天然气压缩机故障诊断系统的设计与实现

孙家兰

（煤炭科学技术研究院有限公司，北京 100013）

0 引言

中国的一次能源以煤为主，随着经济的快速发展以及当前日益严峻的环保压力，人们对清洁能源的需求愈来愈髙，而天然气作为一种清洁能源，较好地解决了煤炭在使用过程中的污染问题，天然气的需求与应用成为一种能源利用趋势。

很多天然气压缩机在小故障预警后，由于现场人员的经验不足，不能及时进行排除，错过了设备抢修的第一时间，导致了更严重的后果[3,8]。因此，研发一套具备现场处理设备故障能力的天然气压缩机预警维护系统十分重要。

该文提出了一种基于Android 平台的系统，当故障预警出现时能够自动、快速、准确地对故障原因进行分析诊断，为现场巡视人员第一时间处理异常提供参考[1]。

1 基本思路

如图1 所示，设计基本思路是利用CBR 和RBR 技术，基于Android 平台结合网络通信机制，实现便携式压缩机的故障预警、分析和展示[6]。其主要由数据采集系统、应用系统服务端系统、存储分析服务器和Android 移动端4 个部分组成。

1.1 数据采集系统

该系统负责连接各类传感器，将传感器获取的压缩机的运行数据集成到采集系统中，通过网络发送到服务端分析系统，并存储到相应的数据库中。

1.2 应用系统服务端系统

该系统负责对采集的数据进行分析计算，例如在压缩机监控参数出现异常时，及时给出预警，并利用基于案例推理和规则推理相结合的诊断机制，分析故障原因，提出维修处理建议[7]。

1.3 存储分析服务器

该服务器在存储采集到的监控数据的同时，也会存储设备的基本信息以及诊断模块的业务模型数据。

1.4 Android移动端

移动端主要供设备维护巡检人员使用，核心是提供便携式数据展示和分析服务。

2 系统架构

天然气压缩机预警维护系统在架构上分为移动层、服务层、支撑层、数据层、基础层5 个层次。如图2 所示。

移动层指Android 平台上的App，由于移动端硬件条件的限制，其不能进行大规模的运算和存储，因此移动层只具备监控展示和故障预警功能，核心运算放在服务层、移动层与服务层，采用JSON 格式传输数据[9-10]。

图1 系统数据流程图

图2 系统架构图

服务层是运行在应用服务器上的各个服务端，处理来自终端的请求，并将处理结果返回给移动层。服务层采用RESTful 架构，对外提供各功能URL 资源，移动层只需要通过HTTP 协议访问对应的URL 资源，即可获得返回JSON 格式的业务数据。

支撑层可理解为抽取的公共模型或算法，例如CBR 和RBR 策略已被很多领域应用，形成了算法支持。

数据层描述整个系统的数据来源，该系统主要涉及2 个方面的数据来源，传感器采集的实时数据和预警维护系统的数据库数据。

基础层表示了整个系统的物理基础，为系统提供网络、计算、存储等硬件支持。

3 关键技术

3.1 Android动态监控曲线绘制

移动端可以实时监控压缩机的各种参数，主要以曲线和表格方式展示，表格方式能够利用Android 平台的Edit Text控件很方便的实现，相较而言曲线显示更具连续性，对于分析结果的展示也更加直观。

下文以活塞杆的沉降曲线为例，讲述基于AChartEngine开源工具的曲线绘制过程。AChartEngine 是Android 平台的图表开发库，能绘制折线图、饼图、气泡图、柱状图、散点图以及面积图等统计图表。AChartEngine 的每个图表都需要一个数据集（DataSet）和渲染器集合（Renderer）。

图表工厂（ChartFactory）通过调用数据集（DataSet）和渲染器集合（Renderer）可以生成带图表的GraphicalView 或者Graphical Activity。活塞杆采集数据抽象为对象Rod，代码如下：

public class Rod(){

private angle;

private swing;

};

angle 表示角度，取值范围为0～360；swing 代表振幅值，取值范围为-15～5。在程序中，首先初始化曲线，包括创建坐标轴的初始化和数据集，调用series.add(r.getAngel(),r.getSwing() )方法将业务数据映射为坐标数据。然后在Timer中定时updateChart() 曲线，实现曲线动态显示。updateChart代码如下：

3.2 BLE蓝牙通信

该文采用BLE 及低功耗蓝牙技术，通过获取蓝牙设备的MAC 地址（MAC 是唯一的），可以获取数据库中的配置信息及历史数据，同时也可通过Service 实时采集数据，屏蔽了从数据库读取数据的网络延迟。蓝牙读取流程，如图3 所示。

图3 BLE 工作流程图

蓝牙设备扫描，调用startLeScan()方法开始扫描，由于手持设备资源有限，不能长时间扫描周边设备，所以利用定时器，达到一定时间调用stopLenScan()方法强制关闭扫描程序。

3.3 CBR和RBR集成故障诊断推理模型

案例检索（CBR）具有直观、高效的优点，但是案例库的丰富程度决定了案例匹配的成功率，在系统初期建立完备的案例库费时费力。引入规则推理机制（RBR），在案例匹配失败的情况下利用规则推理，推导出故障原因，并进行维修指导，经过人工确认无误后，保存入案例库，使系统具备自主学习的功能，逐渐丰富完善案例库。CBR 与RBR 集成诊断流程如图4 所示。

案例匹配采用最邻近算法进行相似度计算。相似度计算分为局部相似度和全局相似度2 个部分。局部相似度就是故障特征项的相似值，全局相似度为各特征项之间的加权平均值。

局部相似度计算公式：

全局相似度计算公式：

规则推理工作主要分为规则提取、规则库建立和代码实现3 步。规则提取可以利用SWRL 语言完成，这是一种由语义的方式呈现规则的语言，由RuleML 演变而来，在结合OWL与本体论形成[11]。整理后的SWRL 规则需放入JESS 推理引擎中进行推理。JESS 是目前流行的规则系统，由Java 语言开发，可以与Android 系统结合。

图4 诊断推理流程图

4 结论

该文设计并实现了一种天然气压缩机预警维护系统，该系统由数据采集设备、存储分析系统和Android智能手机监测系统组成。数据采集系统实时采集压缩机的信息，利用BLE技术传送到Android 智能手机终端，同时利用局域网络传输到存储分析系统。存储分析系统对信息进行存储、处理和分析，实现对压缩机状态的分析。Android 智能手机系统通过与BLE 和数据采集系统通信，实现实时监测，提高了对压缩机状态监测的灵活性和方便性[2，4，5]。

通过实验测试，该系统数据流转正常，参数采集完整，故障预警较准确，维修建议正确，较好地实现了对天然气压缩机状态的实时监测与运行状态的分析，证明了该系统的有效性和实用性。