关键词 | 石化  大机组  诊断方法

石油化工装备是石化企业组织生产的基础，一旦发生故障，势必造成极大的财产损失。机械故障诊断是在基本不拆卸机械的条件下，判断机器运行中内部隐含的故障，识别主导故障及其原因，并预测故障发展趋势的技术。

对于机械设备故障可以理解为，系统至少一个特征参数由可接受的、通常的、标准的状态发生不允许的偏移。广义地讲，设备出现的任何异常现象，表现出所不期望的特性均是故障。机械故障诊断是在检测基础上发展起来的一整套流程，主要包括：故障检测、故障隔离、故障辨识。

早期用各种仪器直接检测设备故障，发展到现在基于知识的智能故障诊断技术。目前的故障诊断技术一般指以软件解析冗余为主的方法，始于20世纪70年代。1990年，故障诊断权威Frank教授把故障诊断方法大致分为3类：基于模型的方法、基于信号的方法和基于知识的方法。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过程历史的分类方法。工业机组中常用到的诊断方法分为以下四类，如图1所示。

图1 故障诊断方法分类

一、基于模型的故障诊断方法

基于模型的故障诊断方法是在现代控制理论和优化方法指导下，建立系统的数学模型，然后基于某种准则或阈值对模型的残差进行评价和决策。1971年，Beard在其博士论文中提出利用解析冗余代替硬件冗余的思想，这标志故障诊断技术的开端。基于解析模型的方法适用于能建模、有足够传感器的系统，其优点是能够实现动态分析和实时诊断，缺点是通常建模比较困难，模型的鲁棒性问题较突出。

该方法常用到观测器和滤波器。一是基于观测器的故障诊断，针对系统的数学模型，构造相应的观测器，经转换生成残差，根据决策逻辑实现故障诊断。20世纪80年代初有学者提出等价空间法，识别数据是否发生传输错误，并且可以启用校正装置。该方法已应用到故障诊断的复杂模型，如模糊非线性系统和模糊树模型。二是基于滤波器的故障诊断系统，使用Kalman滤波器对随机系统的输出进行估计，滤波器的输出作为残差，其优势在于只需要当前的测量值和前一个采样周期的估计值就能够进行状态估计。目前卡尔曼滤波器应用广泛，常被用于通信、雷达、导航、自动控制等领域。它多用于噪声较大的场合，通过残差的序列概率比检验，能准确识别故障，缺点是对轻度的故障不敏感。现在故障诊断中的卡尔曼滤波技术有扩展型卡尔曼滤波器（EKFs）、无损卡尔曼滤波器（UKFs）和增强状态卡尔曼滤波器等。与传统的卡尔曼滤波器相比，EKF可用于非线性工业故障诊断。增强型卡尔曼滤波可以同时估计系统状态信号和故障信号。

基于系统辨识技术的参数估计也是一种非常重要的随机故障诊断方法，可通过参数估计方法来描述故障信息，然后根据系统参数和故障参数变化来判断故障是否发生。

二、基于信号的故障诊断方法

这类方法是通过各种方法对测量信号进行分析处理，提取与故障相关的信号的时域或频域特征用于故障诊断。快速傅里叶变换、小波变换、希尔伯特－黄变换是故障诊断中特征提取的常用手段。

由于工业机械设备振动信号往往就是一种不稳定的波形信号，基于经验模式分解法（EMD）的时频分析方法，是比较常用的一种方法。该方法认为任何信号都是由表征信号内在特征振动形式的本征模态函数组成，所以可以通过特征时间尺度得到信号的本征振动模式，筛选信号，进而判断出故障。因此EMD方法常用来分析、处理非线性和非平稳信号。

三、基于知识的故障诊断方法

其他诊断法都必须利用在线实时数据，但是基于知识的故障诊断方法则需要采用大量的历史数据。它是通过分析输入、输出和状态参数之间的关系，从大量的历史数据中学习输入与输出值之间的映射关系，从而可以进行故障预测。该类型方法从以下两方面介绍：

1）基于定性知识的故障诊断。早期的故障诊断主要取决于操作者的经验，其通过机器声音判断是否发生故障。20世纪60年代末专家系统作为人工智能的一个分支应运而生，它不依赖于系统的数学模型，而是根据人们的实践经验和大量的知识建立知识库，通过电脑程序来解决复杂系统的故障诊断问题。专家系统诊断方法能够解释自己的推理过程，而缺点是知识获取的“瓶颈”问题，即知识获取时的知识库不完备，同时又缺乏自我学习、自我完善能力，不能在故障诊断实例中自我完善知识库。定性趋势分析（QTA）是把已测的信号作为一种趋势序列，其趋势可以反映重要参数、发展速度以及趋势的变化，是故障早期判定的一个重要手段。这种技术已广泛地应用于复杂工业过程的故障诊断，特别是化学工业过程。最近QTA结合其他定性分析工具符号有向图（SDG），可以实现优势互补。例如，早期故障诊断中，SDG－QTA故障诊断方法实现了SDG的完备性和QTA诊断高分辨率性能的结合。

2）基于定量知识的故障诊断。在故障诊断领域，要获得各种诊断对象大量的典型故障样本往往是很困难的，统计理论为解决小样本的诊断问题提供了理论基础。多元统计分析方法主要有主成分分析法（PCA）、偏最小二乘法（PLS）、独立成分分析（ICA）和支持向量机（SVM）等。基于定量知识的故障诊断方法主要有人工神经网络（ANN）和模糊诊断方法等。ANN具有与人脑类似的记忆、学习、联想等能力，但也有很多局限性。如ANN不能充分利用专家积累的宝贵经验，故障诊断时需要足够的学习样本，学习算法收敛速度慢，不能解释推理过程和推理结果等。以多层感知器的网络结构为例，整个网络结构各个神经元的功能以及学习和处理的数据都彼此相似，整个网络基本功能就是建立在从输入到输出的映射中，以划分出输入到输出间逐步转化的过程，网络结构复杂，很难用硬件实现。

四、混合型故障诊断方法

基于模型、基于信号和基于知识的故障诊断方法，均有其独特优势和条件限制。具体而言，基于模型的故障诊断可以使用少量的实时数据监测和诊断未知故障，但它需建立明确的表示输入－输出关系模型，诊断性能完全依赖于模型的准确性。而基于信号和知识的方法并不需要一个明确的或完整的模型，特别适合于监测和诊断复杂的工业过程。基于信号的故障诊断方法提取输出信号的主要特征，但它不太关注系统的动态输入，其诊断性能在未知干扰时可能发生退化。由于需要训练大量的历史数据，以知识为基础的故障诊断方法计算成本很高，可能无法很好地识别未知故障类型。

为了充分利用各种故障诊断方法的优势，两种或更多的故障诊断方法集成或组合应用到故障诊断中，即所谓的混合型故障诊断方法。例如，基于模糊理论的神经网络故障诊断方法，根据神经网络的输出结果进行模糊运算，并对推理过程进行解释。模糊理论结合专家系统对旋转机械进行故障诊断等。

信息来源：化工活动家