催化裝置主風機組預知性維修研究

孫寶平

(中國石化工程建設有限公司,北京 100101)

催化裝置作為國內石油煉制企業的主力生產裝置,在石油加工行業中占有相當重要的地位。在催化裂化裝置中,主風機組是核心機組之一,機組包括煙氣輪機、風機和電機等單機以及輔助設施,其中煙氣輪機是將裝置反應生成的高溫煙氣所攜帶的剩余能量轉化為動力輸入風機,與電動機協同帶動風機工作,剩余能量也可帶動發電機發電。從煙氣輪機系統的介質來看,高溫煙氣中的催化劑對汽輪機動、靜葉片的沖蝕明顯,并容易在煙氣輪機葉片上結垢,破壞動平衡,導致機組故障的頻率和不確定性較高,給故障診斷和健康管理(Prognostics Health Management,PHM)帶來較大難度。近年來隨著機組振動監控系統的不斷完善和大數據分析手段的不斷發展,尤其是伴隨“互聯網＋”時代的到來,設備故障從診斷到預測的研究更加活躍,對于主風機組來說,煙氣結垢導致的機組故障具有一定的時間延遲性,這為開展故障預測、優化檢修策略提供了可能。本文建立基于長短期記憶網絡(Long Short-Term Memory,LSTM)的故障分析模型,對某石化催化主風機組在運行失效模式之前的數據進行采集、訓練和擬合,從而預測機組的振動趨勢,進行故障預警和檢修方案優化。這是設備健康管理的一個重要環節。

1 數據驅動的診斷預測方法綜述

對于故障診斷與故障預測的方法,一些文獻進行了總結分類,比如“基于經驗、基于模型和基于趨勢”【1】;“基于分析模型、基于定性經驗和基于數據驅動”【2】;“基于物理、基于知識和基于數據”【3】等,表達雖略有不同,但歸納的基本結果是接近的。……