首页 > 论文范文 > 工程工业论文 > 工业综合论文 > 石油天然气工业论文 > 在线状态监测系统背景下的设备预测性维修分析

在线状态监测系统背景下的设备预测性维修分析

2020-09-03 252 上传者：管理员

摘要：本文从基于在线状态监测系统数据的角度（抛开人员因素、管理因素等影响），对设备预测性维修进行探讨和研究；提出了用于预测性维修的要素和重点，这些要素和重点已经在海洋石油生产平台设备预测维修中部署应用，取得了良好的社会效应和经济效益。

关键词：
工业互联
故障
石油生产平台
设备
预测性
加入收藏

预测性维修作为工业互联网中最核心的应用，无论是早期的探索者还是新进的工业互联网平台都将它作为主要切入口。当人们谈到应用落地时，可能很多企业会有这样的误解或疑问：“是不是将设备装上传感器就能开展预测性维修”“工厂现在能不能部署预测性维修”。

1、预测性维修的概念

预测性维修是以状态为依据的维修。在机器运行时，对它的主要或需要部位进行定期或连续的状态监测和故障诊断，判定装备所处的状态，预测装备状态及未来发展趋势。依据装备的状态发展趋势和可能的故障模式，预先制定预测性维修计划，确定机器应该修理的时间、内容、方式和必需的技术及物资支持[1]。预测性维修集装备状态监测、故障诊断、故障（状态）预测、维修决策支持和维修活动于一体，是一种新兴的维修方式[2]。

预知性维修被定义为：以设备诊断技术为基础，结合设备故障的历史和现状，参考运行环境及其他同类设备的运行情况，应用系统工程的方法进行综合判断，查明设备内部情况。

2、预测性维修研究要素和重点

故障预测的前提假设是设备故障遵循某种与时间相关的模式，也就是说设备会随着使用时间的增加而出现性能下降、健康衰减、零件磨损等问题，最终这些问题积累到一定程度后导致设备故障的发生。故障预测的过程是使用设备历史数据进行训练，得到一个可以识别隐藏的设备故障模式的模型，然后将实时的数据扔到模型中以识别到故障发生的概率。目前一般采用机器学习来进行模型训练，要求训练数据既有设备的特征X，又要有故障标签Y，经过训练的模型可以获得特征X与目标预测值Y之间的关联关系，这是机器学习最擅长的东西。当然，在没有部署机器学习系统的情况下，这些工作只能靠人工去甄别、筛选、辨别，所以就需要有丰富的知识和经验，具备一定技能的专业工程师或专家去实现设备故障的预测。

不管机器学习模型还是人工进行设备故障预测，通常基本需要以下这些与故障具有相关性的主要数据：

1）设备属性：主要包括设备的制造商属性，比如制造商、型号、制造日期等，不同制造商生产的设备、不同型号的设备，在设备的材料、设计、工艺上都会存在很大的差异性，从而决定了设备出厂时的可靠性水平。

2）运营/运行环境：运营/运行环境对设备的使用寿命、可靠性等会产生较大的影响，比如设备使用的场所：陆地安装使用、海上平台/FPSO安装使用，安装的设备型号，使用的类别（船用、陆地及其他方面用）；又如透平发动机使用领域：民航使用、工业发电用，制造装配精度，民航用透平发动机的飞行环境：航线类型（如高原航线、平原航线）、安装的飞机型号（如CFM56发动机装在A320还是B737上），工业用透平发电机的使用环境（渤海、东海、南海）；再比如，机房服务器设备所处的环境，包括机房温度、机房湿度、机房空气含尘量等。

3）故障记录：为了构建预测模型或人工经验进行故障预测，机器学习或人工经验判断需要通过训练过程学习设备的正常运行模式（正例）和故障模式（负例），那么训练数据集中要有足够数量的两种不同类别的样本。通常可以从故障报告、因故障导致的维修记录或备件更换历史中可以提取出故障信息，故障记录明细包括设备ID、故障时间、故障描述、故障位置、故障代码等。

4）维修记录：设备的维修记录是预测维修解决方案的重要数据，因为维修活动会影响设备的可靠性。维修记录包括定期的保养、测试、翻新、技术改造等计划性维修活动，以及故障检修、停机检修等非计划性维修活动。维修记录明细应该包含设备ID、维修时间、维修类型、维修内容、更换的备件等信息。目前很多企业，维修记录会通过ERP、EAM、MAXIMO信息管理系统等软件进行管理。

5）运行状态：设备的健康状况在运行中随着时间而逐渐衰弱，为了预测设备的故障，需要有随着时间变化的特征来捕捉设备的老化模式。通过部署传感器、边缘计算和IOT平台，可以从不同传感器中获取设备的运行状态参数，比如电动设备的实时温度、消耗电流、转速、功率、振动等。对于需要获取哪些传感器数据，主要需要依靠行业领域专家根据设备的机理、行业经验进行识别。因此，在开始构建预测性模型之初，就要向业务专家了解数据相关性要求，根据行业领域知识有选择地进行传感器部署。

6）异常信息：首先，要将设备故障与设备异常区分开来。设备故障是指设备不能正常运行，致使生产中断或效率降低而影响生产，比如电源开关未合闸导致的压缩机组不运转；设备异常是指设备在正常运行过程中，出现某些指标偏离正常范围的现象，比如压缩机的排气温度过高。设备异常通常是故障发生的前兆，这些异常信息是建立故障预测模型的重要特征，往往与故障具有很高的相关性。

3、基于在线状态监测系统的设备预测性维修实践

中海油海上生产平台目前安装的在线监测系统主要有泛泰克斯的XPR300在线监测系统，上海容知公司的RH2000/3000在线监测系统与北京博华信智的BH5000在线监测系统。在线监测系统即利用现有的企业局域网实现内部信息共享。故障诊断中心的人员与设备管理人员利用客户端登录在线状态监测系统，浏览设备动态运行数据并提取设备振动、温度、电流、转速，调取设备历史故障、设备信息、设备故障维修记录等相关信息，对设备状态进行分析，评估设备目前的状态。如果设备出现故障或存在潜在故障，诊断中心的专业工程师通过邮件、电话，动设备集群管理系统等方式联系现场设备管理人员，结合系统所有数据信息形成维修策略，综合决策并采取相应的维护维修措施，及时解决设备故障，避免设备故障发展或恶化。应用设备在线状态监测系统，准确及时判断机组的故障并对机组故障的严重程度做出判断，实现预测性维修。

◇案例一

背景：2015年6月份，通过在线状态监测系统发现南海某平台处于运行状态的注水泵A泵，电机非驱动端（1H）振动加速度和速度总值出现异常。诊断中心人员在线监测值班人员发现异常现象，调取设备状态监测数据和结合其他相关数据，判断该设备是润滑不良导致设备振动数据异常，第一时间和平台取得联系，向平台发送邮件进行分析和提出处理措施。平台收到邮件后及时处理，设备振动重新恢复到振动波动之前的正常范围。

事件处理过程：

1）当日10时～13时注水泵A泵，电机非驱动端1H加速度总值出现轻微波动，在线监测人员发现后通过在线监测系统密切关注振动发展变化。当日下午13时后，电机非驱动端1H加速度总值和速度总值同时呈直线上升趋势，如图1所示。在线监测人员于16时～17时之间及时和平台取得联系，向平台发送邮件描述设备振动状态和提出处理建议。

图1振动呈直线上升趋势

图2振动趋势降到正常水平

图3振动较高且趋势波动明显

2）平台收到邮件后，及时对电机非驱动端加注润滑脂后，振动加速度总值和速度总值于当日18时左右开始逐渐下降到波动之前的正常水平，如图2所示。

◇案例二

背景：2015年1月份，渤海某平台注水泵B运行过程中，电机驱动端振动加速度总值变高且存在较大的波动现象，该端加速度总值达到110m/s2，如图3所示。轴承加速度时域波形冲击明显，包络频谱中存在轴承故障频率如图4所示；且速度时域波形存在轻微的削顶现象。建议平台应谨慎关注运行，电机驱动端轴承存在一定的磨损，故障有进一步恶化趋势，平台应做好更换轴承准备。该设备运行至当年6月份，诊断中心人员和平台通过调取在线状态监测系统数据及综合设备维修历史、维修情况等进行综合决策，判断该设备电机驱动端轴承出现严重故障，已经超过轴承正常服役期限。随后维修人员更换了电机驱动端轴承，发现轴承保持架磨损严重，如图5所示。

事件处理过程：

1）当时的频谱图如图3所示。

2）更换故障轴承。

4、结论

通过以上案例实践，证实了基于在线状态监测系统的设备预测维修的有效性：(1)及时预测设备运转状况和趋势，发现故障，及时处理，避免设备故障进一步恶化引起设备事故性故障发生，甚至避免灾难事故的发生，提高设备可靠性；(2)优化设备的可靠性，减少机器停机时间，提高了生产率；(3)可在设备维护后验证维护效果和质量，找到导致机器早期故障发生原因，对设备维护和维修流程加以优化并消除故障性停机，提高维修效率和资产利用率，降低设备维修费用。

图4包络频谱中存在轴承故障频率

图5轴承保持架磨损严重

预测性维修的提出经历了不长的时间，但预测性维修通过对设备状态进行监测和诊断，对设备的状态做出正确的判断，从而制定出科学合理的维修策略，克服了现行维修所面临的很多难题。故障诊断和状态预测技术的发展是预测性维修发展的关键[3]。

从国内外近年的研究可以看出，目前设备故障诊断研究的热点是嵌入式故障诊断技术，以动力学分析为基础的故障诊断技术，基于神经网络理论的故障诊断技术，以解决强干扰、多故障、多征兆、突发条件下的故障为目的的故障诊断技术等。故障诊断的手段也在向自动诊断和远程诊断方向拓展。状态预测则更多地利用对设备连续监测所得的特征参数的时间序列，对设备的未来状态进行预测，目前研究的热点是时间序列模型预测、灰色模型预测、神经网络预测等，主要立足于解决预测精度和预测时间间隔问题。随着监测、诊断和预测技术及仪器的发展，预测性维修的理论、技术及其整个体系也日趋成熟。

参考文献：

[1]何钟武,肖朝云,姬长法编著.以可靠性为中心的维修[M].北京:中国宇航出版社,2007.

[2]周东华,陈茂银,徐正国编著.可靠性预测与最优维护技术[M].北京:中国科学技术大学出版社,2013.

[3]王江萍编著.机械设备故障诊断技术及应用[M].西安:西北工业大学出版社,2001.

李政.基于在线状态监测系统的设备预测性维修[J].仪器仪表用户,2020,27(09):41-44.