基于状态监测的预警管理系统研究与应用

张栋梁，魏中青

（北京化工大学 诊断与自愈工程研究中心，北京 100029）

现代流程工业设备趋向大型化、连续化、高速化和自动化，功能越来越多、结构越来越复杂，因此由于设备故障停工而造成的损失将会大大增加。如果在设备出了问题后维修，停产不仅带来经济上的巨大损失，而且设备带病工作有可能引起严重损害[1]。尤其对关键机组，它是整个石化生产装置的“心脏”，其运行状态直接影响整个企业的安全生产和经济效益。因此对于大型设备在线监测早期故障特征的预警是至关重要的。

但是目前预警技术与状态监测并没有有效地结合起来，而且目前的预警技术存在一定的缺陷。首先，特征参数的预警方式过于简单，只能针对机组各个通道振动的总体幅值设置报警限，当超过报警限时对应通道报警。其次，可选预警参数特征参数少且没有合理利用。当前监测系统主要是利用FFT技术，获得振动信号各个谐波的倍频特征值或分频特征值[2]。而且没有将这些特征参数有机结合起来。对于故障发生时，机组可能出现非稳态等复杂的工作状态，使得预警不准确。预警系统智能化程度相对比较低，其主要表现在特征参数学习获得阈值信息不准确，智能预警关头策略不够严谨以及预警特征数据智能存储不够完善等方面。

笔者将预警技术与状态监测结合起来，对大型机组尤其是关键机组的早期预警进行了详细地分析和研究。

1 基于监督学习的预警

基于状态监测的预警技术可以根据阈值学习方式以及报警判断方式的不同分为很多类，笔者主要针对基于监督学习的预警技术进行讨论。监督学习是利用已知类别的数据按照指定的学习机理得出有效的数据，正如根据已知的机械故障学习诊断技术一样[3]。本文中主要是指根据一段时间内的特征值数据通过自学习得出阈值的过程。基于监督学习的预警技术可以分为以下几类：快变报警技术、缓变报警技术、趋势报警技术、轴心轨迹报警技术。

1.1 快变报警技术

快变是“快速变化”的简称，含义有两层：1）机器运行状态发生了快速的变化（突发故障），例如风机在运转过程中发生了叶片掉落故障，机器运行状态会快速转变为非正常状态。2）机器振动信号因为其状态的变化而发生了瞬间变化，例如风机掉叶片时，其振动信号的某一个或某几个特征值突然变大或变小。

1.1.1 快变报警的趋势表示

针对机组运行时，测点特征值的趋势变化情况，当发生突发故障时，信号的特征值会出现明显的增大，则触发快变报警[4]，如图 1所示。

图1 发生快变报警时的趋势图Fig.1 Trend graph of fast-changing alarm

1.1.2 快变报警阈值学习

利用高斯模型[5]实现快变报警的门限学习，各倍频对应幅值的特征值为Si（k）且服从高斯分布。根据机组平稳运行一段时间后得到的n组特征值，计算得到各个特征值的均值和方差，可反映振动信号特征值在该段时间范围内平稳分布情况。快变报警门限学习的过程如下：

1）计算一段时间内特征值的均值：

2）计算一段时间内特征值的方差：

3）根据特征值的均值以及方差得出特征值的门限：

式中k表示当前的特征值索引。

由以上各式中自学习获得的阈值置信度为99.73%，可以真实反映机组各个特征值在该时间范围内的分布趋势。

1.2 缓变报警技术

缓变是“缓慢变化”的简称，含义有两层：1）机器运行状态发生了缓慢的变化（缓变故障），例如旋转机械转子结垢与轴承磨损，以及催化剂在机组叶片上的沉积（缓变故障），机器运行状态通过缓慢变化的积累转变为非正常状态。2）机器振动信号因为其状态的变化而发生了缓慢变化的趋势。例如旋转机械转子结垢与轴承磨损，以及催化剂在机组叶片上的沉积时，其振动信号的某一个或某几个特征值具有缓慢变大或变小的趋势[6]。

1.2.1 缓变报警的趋势表示

针对机组运行时，测点特征值的趋势变化情况，当发生渐发性故障时，尤其在故障的早期出现信号特征值缓慢增大的情况时，则触发缓变报警。缓变报警为分钟级报警策略：当前机器状态与前一段时间内 （通常为几分钟前）的机器状态之差，为分钟级变化信息量。一般而言，正常运行的机组设备发生缓变故障时，机组的运行状态可以描述为：平稳运行阶段→缓变报警阶段→平稳运行阶段。缓变报警过程如图2所示。

图2 发生缓变报警时的趋势图Fig.2 Trend graph of slow-changing alarm

1.2.2 缓变报警的阈值学习

对于缓变报警，采用下面的自学习算法得出阈值。对于振动信号，各倍频对应幅值的特征值为Si（k）。

最后根据系统设定的放大系数 （ZOOM）以及期望系数（HOPE）来计算得出缓变报警阈值：

放大系统以及期望系数可以根据机组的运行状态进行调整，优化阈值学习结果，得出最接近机组正常运行状态时阈值。

式（4）中，i表示特征值类型，如1倍频、2倍频等。

1.3 趋势预警技术

趋势报警技术是从数据库中获取指定时间段的特征值数据 Si（k），然后对数据 Si（k）按照趋势预警策略进行分析后给定分级预警信息。分级预警信息包括趋势缓慢增长、趋势较快增长、趋势缓慢减小、趋势快速减小以及正常趋势。趋势分析的策略如图3所示。

图3 趋势预警策略图Fig.3 Diagram of trend alarm strategy

1.4 轴心轨迹预警技术

在大型回转设备的监测中，由于轴心轨迹图中含有丰富的故障信息，可以通过轴心轨迹图分析得出故障的前期征兆[7]，因此对轴心轨迹的预警有着重要的意义。

利用Hilbert变换[8]获得轴心轨迹轨迹包络线并获得轴心轨迹的包络报警形状门限，如果实际的轴心轨迹不在包络报警形状门限之内，则说明发生了故障，如图4所示。

图4 轴心轨迹图Fig.4 Axis orbit graph

上图中，粗线表示实际的轴心轨迹曲线，细线表示轴心轨迹包络线，即通过自学习得到的轴心轨迹包络报警形状门限。

2 基于状态监测的预警管理系统的应用

笔者开发的基于状态监测的预警管理系统主要由4个模块构成：设备信息以及预警信息的加载、设备报警的判断、报警状态的同步、报警数据以及报警数据的存储、历史数据的同步。其判断的流程如图5所示。

图5 预警管理系统的模块之间的关系Fig.5 Relationship of the models on early warning system

2.1 设备信息以及预警信息的加载

登录进入预警管理系统后，系统会读取中间件服务器上所有的设备的基本信息，其中包括测点信息、预警信息以及自定义的信息，并且将所有的信息缓存在系统中。

2.2 报警的判断以及报警状态的同步

预警管理系统加载完所有的设备信息后，会从中间件服务器中读取实时数据。然后系统根据设定的预警信息已经获取的实时数据进行报警判断，如图6所示，当设备中测点发生报警时，预警系统客户端就会有相应的提示，并且说明发生了哪种类型的报警。

图6 客户端显示的报警状态Fig.6 Alarm states showed on client

2.3 报警数据以及报警日志的保存

通过报警判断可以得出设备以及其各部位当前的运行状态，即是否发生报警并且发生的是什么类型的报警。但是这些并不足以分析设备当前发生故障，因此需要保存报警前后的数据。通过保存的历史数据可以查看并分析报警时间段机组的整体运行状态，并根据报警数据分析机组发生的故障。

3 结 论

笔者研究开发的预警管理系统，通过对特征值的自学习得出特征值门限。然后将采集到的实时数据与门限值进行比较得出设备通道的报警状态，可以预测到设备早期的故障的发生，从而避免了由于停车而造成的损失以及由于设备故障而带来的危险。本文中开发的预警管理系统可以对设备进行实时监测并有效地进行预警，在实际应用中取得了良好的效果，在预警的同时，又能根据保存的报警日志以及报警数据进行针对性的故障分析，从而更加准确地掌握设备的运行状态，为安全生产打好基础。

[1]黄文虎，夏松波.设备故障诊断原理、技术与应用[M].北京：北京科学出版社，1997.

[2]徐小力，梁福平，许宝杰，等.旋转机械状态监测及预测技术的发展与研究[J].北京机械工业学院学报，1999，14（4）:6-11.XU Xiao-li， LIANG Fu-ping，XU Bao-jie， et at.Development and research of rotating machinery condition monitor and prediction[J].Journal of Beijing Institute of Machinery，1999，14（4）:6-11.

[3]司捷，周贵安，李函，等.基于梯度监督学习的理论与应用（I）——基本算法[J].清华大学学报，1997（7）：73-75.SI Jie， ZHOU Gui-an， LI Han， etal.Theroryand application for the supervised learning method based on gradient algorithms Part I——Fundamentalgorithm[J].Journal of Tsinghua University.1997（7）：73-75.

[4]魏中青，马波，江志农，等.旋转机械振动监测快变报警系统研究及工程应用[J].机电工程技术，2010，12（39）：82-84，114，117-118.WEI Zhong-qing， MA Bo， JIANG Zhi-nong， et al.Study on fast-changing alarm system of rotating machinery vibration monitoring and its application[J].M&E Engineering Technology.2010，12（39） ：82-84，114，117-118.

[5]雷继尧，何世德.机械故障诊断基础知识[M].西安：西安交通大学出版社，1989.

[6]WEI Zhong-qing， JINAG Zhi-nong， MA Bo，et al.The slowchanging alarm system of condition monitoring for rotating machinery[J].Wseas Transactions on Systems，2010，9 （1）:52-61.

[7]韩西京，李录平，史铁林，等.旋转机械轴心轨迹的自动识别[J].振动、测试与诊断，1997（3）：22-27.HAN Xi-jing， LI Lu-ping， SHI Tie-lin，et al.Automatic identification of axis orbit of rotating machinery[J].Journal of Vibration ，Measurement&Diagnosis，1997（3）：22-27.

[8]张绪省，朱贻盛，成晓雄，等.信号包络提取方法——从希尔伯特变换到小波变换[J].电子科学学刑，1997（1）：120-123.ZHANG Xu-sheng， ZHU Yi-sheng， CHENG Xiao-xiong， et al.The methods of extracting signal envelope——from hilbert transfrom to wavelet transform[J]. Journal of Electronics&Information Technology，1997（1）：120-123.