天然氣壓縮機組故障智能診斷系統及應用研究

黃永智，馮丞科，張舉，張慶，張繼平，張波，張進杰

（1.中國石油西南油氣田重慶氣礦，重慶 400021；2.高端機械裝備健康監控與自愈化北京市重點實驗室，北京化工大學，北京 100029）

設備故障監測診斷是近年來企業安全生產的主要手段之一，也一直是設備運維管理領域的研究熱點。國內石油化工企業已普遍應用了設備故障監測診斷系統，監測對象包括離心壓縮機組、往復壓縮機組、關鍵機泵等，但在實際應用過程中，故障的分析診斷依賴人工完成，故障預警診斷的自動化、智能化水平較低。

近年來，國內石油化工企業針對往復壓縮機故障的智能監測診斷研究成為熱點。宋樹林等人將網絡化監測診斷系統BH5000R 應用于催化重整裝置的往復壓縮機中，對機組運行狀態進行網絡實時監測與故障診斷，實現了定期維修向預知維修的過渡。劉志芳等人研發了一套適用于海洋平臺的往復式天然氣壓縮機在線監測診斷系統，集數據采集、數據傳輸、特征提取為一體，實現故障早期預警，確保往復式壓縮機平穩可靠運行。Van Tung Tran 等人提出了一種診斷往復式壓縮機進排氣閥故障的混合深度信念網絡，采用基于堆疊受限玻爾茲曼機的深度信念網絡進行預訓練并使用模糊ARTMAP（SFAM）進行故障分類，大大提高了往復壓縮機閥門故障的診斷精度。舒悅等人將局部均值分解（LMD）應用于往復壓縮機環狀氣閥振動信號的故障特征提取，實驗證明該方法能準確地識別氣閥故障。Primo? Poto?nik 等人提出了基于半監督的往復壓縮機狀態監測方法，采用主成分分析（PCA）進行預處理，證明了貝葉斯正則化網絡、非線性支持向量機（SVM）等人工智能方法能提高往復壓縮機的故障分類及診斷精度。上述研究針對往復壓縮機故障監測診斷技術的理論研究較多，成果多停留在實驗室階段，工程應用較少。實際工程中由于機組結構差異性、工況復雜性、故障多樣性等問題，故障自動診斷、智能診斷研究成果難以開展實際應用。

本文以沙坪場增壓站RTY1490 分體式天然氣壓縮機組作為研究對象，對機組典型故障進行梳理，制定了機組多源監測傳感器布局方案，采用在線監測技術實現了機組運行狀態和多源參數的在線監測；進一步基于數據特征建立了多源信息融合的復合診斷模型，開發了自動診斷系統，并集成到在線監測系統中。在工程應用中，采用故障模擬方式對自動診斷功能進行了驗證，系統連續運行過程中已準確診斷預警多起故障，顯著提升了設備智能運維管理水平。

1 天然氣壓縮機組概況

沙坪場增壓站天然氣壓縮機組的型號為RTY1490MH12”×12”×8.5”×8.5”，其中壓縮機型號為COOPER 公司生產的WH64 系列往復式壓縮機，發動機為COOPER 公司生產的SUPERIOR 系列12SGTD 燃氣發動機。

該壓縮機組最大設計處理氣量達450×104m3/d，自2010年10月投入使用以來，一直承擔著氣田開發生產的重任。鑒于氣田天然氣含硫量較低（0.2～0.3g/m3），它還具有混合上游高含硫天然氣后，降低集輸管線中硫化氫含量，以滿足凈化廠脫硫裝置運行條件的作用。目前機組日處理氣量80×104m3/d，其運行情況直接影響氣田平穩生產和上下游管網的調配運行，在地區天然氣生產鏈中屬核心單元。但統計數據顯示，沙坪場增壓站RTY1490 機組存在故障次數較多、故障率較高的問題，甚至出現了發動機活塞和壓縮機閥罩碎裂等事故，累計影響氣量近千萬方，嚴重影響了沙坪場氣田平穩生產，造成直接經濟損失近千萬元。

2 天然氣壓縮機組故障智能診斷系統

2.1 典型故障模式

對壓縮機組不同故障進行了分類，如表1 所示，建立了專家系統故障知識庫。

表1 壓縮機典型故障知識庫

2.2 系統整體架構

壓縮機組故障智能診斷系統可分為硬件系統與軟件系統兩部分，硬件系統包括傳感器、防爆箱、數據采集器、數據應用管理器、工業電源和路由器等。軟件系統包括兩大部分，即安裝在數據采集器中的數據采集軟件和安裝在數據應用管理器中的網絡化客戶端軟件。網絡化客戶端軟件采用插件化設計，內含各類軟件模塊，主要包括：數據處理通訊模塊、專業圖譜分析模塊、中間件數據管理模塊、故障智能診斷模塊等。

2.3 典型故障智能診斷模型

往復機械運動規律復雜，在曲軸的轉動，連桿的擺動以及十字頭、活塞桿、活塞的往復運動綜合作用下，機體振動信號具有顯著的非平穩性和非線性，是典型的復雜系統。壓縮機監測系統通常安裝有沖擊、位移、溫度、壓力、鍵相傳感器，并可獲得機組控制系統熱工參數數據，獲取的信號種類遠多于離心壓縮機、機泵等旋轉類機械監測系統。因此，壓縮機組故障診斷需綜合使用振動、沖擊、位移、溫度、壓力、鍵相等信號進行診斷，無法從單一信號進行故障精確定位。因此，建立了如圖1 所示的診斷系統框架模型。該框架由各自獨立的診斷規則包組成，根據診斷任務的不同選擇激活不同的設備診斷模型，進行相應故障推理。該架構具備診斷效率高，新增、修改、刪減診斷規則包方便的特點。

3 現場應用效果驗證

為驗證現場應用效果，對故障智能診斷系統開展了發動機單缸失火故障和壓縮機氣閥閥片斷裂故障適用性驗證。

通過人為破壞沙坪場增壓站RTY1490-3#機組壓縮4 缸氣閥片，如圖2 所示，將其替換至壓縮機組曲軸端氣閥總成，造成運行時出現氣閥輕微漏氣的故障，開展氣閥漏氣故障模擬試驗，以驗證系統適用性和可靠性。

圖2 壓縮4 缸吸氣閥漏氣模擬試驗（曲軸端）

更換破損閥片后的RTY1490-3# 壓縮機組于16h43min完成加載，加載后機組進氣壓力1.547MPa，排氣壓力5.209MPa。在機組加載約1min 后，故障智能診斷系統于16h44min45s 診斷出壓縮4 缸吸氣閥泄漏，如圖3 所示；而原有控制系統未發出報警提示。

圖3 故障智能診斷結果

進一步對比故障前后智能診斷系統中壓縮4 缸的動態壓力和示功圖可以發現，壓縮4 缸的壓縮和膨脹過程較正常狀態下的示功圖和動態壓力出現明顯異常，其中在壓縮過程中滯后了近25°，在膨脹過程中提前了30°左右，表明氣缸存在外漏，氣缸內高壓狀態無法持續。

圖4 二級壓縮（3 缸和4 缸）故障狀態下動態壓力變化

自故障智能診斷系統在沙坪場增壓站投入使用以來，累計發現發動機點火不良等異常共計40 次，其中協助現場人員處理機組異常29 次，因傳感器異常造成誤報警6 次，因系統自身原因造成誤報警5 次，故障診斷成功率達72.5%。截至目前，2020年，沙坪場增壓站RTY1490 分體式壓縮機組僅發生非計劃故障停機3 次，較往年同期下降90.6%。同時，該系統協助沙坪場增壓站實現了連續193 天無故障運行，創造了自2010年10月建站以來的最長記錄。

4 結語

故障智能診斷系統可自動給出典型故障診斷結果，大幅降低了故障分析診斷的難度，提升了故障診斷的速度和準確度，有利于降低壓縮機組運行風險，減少非計劃故障停機事件的發生。故障智能診斷系統的成功應用，使得天然氣壓縮機組故障診斷技術開始由人工分析朝著智能診斷方向發展，減少了人為因素對壓縮機組運行的影響，有利于提升壓縮機組管理水平。隨著壓縮機組運行正常與故障案例數據的不斷積累，大數據處理和數據特征挖掘將進一步修正和完善故障智能診斷模型，智能診斷準確性和適用性有望得到進一步提升。故障智能診斷系統在沙坪場增壓站RTY1490 天然氣壓縮機組上的成功應用，表明故障智能診斷在設備管理領域具有廣闊的應用前景，可在油氣田動態運行設備中進行技術推廣。