【壓縮機網】生產企業中，壓縮機設備種類眾多，應用場景差異很大，這種設備本身的復雜性、多樣性以及設備故障預測診斷的專業性，需要實現壓縮機設備故障預測診斷的專業技術人員經過長時間的專業培訓，并在一線長時間的經驗積累才能有效進行。同時，由于專家經驗的稀缺性、復雜性、不確定性、保密性、不系統性以及傳承方式的不完善性，導致專家的經驗、知識大多只能留存于腦海中，難以有效地形成系統化的知識，并傳承給其他人。

　　為了解決這個問題，一方面，企業會投入大量人力、物力進行壓縮機設備的自動化、數字化、智能化的改造，或者重新添置新型的壓縮機來避免此類問題，但這樣就會增加企業的負擔。近年來，隨著智能傳感技術和工業物聯網的不斷發展，這些技術應用到壓縮機設備和相關設備，使得自動化監測系統成為現實，可以及時、準確地對生產過程或設備運行狀態進行實時監測，實時發現潛在的問題。另一方面，隨著故障預測診斷技術在壓縮機運行中的廣泛應用，專業技術人員通過壓縮機及相關設備的機理模型、知識圖譜、大數據分析、人工智能、機器學習的設備異常分析與故障診斷技術的研究也越來越深入，能通過提前預測設備故障和模擬維護，進行事前排除，以期減少壓縮機故障停機造成的損失，降低人力物力成本的同時，提高壓縮機運維效率及生產效率。

　　但是，在實際生產過程中，這種通過增加監測技術和設施來排除故障的技術，會忽略專家經驗本身或者依賴于專家經驗的專有模型來實現專家經驗的數字化。這些方式會出現新的缺點，一是有些專家經驗很難通過語言描述，很難表達為顯性知識；二是專家經驗在溝通交流過程會失真，從而導致專家經驗轉化率底、效果差的結果。因此，在實際工作中，企業會根據自己的工況開發出自己的專家系統，讓設備、點檢專家自己來實現其經驗的數字化，實現本企業壓縮機系統故障診斷技術的固化，建立起壓縮機故障診斷數據庫和專家經驗知識庫，并支持經驗知識的交流與分享，以便快速、有效地運用到壓縮機設備運行和維護中。

　　一、系統設計

　　雖然很多企業已經使用壓縮機的在線監測診斷系統，卻只能提供有限的定制功能，對簡單的閾值調整等功能提供了支持，但是并不能提供多套壓縮機機組、多測點或者聯機控制之間的算術運算、函數處理、趨勢比較功能，也不支持人工智能、機器學習算法的自主定制，更缺乏將其組合起來形成診斷規則的能力。針對目前使用的在線監測診斷技術，基本上都在圍繞這類具體故障類型，設計不同的診斷規則。這些診斷規則都固化在相應的算法模型里面，最終用戶只能對算法模型進行非常有限的參數閾值類的修改。如果要適配新的同型壓縮機設備，還需對算法模型進行調整，這樣就會對原有技術產生很大的依賴，修改成本較高，耗時較長。

　　針對現有壓縮機故障診斷模型高度定制化這一問題，新的診斷技術將圍繞一個通用的診斷規則定制工具，將不同的壓縮機類型和關聯設備、不同測點的數據匯聚到一個界面上，通過對這些測點數據進行數據預處理、降頻操作、函數處理、算術計算、邏輯運算、趨勢比較等，形成自己特有的診斷規則，并將這些規則固化到系統中，達到專家經驗數字化的目的，有利于專家經驗、知識的傳承。當新的同型壓縮機設備有類似的故障診斷需求時，可以通過對擁有的規則進行復制，然后進行定制修改來達到目的，而不用求助原模型的開發商，從而大大縮短了模型上線時間，減少了開發成本。

　　由于這種壓縮機故障診斷規則具有一定的復雜性，而專家經驗、點檢專家作為最終用戶，一般都不具備高深的計算機應用編程能力，因此，在設計時需要充分考慮這一特點，圍繞用戶簡單易用這一需求，簡化平臺的操控邏輯，最小化學習曲線。所以，該平臺采用分而治之的思想，將復雜的故障診斷規則邏輯，切分為相對較小的診斷模塊，各模塊由獨立的計算控件組成，各計算控件分別提供所需的函數處理、算術運算、邏輯運算、趨勢比較等功能。其中該平臺的幾個主要模塊的功能如下：

　　1.設備樹。以層級的形式展示測點、壓縮機、產線、工藝段、車間、公司的架構，根據需要，可以跨工藝段、產線、壓縮機選擇不同的測點集，以便將不同的產線、壓縮機的測點進行比較、計算。

　　2.數據預處理。將不同的壓縮機、測點數據進行預處理，包含消除異常數據、提升數據質量、數據歸一化、降頻操作等。預處理后的數據，才能有效地在同一個坐標系中進行展示。

　　3.數據展示。將預處理后的數據，在同一個界面、同一個坐標系里進行展示。

　　4.趨勢探索。提供基本的對展示數據的探索操作，包含數據縮放、數據趨勢比較等。對于頻譜數據，還包含多光標、諧波光標、邊帶光標等，根據需要，后期還可以進一步擴展功能集，以滿足用戶的需要。

　　5.規則定制。規則定制模塊是平臺的核心部分，由三類條件模塊組成，分別觸發條件、計算條件、組合條件。

　　其中，觸發條件是進行規則計算的前提條件，只有當滿足條件后，才會進行后續的計算。目前，支持三種類型的觸發條件，一是實時觸發，采用流計算的方式，當涉及的測點數據到達時，即進行后續的規則計算；二是信號觸發，當指定的測點數據滿足條件時，才進行后續規則計算。這里的條件主要包含測點出現、測點值滿足指定條件（比如大于某個值）以及這些條件的組合；三是定時器觸發，在指定的時間點觸發或者以指定的時間間隔周期定時觸發，如每天的零點、每小時等。

　　計算條件是進行規則計算的核心部分，提供友好易用的工具，供用戶編制規則的計算邏輯，并能將計算結果可視化的顯示到數據展示模塊中。其主要控件包含：

　　（1）基礎運算控件。提供基本的算術計算和部分函數運算（如最大值、最小值、中位數、取絕對值等）功能。其輸出是一個表達式，而不是具體的值。另外，算術運算支持嵌套，可以把已有計算條件作為新計算條件的輸入，以實現重用。

　　（2）邏輯運算控件。提供與或非等邏輯運算功能。除了測點值作為輸入外，算術運算模塊生成的計算條件可以作為輸入。

　　（3）函數控件。提供數據分析的常用函數處理功能，如快速傅里葉變換、奇異值分解、主成分分析等。根據函數類型的不同，其輸出可以是值類型，也可以是數據流類型。

　　（4）統計控件。對指定時間范圍內的數據，執行常用的統計功能，如指定時間范圍內滿足特定條件的數據出現的次數。

　　（5）趨勢控件。提供指定之間范圍內趨勢比較功能。

　　除了上述控件外，根據實際需要，還可以增加其他類型的控件。

　　組合條件是對上一步計算邏輯的組合，將多個計算結果通過邏輯運算，形成最終的診斷規則。

　　6.規則說明。包含規則的名字和說明性描述。除此之外，還可以與點檢標準等進行關聯，將告警與點檢標準關聯起來，并進一步與點檢員關聯起來。

　　二、系統實現

　　該系統的實現基于自研的工業互聯網平臺，采用云邊端協同的方式，打通點檢儀、智能裝備、離散在線監測系統、各級各類管控系統等的數據鏈接，消除信息孤島。構建一棵跨工藝段、產線、壓縮機設備的統一設備樹，為壓縮機故障預測診斷打下堅實的基礎。系統的整體技術架構如下：

　　端側包含公司各區域，車間、工藝段、產線、壓縮機設備等。各區域擁有眾多的傳感器等感知裝置，是系統智能診斷分析的基礎。

　　在邊緣側，通過區域逐級數據中心，實現區域壓縮機數據接入、各種協議解析、邊緣數據處理、邊緣數據存儲及簡單的分析處理功能，實現壓縮機的上云管理。

　　各邊緣數據中心的數據最終統一匯聚到云端，通過統一的云基礎設施統合系統需要的計算、存儲和網絡等資源；通過工業大數據系統提供的大數據治理、分析、可視化能力為上層的數據建模、分析、應用開發提供強力支撐。在此基礎上，構建壓縮機在線監測所需的異常分析、故障診斷等功能。并提供模型接入、診斷規則編制等功能，并于數字化壓縮機設備管理系統進行集成，以實現壓縮機設備監測診斷、智能運維的閉環。

　　在此基礎上，使用其中的診斷規則編制功能，就能實現所需的故障診斷經驗的數字化。使用此類規則編制工具，可以很容易將專家經驗轉化為數字化規則，而不用求助于專業的開發人員或者模型開發人員，從而大大降低了開發工作量，減少了開發成本，縮短了模型規則上線時間。并且通過此類工具，可以進一步構建專家經驗知識庫，便于同其他專家進行經驗的交流、合作。此外，對于人才的培養，也將起到重要的作用。

　　三、結語

　　基于目前壓縮機故障診斷專家經驗傳承方面存在的問題，本文所提出的壓縮機故障診斷規則編制工具，通過壓縮機設備、點檢專家實現專家經驗的數字化和系統化。目前，此類系統已經在一些企業得到了應用和推廣，并在實際生產中取得了一定效果。未來隨著人工智能、機器學習技術的不斷發展和普及，壓縮機故障診斷編制系統這一知識傳承工具將會進一步發展和完善。例如，可以集成深度學習等技術作為一個新型控件，以擴充系統的能力，也可以將該技術與其他智能化技術相結合，實現壓縮機設備自動化管理和維護。總之，壓縮機故障診斷規則編制這一工具，會在未來一段時間的工業設備智能運維中發揮重要作用，成為企業專家經驗傳承、知識庫構建、培養后備人才的重要手段。

來源：本站原創