基于规则和相似度的海洋石油设备智能诊断技术研究

李 进

(中海油能源发展装备技术有限公司，天津 300450)

海洋石油包含往复压缩机、原油主机、燃气透平、大型离心泵等较多的关键动设备，长期运行在高温、高压、易燃易爆、盐雾腐蚀等恶劣工况下，其安全运行对海上油田的安全生产运行有着重要的影响。往复压缩机是处于工艺流程中的关键设备，一般寿命达20～30年，为了保障往复压缩机的可靠性，目前海洋石油较多往复压缩机已安装在线监测诊断系统，实现预防性维修和预知性维修并存，其中在线监测诊断服务已近10年，积累了大量的故障特征和典型案例。但往复压缩机因结构复杂、工况多变、激励源多，造成振动等信号具有丰富的频率成分，对设备诊断分析带来较大难度。在线监测诊断服务过度依赖专业工程师的人工服务模式，无论从企业数字化转型，还是工作效率、诊断准确率等方面还需要提升。

根据故障特征不同，往复压缩机常见故障分2大类：一类是流体性质的故障，属于机器热力性能故障；一类是机械性质故障，属于动力性能故障[1]。国内外针对往复压缩机常见故障智能诊断提出基于局域波法和SVM 模型的故障预测方法、基于混沌理论的往复压缩机故障诊断、基于非线性复杂测度的往复压缩机故障诊断等技术方案，为往复压缩机智能诊断与故障预测研究提供了基础指导[2-4]。但已有往复压缩机故障诊断研究成果大都没有考虑实际的往复压缩机故障诊断过程，设计模型往往脱离实际无法使用，部分模型过于复杂、效率低下。针对海洋石油已积累的大量案例和故障特征数据，笔者提出采用规则和相似度的智能诊断技术研究，提高机组无故障平稳运行时间，从而提高企业的经济效益。

1 往复压缩机常见故障分析

根据海上油田多年往复压缩机故障统计，往复压缩机故障主要包含气阀类故障、传动部件类故障、基座固定类故障、曲轴类故障、活塞类故障、密封类故障、工艺类问题等，如表1所示。为了详细了解往复压缩机各故障类型占比分布，针对性地对高故障占比的故障实施智能诊断，有效降低设备故障率，提升诊断的准确性。据不完全统计，往复压缩机常见一般性故障的故障率统计分布占比如图1所示[5-6]。

表1 海上油田往复压缩机故障分类

图1 往复压缩机常见一般性故障率统计分布占比Fig.1 Statistical distribution of reciprocating compressor failure rate

通过故障诊断案例积累的经验、海洋石油往复压缩机的故障实验以及国内外相关研究成果，对往复压缩机典型故障及相关特征进行梳理。根据故障危害程度大致分2类：一类是危害性较大的故障，如活塞杆断裂、曲轴断裂、连接螺栓断裂等；一类是危害性轻微的故障，如活塞环泄露、吸排气阀泄露故障等。针对以上情形，2类故障的准确诊断除了诊断规则的正确性外，还要注重故障特征信息获取的程度。因此，海洋石油往复压缩机在线监测系统监测设备参数包含振动、沉降量、偏摆量、温度、工艺量等多个类型参数，能够满足智能诊断的技术要求。

2 专家诊断系统

经过多年的数据和案例积累，海洋石油已形成较多的典型故障案例，因此在故障诊断模型的基础上，采用基于规则和相似度原理技术搭建专家系统，自动诊断往复压缩机常见故障，降低故障率，提升无故障运行时间，提高经济效益和管理水平。文献[7]中提出，在往复压缩机诊断智能化上，随着专家系统、人工神经网络的迅速发展，实现故障的自动诊断成为可能。专家系统是一种智能诊断算法，以专家知识为基础，利用人类专家推理的计算机模型来处理复杂问题，并得出诊断结论。专家系统分为基于规则的、基于案例的、基于模型的和基于框架的专家系统等，其中以基于规则的专家系统和基于案例的专家系统应用最广，一般流程工业机组的正常生产状态及各类故障状态的数据特性不同，提取不同类数据特性作为案例用于案例推理，一般通过数据相似度进行案例匹配[8-9]。文献[10]中提出专家资源严重不足现状等现象一直被认为是导致智能诊断的知识库知识量少、机器智能决策质量差的根本原因。笔者也是采用应用广泛的以案例为专家知识资源，建立基于规则和相似度的专家系统，实现机组的智能诊断。

2.1 总体设计

海洋石油往复压缩机智能故障诊断专家系统包括故障特征自动获取模块、故障推理模块、人机交互模块、案例库模块等，如图2所示。

图2 专家系统结构图Fig.2 Structural diagram of expert system

图4 曲轴箱振动异常诊断模型Fig.4 Diagnostic model for abnormal vibration of crankcase

(1)故障特征自动获取模块获取机组实时和历史运行数据，通过信号处理和征兆获取手段提取故障特征。

(2)故障推理模块包含知识库、规则推理引擎。知识库主要为案例库和故障推理表(规则表、事实表等)等内容，包含索要解决问题领域中的大量事实和规则；规则推理引擎通过相似度技术获得故障特征匹配事实表的响应事实属性。

(3)人机交互模块主要完善专家系统故障特征获取和专家系统故障反馈。

(4)案例库模块主要实现案例学习与规则的功能。

2.2 规则推理设计

规则推理是专家系统的“核心处理”机构。根据外界输入的设备状态数据，运用知识库的内容，按一定策略进行推理，最终形成故障诊断结论和建议。基于规则推理就是总结以往专家系统的经验，并将其归纳成规则，通过启发式经验知识进行推理。为了提升规则推理的准确性，要求专家具有较强的自学习能力，即学习新知识和归纳、总结实时经验的能力；规则应满足一定可信度，同时具有更大的适应性[11-12]。

规则推理过程通过相似度(推理机)来匹配实现，其中事实指机组信息、状态数据的特征；规则即IF…THEN…的判断。规则推理如图3所示。

图3 规则推理(常规模式匹配)Fig.3 Rule reasoning (conventional pattern matching)

在考虑专家系统与已有在线监测系统融合层面，将十字头振动、曲轴箱振动、活塞杆位移、气阀温度、键相等信号进行融合，建立诊断主框架，依靠相对独立的诊断规则将仪表故障、机组不同部件故障诊断进行分解，保证各自的诊断过程独立、无干扰。该框架的突出优点是单个诊断规则的增加、修改、删除对其他诊断规则包无影响，可根据机组现场传感器安装情况对诊断规则包进行定制。以曲轴箱振动异常为例，其诊断模型如图4所示。

由于不同的海洋石油平台往复压缩机在结构、型号、驱动方式、工况等方面存在差异，因此故障诊断方法也不尽相同。专家系统架构针对海洋石油不同结构、驱动方式等情形制定特有的故障诊断知识库，利用专家系统进行诊断时首先获得机组信息，根据诊断任务的不同调取特定知识库中的相关规则。这样建立相对独立的故障诊断知识库，避免使用同一知识库诊断不同的机组故障，造成不必要的混乱与冲突。

2.3 推理引擎设计

根据海洋石油机组的特点，案例的知识组织形式采用基于框架的知识表示方法，把框架的槽作为案例的属性，槽值作为相似度来进行判断，推理引擎采用基于管理和知识归纳的组合检索策略。推理引擎流程如图5所示。专家系统中特征属性与槽是对等的，为了提高规则推理的速度，把规则前件运算限制为整形运算。

图5 推理引擎流程Fig.5 Inference Engine flow

推理机采用相似度计算等方法快速地从案例库中寻找出与待诊断案例“最相似”的案例，分2个步骤：

(1)根据输入的待诊断案例的设备信息，在案例库中进行检索，挑选出同类设备案例集；

(2)采用最近临匹配法从同类案例中检索出“最相似”案例。

最近邻匹配法以n维空间的观点表示案例，每个案例对应的特征向量构成，设V={a(1)，a(2)…}表示案例的特征向量，则2案例的相似度表示如下：

式中：T为待诊断案例；T(i)为案例T的第i个特征；S为案例库中案例；S(i)为案例S的第i个特征；ωi为案例第i个特征的权重。

当T(i)和S(i)相同时：

当T(i)和S(i)不同时：

根据特征的重要程度，将故障分为最重要、很重要、比较重要、一般、可有可无等5个等级，假设第i个特征的等级由ki表示，ki为1到5中的某一值，则特征权重计算方法为：

ωi=ki/∑iki

相似度值越大，表示2案例越相似；相似度越小，表示2案例差别越大。当sim(T,S)=1表示2案例完全相同。

3 应用

根据以上理论研究，利用C++开发了往复压缩机专家系统并集成到设备在线监测系统。可选择单点诊断和区域诊断2种模式，单点诊断为选择某时刻异常点进行智能诊断，区域诊断为选择某一时间段由系统自动判别设备异常诊断结果。通过实际数据测试，基于规则和相似度的智能诊断技术能够实现设备的智能诊断，并根据故障概率将诊断结论排序显示，智能诊断系统效果图如图6所示。

在实际故障诊断过程中，专家系统规则推理是在机组监测过程中出现报警时触发专家系统运行，或者由人为触发进行，可根据机组类型和相关测点报警信息来选择相应的规则，从而避免对所有规则不断进行匹配。如温度报警只运行温度报警诊断的相关规则，根据测点类型和报警信息选择对应的任务，进而触发相关规则。

4 结论

海洋石油往复压缩机具有复杂的工况环境和非平稳信号特征，相对结构简单的旋转设备机泵的故障诊断更为复杂。笔者采用基于规则和相似度的智能诊断技术，能够有效将设备状态数据与案例特征数据匹配，得到设备“相似”故障，实现智能诊断。证明了基于规则和相似度的智能诊断的有效性。

图6 智能诊断效果图Fig.6 Intelligent diagnostic effectiveness diagram