基于工業大數據的RH機械真空泵遠程故障診斷系統

李嘉卉，佟 冰，韓俊峰，區興華，程功榮

(中國重型機械研究院股份公司，陜西 西安 710032)

0 前言

工業大數據可理解為是工業領域信息化應用中所產生的大數據，作為互聯網、數據科學以及工業產業相互融合的產物，越來越多的參與到了工業發展中。工業大數據除了具備一些傳統大數據的特征(海量、多變及多變性)，還擁有更強的目的性和指導決策性[1]。同時，工業大數據面向更加復雜的工業流程，具備更高的穩定性，避免了數據間斷或殘缺，保證了數據本身的質量。由于工業大數據將直接參與設備控制與決策，高質量的數據是優化決策的基本保障[2]。

本文通過對RH機械真空泵上不同傳感器及工業智能網關實時數據的采集和分析，并對數據進行工業建模、流程控制、結果預測，最終實現對RH機械真空泵的遠程故障診斷，使RH精煉生產環節的高效運轉，有效減少故障的發生。

1 機械真空泵基本原理

機械真空泵包括前級羅茨泵及末級螺桿泵，都屬于旋轉式變容真空泵，其工作原理如圖1、2所示。

圖1 羅茨泵工作原理圖

圖2 螺桿泵工作原理圖

羅茨泵基本原理是通過轉子的不斷旋轉，將需要被真空的氣體從進氣口抽進轉子與泵之間的上側封閉空間內，再通過排氣口排出氣體。在轉子轉動的過程中，上側封閉空間一開始無壓力變化，隨著轉子頂部經過排氣口時，與排氣口相連的下冊封閉空間壓力增大，壓力差會使部分氣體被擠入上側封閉空間，上側壓力隨即增大，隨轉子繼續轉動，最終氣體被排出泵外。

螺桿真空泵將兩根由軸承作支撐的螺桿安裝在泵腔內，兩個螺桿之間預留空間。當設備開始工作，兩個轉子在泵內空間反向高速旋轉，由此產生吸氣和抽氣兩種動作。螺桿泵的工作主要靠容積的擴大和縮小實現，相比于羅茨泵結構更加簡單穩定且環保[5]。

由于單臺機械泵抽氣能力的局限性，全機械真空泵系統由許多臺機械泵串并聯組成。整體機械真空泵系統由四級泵組共同組成。在保證整體真空系統抽氣能力的前提下，每一級泵組的單體泵根據需要運行啟動或處于備用狀態。對于RH精煉爐機械泵組，常見的故障有高溫故障、震動故障、超負荷、達不到設定流量等。

2 機械真空泵遠程故障診斷系統設計

機械真空泵不同于普通機械設備，其故障設備復雜，故障點多，傳統的排除故障手段耗費人力、財力。同時，考慮到鋼鐵冶煉作為流程型生產行業的特殊性，RH機械真空泵故障出現后，設備故障難以短時間被解決，將直接影響前后工序的正常生產計劃，對煉鋼廠造成巨大損失。為了有效避免機械真空泵故障，實現冶煉決策的優化和利益最大化 。本文基于工業大數據建立某RH精煉爐遠程故障診斷平臺。

機械真空泵遠程故障診斷系統的主要作用是對機械真空泵的真空系統進行遠程的監控運維和預測性的故障分析。故障診斷平臺的設計從機械泵原理出發，結合設備現場條件和具體功能，系統分為架構設計和功能設計。

2.1 系統架構設計

遠程故障診斷系統架構由現場設備端、中間端和遠程客戶端三部分組成。如圖3所示，該架構的現場設備端PLC直接連接RH機械真空泵組，同時添加了工業智能網關作為中間端。設備現場端通過對RH機械真空泵組的實時數據進行PLC協議解析，中間端的工業智能網關將PLC的數據周期性采集并完成數據的邊緣計算和處理，實現生產設備聯網。最終遠程客戶端的終端和服務器通過對工業網管采集的數據進行處理，實現設備遠程監控和故障預警、報警。

圖3 遠程故障診斷平臺系統架構圖

該系統利用工業數據智能采集網關進行數據采集。該網關采用高性能工業級處理器和工業級無線模塊，以嵌入式實時操作系統為軟件支撐平臺，通過以太網接口連接到PLC硬件實現對主流協議硬件的解析，最終實現對工業現場設備數據的采集。

通過該工業智能網關采集的數據被放置于專有的工業數據庫中。除一般數據庫的特點和用途外，工業數據庫作為面向對象的數據庫，主要儲存監控運維系統中的所有對象的屬性和參數。數據庫對象根據功能被放置于接口層、交換層和監控層，每個層級所儲存的具體對象見表1[7]。

表1 工業數據庫對象分類表

2.2 系統功能設計

根據工業大數據的分析流程及需要實現的具體功能，該遠程故障診斷系統最終具備兩種功能：工業設備的遠程監控運維以及預測性的故障分析。遠程監控運維功能主要包括設備數據監控和數據遠程運維。預測性的故障分析功能是通過對不同故障點智能預警模型的訓練預測，實現對真空系統多種故障的預警和報警。

2.2.1 遠程監控運維

結合平臺設計架構，遠程故障診斷系統的遠程監控運維功能可再細分為數據分析及可視化、數據遠程運維兩部分。

為了分析設備全生命周期的運行狀態，提供基礎數據，實現數據可視化功能，機械真空泵組的多層級歷史數據及設備信息以多樣化形式被展示出，用戶和維保人員可根據需要隨時查看相應的設備歷史信息和設備狀態。如通過采集設備地理位置數據，做出GIS(地理信息系統)地圖，被監控的機械真空泵組宏觀位置及運行狀態信息在平臺首頁被展示。除此之外機械真空泵真空系統的所有設備運行數據，如每一級泵組的每個單體泵運行狀態(是否啟動、溫度、泵頻率等)、閥前及閥后信息、以及除塵出入口等相關數據也能在遠程監控平臺被實時監控。除設備宏觀數據信息外，單一設備的歷史信息及實時信息也可根據用戶不同需求被展示。

數據的遠程運維是指操作人員和用戶遠程對現場設備實時檢測和控制。利用遠程運維，每臺機械泵的實時設備狀態及運行數據都以可視化的形式呈現，通過網絡客戶端進行實時監控。同時系統能夠根據設備現場使用情況實時監控設備運行參數，用戶可以根據需要遠程設置泵運行參數，實現真正的遠程設備控制。

2.2.2 預測性的故障分析

預測性故障診斷分析是遠程故障診斷系統的重要功能，針對真空系統不同設備故障點，建立獨立且完整的故障診斷預警模型，并實時更新。最終每個獨立的故障診斷預警模型共同組成故障診斷預警系統，實現對機械真空泵系統各個故障設備的實時預警及報警。

3 機械真空泵高溫故障預警模型

故障診斷預警系統作為遠程故障診斷平臺最重要的組成部分，由多個針對不同設備故障點的故障預警模型組成，每個預警模型的具體搭建及訓練過程不同，本文將以機械真空泵高溫故障機械真空泵高溫故障預警模型的選擇方法、模型訓練步驟和模型訓練結果。

3.1 預警模型選擇

機械真空泵高溫故障的判定標準是當故障預報警系統檢測到某單體泵排氣溫度過高且持續時間超過5 s以上時，故障預測模型將判定該單體泵發生高溫故障并觸發報警功能。

機械真空泵工作中產生的基本是實時性數據，針對這些實時性設備數據，預測性模型往往需要選擇時間序列預測模型。現有的主流時間序列預測模型有簡單平均模型、ARIMA模型、PROPHET模型等。針對機械真空泵設備特點，機械真空泵的溫度根據生產狀態呈現周期性的變化。

ARIMA模型全稱自回歸移動平均模型，也記作ARIMA(p，d，q)，是統計模型中最常見的一種用來進行時間序列預測的模型。其中p代表預測模型中采用的時序數據本身的滯后數，d代表時序數據需要進行幾階差分化，才是穩定的，q代表預測模型中采用的預測誤差的滯后。ARIMA預測模型是將非平穩問題通過多次差分轉化為平穩問題，達到預測效果。相較于ARIMA模型，其他三種預測模型都存在不足。因此，該機械泵高溫預警及報警算法選用了ARIMA模型的時間序列預測模型。

3.2 預警模型訓練

由于該溫度報警模型需要長期的數據支撐，并通過對每臺泵的大量數據分組訓練、交叉檢驗來評估單體模型效果，建立每級泵組單體泵的單一預測模型。單一溫度預測模型再通過集成訓練最終實現機械真空泵溫度報警模型系統。以四級泵組1651號泵的部分數據為例，單體溫度故障預測模型的建立步驟。

步驟1：每間隔2 s從歷史數據中提取2020年07月03日03∶20∶00到08∶00∶00的四級泵組1651號泵溫度數據，共計7 000 個數據點。如圖4所示，機械泵的溫度隨時間變化呈現明顯的周期性，并且數據分布基本滿足了平穩性的需求，因此數據不再需要差分法和平滑法來實現時間序列的平穩性。

圖4 機械泵溫度樣本數據曲線圖

步驟2：對時間序列進行定階，通過ACF和PACF來判斷模型階數，結果如圖5所示。由于ACF圖存在明顯的拖尾現象(序列以指數單調遞減)，因此q=0，最終選取AR(p)模型，其中p最終取值為2。

圖5 ACF及PACF模型圖

步驟3：將7 000 個訓練樣本數據根據8∶2的比例再次劃分成訓練數據及檢驗數據，通過訓練數據實現樣本外預測。同時再次通過相同方法提取2020年07月03日08∶00∶01到09∶37∶36的四級泵組1651號泵溫度數據，共計 1 600 個數據點進行樣本外預測。最終樣本內及樣本外預測的結果與訓練樣本的偏差如圖6所示，該模型可以較好的預測出機械泵溫度的大體變化趨勢。

圖6 樣本數據(實線)與預測數據(虛線)對比曲線

3.3 預警模型結果

該高溫故障預警模型在2020年5月至7月的溫度報警和實際故障數據對比如表2所示，結果顯示報警準確率達90%以上。因此當機械泵真空系統溫度高于正常工作溫度時，平臺能夠立刻針對故障預警及報警，從而保證設備的安全運行。

表2 高溫故障預警模型預測結果

4 結論

在工業大數據的推動下，工業設備的遠程故障診斷，是當下工業領域運營優化和高效生產的驅動力。

本次RH精煉爐機械真空泵組遠程故障診斷平臺的建立，實現了對設備運行狀態的實時監測和故障診斷。從遠程故障診斷系統投入至今，該系統所依托的RH精煉爐機械泵故障預警共計26次，正確故障報警22次(成功率達到85%)，有效避免設備停機，節約成本近千萬元。在診斷平臺的幫助下，用戶及維保人員除了可以監控泵組設備的運行狀態，設備的任何異樣狀況被實施捕捉，提高了煉鋼廠整體生產效率。

隨著工業大數據的不斷發展，遠程故障診斷也會在國內外各工業領域普及。通過對工業設備的遠程監控運維以及預測性的故障分析，降低設備故障對人力及工業生產力帶來的損失，提升工業設備的可靠程度，進一步促進工業領域的高質量發展。