基于大數據平臺的火電廠泵類設備故障診斷技術分析

王鐵民　孫瑞　羅丹

摘 要：泵類產品在工業生產中有著廣泛的應用，其工作運行中的穩定性對生產活動有著重要影響。故障診斷技術對維持泵的正常運行有著重要意義，隨著大數據技術的發展，故障診斷結合大數據技術將為泵類設備提供更好保障。本文綜合分析了泵類故障診斷技術與大數據技術的發展趨勢和關鍵技術，指出智能化故障診斷面臨的挑戰與發展趨勢。

關鍵詞：故障診斷;大數據;智能化;工業泵

1 引言

在工業生產中，泵作為一種通用機械其地位無可取代，其中石化用泵、電力用泵又占極大部分。由于我國目前發電情況是以火電為主力，而泵在火電廠所發揮的作用非常重要。泵類設備作為生產系統重要的環節，一旦發生故障容易導致整個生產系統癱瘓，其造成的直接和間接損失無法估量，因而保證泵的正常運行十分重要。

通過對泵類設備進行狀態監測和故障診斷，可實時監測設備的生產狀態，若有異常狀態發生，以報警方式對相關人員進行及時通知，從而減少因故障帶來的人力和物力的成本損失，以及提高設備和系統的可靠性。

2 國內外狀態監測、故障診斷技術的研究進展

現代信息技術發展已經取得了快速的進步，如計算機技術、人工智能技術和傳感器技術，利用這些技術同狀態監測和故障診斷理論進行結合，使得狀態監測和故障診斷技術得以應用于實際生產環境中。

美國于1967年成立了機械故障預防小組，英國幾乎同時期成立“英國機器保健中心”，他們在故障分析及診斷技術開發等諸多方面取得了很大成就。歐洲的部分國家憑借著對診斷技術的深度研究，已經在該領域取得了較為不錯的成績。丹麥和日本也都針對機械設備推出了適合不同工業領域應用的狀態監測和故障診斷系統，例如核電站和商業熱電站。

此外，國內對于狀態監測和故障診斷技術也有一定的研究，許多企業和高校對此做了相關的理論研究和系統開發，并已有較好的成果展現。例如，南京航空航天大學、華南理工大學和浙江大學針對遠程故障診斷的研究取得了不錯的成績。華中理工大學構建了設備故障遠程診斷中心，目的是為客戶提供遠程診斷服務，也取得了相應的成果。

狀態監測和故障診斷技術主要經歷了人的現場觀察、測量儀器和計算機管理三個發展階段。最初的人的現場觀察階段主要由人根據以往經驗，通過對設備的振動，溫度等機械狀態進行觀察和判斷，分析過程中往往需要進行專家討論，來確定設備的故障原因和運行狀態，這種原始階段的方法顯然耗時費力，對人的經驗要求較高，并且結果往往不精確。在測量儀器階段，測量儀器的監測作用逐漸代替了人的感覺去判斷設備的運行狀態。設備的頻率、振幅等各項參數都會被測量儀器一一記錄，通過參數化的數據，可以對數據進行趨勢預測和分析，并以此作為判斷設備故障的基礎，實現對故障的識別和排除。計算數據管理技術則是測量儀器階段的又一次巨大飛躍。在數據的處理方面，可以直接將測得的設備運行數據輸入預先編制好的算法系統中，通過各種算法的分析和評估，可以獲得完整的分析報告，并能根據分析結果做出更加直觀的可視化展示，如相關圖譜的展現。對設備狀態的預測也更加智能，從設備數據的采集及基本的處理擺脫了人的而參與。隨著監測對象的不斷擴大，大數據技術也被應用到設備的故障診斷及預測方面，智能化和精確性迅速提高。空間上也不再局限于本地檢測，遠程監測逐漸成為重要手段。

目前，故障診斷領域相關的技術和方法主要有：基于隸屬度函數描述客觀事物的模糊數學、基于機器學習的神經網絡和擅于處理不完整、不精確的粗糙集理論等。

2.1 泵體常見故障形式

泵體常見的故障形式如下圖1所示，主要涉及到水泵的葉輪、軸承、電動機和進出水管道等組件。因此，為實現對泵體的故障進行預測和監控，需要對同上述相關組件相關的運行參數進行實時監測。

2.2 泵體故障診斷方法

目前，神經網絡在水泵故障診斷中使用得很多。文獻基于人工神經網絡的水泵故障診斷技術研究將神經網絡用到水泵故障診斷中，根據水泵不同的故障征兆基于人工神經網絡建立故障診斷模型并進行模擬，利用機器學習訓練模型并進行故障識別、診斷，證明了神經網絡在診斷的準確率和診斷效率方面具有優勢。

文獻基于支持向量自回歸的大型離心式水泵振動狀態預測研究，利用支持向量機構建了大型離心式水泵兩種不同的振動預測模型——基于灰度方法得模型和基于自回歸方法的模型。在進行實例驗證后得到結果：基于自回歸方法建立的模型在振動預測故障方面更加有效，從而提高水泵安全性和經濟性。

文獻利用模糊理論針對礦井排水泵，構建了一種水泵監測及故障診斷系統，根據CNC總線技術和模糊理論，使用VB與MATLAB進行聯合編程。該故障診斷系統的穩定運行，實現了對礦井排水泵的在線監測與實時預警，對提高礦井的安全管理有極大幫助。

文獻油田注水泵故障診斷專家系統的開發根據水泵機組的振動信號建立了故障診斷專家系統。與傳統的專家系統相比，該系統在知識庫組建時充分地調研了實際的產生方式，將其融入至知識庫框架體系之中，以此建立的專家系統提高了搜索的效率，知識的匹配過程明顯改善。

3 大數據技術

大數據主要有3個特點，分別是規模性（volume）、多樣性（variety）和高速性（velocity）。隨著信息技術的不斷發展，在面對海量的數據時，大批量數據的實時傳輸與分析成為一種趨勢。目前，大數據不斷與社會的各個領域結合。大數據處理過程主要包括數據采集、數據預處理、數據存儲、數據分析挖掘和數據可視化等。通過利用大數據技術，可對工程機械設備進行工業機械大數據的構建，將設備每天產生的實時數據進行結構化或非結構化的保存，以此作為數據分析和挖掘的基礎，結合各種數據分析工具挖掘出有價值的信息可用于指導企業的各個環節，見圖2。

3.1 數據處理

數據處理作為大數據技術的上游環節，是一個非常重要的環節，合理的數據處理有助于減少大量冗余和無效的數據，這對后期的數據分析和挖掘有非常重要的意義。數據處理主要包括對數據進行清洗，集成和變換等。其目的均是為后期挖掘出有價值的數據奠定重要的基礎，如根據實際需要，對無效的噪聲信號進行去除，異常值的識別和排除，數據的聚合和規范化等。