岳崇振

（中国石油大庆炼化公司炼油生产三部，黑龙江大庆 163411）

0 引言

离心泵是炼油厂的关键设备之一，其主要作用是将原油从一个处理单元输送到另一个处理单元。由于炼油厂生产过程中的恶劣环境和高强度的操作条件，离心泵往往容易出现各种故障。离心泵一旦发生故障，不仅会影响工艺流程，还会对生产安全带来威胁。因此，炼油厂需要采用一种有效的方法来监测泵的运行状态和检测故障。近年来，随着物联网技术和机器学习算法的发展，越来越多的炼油厂开始将状态监测和故障检测技术应用到关键设备上，以实现设备的智能化管理。本文介绍一种基于物联网技术和机器学习算法的状态监测与故障检测方案，并在炼油厂离心泵进行验证。

1 重要性分析

炼油厂关键离心泵是重要的生产设备，承担着将原油从一个处理单元输送至另一个处理单元的重要任务。由于生产过程需要离心泵长时间、高强度运行，并面处于恶劣环境和操作条件下，泵很容易出现各种故障，对生产工艺流程造成影响，严重的还可能导致重大安全事故，危及员工的人身安全和设备设施的完整性。因此，离心泵实施状态监测与故障检测对于炼油厂来说非常重要。状态监测与故障检测是通过传感器等设备来收集泵的振动、温度、流量等数据，并结合机器学习等算法进行实时分析，利用分析结果可以及时发现泵的异常情况，减少意外停机的风险，并提高设备的可靠性。同时，该项技术还可以预测泵的剩余寿命，提前制定维修计划，避免突发故障对生产造成不必要的损失。总之，对炼油厂关键离心泵实施状态监测与故障检测技术，不仅可以提高泵的安全性和可靠性，还能降低维修成本和停机时间，实现炼油厂生产设备的智能化管理，具有一定经济和社会效益。

2 离心泵的状态监测与故障检测实验

本文使用一种基于物联网技术的监测系统，该系统包括传感器节点、数据采集器和云平台。传感器节点位于离心泵的各个部位，通过测量振动、温度、流量等参数来实时采集泵的运行数据。数据采集器负责将传感器节点的数据传输到云平台进行存储和处理，同时也可以通过移动设备访问云平台数据。云平台使用机器学习算法对采集到的数据进行分析，以识别泵的故障和预测其剩余寿命。

2.1 实验方法

选择一台炼油厂关键离心泵作为测试对象，并在其上安装多个传感器节点，包括振动传感器、温度传感器和流量传感器等。这些传感器可以实时测量泵的振动、温度和流量等参数，并将这些数据通过无线网络传输到数据采集器进行存储和处理。通过传感器节点收集泵的振动、温度和流量等数据，并利用数据采集器将数据实时上传到云平台或本地服务器进行存储。在进行机器学习算法的训练和测试之前，需要对采集到的泵数据进行预处理。具体的预处理内容包括：对数据进行去噪、归一化和特征提取等处理，以便更好地适应机器学习模型的要求。使用基于深度学习的卷积神经网络模型，对采集到的泵数据进行训练和测试。该模型包括卷积层、池化层和全连接层等多个层次，可以有效处理高维度的数据，并提高泵故障诊断的准确性和精度。

2.2 机器学习算法训练模型

机器学习算法训练模型是指使用已有的数据对模型进行优化，使得模型能够更准确地预测未知数据的结果。该过程通常可以分成以下7 个步骤：

（1）收集数据：收集一定量质量良好的数据，这些数据应该与将要解决的问题相关。

（2）数据预处理：对数据进行清洗、去重、填充缺失值等操作，以便在后续的步骤中使用。

（3）特征工程：将原始数据转换为机器学习算法所需要的特征表示，例如将文本转换为向量或者提取图像的特征。

（4）模型选择和训练：选择适合当前问题的机器学习算法，并使用训练集对其进行训练，以优化模型参数。

（5）模型评估：使用测试集对训练好的模型进行评估，可以使用各种评估指标来衡量模型的性能，例如准确率、召回率、F1 值等。

（6）模型调优：根据评估结果调整模型参数或选择不同的算法，以获得更好的性能。

（7）模型部署：将训练好的模型部署到实际应用场景中进行预测和推断。

实验应包括正常运行实验和故障模拟实验两种：①正常运行实验：在泵正常运行的情况下，采集泵振动、温度和流量等数据，并使用机器学习算法对这些数据进行训练和测试，以建立正常运行模型；②故障模拟实验：在泵运行时，人为制造泵叶片故障，即将泵的一个或多个叶片剪断，然后再次采集泵振动、温度和流量等数据，并使用机器学习算法对这些数据进行分析，以识别泵的故障。

2.3 实验结果

2.3.1 故障模拟监测

通过比对正常运行模型与故障模拟模型得到的误差值，判断泵是否发生故障。在本实验中，当模型误差值超过0.005 时，即可认为泵发生故障。根据实验结果可以评估该方案的有效性并进行改进。模拟实验结果如表1 所示。

表1 离心泵状态监测实验结果

根据表1 数据，对炼油厂关键离心泵机器学习模型进行初步分析：表格中包含两种实验类型：正常运行实验和故障模拟实验。在正常运行实验中，泵处于正常工作状态；而在故障模拟实验中，人为损坏了泵的某些部件，从而模拟了泵的故障情况。模型误差值是机器学习模型评估指标之一，通常用来衡量训练好的模型在测试集上的准确性。从表1 可以看出，在正常运行实验中，模型误差值为0.001 5；而在故障模拟实验中，模型误差值为0.007 2。通常来说，模型误差值越小，说明模型预测结果越准确。

根据模型误差值和预设的阈值等条件，机器学习模型可以将测试数据判断为正常或者故障。从表1 可以看出，在正常运行实验中，模型判断结果为“正常”；而在故障模拟实验中，模型判断结果为“故障”。

2.3.2 参数采集结果

参数采集结果见表2，相关振动变化曲线见图1。

图1 采集数据曲线

表2 参数采集结果

根据采集的数据，可以对炼油厂关键离心泵的运行状态进行详细分析。其中，振动幅值通常是检测旋转机械设备（如泵）运行状态的一个重要指标。从图1a）中可以看出，泵运行前5 min振动幅值仅为0.12 g，之后逐渐增大到0.21 g，此时已经明显高于正常运行时的水平，意味着泵的某些部件可能存在问题或者受到外力的干扰。出现这种情况需要及时检查和维修，否则可能会导致设备更严重的损坏甚至出现安全事故。

温度通常是检测旋转机械设备运行状态的一个重要指标。从图1b）中可以看出，泵在运行过程中温度不断升高，从50 °C上升到62 °C。这意味着泵内部摩擦引起的热量增加，导致泵温度升高。这种情况下，需要检查泵的润滑系统是否正常工作以及是否存在泄漏等问题。

流量可以反映泵的输送能力，从图1c）可以看出，泵的流量保持在4679～4692 m3/h，变化不大。这意味着泵的流量没有受到明显影响。但是，如果泵的输送介质发生变化，则其流量也会相应变化。

3 应用策略

3.1 合理布置传感器

合理布置传感器是状态监测和故障检测的重要策略之一。首先，在关键设备关键部位安装多个不同类型的传感器，如振动传感器、温度传感器、流量传感器等，以收集更全面、准确的数据。并且根据泵的特性和工作环境等因素，确定传感器安装数量和位置，以尽可能完整地覆盖泵的各个方面。其次，选择技术指标符合要求，能够满足泵的实际监测需求的传感器。在传感器的选择和安装中，应预留一定的余量，以便在需要时添加或更改传感器的位置和类型，以及扩展监测区域。最后，为每个传感器选择合适的数据采集设备，并将其与网络连接起来，便于数据的及时收集和处理。

3.2 构建大样本的预测训练集

构建大样本的预测训练集是状态监测和故障检测的重要策略之一。首先，收集泵的运行数据，包括振动、温度、压力等传感器采集的数据，以及设备历史记录、维护日志等相关文档。对收集到的原始数据进行清洗、去噪、填充缺失值等操作，使其符合机器学习算法的要求。其次，根据泵的特性和工作环境等因素，选择适合的特征提取方法，将原始数据转换为机器学习算法所需的特征表示。根据已发生的故障情况，对数据进行标注，将有故障的数据标记为“故障”，而正常数据则标记为“正常”。最后，使用标注好的数据，构建大样本的预测训练集，并将其分成训练集和测试集，以便在后续的步骤中使用。根据泵的监测需求、数据特征和预测目标等因素，选择适合的机器学习算法，并进行模型训练和优化。使用测试集对训练好的模型进行评估和调优，以提高模型的准确性和可靠性。在实际应用中，应定期更新训练集，不断优化模型，并根据实际情况进行相应的调整和改进。

3.3 加强维护工作

加强对关键离心泵维护工作的重视是状态监测和故障检测的重要策略之一。具体内容包括：①定期对泵进行检查，包括润滑、清洁、紧固螺栓、更换易损件等，以避免维修和更换成本过高，同时也避免因长时间运转而导致机械零部件磨损严重；②建立完整、可追溯的维护记录，包括维护日期、维护内容、维护人员等信息，便于日后跟踪和分析；③制定维护计划，并按照计划执行，以确保泵的正常运行和延长设备寿命；④周期性地检查泵的各个部件，如轴承、密封件、叶轮等，以及液路系统是否畅通，预防故障发生；⑤对泵的工作环境进行监测，如温度、湿度、粉尘等，及时发现并解决问题，在此基础上建立设备档案，包括设备的基本信息、工作环境、维护记录等，便于进行全面的监测和管理。

4 结束语

炼油厂关键设备离心泵应用状态监测和故障检测技术，可以提高设备的可靠性、安全性和生产效率。在实践中，可以通过合理布置传感器、构建大样本的预测训练集、加强对维护工作的重视等措施来实现该目标。同时，也需要结合具体情况，选择适合的技术手段、算法模型和管理方法，并不断进行优化和调整，以确保监测和维护工作的持续有效。