极晨智道故障诊断与预测解决方案

极晨智道故障诊断与预测解决方案随着石油、化工、钢铁等资产密集型行业的生产向流程化、大型化的方向发展，因设备故障而导致的生产、安全、环保、经济等后果越来越严重，传统的事后维修方式和预防性维修方式已经不能完全满足生产和安全的要求。设备管理人员需要借助在线和离线状态监测系统实时监控设备的运行状态，发现设备的异常情况。对于具有故障征兆且有一定时间段的劣化发展过程，并在这期间能够有时间进行维修准备的故障模式，采用科学的基于状态的预防性维修（即预知性维修）来预测设备的故障和发展趋势，提供维修维护建议，为合理地安排维修计划，避免故障发生提供有力地支持。经广泛调研，目前在石化企业虽然已经广泛使用了各类在线监控系统并组织有经验的专家对典型故障进行诊断分析，但仍然存在以下问题：虽然企业建立了包括大机组在线状态监测系统、机泵群状态监测系统和移动巡检系统等各类状态监测系统，但是这些系统的故障诊断与预测功能很弱。对设备各类状态数据缺少有效的故障诊断方法，缺少有效手段预测设备从潜在故障发展到真正故障的时间。目前几乎完全依赖人为经验进行故障诊断；企业内部有能力通过状态分析进行故障诊断与预测的专家数量稀少，不足以满足数量庞大的设备故障诊断与预测需求；故障诊断专家经验无法显性积累，需要长时间进行培养；不能实时掌握设备或关键部件的剩余寿命情况；缺乏有针对性的设备健康状态评价标准。针对上述问题，我们采用大数据和人工智能技术，通过对设备运行状态和其相关的工艺参数进行实时监控的方式自动进行故障诊断分析和预警预测，该解决方案的关键技术包括：利用大数据技术对重要机组和其他重要的设备状态数据进行完整保存，在数据库层面设置数据清洗规则，将有价值的数据长期保存，将无价值的冗余数据删除，使用内存计算以及R语言等最先进的数据处理技术，以确保案例匹配的高效率；通过各类匹配分析算法和故障诊断规则库，实现智能化故障诊断，无需人为干预。可以定时或实时对设备进行故障诊断，及时发现设备的潜在故障，能够给出故障诊断结论、诊断依据、处理建议等；基于案例的故障诊断方法的核心在于制定合理的匹配算法和快速检索及匹配，我们针对16种典型设备设计了案例模板，其中包括了设备基础数据、设备运行参数、工艺参数和其它相关数据，在系统中内置了超过70种故障征兆算法；系统内置多种预测方法，包括：基于模型的时间序列预测模型（AR、ARIMA）、多层递阶自适应预测模型(MLRA)、新息加权神经网络预测模型(BP)、灰色预测模型(GreyModel)，利用劣化趋势预测算法，对设备从潜在故障发展到真正故障的时间进行预测，使设备管理人员能够更好地制定维修计划，避免非计划停车；系统利用数据接口获取设备维修管理系统中的设备及部件维修历史记录，自动计算设备及部件的剩余寿命，能够实现剩余寿命报警，指导设备及部件的维修和更换工作；系统具有自适应报警功能，利用神经网络算法，针对每台设备每个测点的状态数据进行自学习，动态设定报警阈值，更准确地评价每台设备的健康程度；系统提供各类接口，可从有关状态监测系统和设备维修管理系统中收集各类设备运行操作和状态数据及其对应的实际故障结果，形成数据库。该数据库可作为基于案例的故障诊断及预测数据源，可作为故障诊断规则库回归数据源，也可作为故障诊断与预测专家培训的资料库我们为客户提供如下故障诊断与预测服务：设备故障诊断与预测系统实施服务。为企业建立设备故障诊断与预测专家系统，形成故障案例库和专家知识库。设备故障诊断与预测服务。客户企业提供有关运行状态数据，我方提供有关故障诊断及预测结果，以助企业合理的安排检修维护计划。成功案例：2012年在中国石化北京燕山分公司实施预知维修系统上线后，通过故障诊断与预测多次成功的为设备管理人员提供设备预警和诊断结果，帮助维修人员快速准确定位问题并提供处理措施建议。