秦小刚，杨风允，王文祥，徐正海

(中海油研究总院有限责任公司，北京 100028)

0 引言

海洋石油平台拥有相对复杂的生产工艺和工况环境，其关键设备的安全可靠运行对于正常生产具有重要影响。目前海洋石油关键机组较多，如注水泵、外输泵、天然气压缩机、原油主机、燃气透平等，其中离心泵类设备占比较大，并在生产工艺流程中扮演着重要角色[1-2]。随着海洋石油提出完整性管理、数字化转型、智能油田建设等发展方向，并伴随着降本增效等管理经营要求，海洋石油离心泵类设备保持设备健康运行并建设数字化的健康管理系统势在必行[3-4]。结合离心泵的常见故障，在建立振动监测技术的基础上，研究了基于支持向量机的智能预警诊断技术，并通过在振动监测系统的基础上进行系统融合，搭建海洋石油离心泵智能诊断系统。

1 基于振动监测的离心泵在线监测技术研究

1.1 离心泵常见故障梳理

目前海洋石油离心泵为电机-多级离心泵机组，统计关键离心泵的常见故障及其占比，见图1所示。通过常见故障及分布占比数据分析，海洋石油离心泵常见故障中不对中和滚动轴承故障尤为突出[5-6]。目前造成以上两类故障的原因为：由于海洋石油工况复杂以及平台钢结构变形、存在应力等原因造成机组不对中故障率较高；较多多级离心泵为滚动轴承，随着第一方面原因和变工况等复杂工况的影响，造成机组轴承损坏。

图1 离心泵常见故障率统计分布占比图

目前，海洋石油多采用基于专业机理的角度建立智能化预警技术研究和应用探索。针对故障诊断主要采用常见故障特征参数与实施状态参数进行匹配对比，发现设备状态变化或故障裂变的趋势和征兆，实现对设备状态的预测和故障诊断定位。为此，梳理海洋石油机泵典型故障的特征，见表1所示。

表1 海洋石油平台离心泵常见故障振动信号频域特征

1.2 关键离心泵在线监测技术研究

针对旋转类设备的状态监测，目前基于振动参数的状态监测是一种有效、可靠的技术手段[7]。一般针对离心泵的常见故障其在振动方面表现出来的频段较多分布在2500 Hz以下，部分特征分布在中高频部分，因此选择10 kHz(±3 dB)的通用振动加速度传感器布置在轴承座壳体上，采用点焊或特殊金属胶粘贴底座在轴承座壳体，加速度传感器通过螺栓柱安装在传感器底座上[8]。电机-多级离心泵机组振动加速度传感器测点布置示意图见图2所示，其中H表示水平方向；A表示轴向方向。

图2 关键离心泵在线监测振动传感器测点布置示意图

由于海洋石油网络带宽较低和现场设备管理的要求，采用分层分布式系统架构设计，设置设备层、现场级、中心级。基于振动监测的在线监测系统架构见图3所示。

图3 基于振动监测的在线监测系统架构图

由于海洋石油平台处于油气生产环境，海洋石油离心泵在线监测系统安装需要按照仪表专业安装标准执行，采用防爆本安型传感器安装，信号线缆采用不锈钢铠管保护，多束传感器信号线缆汇总至防爆接线箱中接线端子汇集成一根多芯铠装信号电缆，信号电缆走仪表线缆桥架至中控室的数据采集器。数据采集器将模拟信号转换成数字信号和滤波降噪，通过网线RJ45接口传输至现场级数据服务器，现场级数据服务器包含的功能为：对数据进行采集、存储，并经专业化处理(FFT等)得出现场级系统的专业图谱，供现场设备管理人员查看设备状态；对数据进行压缩，并通过海洋石油内网传输至陆地公司级远程诊断中心。

除了常规的振动加速度参数采集并处理转换出速度、包络等数据和图谱外，针对海洋石油关键离心泵一般在现场控制盘拥有监测一些工艺流程参数如温度、压力、流量等，较多已经引入至中控系统，可通过数据接口引入至数据服务器。通过以上参数，建立一个能够覆盖多参数变工况环境下的在线监测系统，并进一步开展智能预警技术研究。

2 基于支持向量机的智能预警技术研究

支持向量机方法最初通过分类超平面解决线性分类问题，通过构造一个超平面将不同类别数据区分开，且保证每类样本离分类超平面尽可能的远，该超平面即为最优超平面，为简化求解过程，最优超平面定义公式(1)[9-11]。其目标分类为分类超平面与两类样本间距最大，通过简化距离计算公式可得到优化目标见公式(2)。

yi=(wxi+b)≥1,i=1,…,l

(1)

(2)

最优超平面可通过拉格朗日乘子法求解。为解决支持向量机的低维线性不可分问题，引入核函数，将低维数据向高维空间投影，使得低维不可分数据在高维空间线性可分，即超平面定义为公式(3)[12]。

yi=(wφ(xi)+b)≥1,i=1,…,l

(3)

由概率密度的定位可知概率密度其具有非负性和规范性，见公式(4)所示。设一组样本数据xi对应的概率为yi(0≤yi≤1),即样本可表示为公式(5)。但实际中yi未知无法求解，因此需要构建经验分布函数，x为d维数据，即公式(6)。基于支持机思想构造概率密度，并进行回归估计见图7所示。

(4)

(x1,y1),(x2,y2),…,(xl,yl)

(5)

(6)

其中：

(7)

(8)

(9)

(10)

(11)

(12)

(13)

通过求解上述二次规划问题，即可解得β及k(x,xi)，由公式即可得到各样本的概率密度，步骤如下：

(1)依据公式(6)、公式(7)计算样本经验分布函数；

(2)选定核函数，依据公式(12)、公式(13)计算k(x,xi)及K(x,xi)；

(3)求解公式(10)二次规划问题，得到β；

(4)依据公式(7)解得各样本概率密度值。

搭建电机-多级离心泵模拟测试试验台，提取海洋石油离心泵轴承故障预警诊断参数特征。在离心泵两支撑端轴承座处各安装水平(H)、垂直(V)、轴向(A)加速度传感器。由于速度信号对不平衡、不对中等故障敏感，因此通过加速度积分获取速度信号。加速度信号采样频率为25 600 Hz，速度信号采样频率为2560 Hz。此外还安装泵体进出口压力传感器以及轴承温度传感器等。基于离心泵试验台共得到800 组正常数据、30 组不平衡故障数据、120 不对中故障数据、300 组轴承故障数据。根据公式(6)得到样本数据的经验概率密度分布见图5所示。根据图4中样本数据的经验概率密度分布还无法区别故障状态与正常状态，不具备划分一个明确的状态分界线。

图4 样本数据的经验概率密度分布

确定核函数，选择核函数为公式(14)，并可求解k(x,xi)及K(x,xi)。求解公式(10)中的二次优化函数，得到β，依据公式(7)得到电机-多级离心泵模拟测试数据的概率密度值，见图5所示。有图示可知，设备正常状态与异常故障状态数据以最小概率密度 0.008 693为分界线。因此当高于该阈值作为设备故障预警的门限值参数。

(14)

图5 样本数据的概率密度值

同理，可由上述公式进一步计算得到故障数据的k(x,xi)及K(x,xi)，进而结合β值计算出故障数据的概率密度，其中大部分故障(不平衡故障、不对中故障、轴承故障)数据的概率密度较低且在0值附近。故障数据与正常数据不属于同一分布，故障数据概率均小于正常数据概率。说明基于支持向量机概率密度估计建立的概率阈值能对故障报警，证明预警阈值有效。

通过支持向量机的智能预警诊断的设计，采用程序语言开发出海洋石油基于机理模型的智能预警系统。海洋石油某平台机组泵驱动端系统报警，智能诊断提示轴承故障结论，见图6所示。收到报警通知后，现场人员停机检修，经拆卸设备发现泵驱动端轴承损坏，见图7所示，印证了智能预警和智能诊断的结论。

图6 智能预警系统

图7 设备故障拆检

3 结束语

文中分析海洋石油离心泵常见故障和特征，采用振动监测技术实现了针对离心泵的在线监测。在在线监测系统的基础上，提出基于支持向量机的智能预警模型，通过实验测试获取基于支持向量机的概率密度函数特征参数。通过现场应用表明，基于振动监测和支持向量机海洋石油离心泵智能预警能够有效实现对离心泵的智能预警诊断，达到了设计要求，提升了海洋石油的关键设备的数字化监测管理水平。