一种透平膨胀机预测性维护方法与流程

[0001]
本发明涉及系统设备维护技术领域，具体涉及一种透平膨胀机预测性维护方法。


背景技术：

[0002]
在工业中，设备维护是很重要的环节，直接影响到设备的运行时间和设备的工作效率。然而，设备剩余寿命需要被准确预测，故障需要被及时识别和处理，才能避免在生产过程中停机、造成损失。传统的预测性维护方法主要是基于物理模型，基本思想是基于物理性质的固定物理公式去拟合设备、零部件的健康状态或寿命。这种方法要求工程人员有很深的工程物理背景知识，通常采用复杂的物理公式，借助于过多的物理模型而忽略了数据本身的规律，预测准确度较低。预测性维护可对设备数据进行系统分析和处理，建立和训练预测模型，制定维护策略并及时调整，可以有效的降低维修成本、减少机器故障、减少维修停机、减少备件库存、增加备件寿命、增加产量、提高操作员的安全性、提升维修验证可靠性、提升整体利润等。应用预测性维护的设备或系统，其产生的故障是由于渐进式的功能衰退超过临界值导致的。对设备进行性能退化评估和剩余寿命预测具有很好的前景，其预测模型具有较高的准确率，是预测性维护策略决策的可靠依据。
[0003]
系统中重要设备的运行工况，决定着整个系统的工作效率。例如，透平膨胀机是低温法空分装置及气体分离和液化装置的重要部件之一，其工作原理是利用气体的绝热膨胀将气体的位能转变为机械功。工质在透平膨胀机中膨胀通流部分获得动能，并由工作轮轴输出外功，从而达到降低出口工质的内能和温度的目标。它主要包括流通部分，机体部分和制动器三大部分。其中轴承、转子和叶轮是其核心部件，也是最易出故障的部件。透平膨胀机作为大型低温系统的重要设备，其工况决定系统的制冷量输出，而透平膨胀机的故障停机会导致整个低温系统制冷量降低，甚至设备损坏。通过将机器学习技术与设备维护技术相结合，利用机器学习模型预测设备剩余寿命，及时报警规避故障发生，减少生产事故。目前，剩余寿命预测模型仍然存在着一些问题，首先，现阶段设备数据分析处理过程无法处理复杂数据集，无法满足大型设备群的预测性维护需求，通常应用在单个设备或部件的预测性维护上。其次，面对多样的目标设备，其剩余寿命预测模型的构建也是多样的，剩余寿命预测模型的构建易陷入局部最优解。最后，现阶段的预测性维护技术主要是对设备的剩余寿命预测与监控报警功能，对大部分设备的故障无法进行全面诊断和专业维护。


技术实现要素：

[0004]
本发明要解决的技术问题在于大型氦低温系统中重要设备透平膨胀机的状态预测问题，从而提出一种面向透平膨胀机的预测性维护方法。通过预测性维护方法与透平膨胀机现场控制系统dcs结合，通过进行透平膨胀机的历史全寿命数据和故障进行机器学习模型训练，构造透平膨胀机的剩余寿命预测模型，可以有效预测设备运行工况。通过opc协议将实时数据从dcs系统和专用仪表传输至预测可视化系统，将实时数据进行特征值提取算法，利用经处理的实时数据和透平膨胀机剩余寿命预测模型对透平膨胀机的故障进行预
警并执行相应策略。根据本发明提供一种透平膨胀机预测性维护方法，在数据服务器中通过处理透平膨胀机的历史数据，建立透平膨胀机的全寿命健康数据集和故障数据集，并在此基础上划分机器学习训练集和验证集。根据透平膨胀机种类和使用环境，选取合适的剩余寿命预测模型，并通过训练集对其进行训练，模型完成后用验证集验证预测准确率。上述预测模型的验证结果满足预设条件，预测准确率大于或等于预设的阈值，则模型可以用于透平的剩余寿命预测。对预测模型进行状态划分，规定失效区间。在预测模型中添加时间条件，构造报警规则，实时数据经处理后生成数据序列，通过分析产生序列与全寿命曲线和故障曲线各区间相似度实现数据定位，根据定位区间状态划分确定设备工况并做出报警，第一，通过opc协议将实时数据传输至预测可视化系统，对数据集进行分析，若设备功能迅速退化，无法完成本轮生产，则进行报警，设备执行应急策略，逐步关机。第二，通过分析预测可视化系统中存储的上轮生产全数据，若设备无法完成下轮生产，则进行报警，执行维护策略，停止生产。新产生的数据整理存入数据服务器的历史数据库，被提取和分类，用于新一轮模型建立，通过不断优化模型，提升预测精度。
[0005]
本发明的技术方案具体如下：一种透平膨胀机预测性维护方法，包括如下步骤：
[0006]
步骤1、基于透平膨胀机的历史数据，对所述历史数据进行分类，其中，所述历史数据的类型包括透平膨胀机的进气口、出气口，轴承气路的各节点的全寿命数据和故障数据，包括：温度数据、压力数据、流量数据、振动数据；
[0007]
步骤2、对所述历史数据进行特征值提取，建立透平膨胀机剩余寿命预测机器学习模型；
[0008]
步骤3、采集透平膨胀机的实时数据，对所述实时数据进行分类，其中，所述实时数据的类型包括透平膨胀机的各节点温度数据、压力数据、流量数据、振动数据和电流数据；通过dcs系统和仪表采集数据，并通过opc通讯协议实现透平膨胀机监控系统与实时通信，将所述采集的数据传输到预测可视化系统；
[0009]
步骤4、基于透平膨胀机剩余寿命预测的机器学习模型，利用特征值提取算法对所述实时数据进行特征提取，对透平膨胀机工况进行在线评估，预测透平膨胀机剩余寿命并对可能发生的故障进行预警，具体是对预测模型进行状态划分，规定失效区间。在预测模型中添加时间条件，构造报警规则，实时数据经处理后生成数据序列，通过分析产生序列与全寿命曲线和故障曲线各区间相似度实现数据定位，根据定位区间状态划分确定设备工况并做出报警。。
[0010]
进一步的，利用特征值提取算法和所述历史数据建立透平膨胀机剩余寿命预测模型，模型实现两种功能，第一，透平膨胀机剩余寿命预测，第二，故障定位。
[0011]
进一步的，利用pc机作为预测可视化系统的服务器，在此服务器上安装由python编写的透平膨胀机剩余寿命预测模型和报警系统，通过opc协议将实时数据从dcs系统和专用仪表传输至预测可视化系统，对实时数据进行特征值提取，利用经处理的实时数据和透平膨胀机剩余寿命预测模型对透平膨胀机的故障进行预警。
[0012]
进一步的，透平膨胀机剩余寿命预测模型能够识别两类故障：第一，叶轮故障，第二，轴承故障。
[0013]
进一步的，透平膨胀机的剩余寿命预测模型具有两个报警规则，第一，透平膨胀机无法完成本次生产周期，报警后执行应急策略，由人工逐步关闭设备，关机后透平膨胀机返
厂维修；第二，透平膨胀机无法完成下次生产周期，报警后停止生产计划，执行维护策略。
[0014]
进一步的，透平膨胀机剩余寿命预测模型建立过程在数据服务器中，经历史数据库、数据分类、特征值提取、模型建立和模型验证后完成，部署在预测可视化系统中。
[0015]
进一步的，针对轴承故障，选取振动信号，利用神经网络模型，并用经过傅里叶变换的轴承部位的振动信号全寿命数据集进行训练，对其训练结果进行平滑处理，建立针对轴承工况的预测寿命机器学习模型；
[0016]
针对叶轮故障，选取进气、出气口的温度、压强和流速信号，以及支持向量机的回归模型，并用进气、出气口的温度、压力和流速全寿命数据集进行训练，建立针对叶轮工的预测寿命机器学习模型。
[0017]
本发明的优点：
[0018]
本发明相对于传统透平膨胀机的维护技术，具有更好的预测性。对于大科学装置中设备的故障会造成重大的事故，传统的维护技术，即定期维护保养，无法解决保养期限前即将发生的退化型故障，无法解决突发故障。本发明采用基于机器学习的预测性维护方法，通过dcs系统和专用仪表采集数据，opc协议完成实时数据传输，在线预测故障，可以及时发现故障、定位故障、处理故障，同时可以最大限度的延长设备的使用寿命，减少生产成本，该方法可在大科学装置设备运行维护中广泛使用。
附图说明
[0019]
附图是用来提供对本发明的进一步理解，并构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的现实。
[0020]
图1为本发明实施例提供的系统结构图。
[0021]
图2为本发明实施例提供的系统现场运行流程图。
具体实施方式
[0022]
下面结合附图对本发明的具体实施作进一步描述。此处所描述的具体实施方法仅用于说明和解释本发明，并不用于限制本发明。通常在此处描述和附图中所示的本发明实施例的组件可以以不同的配置来布置和设计。因此，以下在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本技术领域人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0023]
根据本发明的一个实施例，提供一种基于机器学习的透平膨胀机预测性维护方法，所述方法应用于图1所示透平膨胀机寿命预测性维护系统，系统结构分为：现场监控系统、预测可视化系统和数据服务器。
[0024]
所述现场监控系统用于透平膨胀机工况监测和策略执行。dcs系统和专用仪表采集透平膨胀机实时数据，对预测可视化系统反馈的策略建议予以执行。进一步地，采集实时数据的方式可以根据实际情况增加。进一步地，通过opc协议将实时数据传输至预测可视化系统。进一步地，报警信号传输至现场，操作人员根据报警种类实施策略建议。更进一步地，反馈的策略建议包括应急策略和维护策略。
[0025]
所述预测可视化系统用于对透平膨胀机剩余寿命预测和报警。透平膨胀机实时数
据通过opc协议传输至预测可视化系统，数据经特征值提取写入透平膨胀机剩余寿命预测模型。进一步地，模型计算出透平膨胀机剩余寿命，传输至报警系统。更进一步地，报警信号进入策略库，并与策略建议一起传输回现场监控系统。所述数据服务器用于透平膨胀机的剩余寿命预测模型建立和应急策略和维护策略的生成和验证。
[0026]
第一，所述数据服务器用于透平膨胀机的剩余寿命预测模型建立，从历史数据库中提取透平膨胀机历史数据，选取历史数据中各节点温度数据、压力数据、流量数据、振动数据和电流数据经处理建立历史数据库。所述历史数据库被划分为全寿命数据集和故障数据集。
[0027]
进一步地，所述历史数据库划分为训练集和验证集。
[0028]
更进一步地，所述历史数据集划分为全寿命训练集、全寿命验证集、故障训练集和故障验证集。选取适当机器学习模型，用该训练集分别独立训练，形成两个剩余寿命预测子模型。
[0029]
进一步地，通过对数据集中各类数据趋势的分析，可以得到初步结论，振动信号与轴承工况有较大相关性，进气、出气口的温度、压强和流速信号与叶轮工况有较大相关性。更进一步地，轴承和叶轮是透平膨胀机易发生故障的位置，有较高的研究价值。进一步地，针对轴承故障，可选取神经网络模型，并用经过傅里叶变换的轴承部位的振动信号全寿命数据集进行训练，对其训练结果进行平滑处理。进一步地，针对叶轮故障，可选取支持向量机的回归模型，并用进气、出气口的温度、压力和流速全寿命数据集进行训练。进一步地，通过分析全寿命曲线能量函数与自相关函数，并根据设备建议使用时间，划分剩余寿命失效区间，建立报警规则。更进一步地，两个剩余寿命预测子模型报警规则联立，且故障识别模型优先级高。进一步地，针对透平的其他发生过的故障，可选取聚类模型，并用故障数据集进行训练。更进一步地，模型训练还包括模型评估和模型再训练，再训练模型精确度大于原模型，则替换原模型，部署最新的透平膨胀机剩余寿命预测模型到预测可视化系统，目的是提高透平膨胀机剩余寿命预测模型精度。
[0030]
第二，所述数据服务器用于应急策略和维护策略的生成和验证。通过仿真软件ecosimpro建立低温系统模型，对潜在系统故障进行预测，并根据操作人员经验建立应急策略，并通过仿真软件进行必要验证。进一步地，所述系统故障会冲击透平膨胀机，导致透平膨胀机功能迅速退化。故障策略还包括设备出厂使用手册中的应急策略和维护策略。进一步地，所述出厂手册面向透平膨胀机，具有局限性。进一步地，操作人员的维护经验经验证后可写入策略库。
[0031]
所述方法应用于图2所示系统现场运行流程图。
[0032]
透平膨胀机运转产生实时数据，dcs系统和专用仪表开启对数据进行采集。进一步地，采集的实时数据通过opc协议传送至预测可视化系统。
[0033]
进一步地，进入预测可视化系统后，实时数据经处理后生成实时数据集。更进一步地，实时数据集进入透平膨胀机剩余寿命预测模型，获得剩余寿命。进一步地，预警系统根据剩余寿命和预警规则进行预警，其结果有两种。第一，透平膨胀机剩余寿命无法支持完成本轮生产，则进行报警。更进一步，报警信号传输至现场，现场操作人员执行应急策略。第二，上轮实时数据存储在预测可视化系统数据库中，形成上轮生产全数据集。进一步地，所述上轮生产全数据集和预测模型对透平膨胀机下轮故障进行预测。进一步地，预测剩余寿
命大于下一轮生产周期，则可以继续使用。更进一步地，预测剩余寿命小于或等于下一轮生产周期，则停止生产计划，对故障进行定位，执行维护策略。
[0034]
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。