中石化各煉化企業(yè)大機組監(jiān)測系統(tǒng)分散不統(tǒng)一，未與工藝量參數(shù)以及業(yè)務系統(tǒng)實現(xiàn)關聯(lián)，關鍵機組各狀態(tài)監(jiān)測系統(tǒng)成為信息孤島，難以實現(xiàn)統(tǒng)籌管理。在應用上缺乏早期預警和故障診斷能力, 多采用門限報警技術，存在反復報警、漏報警、假報警現(xiàn)象較多，故障診斷依賴專業(yè)工程師的技術能力，缺少數(shù)據(jù)挖掘，數(shù)據(jù)分析不足，智能預警和智能診斷能力不足，對關鍵大機組維修決策支持能力弱。

為解決以上痛點問題，中石化建立了基于石化智云平臺關鍵機組狀態(tài)監(jiān)控應用，主要建設內(nèi)容如下：

本項目基于石化智云基礎架構，利用云資源、技術服務、持續(xù)交付中心等云技術及能力，開發(fā)了關鍵機組狀態(tài)監(jiān)控應用，包括 5 個一級功能和 34 個二級功能模塊，構建了報警通知-診斷通知-檢修反饋閉環(huán)業(yè)務處理流程。

項目依托石化智云構建大機組故障診斷模型等共 7 個組件并上架石化智云，賦能石化智云。

本項目將采集到的大機組振動和工藝數(shù)據(jù)進行預處理后，建立預警模型，輸出預警信息，預警模型分為 5 種模式：常規(guī)報警、防止反復穿越報警、趨勢預警、智能快變報警、智能動態(tài)閾值預警。

本項目研發(fā)構建了包括旋轉失速、喘振、軸瓦間隙、轉子彎曲等 9 個大機組故障診斷模型。

本項目覆蓋了中石化煉化企業(yè) 20 家關鍵大機組數(shù)據(jù)，共接入 490 臺機組振動數(shù)據(jù)和工藝量數(shù)據(jù)。同時，對大機組故障診斷模型組件進行國產(chǎn)化適配改造，并上云上平臺。

大機組故障診斷模型是針對離心壓縮機組，采用基于數(shù)據(jù)驅動和故障機理相結合的方式，通過分析故障機理，結合信號處理方法，提取出高信噪比的振動參數(shù)故障特征。

通過對歷史案例數(shù)據(jù)的總結，形成各類故障的故障特征庫，采用自編碼器 Autoencoder、卷積神經(jīng)網(wǎng)絡 CNN等數(shù)據(jù)驅動方法，對新采集的機組振動特征參數(shù)進行分類，建立智能診斷模型，實現(xiàn)大機組不平衡、不對中、油膜渦動等 9 類典型故障智能診斷。

1)特征提取研究

a）時域特征提取。時域信號是傳感器采集經(jīng)數(shù)據(jù)采集器后的原始振動信號，當設備發(fā)生故障時，振動數(shù)據(jù)的成分會發(fā)生變化，但大都被干擾信息遮蔽，無法直接識別。利用統(tǒng)計方法提取的振動信號時域特征，一定程度上可以減少振動數(shù)據(jù)中的噪聲干擾，減少數(shù)據(jù)的冗余信息，并且特征對故障具有一定的指示性。

振動數(shù)據(jù)統(tǒng)計特征分為有量綱參數(shù)和無量綱參數(shù)。有量綱參數(shù)：峰值、峰峰值、均值、有效值、方差等，無量綱的有：峭度、歪度、波形、脈沖、裕度等指標。上述指標對故障信號均有不同的響應，有量綱參數(shù)對設備工況、載荷變化非常敏感，無量綱參數(shù)會隨設備故障嚴重程度發(fā)生變化。單一特征不能實現(xiàn)變工況運行設備故障的有效預警，多特征融合可以解決單一故障特征故障指示面窄的問題。振動信號的時域特征常用于設備的運行狀態(tài)監(jiān)測，對于工況變化復雜的設備，單一的時域特征參數(shù)無法全面監(jiān)測設備運行狀態(tài)，易造成大量的虛警和漏警，還需要頻域特征。

b）頻域特征提取。振動信號頻譜分析是故障診斷最常用的手段，頻譜分析能夠得到振動數(shù)據(jù)組成成分及其能量大小。傅里葉變換是振動信號頻譜分析的基礎，通過傅里葉變換將振動信號分解為單一頻率成分，可以清晰地看出信號中的主要組成成分，并得出故障特征。

c）時頻特征提取。基于傅里葉變換的頻譜分析只能處理平穩(wěn)信號，無法處理非平穩(wěn)信號。小波分析引入窗函數(shù)可變的小波基，其分析窗口函數(shù)可調，能夠提取到非平穩(wěn)信號短時、局部信息特征。通過構造小波函數(shù)族，將小波分析過程中的小波正交基組擴展為小波正交基庫，實現(xiàn)數(shù)據(jù)低頻和高頻成分的同時細化和分解。

通過試驗數(shù)據(jù)對時域、頻域和時頻域特征分析，可以發(fā)現(xiàn)，不同特征對故障敏感程度不同，反映了設備不同狀態(tài)下振動數(shù)據(jù)特征間的差異。部分時域特征對軸承故障不敏感，但單一狀態(tài)下特征穩(wěn)定性較好；頻域特征對頻譜結構變化敏感，正常狀態(tài)下，特征變化穩(wěn)定，未出現(xiàn)大幅波動，指示性好；時頻域特征能夠細化頻譜結構，對頻譜異常變化敏感，且故障指示性最好。

2)基于自編碼器的故障智能診斷

a）自編碼器作為診斷模型原理。自編碼作為一種無監(jiān)督式學習模型，利用輸入數(shù)據(jù) X 本身作為監(jiān)督，來指導神經(jīng)網(wǎng)絡嘗試學習一個映射關系，從而得到一個重構輸出。算法模型包含兩個主要的部分：Encoder（編碼器）和 Decoder（解碼器）。編碼器的作用是把高維輸入 X 編碼成低維的隱變量 h 從而強迫神經(jīng)網(wǎng)絡學習最有信息量的特征；解碼器的作用是把隱藏層的隱變量 h 還原到初始維度。

在故障檢測場景下。利用無故障特征數(shù)據(jù)與各類故障特征數(shù)據(jù)，構建深度自編碼器網(wǎng)絡診斷模型 AE，并得到正常與故障樣本特征空間；然后將當前待檢數(shù)據(jù)輸入 AE 的編碼器部分，得到待檢數(shù)據(jù)的特征 at,計算輸出值 at 與各特征空間A 之間距離，距離最近的判定為待檢數(shù)據(jù)所在工況。

b）診斷模型分類方法。診斷模型采用以下兩種距離歐式距離和馬氏距離對 AE 模型輸出進行分類：

歐氏距離簡單明了，且不受坐標旋轉、平移的影響。為避免坐標尺度對分類結果的影響，需在計算歐氏距離之前先對特征參數(shù)進行歸一化處理。考慮到特征矢量中的諸分量對分類所起到的作用不同，可采用加權方法，構造加權歐式距離。

馬氏距離是加權歐式距離中用得較多的一種，馬氏距離的優(yōu)點是排除了特征參數(shù)之間的相互影響。

3)基于卷積神經(jīng)網(wǎng)絡的故障智能診斷

a）卷積神經(jīng)網(wǎng)絡作為診斷模型原理。卷積神經(jīng)網(wǎng)絡是多級神經(jīng)網(wǎng)絡，包含濾波級（filtering stage）與分類級（classification stage）。其中，濾波級用來提取輸入信號的特征，分類級對學習到的特征進行分類，兩級網(wǎng)絡參數(shù)是 共同訓練得到的。濾波級包含卷積層(convolutional layers)，池化層(pooling layers)與激活層 (activation layers)等 3 個基本單元，而分類級一般由全連接層組成。本方案設計的卷積神經(jīng)網(wǎng)絡處理的是一維信號。

b）用于振動信號診斷的一維卷積神經(jīng)網(wǎng)絡。本項目采用的卷積神經(jīng)網(wǎng)絡的結構如下圖所示。該卷網(wǎng)包含兩個卷積層，兩個池化層，一個全連接隱含層，以及一個 Softmax 層。診斷信號通過第一個卷積層以及 ReLU 激活層，變?yōu)橐唤M特征圖（Feature Maps），再經(jīng)過最大值池化進行降采樣。重復一次以上操作，將最后一個池化層的特征圖與全連接隱含層相連，經(jīng)過 ReLU 激活之后，傳遞到最后的 softmax 層。

大機組故障診斷模型目前在中石化集團 20 家煉化企業(yè)離心大機組進行應用，實現(xiàn)了大機組不平衡、不對中、 油膜渦動、、喘振/旋轉失速、動靜摩擦等 9 類典型故障自動診斷，為企業(yè)維修決策提供有力支持。

自系統(tǒng)上線以來至今應用效果顯著，基于系統(tǒng)智能報警和智能診斷模型已為 20 家企業(yè)有效診斷 50 余次，統(tǒng)計結果見圖 5，其中有 49 次為提前發(fā)現(xiàn)機組異常，及時告知企業(yè)，密切關注機組，避免造成嚴重故障。

本模型通過推廣至煉化板塊其他企業(yè)離心大機組故障診斷，可避免或減少非計劃停機或停工事件發(fā)生，延長設備壽命，同時減少維修時間，提高生產(chǎn)效率和經(jīng)濟效益。

大機組智能診斷模型可大幅度減少對故障診斷專家的依賴，并且確認診斷結論以及檢維修建議的時間縮短 6 倍以上，可大幅縮短機組的檢修周期，降低機組故障停機時間、提高企業(yè)經(jīng)濟效益。

根據(jù)應用企業(yè)數(shù)據(jù)反饋：預計一家企業(yè)每年降低非計劃停機 1-2 次，根據(jù)企業(yè)規(guī)模不同，為企業(yè)減少直接或 間接經(jīng)濟損失約每年 400 萬，為企業(yè)降本增效和可持續(xù)發(fā)展提供有力的技術支撐。