张皓栋

(重庆川仪软件有限公司,重庆 401121)

0 引言

我国石油、天然气对外依存度日益提高，国家能源安全问题日益突出。采用创新技术大力发展现代煤化工产业,既可以保障石化产业安全、促进石化原料多元化,又可以形成煤化工与石油化工产业互补、协调发展的新格局[1]。发展新型煤化工可以部分代替石化产品，对于保障国家能源安全具有重要的战略意义。煤化工行业生产规模不断扩大，其对促进经济发展、方便群众生活等方面都起到了很好的作用。但是，关于安全、健康、环境等方面的风险长期存在，尤其在设备管理方面问题突出。具体表现在：设备大型化，连续生产工艺复杂，易出现局部故障影响全局；故障发生时损失巨大；设备维护人工化，效率低下，总体质量水平不高。本文提出煤化工行业设备全生命周期健康监测诊断系统方案，解决工厂的设备管理痛点。

1 国内外发展情况

自20世纪60年代美国故障诊断预防小组和英国机器保健中心成立以来,故障诊断技术逐步在世界范围内推广普及。全球科研和工程领域工作者在信号获取与传感技术、故障机理与征兆联系、信号处理与特征提取、识别分类与智能决策等方面开展了积极的探索,取得了丰硕的成果[2]。早在20世纪60年代，美国宇航局首先推出机械故障诊断研究，英国以RA.Collacott为首的机械保健中心开始研究状态监测与故障诊断技术；20世纪70年代，国外学者将状态检测与诊断技术推广到实用化阶段；20世纪80年代，由于计算机技术的兴起，故障诊断技术与计算机技术相结合，使其迅猛发展，其中曼彻斯特大学成立沃福森工业维修公司，主要从事状态检测与故障诊断工作；20世纪90年代中期，现代机械故障诊断技术与计算机网络技术实现了融合，诞生基于Internet远程应用系统。

我国从20世纪80年代开始进行设备状态监测与故障诊断技术的研究，并成立了中国振动工程学会故障诊断学会，国家也将该技术的研究列入国家攻关项目。国内的设备状态检测和故障诊断技术从初步认识阶段到初步实践阶段，其主要以学习英、美、日等先进技术为主，并且成立了一些专门的研究机构，如中国石化总公司设备状态检测中心、冶金部设备诊断研究室、中国机械设备诊断技术学会等。这些组织广泛交流国内在该领域的各方面技术成果，深入探讨设备状态检测与故障诊断在国内外的发展动向。

设备状态检测与故障诊断对于工业部门重要设备的管理维护，提高企业生产能力和保证安全生产，改进产品质量都具有十分重要的意义。但是我国煤化工行业的装备监测检测水平普遍不高，人工检测作为主要检测手段，效率较为低下，质量水平不高。生产设备大型化、复杂化，工艺过程自动化、连续化，设备投资巨大；设备与能耗物耗密切相关，非计划停产损失巨大。生产过程对设备的依赖程度越来越高，设备高效、安全、稳定、长周期运行至关重要；现役高能耗设备运行普遍存在，设备故障时有发生，不能确保安全长周期运行，大量设备长期偏离设计工况低效运行。诸多不利问题导致行业总体发展质量水平不高，总体品牌影响力缺乏，创造创新能力不足，进而影响了国民经济可持续发展水平。

设备是企业进行生产的主要物质技术基础，企业生产率、产品质量、生产成本都与设备的管理技术水平直接相关。因此，正确使用、精心保养、及时检修维护设备并对设备的运行性能进行分析，使设备处于良好的状态，才能保证各生产装置安全、稳定、优化地运行，并按计划完成生产任务，从而提高企业的经济效益。设备管理作为企业运营和管理的一个重要组成部分，承担着管理生产装置设备的整个寿命周期，直接影响企业的生产与经营活动。因此，研究构建设备全生命周期健康状态监测诊断系统，是实现煤化工行业智能制造的重要一环，对于提升国内煤化工行业的智能生产、高效高质生产以及工厂的设备管理水平具有重要的现实意义。

2 系统构想

随着国内煤化工行业的迅速发展，面临的挑战和竞争前所未有，同时暴露出的问题也越来越多。边缘智能、工业物联网的发展和“制造+互联网”浪潮的兴起，为行业实现总体质量水平提升提供了手段。从生产环节来看，人、机、料、法、环是质量保障的关键因素，可测才可控。一方面，通过采取技术改进措施和规范设备管理相结合的方式，可以保证日常生产过程中关键设备运行状态的完好性；另一方面，通过状态监测可以获得设备的实际运行状态情况，掌握真实的设备健康情况。在设备层面增加工业传感实时监测，用物联网将传感信息统一采集、传输，将设备状态各种信息要素和企业信息化系统的各种知识要素聚合到云平台实施设备健康诊断分析和预测性评价，形成工厂设备资产的数字档案和健康大数据。

本文以设备传感监测数据的流动作为脉络，面向在生产流程中发挥关键性作用、资产价值高低等不同类型的监测对象量体裁衣、有的放矢；通过采用不同的监测手段，实施对所有设备的实时监测。系统设计涵盖数据的获取、传输、汇聚、加工和分析。

典型的物联网架构主要包括感知层、网络层和应用层[3]。本文提出的系统包括三个层级，系统体系如图1所示。第一层是感知层，它是获取设备现场信息的触角；第二层是传输层，它是传递现场感知设备信息的途径，其中还包括与现场设备的控制系统网络的互联；第三层是应用层，既支撑设备数据存储、管理和分发，形成特征大数据，又支撑设备健康管理、分析、诊断、预测及与企业信息系统的互通。

图1 系统体系图

(1)边缘感知层。

感知层是具备边缘智能的传感监测层，实现对生产流程关键设备和重要设备的实时感知。通过创新监测和检测方法，以应力波监测技术为主体，融合电流谐波和温度、速度、噪声、压力、转速、振动、扭矩等其他物理信号监测，形成多传感融合监测能力。

感知层充分利用不同监测技术的优点，实现优势互补，全面覆盖设备的电气和机械故障，从早期、中期、晚期，对电气信号宏观变化、机械信号微观变化和振动信号宏观变化进行洞察。

①感知层利用应力波预测性监测能力，形成覆盖从设备故障发生前到故障发生设备失效的全过程设备监测能力，从微观层面捕捉设备运动内部不同部件之间的摩擦和冲击信号，建立轴承、齿轮、叶轮等动部件故障监测能力，适用于低速、中速、高速等不同类型的设备。其采用非侵入式安装，在工厂动设备监测部署时特别便利；基于应力波分析的状态监控与故障预测技术，可以实时测量运行设备摩擦、冲击和动态载荷的电子信号。这种高频超声传感监测技术过滤工况振动和背景可听的噪声，通过时域和频域特征提取软件，采用基于神经网络的数据融合技术，可以对设备状态进行定量分析和故障预测，定期提供设备健康诊断分析报告，为企业建立预知性检维修体系[4]。此外，很多体积大的设备属于低速设备，设备的振动信号很弱，难以监测。当设备产生故障信号时，常常监测不到，导致漏报[5]。应力波能够很好地适应低速设备的故障监测需求。

②利用电流谐波，密切监测设备电气故障信号，从电流信号中提取2～40次谐波成分，对不同谐波成分的组合进行分析和智能判断，实现对设备原动机和驱动机的宏观监测。从总体上判定设备的基本运行状态，建立定转子气隙不均匀、绝缘不良、缺相等电气故障和负载的宏观机械故障监测能力；谐波故障诊断技术可以在不拆解设备、不停机的基础上，诊断出设备是否劣化、劣化部位以及劣化程度，并给出维修建议[6]。

③利用传统振动监测，洞察设备运动情况，建立不平衡、不对中、松动和滑动轴承等故障信号的监测能力。针对不同类型的设备，必须利用不同类型的振动传感器获得振动信号，从而获取机械设备的运行状态并进行故障诊断[7]。

通过对故障分类建立不同种适用的监测手段，最终实现多信号统一监测技术，部署支持应力波等多传感统一监测的智能设备。利用信息感知实现基于时域能量曲线图、电流谐波含有率、劣化率图、频谱图、直方图、轴心轨迹图、伯德图等多种图表分析，实现对设备的全面故障定位、幅度和能量相对变化的碰撞探测及失效预测等智能分析边缘计算能力。

(2)工业物联传输层。

传输层不但承担着现场感知层的信息中转和汇聚转发，也承担着与现场生产控制系统(比如压缩机控制系统)的信息交换。依据实际生产现场一些特殊场合对本安、防爆的要求，本层传感器在连接上创新地利用了一种为适用于本安、防爆工况的供电和通信叠加的两线制新型通信技术、通信卡件，用安全网络贯通设备和传感群的信息孤岛。

传输层基于网关实现多种传感设备现场实时信息的汇聚。为增加传感设备的接入能力和处理能力，构建了多路点对点的两线制传感自动传输通信网络，可以提高现场数据传输的实时性、传输效率和带宽能力。智能网关实现了设备群的现场传感信息汇聚和并行处理，同时分发监测信息和控制信息到设备运维平台和现场生产控制系统，保障了现场感知信息和平台及控制系统的数据交互。网关支撑级联，可以实现多个信息网络的合并，以及生产控制系统、传感监测网络的数据融合，同时在网关内部实现传感的监测服务信息和设备的控制信息分流，将控制信息送往控制系统，由控制系统处理；将服务信息送往上层的设备运维平台。

此外，网关内部还设有单向信息闸门，从设备运维平台下发的信息不会传递到生产控制系统，生产控制系统传输的信息也不会传递设备运维平台。这种将传统的控制信息和传感服务信息分流的设计，既兼容了设备原有的控制，又实现了多传感监测的数据服务的获取，同时又保障现场控制网络区域的工业安全。

网关与平台互联如图2所示。网关有两种应用方式：一种是厂内本地部署，另一种是在异地广域部署。对于本地部署，网关和平台机房较近的地方可以采用以太网的电口进行连接，直接连接或者通过局域网交换机连接到设备运维平台的网络通信接口；对于本地部署，网关和平台机房距离很远的地方可以用光纤进行连接，直接连接或者通过局域网交换机连接到设备运维平台的网络通信接口。对于异地部署，跨城市、跨地区应用时，远端难以实施有线网络的区域，可以依靠电信/联通/移动的4G或5G连接构建广域网关与设备运维平台之间的虚拟专用网络(virtual private network,VPN)，实现带宽可控、流量可调的高强度安全加密的数据通道。

图2 网关与平台互联图

(3)云端应用层。

应用层是整个系统的服务中心，处于整个系统层次的最顶层，也是面向用户面向应用直接的层次。

以设备运维平台为依托，基于现场感知层汇聚的各类设备实时状态信息和历史数据，进行信息数据融合，实现数据安全管理功能。以初加工的信息数据为基本元素，在本层次构建一个数据仓库，实现以数据为中心拓展数据管理、数据建模、数据分析，数据拟合和数据挖掘，形成各种数据再加工成果。留出数据分发接口，为基于数据应用提供支撑，涵盖全生命周期的质量评价、可靠性评价、故障诊断与分析、预测性维护、设备特征大数据、设备数字画面、数据分享等开放式服务。

此外，设备运维平台对接企业信息管理系统，比如ERP/MES等，实现基于设备运维信息和状态及报警变化的信息管理同步优化调整，真正实现基于设备运维来优化企业管理、增效设备管理水平和质量，优化备品备件库存计划管理等。通过信息汇聚，构造智能设备云， 开展智能故障诊断、服务网络与备件优化、远程诊断与预测性维护、质量可靠性保障提升等活动。采用物联网技术和传统的监测手段融合管理设备，形成设备运维大数据，构建与实体设备资产全生命周期健康状态相对应的数字化虚拟画像，从而缩短备品备件周期，及早制定应对措施， 优化、提升企业设备维保和经营水平[8]。服务平台如图3所示。

表1显示：系统对数据检索的速率一般，数据验证对比结果正确率达到百分百，也就是说系统可以完整地对数据进行存证。

图3 服务平台示意图

基于传输层的数据构建的服务平台能够实现用户体验与用户交互，同时提供各类基于设备数据衍生的应用功能服务：风险分析与决策专家判断、数据趋势与报告、现场装备信息服务和其他基于数据的应用等；可以实现对整个系统中的设备预测性诊断，创建设备管理信息库，自动进行系统维护和安全预警，保障系统的平稳可靠运行；基于服务云和以环境参数为关键数据的网格集群计算，可以搭建装备信息3D模型，将装备和关联元素进行形象化展示；基于数据信息可以对设备工况适应性和服役过程进行风险评估，用于监测设备设计的可靠性、评估服役能力和风险，并指导设备制造企业的设计过程进行反馈修正；可以对现场装备运维趋势做出预判；可以对装备设计模型评价与优化，并通过云汇聚的信息统一整理，进行面向故障与效率的关联分析。

服务平台利用现场实时多样化的数据，可以支撑实现多种设备相关业务流程，建立智能化、高效的设备保障管理体系。

①故障诊断：根据近一段时间内的设备检测数据和运行状况,预先判断设备可能出现故障的时间、故障模式、故障类型和故障位置,并能给出相应的判定和决策,确保其正常运转。

②健康评估：利用在线监测系统获得的设备运行状态数据，定期或不定期地对设备状态作出评估。主要评估被监测系统或者分系统、部件等的健康状态，分析设备的性能衰退趋势。

③寿命预测：设备寿命通常是设备进行更新和改造的重要决策依据。对设备进行寿命预测，可以评估设备健康程度，有效保证设备系统正常运行。

④检维修决策优化：对修复性维修、定时维修及视情维修等复杂装备的维修种类进行分级诊疗，根据设备故障诊断、设备健康评估和设备寿命预测的结果，制定维修计划、采购维修备件、维修任务调度、维修资源分配等。

基于设备健康的检维修优化图如图4所示。通过趋势曲线的平坦、波动、缓升、缓降、陡升、陡降等趋势变化的形态分析和绿色、黄色、红色健康区间的范围评判，可以对检维修决策优化，实现从基于经验的从晚期高成本维护向基于健康状态的早期低成本维护转变。

图4 基于设备健康的检维修优化图

在机器学习模型构建中，可以借助贝叶斯理论和决策树，通过利用多元人工神经网络分析方法，寻找建立设备故障结果、现场检维修结论、设备故障成因变化、现场设备多种监测参数之间的逻辑关系，形成面向不同设备、不同工艺、不同厂家、不同行业的复合设备病理特征库、设备故障诊断结论库。基于特征和结论库建立反映部件、材料和工况适应度的各种部件指数，优化工厂设备的备品备件采购选型，提升工厂服役装备的可靠性，最终实现基于质量的主动性维护。从故障形成的根源减少发病、劣化的概率，优化调整保障设备稳定运行，最终彻底提升设备设备综合效率(overall equipment effectiveness，OEE)，实现以生产过程的设备节点优化带动生产流程效能的优化和质量的管控。基于机器学习的识别与优化如图5所示。

图5 基于机器学习的识别与优化

3 系统解决的关键问题

①旋转设备、往复式设备中，可以构建部件磨损和结构缺陷的冲击和摩擦形成的应力波特征及失效演化模型。

国内相关行业尚未建立起稳定、可靠、高效的设备状态监测体系，大多采用独立的压力、温度、转速、振动监测，未形成整合性分析，无法指导工厂管理建立起高效的预测性维护能力。通过将各类独立的参数监测进行整合，并引入先进的应力波分析技术，以构建可靠精准的预测性监测技术手段，帮助建立部件磨损和缺陷引起的失效演化模型，便于基于模型实施基于数据和状态的故障预测。

②可以对设备实现复合失效的时频分析及其早期故障征兆预测和故障诊断。

基于结构中应力波动信号对缺陷有很高的敏感性，可利用应力波信号来检测结构的缺陷。通过检测大型设备或管道阀门在运行过程中因摩擦或冲击而出现的应力波能量，并对该能量进行量化分析，从而实现对设备运转状态和健康程度进行实时监测和分析，在设备早期故障征兆产生时做出诊断。

③可以对长周期运行与严苛工况下的动设备建立质量完整性评价及全生命周期性能评估。

针对动设备缺乏长期自动监测和维护手段，应用适应严苛工况的通信网络及设备联网接入部件，为动设备自动监测和互联创造接入手段。通过传感、网络构建的一体云平台，实施设备健康全生命周期性能评估和完整性评价体系。

④基于云平台的长周期大存储和数据挖掘，可以实现长期运行和严苛工况的设备群监测数据集聚与预警分析。

4 效果与展望

①工厂实现检维修的转变，用设备数据说话，带来看得见摸得着的价值回报。

化工装备种类较多，主要分为动、静两大类。其中，加氢反应器、气化炉、还原炉、换热器、盛运容器等压力容器和管道、阀门等属于静装备，泵、风机、压缩机、空分装备等属于动装备。以往设备缺少有效的设备健康分析手段，导致事后维修，对生产影响程度较为严重。由于缺乏设备运行历史数据，使维修具有盲目和不准确性。预防性检修是按规定周期进行的检修方式，但可能在设备还处于良好状态时停机检修，造成维护过度和资源浪费[9]。利用应力波监测、电流谐波监测技术，与已有的传统温度、振动监测手段密切配合，通过整个基于物联网的设备全生命周期健康状态检测诊断系统的构建，能够全面覆盖机械和电气的信号监测，实现设备“未病先防、既病防变”，有助于行业由普遍采用的计划性检修向基于设备健康状态的监测和预警诊断进行转变，以有效提升近年来计划性检维修存在的过维修、欠维修等痛点，从而优化原有设备管理体制。该系统能够实现对生产设备的全面覆盖，建立预测性维护手段，有效控制设备检修对生产的影响，及时修复弥补延长设备的可靠服役水平。此外，该系统能够保障生产装置安全、稳定地完成生产任务，提升装备检修工作水平，降低运维费用，提高运营运维水平，优化备品备件和物料管理。

②形成行业设备监测大数据特征库。

系统具备在整个流程行业拓展实施的可行性，因此有助于形成可适应于特定行业的设备监测与完整性评价理论体系、设计方法和技术平台。从应用角度为完善和优化理论体系、设计方法和技术平台提供反馈意见，形成特定行业设备监测与完整性评价验证大数据特征库和健康样本,最终支撑实现基于设备本体性能、工况工艺相互融合的设备数字资产画像和特征大数据，实现不同设备故障诊断、健康评估、寿命预测和检维修决策的信息流动。通过设备智能监测，为企业设备保障体系智能化管理带来支撑。基于监测数据可以形成不同类型设备的故障类型、厂家、特征统计，为形成产品服役健康性能和可靠性综合指数、指导优化装备制造企业设计过程、保障用户单位选型评估奠定了基础条件。行业大数据应用概览如图6所示。

图6 行业大数据应用概览

③形成全生命周期管理数据服务。

基于监测数据形成不同类型设备的故障类型、厂家、特征统计，为形成产品服役健康性能和可靠性综合指数，指导优化装备制造企业设计过程，保障用户单位选型评估奠定了基础条件，形成了拓展制造加服务业务的基础条件。基于远程实时的多传感融合监测的数据实现应用和服务，为制造企业、用户、科研和产业链上下游企业提供丰富的现场数据素材。同时，也为形成行业全球资源制造协同奠定基础。探索形成基于数据的装备性能优化提升，终端用户使用过程保障，科研素材库和成果验证库、健康管理和工艺包优化等新型的数据服务新型制造加服务模式，以及为未来形成基于装备全生命周期数据的在线交易市场、探索设备融资、保险等其他金融服务创造基础支撑。

5 结束语

本文基于煤化工行业整体质量提升的装置检测、监测、健康管理、寿命预测等运维的实际需求，构建了设备全生命周期健康监测诊断系统解决方案。该解决方案用数据互联的手段建立在线实时的全面质量评价和可靠性评价体系，以大联通、大数据挖掘为目标，实现基于现场实时数据的故障统计分析、建模、评判、预测性维护、预警等各种数据服务，有助于提升智能工厂建设中的设备管理保障核心板块的智能化水平。系统方案适应于煤化工行业等多类流程行业，具有现实指导意义。