基于物联网的石化企业机泵多参数状态智能监测系统研究

基于物联网的石化企业机泵多参数状态智能监测系统研究

许滨

中石化股份天津分公司装备研究院，天津市 300270

摘要：针对石化企业当前所面临的生产设备信息化管理的实际问题，本文提出了针对石化企业复杂工作环境下机泵运行状态的实时监控预警与故障诊断的技术方案，利用物联网技术与机器学习算法的充分结合，实现机泵运行故障的事前预警与故障排除，提升石化企业生产的安全与可靠性，并有效地降低生产管理成本。

关键词：温振传感器；机泵；BP；GAT

1引言

机泵作为石化企业的核心硬件装置之一，其设备运转的正常可靠性直接影响到企业安全生产。一旦机泵出现设备故障，轻则停工停产影响正常的生产运行秩序，重则引起相关连锁反应，甚至是安全事故的发生，给企业生产运营甚至人员财产安全带来重大损失。因此针对机泵运行状态进行智能监测的研究技术一直是石化及相关行业技术研究的重点。

随着物联网技术在生产信息化的不断应用，综合利用传感器信息采集技术、无线网络通信技术、专家系统服务技术、云服务与大数据计算技术的智能物联网机泵运行状态监测系统可以有效地提升机泵运行的可靠性以及运行故障的及时发现与预警，对石化企业提高生产效率、减少生产成本以及安全保障的提升有着积极作用，与具有较为广阔的市场应用前景。

2系统总体方案设计

2.1状态监测参数选择

机泵运行状态监测是对机泵运行状态的相关状态参数进行获取后，通过技术手段对参数进行鉴定，以此衡量机泵当前的运行状态，做出运行正常、异常或故障前兆的判定，并能对异常情况进行追踪与趋势预测以及故障种类的能研判及应对方案的提供。当前研究所主要针对的机泵运行状态参数包括运行压力、温度、转速、振动加速度等。

2.2机泵运行状态监测系统架构设计

针对机泵运行状态的监测方式当前主要有在线监测人工离线分析与在线监测自动实时分析。本系统针对所在石化企业生产环境的特殊性，在运行状态监测的参数选择上主要针对的是振动加速度与温度，采用的监测方式是辅以人工智能协助的全自动实时在线监测模式。系统架构设计如图1所示。

图1：系统整体方案架构设计

2.2.1数据采集层

本系统在温度与振动传感器的选型方面要考虑石化企业生产的实际工作环境，对安全防爆有较高的要求，因此本系统在设备选型方面采用的是本安型无线温振复合传感器，实现三轴方向的振动速度、振动位移以及设备表面温度的实时测量，同时支持有线与无线两种模式的数据传输，设备安全、可靠，易于架设，如图2所示。

图2：温振传感器

2.2.2数据传输层

数据传输层由无线网关与传输控制端两部分组成。无线网关同样采用本型防爆设计的LORA无线网关，支持与温振传感器之间4G/WIFI模式的无线自动组网，该网关还支持多种数据采集

策略，具有一定的数据暂存功能，提升数据存储的安全可靠性，设备如图3所示。

图3：LORA无线网关

本系统涉及到的石化生产车间数量较多，需要设置大量的温振传感器以及LORA无线网关，故需要安装数据数据传输控制端实现无线网关与云服务平台之间的数据传输，支持无线与有线两种模式。

2.2.3数据应用层

机泵的振动与温度参数信息经由无线网关上传至云服务平台，云服务平台依据实时监测系统对采集数据完成数据预处理以及阀值检测与趋势预警，并能过故障诊断程序完成故障智能诊断，最终将预警信息与故障诊断信息推送至不同的用户。

3系统主要技术实现

3.1复杂监控环境下多采集参数信息预处理

本系统对机泵运行预警与故障智能分析是基于多路环境参数融合环境下综合分析完成的，涉及振动速度、振动位移与温度多个测量参数值的同时实时采集与数据融合。而不同多路采集数据通道之间不可避免地会产生一定的噪声与干扰，进而会影响系统参数采集的准确性与可靠性。因此系统需要在对采集的数据进行处理前实施相应的预处理操作，分别是时间配准与删除异常数据。

3.1.1多参数数据时间配准

时间配准即是实现多路数据采集的时间同步，保证所采集到的多路数据是在同一时间基准内完成的。当前较为成熟的时间配准算法有泰勒展开修正法、最小二乘法、内插外推法、最大熵准则法和滤波方法等。本系统涉及到的数据采样是在机泵处于相对匀速工作的状态下进行的，系统设计最终采用的是最小二乘法完成各路数据采集的时间配准。采用的基本思路是将一段时间内所获得的多个测量值通过计算生成一个理论上的最精确值，形成该时间段内的唯一有效数值，建立起各路传感器某一时刻与参数测量值唯一对应关系，进而减少各路传感器产生的差异性误差。

3.1.2异常值去除

受工作环境及机泵工作状态的影响，系统采集数据时会不可避免地产生偏离大部分正常数据的异常数值，这些异常值对于后续数据分析与状态预警都会产生一定差异性影响，因些异常值的去除对于保持系统的精确性具有重要意义。

本系统对采集数据实施的异常值分析与去除遵循的是3σ准则，原理简单易于实现。其基本思想是接受测量数据存在一定的随机误差，并按一定的概率设定一个随机误差区间即±3σ，对于误差超出了该区间范围的测量数据即认定为是粗大误差。包含此粗大误差的测量数据即认定为是异常值，应予以去除。但此方法的不足之处在于，其应用的前提条件是待处理的测量数据样本要满足正态分布，这就决定了该异常值的去除只能是一个相对精确的方式。

3.2 机泵故障预警设计

3.2.1多参数建模预警模式

机泵工作过程中，系统通过采集运行状态下的振动与温度参数，对机泵运行状态进行分析与预测。

当前工业用预警系统常用的预警方式有硬阀值预警、自适应阀值预警、趋势预警与多参数建模预警。硬阀值预警确定的预警阀值是根据经验或是标准规定设置的，可用性较差；自适应阀值预警则是通过对设备的历史数据进行挖掘确定正常与否的特征阀值，具有一定的自适应及早期故障预警；趋势预警采用的故障预警原则不是根据采集的测量值超过某个阀值或是区间，而是将一个时间周期内测量值增长率的变化情况作为预警判断的依据，该种方式可以避免一些故障漏报造成的损失或安全隐患，同时也可以见微知著，及早地发现故障隐患的初期苗头，提升故障预警的准确率。

以上这些工业中常用的预警系统工作模式处理的采集数据都是单一种类的传感器数据，例如只是对温度或是压强数值的变化进行故障预警或监测。而在石化行业机泵运行过程当中，其工作状态是受到温度、振动、压强、磁场等多种环境参数综合影响的，因此仅仅只是依靠某单一环境参数的测量与分析往往不能准确地反映出机泵真实的运行状态，造成故障分析的失误与漏报。因此针对石化行业机泵工作的实际环境，本系统在传统故障预警的基础上提出了多参数建模预警的新思路。系统基于BP神经网络方法综合机泵的多项工况参数与系统采集的设备状态参数形成系统历史数据，在对历史数据完成清洗后得到正常数据，并以此数据为基础建立起多参数故障预警模型。利用机器学习不断建立起故障预警模型与过往历史数据正常对应关系，当系统t1时刻实测的数据x1传递给模型后，数据模型通过对（t1,x1）数据计算出t2时刻预测值x2’，即（t2,x2’），再通过对比t2时刻实测值x2与x2’之间的差值（x2-x2’）大小，即可以实现机泵设备异常状态的定位。该模型的使用可以在设备进入异常状态前即提出预警信息，能够较好地避免严重事故的发生。

本系统引入的BP神经网络模型如图4所示：

图4：BP神经网络结构图

BP神经网络模型应用的基本过程即是通过不断的迭代学习，使模型输入t参数得到的x’输出，能够与正确的x输出之间产生的误差小于期望值即可。基于BP神经网络实现机泵状态预警流程图如图5所示：

图5：BP神经网络实现机泵状态预警流程图

3.2.2故障识别设计

传统的机泵故障识别模式是借助于人工的离线模式，即系统发出预警信息后，由相关工程师根据经验或是参数分析以人工方式对故障产生的原因进行分析，做出故障的识别与判断，该模式对参与的工程师素质要求比较高，对一些复杂的故障问题识别周期长，识别难度大，而且无法实现在线无人值守等问题。针对传统离线模式的人工机泵故障识别模式的不足，本系统将机器学习模式引入机泵故障智能识别当中，通过基于卷积神经网络的机器学习过程，在构建出设备数据模型的基础上，建立起机泵状态数据与设备故障之间的对应关系，利用推理引擎得到引发机泵故障的诊断原因，根据设备故障的特征识别库进实现设备故障定位。

同时系统每次的故障识别也可以作为系统成功案例，不断地充实到数据模型中，提高系统故障识别的可靠与智能性。本系统实施故障识别的过程中需要重点解决的问题是信号转换。利用卷积神经网络算法实现故障诊断时依据的机泵状态数据是二维度的图像信息，而状态检测系统提交的机泵运行状态参数是一维时域数据信息，因此需要在故障识别之前需要完成一维时域信号向二维信号的转换工作。当前常用的转换方法有格拉姆角场gaf、马尔科夫变换场mtf和递归图rp三类，本系统采用的是GAF。其基本原理是首先将归一化后的一维时域信号实施极坐标空间变换；然后生成Gramian 矩阵，最后生成用于机泵故障模式识别的二维特征图像信号，其中的Gramian 矩阵如下图6所示：

图6：GRAMIAN 矩阵示意图

其中的xn代表的每个采样点上传的采样数据信息。最后生成的二维特征图如图7所示。

图7：机泵状态信号时频图

3.3云服务平台搭建

受石化企业工作环境以及本系统数据处理与存储的实际需求，本系统采用云服务平台模式构建机泵多参数状态智能监测系统。当前企业构建云服务平台多采用云平台自建与第三方租用的服务模式，本系统通过考虑成本及建设管理复杂度等影响因素，最终选择企业云来完成本系统的云服务平台搭建，系统投入实际运行后，证明该云平台的可扩展性与可靠性都能较好地常实际系统的需要。

4结论

针对石化企业对机泵运行状态监测的实际需求为设计背景，设计与开发了基于物联网的机泵多参数状态智能监测系统。系统在实现机泵运行状态实时在线监测的同时，提供机泵运行故障预警与在线故障分析诊断，为石化企业信息化建设与生产安全可靠性提升方面提供了技术支撑。

参考文献：

[1]高金吉.机泵群实时监测网络和故障诊断专家系统[J].中国工程科

学,2001,3(9):41-47，85．

[2]刘冰洁,陈炳发,丁力平．基于卷积神经网络的微电机装配故障诊断研究[J].机械制造

与自动化，2021，50(3):171-174，189．

[3]姜宁,刘维福．振动测试技术在旋转设备故障诊断中的应用[J].煤炭科学技

术,2017,45(S1):161-163．

[4]陈雪峰,张兴武,曹宏瑞.智能主轴状态监测诊断与振动控制研究进展[J].机械工程学报,2018, 54(19): 58-69

[5]杨兰柱,刘文广．改进的 CNN 网络在轴承故障诊断中的应用[J].机电工程技术，2020，49(8):11-13．

[6]吕楠,姚平喜．基于 BP 神经网络的滚动轴承故障诊断[J].煤矿机

械,2020,41(8):172-173