石化机械设备故障诊断方法综述

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）

石化机械设备机组结构复杂， 一次运行时间较长，且处于高速、高温且高压的运行状态，因此发现设备的早期故障征兆， 提早制定防范和维护措施，对减少或避免因停机造成的损失意义重大。

目前，石化机械设备主要以监测系统和定期巡检的方式保障机组的正常运行。 常用的监测系统有System1 系统、SG8000 系统及Unicos Control System HMI 控制系统等，可监测设备关键部件的振动、压力、温度及位移等参数，一旦运行参数与正常状态偏差较大就会触发报警，现场工程师可根据情况适当进行检查维修，以避免设备运行出现较严重的事故。 目前，对于机械设备的状态判断主要是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，而这时设备大多已出现较严重的故障问题，可见该方式无法在早期故障阶段对设备状态进行有效分析， 及时排查隐患，避免故障的演化和传递。

设备故障诊断技术发展经历了3 个阶段：第1 阶段是依靠人员经验根据设备的异常响应，如振动、噪声及温度等明显变化来判断可能存在的故障形式及其严重程度；第2 阶段是基于传感器和动态测试技术，结合信号处理和建模分析方法进行设备故障诊断；第3 阶段是近年来发展形成的以计算机和信息技术为基础，以机器学习和人工智能为核心的智能诊断。 由于智能诊断方法对设备专业知识要求低，诊断结果准确率高，成为当前设备故障诊断领域研究的热点。 在此，笔者对目前以机器学习为基础的石化机械设备故障诊断方法进行了总结，比较了各类方法的优缺点和适用性，分析认为基于深度学习的方法是故障诊断未来发展的必然趋势。

1 基于神经网络的故障诊断方法

20 世纪80 年代，随着计算机技术的发展，人工神经网络开始诞生。 它通过模拟人大脑的运行模式，从一个新视角来进行数据处理，实现事物状态的判别与分析。 人工神经网络发展的初期形成了多种模型结构，主要包括多层感知器模型［1］、BP 神经网 络［2］、模 糊 神 经网络［3］、自 组 织 映射 神经 网 络［4］、Hopfield 神 经 网 络［5］及 递 归 神 经 网 络（Recurrent Neural Network，RNN）［6］等。 在这个过程中，学者们做了很多研究工作，徐桂云等为了降低基于无线传感的轴承故障诊断中的数据载荷， 提出一种基于PCA-RBF 神经网络的故障诊断算法，通过仿真验证可知，该方法的故障诊断准确率达85%以上，远高于传统的诊断方法［7］。柴保明等针对齿轮故障信号中噪声干扰严重导致诊断准确率不高的问题，提出了一种基于EEMD与RBF 神经网络相结合的故障诊断方法，通过多尺度滤波，然后提取各模态能量值输入RBF 网络中，实现了齿轮的故障诊断［8］。李娟娟等针对传感器故障实时诊断难的问题，提出了一种基于小波包与SOM 神经网络的诊断方法， 采用小波包将故障样本数据进行分解，再利用分解所得的各频段能量值与正常工作时的值之比构造特征向量，并将该特征向量输入SOM 神经网络中进行诊断［9］。 姚海妮等通过求解各故障模式与正常情况下特征空间中的马氏距离，实现了轴承早期微弱故障的诊断［10］。谢春丽等基于BP 神经网络方法，成功诊断出核电蒸汽发生器中U 形管破裂故障［11］。 崔玲丽等通过提取齿轮箱早期故障中的冲击信息，并与BP 神经网络结合，为强噪声环境下的机械故障诊断提供了一种新思路［12］。 邵继业等针对压缩机气阀故障信号的非平稳性和非周期性特点，提出一种PCA 和BP 相结合的气阀故障诊断方法，并通过仿真数据验证了该方法的可行性［13］。 万磊等针对水下机器人系统故障诊断难的问题，提出了一种改进的递归神经网络，并利用试验对RNN 模型网络输出进行了修正， 实现了推进器的故障诊断［14］。

2 基于支持向量机的故障诊断方法

支持向量机是一种建立在统计学基础上针对有限样本数据集的机器学习方法，该方法具有优越的学习能力，可以将非线性问题转化到高维特征空间进行线性变换［15］。 相对于传统的神经网络，支持向量机只需要较少的训练样本就能达到较好的泛化能力。 因此，该方法一经提出就在故障诊断领域得到了广泛推广与应用。 郭磊等针对传统故障分类器性能不佳的问题，提出了一种小波核函数支持向量机故障分类方法，并利用不同故障形态的轴承数据进行了验证，发现该诊断方法的准确率高于传统诊断方法的准确率［16］。 Kusiak A 和Li W Y 基于支持向量机进行了不同故障模式和不同故障严重程度的诊断识别［17］。 Zhu K H 等针对滚动轴承故障信号的非线性动态特性，提出了一种基于层次熵与支持向量机的故障诊断方法， 实验结果表明， 该方法优于传统的MSE 方法［18］。段礼祥等针对不均衡数据集导致诊断模型训练难的问题，提出了二叉树结构与加权C-SVM 相结合的方法，通过综合考虑样本类间距离、类内距离和不均衡程度，解决了不均衡数据集条件下的故障诊断难题［19］。 郑近德等针对滚动轴承早期故障敏感特征提取难，导致诊断准确率低的问题，提出了多尺度模糊熵与支持向量机相结合的诊断方法，采用滑动均值改进的多尺度模糊熵算法，实现了轴承的故障诊断［20］。 吐松江·卡日等为了提高变压器故障诊断准确率，提出了一种SVM 与GA 相结合的故障诊断方法， 可以准确、有效地诊断变压器故障［21］。Li Y B 等针对早期故障诊断难的问题，提出了一种基于层次符号动态熵和二叉树支持向量机的早期故障诊断方法，并通过仿真和实验证明了该方法对滚动轴承早期故障诊断的有效性［22］。

3 基于深度学习的故障诊断方法

虽然神经网络和支持向量机可以很好地实现故障分类，但依然存在需要人工提取特征和大数据量处理困难的问题。 深度学习强大的特征挖掘和数据处理能力可以很好地解决传统神经网络的不足，因此得到了广泛应用。 李巍华等针对传统故障诊断结果差异性较大的问题，提出了基于深度信念网络的故障诊断方法，通过从原始数据中挖掘分布式特征，实现了轴承故障的分类识别［23］。 赵光权等针对复杂装备监测信号的繁杂性导致人工特征提取难的问题，提出了深度置信网络的特征提取和故障诊断方法，实现了故障智能诊断［24］。 刘秀丽和徐小力针对风电设备在故障诊断中存在数据量大、 故障特征提取困难等问题，提出了一种基于深度信念网络的齿轮箱故障诊断方法， 通过将原始时域波形数据输入网络模型，同时在网络训练过程中加入Batch Normalization，避免了过拟合现象，实现了风电机组行星齿轮箱的故障诊断，且诊断结果优于传统的故障诊断方法［25］。 崔江等针对复杂工况下故障特征提取难的问题，提出了基于堆栈自动编码器的故障特征自适应提取方法，实现了航空发电机旋转整流器二极管的故障诊断［26］。 郑晓飞等为了解决传统神经网络过拟合、泛化能力差的难题，利用深度置信网络替代浅层神经网络，构建了基于深度置信网络的状态观测器，仿真验证结果表明，该方法诊断准确性和响应明显优于传统的BP 神经网络［27］。 周奇才等针对机械设备故障诊断中特征提取困难、复杂故障诊断准确率低的问题，提出了一种基于一维卷积神经网络的故障诊断方法，通过利用多个交替的卷积层和池化层完成原始数据的自适应特征学习，最终实现了轴承和齿轮箱健康状态的故障诊断［28］。 佘博等针对传统诊断模型泛化能力差的问题，通过利用频谱数据进行网络训练， 避免了特征提取中对人工经验的依赖，采用凯斯西储大学轴承数据进行分析，验证了该方法的可靠性［29］。

4 结束语

目前，常用的人工分析和智能诊断方法存在严重依赖专业知识和诊断准确率不高的问题。 基于深度学习的故障诊断方法能够直接从数据中自动提取表征设备状态的敏感特征，能够解决传统诊断中需要严重依赖专家经验和所选特征因主观或片面性而导致诊断结果准确率不高的问题，具有优良的特征学习能力和强大的模型泛化能力，将成为石化机械设备智能诊断领域的研究热点和未来发展方向。