中石化各煉化企業大機組監測系統分散不統一，未與工藝量參數以及業務系統實現關聯，關鍵機組各狀態監測系統成為信息孤島，難以實現統籌管理。在應用上缺乏早期預警和故障診斷能力, 多采用門限報警技術，存在反復報警、漏報警、假報警現象較多，故障診斷依賴專業工程師的技術能力，缺少數據挖掘，數據分析不足，智能預警和智能診斷能力不足，對關鍵大機組維修決策支持能力弱。

為解決以上痛點問題，中石化建立了基于石化智云平臺關鍵機組狀態監控應用，主要建設內容如下：

本項目基于石化智云基礎架構，利用云資源、技術服務、持續交付中心等云技術及能力，開發了關鍵機組狀態監控應用，包括 5 個一J功能和 34 個二J功能模塊，構建了報警通知-診斷通知-檢修反饋閉環業務處理流程。

項目依托石化智云構建大機組故障診斷模型等共 7 個組件并上架石化智云，賦能石化智云。

本項目將采集到的大機組振動和工藝數據進行預處理后，建立預警模型，輸出預警信息，預警模型分為 5 種模式：常規報警、防止反復穿越報警、趨勢預警、智能快變報警、智能動態閾值預警。

本項目研發構建了包括旋轉失速、喘振、軸瓦間隙、轉子彎曲等 9 個大機組故障診斷模型。

本項目覆蓋了中石化煉化企業 20 家關鍵大機組數據，共接入 490 臺機組振動數據和工藝量數據。同時，對大機組故障診斷模型組件進行國產化適配改造，并上云上平臺。

大機組故障診斷模型是針對離心壓縮機組，采用基于數據驅動和故障機理相結合的方式，通過分析故障機理，結合信號處理方法，提取出G信噪比的振動參數故障特征。

通過對歷史案例數據的總結，形成各類故障的故障特征庫，采用自編碼器 Autoencoder、卷積神經網絡 CNN等數據驅動方法，對新采集的機組振動特征參數進行分類，建立智能診斷模型，實現大機組不平衡、不對中、油膜渦動等 9 類典型故障智能診斷。

1)特征提取研究

a）時域特征提取。時域信號是傳感器采集經數據采集器后的原始振動信號，當設備發生故障時，振動數據的成分會發生變化，但大都被干擾信息遮蔽，無法直接識別。利用統計方法提取的振動信號時域特征，一定程度上可以減少振動數據中的噪聲干擾，減少數據的冗余信息，并且特征對故障具有一定的指示性。

振動數據統計特征分為有量綱參數和無量綱參數。有量綱參數：峰值、峰峰值、均值、有效值、方差等，無量綱的有：峭度、歪度、波形、脈沖、裕度等指標。上述指標對故障信號均有不同的響應，有量綱參數對設備工況、載荷變化非常敏感，無量綱參數會隨設備故障嚴重程度發生變化。單一特征不能實現變工況運行設備故障的有效預警，多特征融合可以解決單一故障特征故障指示面窄的問題。振動信號的時域特征常用于設備的運行狀態監測，對于工況變化復雜的設備，單一的時域特征參數無法多面監測設備運行狀態，易造成大量的虛警和漏警，還需要頻域特征。

b）頻域特征提取。振動信號頻譜分析是故障診斷常用的手段，頻譜分析能夠得到振動數據組成成分及其能量大小。傅里葉變換是振動信號頻譜分析的基礎，通過傅里葉變換將振動信號分解為單一頻率成分，可以清晰地看出信號中的主要組成成分，并得出故障特征。

c）時頻特征提取。基于傅里葉變換的頻譜分析只能處理平穩信號，無法處理非平穩信號。小波分析引入窗函數可變的小波基，其分析窗口函數可調，能夠提取到非平穩信號短時、局部信息特征。通過構造小波函數族，將小波分析過程中的小波正交基組擴展為小波正交基庫，實現數據低頻和G頻成分的同時細化和分解。

通過試驗數據對時域、頻域和時頻域特征分析，可以發現，不同特征對故障敏感程度不同，反映了設備不同狀態下振動數據特征間的差異。部分時域特征對軸承故障不敏感，但單一狀態下特征穩定性較好；頻域特征對頻譜結構變化敏感，正常狀態下，特征變化穩定，未出現大幅波動，指示性好；時頻域特征能夠細化頻譜結構，對頻譜異常變化敏感，且故障指示性好。

2)基于自編碼器的故障智能診斷

a）自編碼器作為診斷模型原理。自編碼作為一種無監督式學習模型，利用輸入數據 X 本身作為監督，來指導神經網絡嘗試學習一個映射關系，從而得到一個重構輸出。算法模型包含兩個主要的部分：Encoder（編碼器）和 Decoder（解碼器）。編碼器的作用是把G維輸入 X 編碼成低維的隱變量 h 從而強迫神經網絡學習有信息量的特征；解碼器的作用是把隱藏層的隱變量 h 還原到初始維度。

在故障檢測場景下。利用無故障特征數據與各類故障特征數據，構建深度自編碼器網絡診斷模型 AE，并得到正常與故障樣本特征空間；然后將當前待檢數據輸入 AE 的編碼器部分，得到待檢數據的特征 at,計算輸出值 at 與各特征空間A 之間距離，距離近的判定為待檢數據所在工況。

b）診斷模型分類方法。診斷模型采用以下兩種距離歐式距離和馬氏距離對 AE 模型輸出進行分類：

歐氏距離簡單明了，且不受坐標旋轉、平移的影響。為避免坐標尺度對分類結果的影響，需在計算歐氏距離之前先對特征參數進行歸一化處理。考慮到特征矢量中的諸分量對分類所起到的作用不同，可采用加權方法，構造加權歐式距離。

馬氏距離是加權歐式距離中用得較多的一種，馬氏距離的優點是排除了特征參數之間的相互影響。

3)基于卷積神經網絡的故障智能診斷

a）卷積神經網絡作為診斷模型原理。卷積神經網絡是多J神經網絡，包含濾波J（filtering stage）與分類J（classification stage）。其中，濾波J用來提取輸入信號的特征，分類J對學習到的特征進行分類，兩J網絡參數是 共同訓練得到的。濾波J包含卷積層(convolutional layers)，池化層(pooling layers)與激活層 (activation layers)等 3 個基本單元，而分類J一般由全連接層組成。本方案設計的卷積神經網絡處理的是一維信號。

b）用于振動信號診斷的一維卷積神經網絡。本項目采用的卷積神經網絡的結構如下圖所示。該卷網包含兩個卷積層，兩個池化層，一個全連接隱含層，以及一個 Softmax 層。診斷信號通過個卷積層以及 ReLU 激活層，變為一組特征圖（Feature Maps），再經過大值池化進行降采樣。重復一次以上操作，將后一個池化層的特征圖與全連接隱含層相連，經過 ReLU 激活之后，傳遞到后的 softmax 層。

大機組故障診斷模型目前在中石化集團 20 家煉化企業離心大機組進行應用，實現了大機組不平衡、不對中、 油膜渦動、、喘振/旋轉失速、動靜摩擦等 9 類典型故障自動診斷，為企業維修決策提供有力支持。

自系統上線以來至今應用效果顯著，基于系統智能報警和智能診斷模型已為 20 家企業有效診斷 50 余次，統計結果見圖 5，其中有 49 次為提前發現機組異常，及時告知企業，密切關注機組，避免造成嚴重故障。

本模型通過推廣至煉化板塊其他企業離心大機組故障診斷，可避免或減少非計劃停機或停工事件發生，延長設備壽命，同時減少維修時間，提G生產效率和經濟效益。

大機組智能診斷模型可大幅度減少對故障診斷專家的依賴，并且確認診斷結論以及檢維修建議的時間縮短 6 倍以上，可大幅縮短機組的檢修周期，降低機組故障停機時間、提G企業經濟效益。

根據應用企業數據反饋：預計一家企業每年降低非計劃停機 1-2 次，根據企業規模不同，為企業減少直接或 間接經濟損失約每年 400 萬，為企業降本增效和可持續發展提供有力的技術支撐。