關鍵機泵在線監測智能預警系統在煤化工安全生產中的應用
根據前瞻產業研究院相關報告，2019 中國的甲醇需表觀消費量約為 5800 萬噸，2019-2025 年我國甲醇行業表觀消費量復合增速約為 3%。中國市場潛力巨大，且隨著經濟增長的需求，甲醇的需求量還會進一步提升。從甲醇的下游端來看，市場對烯烴的需求量也很大，中國對全球的需求占比在 45%以上。面對潛力巨大的甲醇及其下游市場，內蒙古某煤化工公司確保全廠各個裝置“安、穩、長、滿、優”的運行至關重要。傳統工廠里主要采用事后控制的方式來解決維護問題，即在故障出現后及時來解決，但是，這意味著維修人員成了救火隊員，而且故障已經發生損失已經造成，宕機以及產量損失都是非常巨大的，因此，“平臺+服務+應用”預測性維修的設備管理模式勢在必行。
網絡、互聯設備以及采集、監視和分析得到的數據（感知層）是預測性維護流程的基礎。這些數據基礎設施以及數據驅動的智能信息，也就是智能工廠的核心基礎——物聯網。工廠管理人員和運行人員可以根據物聯網所提供的數據和信息，進行以工業大數據為基礎的預測性維修模式。利用有線和無線的振動傳感器采集機泵振動（溫度）信號上傳至無線網關，通過廠內 4G 網絡平臺及時上傳數據至智能監測軟件系統，同時操作系統實時數據庫引入溫度，電流、壓力、介質溫度等主要工藝量參數，在監測軟件中一同顯示，同時具備與公司信息化平臺融合能力。各裝置監控人員通過控制室公共電腦查看關鍵機泵的狀態監測報警信息。信息包括機泵運行報警信息以及故障類型信息，實現手機微信小程序的方式接收報警、故障類型信息報送，實現機泵運行趨勢分析、智能化診斷、智能預警預判及聲音提示。
硬閾值報警是比較經典的預警方式，由設備管理工程師或診斷專家確定報警閾值。通常是根據設備的類型，確定適用于該設備的 ISO 標準或國標，并根據轉速、功率等信息，通過查詢相應的 ISO 標準或國標，確定對應設備的報警閾值。有些企業根據多年的現場經驗，會制定自己的報警閾值。
按照相關標準設定的硬閾值，并不一定符合實際設備的預警要求，因為設備的振動與運行條件，安裝情況有很大關系，如果閾值設置過高，設備可能已經出現了早期故障，但是還沒有到達報警臨界點，會造成早期故障的漏診斷，如果閾值設置偏低的話，會造成特征值反復穿越報警線，造成大量虛假報警。在自適應預警中，對于不同的設備，從該設備的歷史特征值數據中，經過數據清洗，得到代表正常運行的特征值數據集，將設備正常運行的特征值數據集導入自適應閾值計算模型中，得到自適應的閾值。自適應報警適用于各種特征值報警，包括振動特征值，溫度，壓力等，并且自適應閾值不需要事先獲取設備的各種參數，只需要設備運行的歷史特征值數據集，就可以從中挖掘出設備正常運行的特征值臨界點。和傳統的人工設定閾值相比，自適應閾值克服了閾值設置偏高或偏低導致的漏診斷和虛假報警，能夠及時發現設備出現的早期故障。
由于工業環境復雜，同類設備在不同工況下對故障的反映程度也大不相同，傳統的硬閾值報警針對同一類的設備使用統一的閾值，對于不同工況下的設備不一定完全適用；傳統的硬閾值報警只規定了大部分通用設備的閾值，很多設備并未包含在內，對于這類設備初始設定的閾值不一定合理。以上情況可能會出現設備已經發生了故障但特征值未超過閾值造成漏報警，趨勢預警則可以很好地解決這個問題。無論設備對故障的反映程度如何，設備一旦發生故障相應的特征值都會相較于正常狀態下有一定的增長，增長的程度取決于故障的嚴重程度。趨勢預警技術將采集到的特征值進行回歸擬合，計算一定時間段內特征值的增長率（計算時間段可根據不同設備自定義），當特征值增長率超過相應閾值則觸趨勢報警通過特征值增長率的變化反映設備故障情況，相較于傳統的閾值預警方法，可以發現由于工況影響或閾值設置不合理造成的漏報警，避免了由于漏報警而造成的嚴重損失；另外，即使不存在工況影響和閾值設置不合理的情況，趨勢預警也可以在更早發現故障，將故障造成的損失降到最低。
針對工業場景中不斷變化的工況，使用傳統的硬閾值報警方法會導致頻繁誤報警。同時由于狀態參數受到工況的直接影響，僅利用單個參量難以及時發現設備初期異常狀態，使用多變量建模的技術可以很好地解決這些問題。多變量建模技術利用設備直接相關的工況參數（工藝參量、變化的工況參量）以及設備的狀態參數（溫度、壓力、振動等）組成的歷史數據，從中清洗異常數據得到設備正常狀態下的數據集。根據設備正常狀態下的數據集直接建立以數據驅動的多變量預測模型，通過在已有的正常（或異常）數據集中測試模型的準確性，確認模型對于正常狀態的準確預測性以及對異常狀態的可檢測性。多變量建模技術適用于多種工業場合需求。工業現場設之間并非相互獨立不相關，同時單個設備上的多個測點參數也并不獨立無關。通過獲取主要的變化工況參數并結合多個狀態參數可以很好地將整個設備的狀態建立模型。當有實測數據到來時，模型會自動輸出實測數據所對應的正常預測值，通過對比實測值和預測值的殘差可以快速地定位設備的異常狀態。相較于傳統方法，這種技術有能力在異常發生的初期即觸發報警，有助于避免更嚴重的損失。
通過設備預警，可以實現設備異常的早期發現，并有效跟蹤設備的運行趨勢，但是對其原因、部位進行識別和評價，需要提取更深層次的信息。這部分工作通常是由診斷工程師完成，診斷工程師需要具備設備基礎知識，工藝知識，信號分析及診斷知識，存在培養周期難度大，現有人力資源少，無法實現無人值守等問題?；谠\斷知識庫的智能診斷系統，可以實現從人工診斷向自動診斷的初始化建立設備模型，通過現有的診斷知識體系，針對每個設備類型，建立設備模型庫，在設備模型中，包括設備的數字模型，算法庫和知識庫。數據源進入設備模型，通過匹配數字模型，形成設備的實時信息庫，基于算法庫和知識庫的處理，將各種數據信息處理成可被計算機理解的特征信息。推理引擎類似人的大腦思考過程，通過設備模型提取出的信息經過推理引擎得到診斷結論，診斷結論對設備異常進行了故障定位。診斷結論經過現場驗證后可以被標記為診斷案例，通過診斷案例可以更新系統模型，實現模型的不斷迭代更新。以多級泵為例，初始設備模型可診斷的故障舉例如下，隨著后續診斷案例的不斷增加，設備模型不斷更新升級，可智能診斷的故障逐漸增加。
機器健康大數據平臺的監測系統采用 Browser/Server構架，用戶端采用瀏覽器，無須安裝其他軟件和插件，直接瀏覽數據信息，登陸和維護簡單。用戶界面友好、美觀大方，具備所監測設備的振動及溫度的原始趨勢、多數據獨立瀏覽等功能；可按自選時間節點搜索設備歷史數據，并對其進行比較分析。具備完善的自檢功能，能對硬件系統的網絡通信狀態、傳感器通訊質量及電池等內部硬件應用情況進行監測，支持電池電壓趨勢瀏覽。
基于大數據技術的機器健康大數據平臺可實現自關鍵設備的自動診斷，可實現對機泵不平衡、不對中、軸彎曲、機組共振、軸承故障、齒輪故障、潤滑不良以及氣蝕等故障的早期預判及診斷。同時結合接入的相關工藝參量，可對工藝原因導致的振動、溫度變化進行有效判斷，進而優化流程操作及工藝。
設備集群狀態監測系統是整個系統對設備監測的狀態展示系統，包含設備的運行狀態、報警信息、統計信息等及設備運行趨勢分析的常用圖譜，同時提供相關數據的檢索、數據報表的功能，界面簡單好用，及時準確地顯示設備的狀態信息。
機泵運行的經濟性是節電增效的重要指標，對機泵的能效進行監測，可以有效反映單臺機組的實時效率，并通過大數據分析，有效挖掘機組的性能分布及整體新能變化情況。
對于企業級應用解決方案的構建，可擴展性及可集成性是必不可少的考慮因素，因為伴隨著企業業務發展，IT 系統的服務能力需要同步提升，對整個 IT 系統的重塑及整合工作必不可少，那么不同系統間的集成及單系統的功能擴展是企業 IT 系統在構建之初就需要重點考慮的。
實踐表明，機泵設備在線監測可以及時準確地采集到機泵設備的振動和溫度數據，并且根據的異常狀況給出報警提示和檢修建議，達到了依據狀態運行檢修的效果，不僅幫助企業降低 了故障率，減少了故障停機時間，獲得了滿意的監控效果。系統采用“平臺+服務+應用” 的物聯網設計方案，不僅能夠實現機泵的在線監測與診斷，而且為未來的進一步拓展預留了接口，將來可以將危險源監測、人員定位與安全管理、泄漏監測等通過物聯網的方式逐步納入系統中，幫助企業逐步實現數字化工廠以及安全生產打下良好的基礎。