發表時間： 2025-07-08 09:26:33
作者： 石油化工設備維護與檢修網
瀏覽： 133
關鍵詞 | 石化 大機組 診斷方法
石油化工裝備是石化企業組織生產的基礎，一旦發生故障，勢必造成極大的財產損失。機械故障診斷是在基本不拆卸機械的條件下，判斷機器運行中內部隱含的故障，識別主導故障及其原因，并預測故障發展趨勢的技術。
對于機械設備故障可以理解為，系統至少一個特征參數由可接受的、通常的、標準的狀態發生不允許的偏移。廣義地講，設備出現的任何異常現象，表現出所不期望的特性均是故障。機械故障診斷是在檢測基礎上發展起來的一整套流程，主要包括：故障檢測、故障隔離、故障辨識。
早期用各種儀器直接檢測設備故障，發展到現在基于知識的智能故障診斷技術。目前的故障診斷技術一般指以軟件解析冗余為主的方法，始于20世紀70年代。1990年，故障診斷權威Frank教授把故障診斷方法大致分為3類：基于模型的方法、基于信號的方法和基于知識的方法。2003年，V.Venkat等人提出了基于定量模型的方法、基于定性模型的方法和基于過程歷史的分類方法。工業機組中常用到的診斷方法分為以下四類，如圖1所示。
圖1 故障診斷方法分類
一、基于模型的故障診斷方法
基于模型的故障診斷方法是在現代控制理論和優化方法指導下，建立系統的數學模型，然后基于某種準則或閾值對模型的殘差進行評價和決策。1971年，Beard在其博士論文中提出利用解析冗余代替硬件冗余的思想，這標志故障診斷技術的開端。基于解析模型的方法適用于能建模、有足夠傳感器的系統，其優點是能夠實現動態分析和實時診斷，缺點是通常建模比較困難，模型的魯棒性問題較突出。
該方法常用到觀測器和濾波器。一是基于觀測器的故障診斷，針對系統的數學模型，構造相應的觀測器，經轉換生成殘差，根據決策邏輯實現故障診斷。20世紀80年代初有學者提出等價空間法，識別數據是否發生傳輸錯誤，并且可以啟用校正裝置。該方法已應用到故障診斷的復雜模型，如模糊非線性系統和模糊樹模型。二是基于濾波器的故障診斷系統，使用Kalman濾波器對隨機系統的輸出進行估計，濾波器的輸出作為殘差，其優勢在于只需要當前的測量值和前一個采樣周期的估計值就能夠進行狀態估計。目前卡爾曼濾波器應用廣泛，常被用于通信、雷達、導航、自動控制等領域。它多用于噪聲較大的場合，通過殘差的序列概率比檢驗，能準確識別故障，缺點是對輕度的故障不敏感。現在故障診斷中的卡爾曼濾波技術有擴展型卡爾曼濾波器（EKFs）、無損卡爾曼濾波器（UKFs）和增強狀態卡爾曼濾波器等。與傳統的卡爾曼濾波器相比，EKF可用于非線性工業故障診斷。增強型卡爾曼濾波可以同時估計系統狀態信號和故障信號。
基于系統辨識技術的參數估計也是一種非常重要的隨機故障診斷方法，可通過參數估計方法來描述故障信息，然后根據系統參數和故障參數變化來判斷故障是否發生。
二、基于信號的故障診斷方法
這類方法是通過各種方法對測量信號進行分析處理，提取與故障相關的信號的時域或頻域特征用于故障診斷。快速傅里葉變換、小波變換、希爾伯特－黃變換是故障診斷中特征提取的常用手段。
由于工業機械設備振動信號往往就是一種不穩定的波形信號，基于經驗模式分解法（EMD）的時頻分析方法，是比較常用的一種方法。該方法認為任何信號都是由表征信號內在特征振動形式的本征模態函數組成，所以可以通過特征時間尺度得到信號的本征振動模式，篩選信號，進而判斷出故障。因此EMD方法常用來分析、處理非線性和非平穩信號。
三、基于知識的故障診斷方法
其他診斷法都必須利用在線實時數據，但是基于知識的故障診斷方法則需要采用大量的歷史數據。它是通過分析輸入、輸出和狀態參數之間的關系，從大量的歷史數據中學習輸入與輸出值之間的映射關系，從而可以進行故障預測。該類型方法從以下兩方面介紹：
1）基于定性知識的故障診斷。早期的故障診斷主要取決于操作者的經驗，其通過機器聲音判斷是否發生故障。20世紀60年代末專家系統作為人工智能的一個分支應運而生，它不依賴于系統的數學模型，而是根據人們的實踐經驗和大量的知識建立知識庫，通過電腦程序來解決復雜系統的故障診斷問題。專家系統診斷方法能夠解釋自己的推理過程，而缺點是知識獲取的“瓶頸”問題，即知識獲取時的知識庫不完備，同時又缺乏自我學習、自我完善能力，不能在故障診斷實例中自我完善知識庫。定性趨勢分析（QTA）是把已測的信號作為一種趨勢序列，其趨勢可以反映重要參數、發展速度以及趨勢的變化，是故障早期判定的一個重要手段。這種技術已廣泛地應用于復雜工業過程的故障診斷，特別是化學工業過程。最近QTA結合其他定性分析工具符號有向圖（SDG），可以實現優勢互補。例如，早期故障診斷中，SDG－QTA故障診斷方法實現了SDG的完備性和QTA診斷高分辨率性能的結合。
2）基于定量知識的故障診斷。在故障診斷領域，要獲得各種診斷對象大量的典型故障樣本往往是很困難的，統計理論為解決小樣本的診斷問題提供了理論基礎。多元統計分析方法主要有主成分分析法（PCA）、偏最小二乘法（PLS）、獨立成分分析（ICA）和支持向量機（SVM）等。基于定量知識的故障診斷方法主要有人工神經網絡（ANN）和模糊診斷方法等。ANN具有與人腦類似的記憶、學習、聯想等能力，但也有很多局限性。如ANN不能充分利用專家積累的寶貴經驗，故障診斷時需要足夠的學習樣本，學習算法收斂速度慢，不能解釋推理過程和推理結果等。以多層感知器的網絡結構為例，整個網絡結構各個神經元的功能以及學習和處理的數據都彼此相似，整個網絡基本功能就是建立在從輸入到輸出的映射中，以劃分出輸入到輸出間逐步轉化的過程，網絡結構復雜，很難用硬件實現。
四、混合型故障診斷方法
基于模型、基于信號和基于知識的故障診斷方法，均有其獨特優勢和條件限制。具體而言，基于模型的故障診斷可以使用少量的實時數據監測和診斷未知故障，但它需建立明確的表示輸入－輸出關系模型，診斷性能完全依賴于模型的準確性。而基于信號和知識的方法并不需要一個明確的或完整的模型，特別適合于監測和診斷復雜的工業過程。基于信號的故障診斷方法提取輸出信號的主要特征，但它不太關注系統的動態輸入，其診斷性能在未知干擾時可能發生退化。由于需要訓練大量的歷史數據，以知識為基礎的故障診斷方法計算成本很高，可能無法很好地識別未知故障類型。
為了充分利用各種故障診斷方法的優勢，兩種或更多的故障診斷方法集成或組合應用到故障診斷中，即所謂的混合型故障診斷方法。例如，基于模糊理論的神經網絡故障診斷方法，根據神經網絡的輸出結果進行模糊運算，并對推理過程進行解釋。模糊理論結合專家系統對旋轉機械進行故障診斷等。
信息來源：化工活動家
