前，石化機械設備主要以監測系統和定期巡檢的方式保障機組的正常運行。 常用的監測系統有System1 系統、SG8000 系統及Unicos Control System HMI 控制系統等，可監測設備關鍵部件的振動、壓力、溫度及位移等參數，一旦運行參數與正常狀態偏差較大就會觸發報警，現場工程師可根據情況適當進行檢查維修，以避免設備運行出現較嚴重的事故。 目前，對于機械設備的狀態判斷主要是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，而這時設備大多已出現較嚴重的故障問題，可見該方式無法在早期故障階段對設備狀態進行有效分析， 及時排查隱患，避免故障的演化和傳遞。

設備故障診斷技術發展經歷了3 個階段：第1 階段是依靠人員經驗根據設備的異常響應，如振動、噪聲及溫度等明顯變化來判斷可能存在的故障形式及其嚴重程度；第2 階段是基于傳感器和動態測試技術，結合信號處理和建模分析方法進行設備故障診斷；第3 階段是近年來發展形成的以計算機和信息技術為基礎，以機器學習和人工智能為核心的智能診斷。 由于智能診斷方法對設備專業知識要求低，診斷結果準確率高，成為當前設備故障診斷領域研究的熱點。 在此，筆者對目前以機器學習為基礎的石化機械設備故障診斷方法進行了總結，比較了各類方法的優缺點和適用性，分析認為基于深度學習的方法是故障診斷未來發展的必然趨勢。

1 基于神經網絡的故障診斷方法

20 世紀80 年代，隨著計算機技術的發展，人工神經網絡開始誕生。 它通過模擬人大腦的運行模式，從一個新視角來進行數據處理，實現事物狀態的判別與分析。 人工神經網絡發展的初期形成了多種模型結構，主要包括多層感知器模型［1］、BP 神經網 絡［2］、模 糊 神 經網絡［3］、自 組 織 映射 神經 網 絡［4］、Hopfield 神 經 網 絡［5］及 遞 歸 神 經 網 絡（Recurrent Neural Network，RNN）［6］等。 在這個過程中，學者們做了很多研究工作，徐桂云等為了降低基于無線傳感的軸承故障診斷中的數據載荷， 提出一種基于PCA-RBF 神經網絡的故障診斷算法，通過仿真驗證可知，該方法的故障診斷準確率達85%以上，遠高于傳統的診斷方法［7］。柴保明等針對齒輪故障信號中噪聲干擾嚴重導致診斷準確率不高的問題，提出了一種基于EEMD與RBF 神經網絡相結合的故障診斷方法，通過多尺度濾波，然后提取各模態能量值輸入RBF 網絡中，實現了齒輪的故障診斷［8］。李娟娟等針對傳感器故障實時診斷難的問題，提出了一種基于小波包與SOM 神經網絡的診斷方法， 采用小波包將故障樣本數據進行分解，再利用分解所得的各頻段能量值與正常工作時的值之比構造特征向量，并將該特征向量輸入SOM 神經網絡中進行診斷［9］。 姚海妮等通過求解各故障模式與正常情況下特征空間中的馬氏距離，實現了軸承早期微弱故障的診斷［10］。謝春麗等基于BP 神經網絡方法，成功診斷出核電蒸汽發生器中U 形管破裂故障［11］。 崔玲麗等通過提取齒輪箱早期故障中的沖擊信息，并與BP 神經網絡結合，為強噪聲環境下的機械故障診斷提供了一種新思路［12］。 邵繼業等針對壓縮機氣閥故障信號的非平穩性和非周期性特點，提出一種PCA 和BP 相結合的氣閥故障診斷方法，并通過仿真數據驗證了該方法的可行性［13］。 萬磊等針對水下機器人系統故障診斷難的問題，提出了一種改進的遞歸神經網絡，并利用試驗對RNN 模型網絡輸出進行了修正， 實現了推進器的故障診斷［14］。

2 基于支持向量機的故障診斷方法

支持向量機是一種建立在統計學基礎上針對有限樣本數據集的機器學習方法，該方法具有優越的學習能力，可以將非線性問題轉化到高維特征空間進行線性變換［15］。 相對于傳統的神經網絡，支持向量機只需要較少的訓練樣本就能達到較好的泛化能力。 因此，該方法一經提出就在故障診斷領域得到了廣泛推廣與應用。 郭磊等針對傳統故障分類器性能不佳的問題，提出了一種小波核函數支持向量機故障分類方法，并利用不同故障形態的軸承數據進行了驗證，發現該診斷方法的準確率高于傳統診斷方法的準確率［16］。 Kusiak A 和Li W Y 基于支持向量機進行了不同故障模式和不同故障嚴重程度的診斷識別［17］。 Zhu K H 等針對滾動軸承故障信號的非線性動態特性，提出了一種基于層次熵與支持向量機的故障診斷方法， 實驗結果表明， 該方法優于傳統的MSE 方法［18］。段禮祥等針對不均衡數據集導致診斷模型訓練難的問題，提出了二叉樹結構與加權C-SVM 相結合的方法，通過綜合考慮樣本類間距離、類內距離和不均衡程度，解決了不均衡數據集條件下的故障診斷難題［19］。 鄭近德等針對滾動軸承早期故障敏感特征提取難，導致診斷準確率低的問題，提出了多尺度模糊熵與支持向量機相結合的診斷方法，采用滑動均值改進的多尺度模糊熵算法，實現了軸承的故障診斷［20］。 吐松江·卡日等為了提高變壓器故障診斷準確率，提出了一種SVM 與GA 相結合的故障診斷方法， 可以準確、有效地診斷變壓器故障［21］。Li Y B 等針對早期故障診斷難的問題，提出了一種基于層次符號動態熵和二叉樹支持向量機的早期故障診斷方法，并通過仿真和實驗證明了該方法對滾動軸承早期故障診斷的有效性［22］。

3 基于深度學習的故障診斷方法

雖然神經網絡和支持向量機可以很好地實現故障分類，但依然存在需要人工提取特征和大數據量處理困難的問題。 深度學習強大的特征挖掘和數據處理能力可以很好地解決傳統神經網絡的不足，因此得到了廣泛應用。 李巍華等針對傳統故障診斷結果差異性較大的問題，提出了基于深度信念網絡的故障診斷方法，通過從原始數據中挖掘分布式特征，實現了軸承故障的分類識別［23］。 趙光權等針對復雜裝備監測信號的繁雜性導致人工特征提取難的問題，提出了深度置信網絡的特征提取和故障診斷方法，實現了故障智能診斷［24］。 劉秀麗和徐小力針對風電設備在故障診斷中存在數據量大、 故障特征提取困難等問題，提出了一種基于深度信念網絡的齒輪箱故障診斷方法， 通過將原始時域波形數據輸入網絡模型，同時在網絡訓練過程中加入Batch Normalization，避免了過擬合現象，實現了風電機組行星齒輪箱的故障診斷，且診斷結果優于傳統的故障診斷方法［25］。 崔江等針對復雜工況下故障特征提取難的問題，提出了基于堆棧自動編碼器的故障特征自適應提取方法，實現了航空發電機旋轉整流器二極管的故障診斷［26］。 鄭曉飛等為了解決傳統神經網絡過擬合、泛化能力差的難題，利用深度置信網絡替代淺層神經網絡，構建了基于深度置信網絡的狀態觀測器，仿真驗證結果表明，該方法診斷準確性和響應明顯優于傳統的BP 神經網絡［27］。 周奇才等針對機械設備故障診斷中特征提取困難、復雜故障診斷準確率低的問題，提出了一種基于一維卷積神經網絡的故障診斷方法，通過利用多個交替的卷積層和池化層完成原始數據的自適應特征學習，最終實現了軸承和齒輪箱健康狀態的故障診斷［28］。 佘博等針對傳統診斷模型泛化能力差的問題，通過利用頻譜數據進行網絡訓練， 避免了特征提取中對人工經驗的依賴，采用凱斯西儲大學軸承數據進行分析，驗證了該方法的可靠性［29］。

4 結束語

目前，常用的人工分析和智能診斷方法存在嚴重依賴專業知識和診斷準確率不高的問題。 基于深度學習的故障診斷方法能夠直接從數據中自動提取表征設備狀態的敏感特征，能夠解決傳統診斷中需要嚴重依賴專家經驗和所選特征因主觀或片面性而導致診斷結果準確率不高的問題，具有優良的特征學習能力和強大的模型泛化能力，將成為石化機械設備智能診斷領域的研究熱點和未來發展方向。