石化机械设备状态预测方法研究综述

邱泽阳王 雪单 克

（1.中海油能源发展股份有限公司北京安全环保工程技术研究院；2.中国建材检验认证集团股份有限公司；3.深圳市燃气集团股份有限公司）

由于石化机械设备一次运行时间较长，处于高速、高温、高压的运行状态且机组结构复杂，因此对设备的运行状态进行分析和预测、采取有效的防控措施，对减少或避免因停机造成的损失有重要意义。

目前对于石化机械设备的状态判断主要依据定期巡检数据或者实时监测数据，这就意味着只有设备故障发展到一定程度后才能获取它的故障特征，而此时设备多已出现较严重的故障问题。可见，目前采用巡检和监测数据判断的方式无法在早期故障阶段对设备状态进行有效分析，从而避免故障的演化和传递。因此需要进行石化机械设备运行状态的趋势分析和预测，准确判断未来一段时间内机组的状态，将设备风险降低到合理、可接受的水平，减少或消除设备设施故障的潜在后果和影响。

1 设备故障诊断方法

设备状态预测就是利用设备当前运行信息和历史运行信息，预知未来运行状态的发展趋势，评判其健康情况，从而达到防患于未然，保障设备和系统安全平稳运行的目的。自20世纪50年代现代设备管理概念提出以来，截止目前，已经发展形成一系列的故障预测方法。根据这些方法的原理，可大致分为基于经验知识的故障预测方法、基于模型的故障预测方法和基于数据驱动的故障预测方法［1～3］。

2 基于经验知识的故障预测方法

在现代故障预测技术发展起来之前，现场设备管理人员和相关专家通过长期积累的设备劣化经验来预测设备的运行状态［4，5］，这在一定程度上具有合理性，但这种方法严重依赖专家的经验，缺乏理论支持。随着计算机技术的发展，人们尝试总结这些专家经验形成专家知识库，构建设备运行状态的推理规则，再利用计算机的快速运算能力，实现对设备运行状态和发展趋势的预测［6～10］。如朱向阳和林鹤云基于专家库系统实现了地区电网的短期负荷预测［11］。徐凤建等基于专家系统实现了雷达装备的故障预测，克服了传统方法对人员和检测设备依赖性大和要求高的缺陷［12］。王毅彪针对石化企业设备状态预测技术缺乏、预知维修水平较低的问题，建立了一套专家系统用于压缩机的预知维修［13］。向刚等针对故障渐变的电子设备，提出了一种基于改进型灰色理论和专家系统的故障预测方法，实现了故障和状态的快速预测，通过该方法提高了诊断预测的快速性和准确性［14］。虽然通过这种模式可以实现专家知识的共享与推广，但也存在专家对同一事物认知不同，导致知识表达不统一，且需要长期维护和完善知识库的问题。

3 基于模型的故障预测方法

基于模型的故障预测方法主要通过建立数学模型分析设备状态随时间的变化趋势，从而实现对设备状态的预测［15，16］。在这个过程中，模型参数的选择、模型与故障劣化过程的匹配度都会影响最终故障预测的精度。国内外相关研究有许多：吕志立针对时变系统下船舶电力系统电缆故障预测难的问题，探究了船舶电缆故障演化机理并以此为基础提出了预测方法［17］。薛涵磊和刘晓琴针对电网故障诊断滞后的问题，根据故障发展机理，建立了电网系统故障推理模型，实现了电网故障的早期预警［18］。程哲探究了直升机核心部件行星齿轮箱的失效机理，构建了以行星齿轮箱劣化过程为基础的故障预测理论和模型［19］。在实际应用中，由于设备结构复杂，运行工况多变，关联设备影响严重，因此要建立准确的数学模型并非易事，这使得基于模型的故障预测方法受到很大限制。同时，实际经验表明在机械设备的故障预测中，基于模型的故障预测所得到的结果往往预测精度不足，所建立模型的经济性与泛化能力也有限。

4 基于数据驱动的故障预测方法

基于数据驱动的故障预测方法主要是利用回归拟合或者机器学习算法从大量历史监测数据中挖掘数据变化趋势，建立能够表征设备状态的预测模型，从而实现对设备运行状态的预知［20］。与前两种故障预测方法不同，基于数据驱动的预测方法既不需要构建复杂的专家知识库，也不需要明晰设备劣化规律，只要有足够的历史数据样本，就能建立表征设备状态的预测模型，具有成本低、适用范围广、模型泛化能力强的优势，因此基于数据驱动的预测方法目前成为故障预测领域研究的热点［21～24］。目前基于数据驱动的故障预测模型包括时间序列分析、支持向量机、神经网络预测及基于深度学习的预测等［25～32］。

时间序列分析就是利用一组离散等间隔时间的数据建模分析，通过预测数据的变化趋势实现对设备运行状态的预知。针对基于时间序列的预测分析，国内外学者进行了一系列的研究，目前已基本形成一套较完整的体系。早在20世纪30年代，为了预测未来市场的变化情况，基于时间序列的自回归数学模型首次被提出与应用。刘颖和严军运用自回归滑动平均模型和聚类分析方法实现了汽轮机故障预测［33］。Tian W D等采用灰色模型和时间序列分析进行了化工设备的动态预测［34］。García F P等针对轴承故障预测难的问题，提出了一种自回归向量滑动平均的预测方法［35］。习伟等针对传统单参量的预测中模型鲁棒性差的问题，提出了基于多维时间序列关联分析的设备故障预测方法，通过将多维监测数据作为输入，利用时间序列分析，实现了电力设备故障的预测［36］。上述研究中将机械设备信号假定为平稳随机信号，因此采用时间序列进行分析时，所建模型具有较好的收敛性。但实际生产运行中，受运行环境和负载波动的影响，监测信息很难保持平稳，因此基于时间序列的设备状态预测方法依然存在一定的局限性。

由于支持向量机优良的学习能力，对非线性问题的线性变换能力和对小样本数据出色的泛化能力，使得该模型在故障预测中得到广泛研究与应用。朱伟等利用支持向量机对小样本数据良好的处理能力，提出了基于SVM的电机故障预测方法［37］。连光耀等针对复杂设备故障信息不足造成故障预测困难的问题，提出了最小二乘支持向量机的故障预测模型［38］。田海雷等通过对液压泵振动信号的集总经验模式分解，将其固有模态能量作为支持向量机的输入，实现了液压泵的故障预测［39］。鞠建波等为实现装备的故障预测，采用加权支持向量机回归方法，通过计算样本点的回归权重，实现了通信电台设备故障的快速预测［40］。王红军等针对大型机电设备监测信息干扰因素多，故障预测难的问题，通过研究设备运行趋势和支持向量机模型方法，验证了长区间内基于SVM预测结果的高精度和高可靠性［41］。

基于神经网络设备状态预测就是通过挖掘监测数据中的逻辑关系，构建一种模拟人脑思维逻辑的数学模型，实现对设备状态的判断和预知。由于神经网络具有高速寻优、非线性映射能力强的优势，近年来在设备状态预测方面，也取得了一些研究成果。黄波等针对装备的非线性和复杂性导致状态预测难的问题，提出基于RBF神经网络模型的故障预测方法［42］。曾文韬等针对混凝土泵车臂架结构复杂、故障频发导致故障预测难的问题，提出了基于BP神经网络臂架故障预测方法，实现了臂架运行状态的预测［43］。胡雷刚等为实现武器装备故障预测，采用免疫算法改善了BP神经网络性能，实现了装备全生命周期的预测［44］。徐辉等针对机械设备非线性系统，提出一种基于极限学习机神经网络的故障预测方法，通过提取设备运行中的多个特征指标作为网络输入，实现了机械设备系统的故障预测［45］。虽然传统的神经网络在故障预测领域已经取得一定成果，但传统的神经网络依然存在一些不足之处，如计算过程复杂、需要人工特征输入及实时性差等问题。

近年来，深度学习的提出和发展在一定程度上克服了传统方法的不足，逐渐成为当前设备故障预测领域研究的新热点。周福娜等为了克服早期微小故障诊断预测难的问题，提出一种基于深度学习的早期故障诊断和寿命预测方法［46］。李军亮等为了解决非线性、强耦合特点的军用飞机状态预测难题，提出了基于深度学习和模拟退火算法的军用飞机关键部件的状态预测模型［47］。Lu C等针对机械设备监测信号非线性和非平稳性的特点，研究了一种基于卷积神经网络的故障预测算法［48］。王鑫等为制定合理可行的设备维护策略，通过对复杂系统的历史故障数据研究，提出了基于长短时记忆循环神经网络的故障时间序列预测方法［49］。Zhang B等针对轴承故障准确预测难的问题，提出了一种基于长短时记忆递归神经网络的数据驱动轴承性能退化评估方法，并采用粒子群优化方法优化网络结构参数，实现了轴承剩余寿命的准确预测［50］。

5 结束语

石化机械设备往往是一个复杂、精密且零部件间相互耦合的庞大系统，一旦发生故障，就会造成整个机组停机乃至整条生产线停工，甚至造成严重的财产损失和人员伤亡。其中基于经验和模型的预测方法更适用于平稳状态下设备状态和趋势的预测，但对于非平稳、非线性复杂系统的预测准确性较差。而基于数据驱动的方法能较好地反映设备状态随时间变化的特点，可有效解决非平稳、非线性系统的机械设备状态预测难的问题，特别是基于机器学习算法的石化机械故障预测方法已经成为最主要发展方向。