基于大数据平台的火电厂泵类设备故障诊断技术分析

王铁民　孙瑞　罗丹

摘 要：泵类产品在工业生产中有着广泛的应用，其工作运行中的稳定性对生产活动有着重要影响。故障诊断技术对维持泵的正常运行有着重要意义，随着大数据技术的发展，故障诊断结合大数据技术将为泵类设备提供更好保障。本文综合分析了泵类故障诊断技术与大数据技术的发展趋势和关键技术，指出智能化故障诊断面临的挑战与发展趋势。

关键词：故障诊断;大数据;智能化;工业泵

1 引言

在工业生产中，泵作为一种通用机械其地位无可取代，其中石化用泵、电力用泵又占极大部分。由于我国目前发电情况是以火电为主力，而泵在火电厂所发挥的作用非常重要。泵类设备作为生产系统重要的环节，一旦发生故障容易导致整个生产系统瘫痪，其造成的直接和间接损失无法估量，因而保证泵的正常运行十分重要。

通过对泵类设备进行状态监测和故障诊断，可实时监测设备的生产状态，若有异常状态发生，以报警方式对相关人员进行及时通知，从而减少因故障带来的人力和物力的成本损失，以及提高设备和系统的可靠性。

2 国内外状态监测、故障诊断技术的研究进展

现代信息技术发展已经取得了快速的进步，如计算机技术、人工智能技术和传感器技术，利用这些技术同状态监测和故障诊断理论进行结合，使得状态监测和故障诊断技术得以应用于实际生产环境中。

美国于1967年成立了机械故障预防小组，英国几乎同时期成立“英国机器保健中心”，他们在故障分析及诊断技术开发等诸多方面取得了很大成就。欧洲的部分国家凭借着对诊断技术的深度研究，已经在该领域取得了较为不错的成绩。丹麦和日本也都针对机械设备推出了适合不同工业领域应用的状态监测和故障诊断系统，例如核电站和商业热电站。

此外，国内对于状态监测和故障诊断技术也有一定的研究，许多企业和高校对此做了相关的理论研究和系统开发，并已有较好的成果展现。例如，南京航空航天大学、华南理工大学和浙江大学针对远程故障诊断的研究取得了不错的成绩。华中理工大学构建了设备故障远程诊断中心，目的是为客户提供远程诊断服务，也取得了相应的成果。

状态监测和故障诊断技术主要经历了人的现场观察、测量仪器和计算机管理三个发展阶段。最初的人的现场观察阶段主要由人根据以往经验，通过对设备的振动，温度等机械状态进行观察和判断，分析过程中往往需要进行专家讨论，来确定设备的故障原因和运行状态，这种原始阶段的方法显然耗时费力，对人的经验要求较高，并且结果往往不精确。在测量仪器阶段，测量仪器的监测作用逐渐代替了人的感觉去判断设备的运行状态。设备的频率、振幅等各项参数都会被测量仪器一一记录，通过参数化的数据，可以对数据进行趋势预测和分析，并以此作为判断设备故障的基础，实现对故障的识别和排除。计算数据管理技术则是测量仪器阶段的又一次巨大飞跃。在数据的处理方面，可以直接将测得的设备运行数据输入预先编制好的算法系统中，通过各种算法的分析和评估，可以获得完整的分析报告，并能根据分析结果做出更加直观的可视化展示，如相关图谱的展现。对设备状态的预测也更加智能，从设备数据的采集及基本的处理摆脱了人的而参与。随着监测对象的不断扩大，大数据技术也被应用到设备的故障诊断及预测方面，智能化和精确性迅速提高。空间上也不再局限于本地检测，远程监测逐渐成为重要手段。

目前，故障诊断领域相关的技术和方法主要有：基于隶属度函数描述客观事物的模糊数学、基于机器学习的神经网络和擅于处理不完整、不精确的粗糙集理论等。

2.1 泵体常见故障形式

泵体常见的故障形式如下图1所示，主要涉及到水泵的叶轮、轴承、电动机和进出水管道等组件。因此，为实现对泵体的故障进行预测和监控，需要对同上述相关组件相关的运行参数进行实时监测。

2.2 泵体故障诊断方法

目前，神经网络在水泵故障诊断中使用得很多。文献基于人工神经网络的水泵故障诊断技术研究将神经网络用到水泵故障诊断中，根据水泵不同的故障征兆基于人工神经网络建立故障诊断模型并进行模拟，利用机器学习训练模型并进行故障识别、诊断，证明了神经网络在诊断的准确率和诊断效率方面具有优势。

文献基于支持向量自回归的大型离心式水泵振动状态预测研究，利用支持向量机构建了大型离心式水泵两种不同的振动预测模型——基于灰度方法得模型和基于自回归方法的模型。在进行实例验证后得到结果：基于自回归方法建立的模型在振动预测故障方面更加有效，从而提高水泵安全性和经济性。

文献利用模糊理论针对矿井排水泵，构建了一种水泵监测及故障诊断系统，根据CNC总线技术和模糊理论，使用VB与MATLAB进行联合编程。该故障诊断系统的稳定运行，实现了对矿井排水泵的在线监测与实时预警，对提高矿井的安全管理有极大帮助。

文献油田注水泵故障诊断专家系统的开发根据水泵机组的振动信号建立了故障诊断专家系统。与传统的专家系统相比，该系统在知识库组建时充分地调研了实际的产生方式，将其融入至知识库框架体系之中，以此建立的专家系统提高了搜索的效率，知识的匹配过程明显改善。

3 大数据技术

大数据主要有3个特点，分别是规模性（volume）、多样性（variety）和高速性（velocity）。随着信息技术的不断发展，在面对海量的数据时，大批量数据的实时传输与分析成为一种趋势。目前，大数据不断与社会的各个领域结合。大数据处理过程主要包括数据采集、数据预处理、數据存储、数据分析挖掘和数据可视化等。通过利用大数据技术，可对工程机械设备进行工业机械大数据的构建，将设备每天产生的实时数据进行结构化或非结构化的保存，以此作为数据分析和挖掘的基础，结合各种数据分析工具挖掘出有价值的信息可用于指导企业的各个环节，见图2。

3.1 数据处理

数据处理作为大数据技术的上游环节，是一个非常重要的环节，合理的数据处理有助于减少大量冗余和无效的数据，这对后期的数据分析和挖掘有非常重要的意义。数据处理主要包括对数据进行清洗，集成和变换等。其目的均是为后期挖掘出有价值的数据奠定重要的基础，如根据实际需要，对无效的噪声信号进行去除，异常值的识别和排除，数据的聚合和规范化等。