原油输送离心泵预测维修技术

王安琪，徐勇，靳红利

（1.中国石化管道储运有限公司天津输油处，天津300280；2.中国石化管道储运有限公司徐州输油处，江苏徐州221000）

原油输送离心泵预测维修技术

王安琪1，徐勇2，靳红利1

（1.中国石化管道储运有限公司天津输油处，天津300280；2.中国石化管道储运有限公司徐州输油处，江苏徐州221000）

使用时间序列、灰色理论与RBF神经网络的方法分别建立预测模型，利用实际数据进行测试和预测计算，证明上述几种方法在预测维修中的有效性，分析和对比不同预测方法得到的结果，找出最适合离心泵预测维修的方法。

离心泵；预测维修；灰色理论；RBF神经网络

0 引言

离心泵是原油储运生产过程中的大型关键设备，主要作用是原油输送、储罐的倒罐和原油装卸等。保障其正常运行是输油站库日常工作的重点，需定期对其进行维护保养。在日常生产中，事后维修和预防维修是最常用的两种设备维护保养方法，这两种方法的不足之处是，前者会导致设备的严重损坏，降低设备寿命；后者往往造成维修过剩或维修不足。因此，为了更有效的进行离心泵的维护保养，需要引入新的维修方法［1］。

1 预测维修技术

预测维修（Predictive Maintenance，PdM）是以状态为依据的维修，在设备运行时，对它的主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定装备所处的状态，预测装备状态未来的发展趋势，依据装备的状态发展趋势和可能的故障模式，预先制定预测维修计划，确定设备应该修理的时间、内容、方式和必需的技术和物资支持。预测维修集装备状态监测、故障诊断、故障（状态）预测、维修决策支持和维修活动于一体，技术体系如图1所示［2］。其中，故障诊断技术和状态预测技术是预测维修的核心，

2 状态预测技术

根据所使用的方法不同，状态预测技术可以分为4种类型：统计学预测、数学模型预测、智能预测及信息融合预测，技术体系如图2所示［3］。

图1 预测维修技术体系

2.1 时间序列预测

时间序列预测技术是一种用于有序数据的预测技术，其运用范围十分广泛。假定已知序列{X}的历史时刻（l到m-l）队形的观测值{x1，x2，...xm-1}及当前时刻m对应的观测值xm，时间序列就是：利用时间序列分析法，对未来时刻m+l（l＞1）的值xm+l进行估计。当预测步长l=1时，为单步预测；当预测步长l＞1时，为多步预测。时间序列的预测模型为式（1）。

图2 预测技术体系

式（1）中，f（…）和g（…）为待估函数；{εl}为观测噪声。从而可以使用此模型，对系统进行分析、预测。显然的，分析、预测的关键是如何根据不同的序列选择合适的函数f（…）和g（…），这两个函数的选择关系到预测的准确性。

在时间序列预测中常见方法包括移动平均法、分解方法、指数平滑方法、季节系数法及自回归移动平均（ARIMA）法及外源自回归移动平均（ARMAX）法［4-6］。

2.2 灰色预测

灰色预测是基于灰色系统理论的预测方法，它将一切随机变量看作是在一定范围内变化的灰色量，将随机过程看作是在一定范围内变化的、与时间有关的灰色过程，利用连续灰色微分模型，对系统的发展变化进行全面的观察分析，作出长期预测［7］。

灰色预测中常用的模型为GM（1，1）模型。设GM（1，N）表示一阶的N个变量的灰微分方程模型，则GM（1，1）模型表示一阶的只有一个变量的灰微分方程模型，G（1，1）是GM（1，N）。当N=1时的特殊情况，也是GM（1，N）的核心［8］。

数列x（0）相应的微分模型为式（2）。

预测模型为式（3）

式中，a为发展灰数，u为内生控制灰数。

2.3 基于RBF神经网络预测

人工神经网络拥有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现等优点，作为状态预测的方法是十分合适的。本文选用RBF神经网络作为状态预测方法，其结构与BP神经网络相似，共分为3层：输入层、隐含层和一级输出层。输入层负责将网络与外界环境联系起来；隐含层负责从输入空间到隐含层空间之间的非线性变换；输出层负责经过神经网络处理后的数据的输出。图3为1个n个输入节点，k个隐含层节点，m个输出节点的3层RBF神经网络。

图3 RBF神经网络结构图

图3中x=［x1，x2，…，xn］T为输入矢量；Φ=［φ（x，c1），φ（x，c2），…，φ（x，ck）］为网络隐含层输出矩阵，ci为第i隐含层节点位置，i=1，2，…，k；Wkm=［w1，w2，…，wk］T为输出权值矩阵，其中wi=［wi1，wi2，…，wim］T；F（x）=［f1（x），f2（x），…，fm（x）］T为网络输出矢量。

与BP神经网络的激活函数不同，RBF神经网络的激活函数为径向基函数，常用的径向基函数有多二次函数、逆多二次函数、高斯函数等。

3 离心泵的预测维修

离心泵的运行过程中，一般对离心泵的轴承温度、驱动端及非驱动端振动值、驱动设备的振动值进行监测。下文以离心泵的驱动端振动值为例，对离心泵的预测维修技术进行分析。

离心泵驱动端的振动值如表1所示，使用表中序号1-20的数据进行模型训练，序号21-30的数据进行预测精度对比，振动数据的时间间隔为1 d。

表1 离心泵驱动端振动值mm/s

图4 基于ARMAX方法的预测

图5 基于灰色理论的预测

使用外源自回归移动平均（ARMAX）法建立预测模型，对离心泵前振动数据进行预测，这一模型对未来值的预测和对实际数据的拟合如图4所示，由图4可知，外源自回归移动平均（ARMAX）法对振动值的预测较为准确，在离心泵振动值的预测方面有一定的实用性。

使用灰色预测法建立预测模型，对离心泵前振动数据进行预测，这一模型对未来值的预测和对实际数据的拟合如图5所示，由图5可知，灰色预测法对实际振动值拟合较为粗糙，为线性拟合，无法反映出振动值非线性的特点，在离心泵振动值预测方面的实用性不足。

使用RBF神经网络建立预测模型，对离心泵前振动数据进行预测，这一模型对未来值的预测和对实际数据的拟合如图6所示，由图6可知，RBF神经网络对振动值的预测效果较差，实用性较低。

图6 基于RBF神经网络的预测

4 结论

（1）在离心泵预测维修技术研究中，通过对不同的预测方法进行对比分析，发现基于ARMAX的预测模型对振动值的预测较为准确，灰色预测模型无法很好的表示振动数据的非线性的特点，而RBF神经网络与ARMAX预测模型相比，精度有所不足。

（2）未来可在此研究的基础上，进一步进行变工况下的预测维修技术研究，增加预测维修技术的适用范围和预测精度。

［1］陈珊，王太勇，王国锋，等.机械设备智能诊断与预测维修系统［J］.西南交通大学学报，2003，38（5）：540-543.

［2］李书明.制造设备智能诊断与状态预测技术的研究［D］.天津：天津大学[博士论文]，1998.

［3］左宪章，康健，李浩，等.故障预测技术综述［J］.火力与控制指挥，2010，35（1）：1-4.

［4］博克斯[美].时间序列分析：预测与控制［M］.王成璋译.北京：机械工业出版社，2011.

［5］陈平，陈钧.ARMAX时间序列模型异常点及异常点斑片的估计和检测［J］.系统科学与数学，2010，30（10）.

［6］王丽贤.时间序列预测技术研究［D］.天津：天津理工大学［硕士论文］，2012.

［7］曾波.灰色预测建模技术研究［D］.南京：南京航空航天大学［博士论文］，2011.

［8］党耀国.灰色预测与决策模型研究［M］.北京：科学出版社，2011.

〔编辑 李波〕

TH311

B

10.16621/j.cnki.issn1001-0599.2016.11.34