机泵远程在线监测与智能诊断系统设计

杨露霞,姚 杰,钱依祎

(重庆川仪软件有限公司，重庆 401121)

0 引言

作为中国制造业核心成员，某机泵制造企业深入贯彻落实中国智能制造“十三五”规划与《中国制造2025》建设纲要，逐步实施企业数字化、发挥智能化制造示范引领带头作用；以实施智能制造工程为重要抓手，着力提升关键技术产品安全可控能力，培育经济增长新动能、打造我国制造业竞争新优势[1]。

目前，科技含量高、研发难度大的大型石油、石化等生产设备，如高端泵，仍主要依靠进口或国外品牌提供。在重视可靠性、安全性和经济性的同时，该机泵制造企业在提高企业数字化、系统集成化、办公无纸化的同时，不断在机泵生产上提高国产化能力、创新能力、“专精特”能力。

1 机泵监测现状

当前，国内设备监测手段从离线监测慢慢转变为以传感器监测方式和工艺状态监测为主的在线监测；离线监测指通过生产线和设备以外的各类检测仪表，对生产及设备状况进行必要的人工抽查监测；在线监测则与之相反；各种监测方式有各自的监测重点和优缺点。而一般机泵客户企业传统的监测手段为离线监测、工艺状态监测；石油石化类的大型企业采用传感器监测和工艺状态监测两种方式。由于现场设备管理人员对各自企业核心设备关注点的异同、各监测技术掌握程度的差异化，并不能有效地运用两种监测方式对设备故障进行综合评判，从而提高设备的使用寿命。

作为机泵设备生产厂家，机泵运行的安全性、可靠性是直接面对客户侧的利益核心。如何提高机泵的安全性和可靠性，如何通过信息化手段提高这两者性能，则是该企业十三五期间需要解决的难点。当前，机泵客户群或多或少地通过振动、温度、压力等在/离线监测数据来监测机泵的运行状况。这就使得作为生产厂家对外不能及时、深度、系统地对机泵的状态进行分析，进而不能及时发现故障、定位故障、解决故障；对内不能及时地、针对性地提高机泵的质量(包括泵的各零部件、备件、润滑油)。

鉴于上述种种原因和现行相关先进技术的推广普及，机泵远程在线监测与智能诊断系统的建设迫在眉睫。该系统设计通过分布式采集、集中式在线监测与诊断的方式，提前预测机泵故障，实时监控故障劣化趋势，将临时或计划检修转变为预知性维修[3]，为检修争取时间，减少非计划停机；精准定位故障点、智能化分析故障原因，为设备检维修决策提供依据。

2 远程在线监测与智能诊断系统设计

2.1 远程在线监测与智能诊断系统架构设计

机泵远程在线监测与智能诊断系统采用“分建共享、集中服务”的理念，监测对象主要为出厂客户端投入生产使用的机泵。通过采集各客户终端机泵的多种状态/运行参数，集中监测、诊断、分析、解决机泵出现的各类故障，辅助客户设备管控、生产计划正常进行；对内通过现场发生的各种故障，优化提升机泵寿命及相关配件自身质量。

根据机泵在客户端运营的具体情况，机泵远程在线监测与智能诊断系统的层级结构分为三层。①数据采集层：机泵现场的模拟量信号采集装置、应力波监测装置、振动系统监测装置、油温监测装置。②网络传输层：在现场采用工厂内部的局域网；现场与机泵制造企业之间可以采用专网、普通互联网的方式将数据收集到机泵制造企业的机泵生命管理中心。③应用层：基于物联网的云服务器平台，完成的数据持久化存储、管理，对核心监测数据进行分析、诊断甚而预测，最终采用可视化手段在各种显示终端实时监看机泵。机泵远程在线监测与智能诊断系统架构如图1所示。

图1 机泵远程在线监测与智能诊断系统架构图

2.1.1 数据采集层

有关高阶矩的最早论文是Backus（1977a，b）发表的。继这一开创性的工作之后，在1980年代早期由几位作者（Doornbos，1982；Stump and Johnson，1982）发展了高阶矩的概念。本文中我们遵循了Doornbos（1982）的方法。我们使用表示定理描述了地震位移。当我们用二阶的术语（即，我们用泰勒展开式到2级）表述时，得到了用非线性方法描述的震源参数。应用Doornbos所用的符号，可以区分标准矩张量解（Mij）和二阶项：

当前，在各大型的制造业中，针对设备的健康或全生命周期的监测可以分为设备状态监测、工艺过程监测和管理过程监测。监测方式有有线/无线传感器、可编程逻辑控制器(programmable logic controller,PLC)、分布式控制系统(distributed control system,DCS)、制造执行系统(manufacturing execution system,MES)等。

①设备状态监测。

设备状态监测有振动监测、应力波监测、红外热成像、油液监测和电气；通过有线传感器或无线传感器的方式，将数据传输到数据服务器进行分析。振动监测、应力波监测具有直接、实时、预测性告警和故障类型覆盖范围广的特点。红外热像、油液分析、电气诊断等则可作为以上两种监测方式的补充。

②工艺过程监测。

传统的DCS、PLC、MES主要聚焦于生产工艺过程的监测，针对机泵可以提取其负荷运行时压力、温度、流量、转速、负荷等状态值。此类状态监测实时性强，可通过生产管理闭环提高设备故障定位。

③管理过程监测。

管理过程监测与设备状态监测和工艺过程监测一般有交集，基于上述各系统可以获取机泵上线时间、机泵运行时间、上次故障原因、上次故障时间、点维修时间、点维修内容、备品备件使用情况等。此类监测内容可作为机泵故障预测、故障诊段的辅助信息。

2.1.2 网络传输层。

网络传输层负责连接现场传感设备、就地控制器以及就地HMI操作站；采用光缆、以太网、无线网卡等方式，以扩散式分布结构接入生产现场局域网。生产现场采用移动通信技术、互联网技术相融合的方式，将采集的数据完整地、高可靠性地、高安全性地集中传输至机泵制造商物联网数据服务器。

2.1.3 应用层。

本系统基于物联网技术，能提供无处不在的连接和在线服务的平台；应用层包含应用支撑平台层和应用服务层，前者用于支撑跨应用、跨系统之间的信息协同、共享、互通的功能，例如设备监测系统与工艺过程监测系统间数据的协同、互通。应用服务层则是智能诊断、智能告警、可视化大屏等应用。

2.2 远程在线监测与智能诊断系统功能设计

机泵远程在线监测与智能诊断系统以集中监测为主，控制为辅；核心在于采用多诊断技术相结合，多层次监测、多维度分析机泵运行状态数据，为机泵故障提供更精确的诊断、处理方案/措施，最终为机泵寿命的增强、设备质量的优化改进夯实基础。本系统功能板块如下。

①地理信息系统监测。

采用地理信息系统(geographic information system,GIS)技术[4-5]实时呈现所售出并在生产状态的机泵的地理位置和实时监测数据——设备状态、工艺过程参数、设备管理。机泵制造企业可以纵观全局、一目了然地查看所销机泵生产、运行、故障、维修等多维度信息，且能为该后期的运维服务、运维管理、售后服务提供依据。

②在线监测。

本系统以集中监测为主，将机泵的状态监测、工艺过程状态、管理过程状态融合，实现远程在线集中监测与监看。传统的状态监测数据一般在数据采集层进行处理，传输与底层计算量大，实时性低；工艺过程数据和管理过程数据一般是监测与控制并行，局限于企业局域网。因此，在线监测板块需要针对性地对底层与机泵故障相关数据进行筛选、采集、融合到本系统，为建立智能诊断系统提供融合决策基础。

③智能诊断。

作为机泵远程在线监测与智能诊断系统的核心，智能诊断板块采用数据融合决策方式加神经网络算法实现机泵故障事前预测、故障位置定位、故障原因诊断。基于预置事件响应规则自动运行报警联动、报警推送机制；自动或按需智能化提取机泵或部件某状态的故障特征值，进而生成机泵故障诊断结果或报告[6-7]。

④机泵管理。

机泵管理主要管理出厂机泵各类基本信息——状态监测点位置、上线时间、运行时长、点检计划、运维时间、运维内容、备品备件、所在权属单位、所属运维负责人等；对机泵的名称、型号、参数、安装地理位置、状态监测点位置等按照企业规约统一编码并标准化，为机泵故障的智能分析、诊断和预测提供基础信息。

2.3 机泵故障智能诊断设计

机泵故障是指其失去或降低其规定功能的事件或现象，表现为机泵生产运行异常、机泵某些零件失去原有的精度或性能，使机泵不能正常运行、技术性能降低，最终致使生产中断或效率降低而影响生产。作为设备的分类之一，机泵的故障诊断也符合设备故障诊断与预测流程：数据采集、状态监测、数据预处理、特征提取、数据融合、故障诊断、故障预测和保障决策[8]。设备故障诊断与预测流程如图2所示。

图2 设备故障诊断与预测流程图

机泵故障智能诊断系统采用数据融合诊断决策，其工作流程为：多状态数据采集、多状态特征提取、数据对比、故障诊断、增强诊断、故障预测。机泵故障智能诊断流程如图3所示。

图3 机泵故障智能诊断流程图

数据融合综合来自多种监测信息源、多类参数、多传感器信息，以及历史与经验信息，以减小故障诊断与预测的差错，提高故障诊断与预测的置信度。常用的数据融合方法有神经网络、专家系统、模糊逻辑、贝叶斯算法、卡尔曼滤波等方法[9]。本系统采用适用于海量数据、适合复杂非线性映射、计算能力强、自学能力强的神经网络算法。同时，结合生产端机泵的相应管理过程数据作为增强诊断的手段，提高故障预测和故障定位的精确性。

3 结束语

本文立足于某水泵制造企业，分析其机泵生产管理的现状，针对目前机泵运维管理方式落后、产销维联动性差、设备监测数据利用不充分等问题，提出基于物联网技术的机泵远程在线监测与智能诊断系统设计方案。本方案虽然采用了物联网、数据挖掘等高端技术，但仍存在一些值得关注的地方：本系统技术实现主要集中在数据采集、智能诊断和预测推理四个方面；状态监测的数据采集是整个系统智能诊断的核心，传感器的高精度、高可靠性(应比被监测对象更可靠)、严酷环境高适应性则是采集数据正确性的重要依据；智能诊断的核心取决于数据融合的方式，数据融合则需要考虑各监测系统采样时间的一致性。智能诊断系统的高置信度，不是机器或算法就能解决的问题，人的参与和联动才是主要因素。