天然氣壓縮機故障診斷系統的設計與實現

孫家蘭

（煤炭科學技術研究院有限公司，北京 100013）

0 引言

中國的一次能源以煤為主，隨著經濟的快速發展以及當前日益嚴峻的環保壓力，人們對清潔能源的需求愈來愈髙，而天然氣作為一種清潔能源，較好地解決了煤炭在使用過程中的污染問題，天然氣的需求與應用成為一種能源利用趨勢。

很多天然氣壓縮機在小故障預警后，由于現場人員的經驗不足，不能及時進行排除，錯過了設備搶修的第一時間，導致了更嚴重的后果[3,8]。因此，研發一套具備現場處理設備故障能力的天然氣壓縮機預警維護系統十分重要。

該文提出了一種基于Android 平臺的系統，當故障預警出現時能夠自動、快速、準確地對故障原因進行分析診斷，為現場巡視人員第一時間處理異常提供參考[1]。

1 基本思路

如圖1 所示，設計基本思路是利用CBR 和RBR 技術，基于Android 平臺結合網絡通信機制，實現便攜式壓縮機的故障預警、分析和展示[6]。其主要由數據采集系統、應用系統服務端系統、存儲分析服務器和Android 移動端4 個部分組成。

1.1 數據采集系統

該系統負責連接各類傳感器，將傳感器獲取的壓縮機的運行數據集成到采集系統中，通過網絡發送到服務端分析系統，并存儲到相應的數據庫中。

1.2 應用系統服務端系統

該系統負責對采集的數據進行分析計算，例如在壓縮機監控參數出現異常時，及時給出預警，并利用基于案例推理和規則推理相結合的診斷機制，分析故障原因，提出維修處理建議[7]。

1.3 存儲分析服務器

該服務器在存儲采集到的監控數據的同時，也會存儲設備的基本信息以及診斷模塊的業務模型數據。

1.4 Android移動端

移動端主要供設備維護巡檢人員使用，核心是提供便攜式數據展示和分析服務。

2 系統架構

天然氣壓縮機預警維護系統在架構上分為移動層、服務層、支撐層、數據層、基礎層5 個層次。如圖2 所示。

移動層指Android 平臺上的App，由于移動端硬件條件的限制，其不能進行大規模的運算和存儲，因此移動層只具備監控展示和故障預警功能，核心運算放在服務層、移動層與服務層，采用JSON 格式傳輸數據[9-10]。

圖1 系統數據流程圖

圖2 系統架構圖

服務層是運行在應用服務器上的各個服務端，處理來自終端的請求，并將處理結果返回給移動層。服務層采用RESTful 架構，對外提供各功能URL 資源，移動層只需要通過HTTP 協議訪問對應的URL 資源，即可獲得返回JSON 格式的業務數據。

支撐層可理解為抽取的公共模型或算法，例如CBR 和RBR 策略已被很多領域應用，形成了算法支持。

數據層描述整個系統的數據來源，該系統主要涉及2 個方面的數據來源，傳感器采集的實時數據和預警維護系統的數據庫數據。

基礎層表示了整個系統的物理基礎，為系統提供網絡、計算、存儲等硬件支持。

3 關鍵技術

3.1 Android動態監控曲線繪制

移動端可以實時監控壓縮機的各種參數，主要以曲線和表格方式展示，表格方式能夠利用Android 平臺的Edit Text控件很方便的實現，相較而言曲線顯示更具連續性，對于分析結果的展示也更加直觀。

下文以活塞桿的沉降曲線為例，講述基于AChartEngine開源工具的曲線繪制過程。AChartEngine 是Android 平臺的圖表開發庫，能繪制折線圖、餅圖、氣泡圖、柱狀圖、散點圖以及面積圖等統計圖表。AChartEngine 的每個圖表都需要一個數據集（DataSet）和渲染器集合（Renderer）。

圖表工廠（ChartFactory）通過調用數據集（DataSet）和渲染器集合（Renderer）可以生成帶圖表的GraphicalView 或者Graphical Activity。活塞桿采集數據抽象為對象Rod，代碼如下：

public class Rod(){

private angle;

private swing;

};

angle 表示角度，取值范圍為0～360；swing 代表振幅值，取值范圍為-15～5。在程序中，首先初始化曲線，包括創建坐標軸的初始化和數據集，調用series.add(r.getAngel(),r.getSwing() )方法將業務數據映射為坐標數據。然后在Timer中定時updateChart() 曲線，實現曲線動態顯示。updateChart代碼如下：

3.2 BLE藍牙通信

該文采用BLE 及低功耗藍牙技術，通過獲取藍牙設備的MAC 地址（MAC 是唯一的），可以獲取數據庫中的配置信息及歷史數據，同時也可通過Service 實時采集數據，屏蔽了從數據庫讀取數據的網絡延遲。藍牙讀取流程，如圖3 所示。

圖3 BLE 工作流程圖

藍牙設備掃描，調用startLeScan()方法開始掃描，由于手持設備資源有限，不能長時間掃描周邊設備，所以利用定時器，達到一定時間調用stopLenScan()方法強制關閉掃描程序。

3.3 CBR和RBR集成故障診斷推理模型

案例檢索（CBR）具有直觀、高效的優點，但是案例庫的豐富程度決定了案例匹配的成功率，在系統初期建立完備的案例庫費時費力。引入規則推理機制（RBR），在案例匹配失敗的情況下利用規則推理，推導出故障原因，并進行維修指導，經過人工確認無誤后，保存入案例庫，使系統具備自主學習的功能，逐漸豐富完善案例庫。CBR 與RBR 集成診斷流程如圖4 所示。

案例匹配采用最鄰近算法進行相似度計算。相似度計算分為局部相似度和全局相似度2 個部分。局部相似度就是故障特征項的相似值，全局相似度為各特征項之間的加權平均值。

局部相似度計算公式：

全局相似度計算公式：

規則推理工作主要分為規則提取、規則庫建立和代碼實現3 步。規則提取可以利用SWRL 語言完成，這是一種由語義的方式呈現規則的語言，由RuleML 演變而來，在結合OWL與本體論形成[11]。整理后的SWRL 規則需放入JESS 推理引擎中進行推理。JESS 是目前流行的規則系統，由Java 語言開發，可以與Android 系統結合。

圖4 診斷推理流程圖

4 結論

該文設計并實現了一種天然氣壓縮機預警維護系統，該系統由數據采集設備、存儲分析系統和Android智能手機監測系統組成。數據采集系統實時采集壓縮機的信息，利用BLE技術傳送到Android 智能手機終端，同時利用局域網絡傳輸到存儲分析系統。存儲分析系統對信息進行存儲、處理和分析，實現對壓縮機狀態的分析。Android 智能手機系統通過與BLE 和數據采集系統通信，實現實時監測，提高了對壓縮機狀態監測的靈活性和方便性[2，4，5]。

通過實驗測試，該系統數據流轉正常，參數采集完整，故障預警較準確，維修建議正確，較好地實現了對天然氣壓縮機狀態的實時監測與運行狀態的分析，證明了該系統的有效性和實用性。