王安琪，徐勇，靳紅利

（1.中國石化管道儲運有限公司天津輸油處，天津300280；2.中國石化管道儲運有限公司徐州輸油處，江蘇徐州221000）

原油輸送離心泵預(yù)測維修技術(shù)

王安琪1，徐勇2，靳紅利1

（1.中國石化管道儲運有限公司天津輸油處，天津300280；2.中國石化管道儲運有限公司徐州輸油處，江蘇徐州221000）

使用時間序列、灰色理論與RBF神經(jīng)網(wǎng)絡(luò)的方法分別建立預(yù)測模型，利用實際數(shù)據(jù)進行測試和預(yù)測計算，證明上述幾種方法在預(yù)測維修中的有效性，分析和對比不同預(yù)測方法得到的結(jié)果，找出最適合離心泵預(yù)測維修的方法。

離心泵；預(yù)測維修；灰色理論；RBF神經(jīng)網(wǎng)絡(luò)

0 引言

離心泵是原油儲運生產(chǎn)過程中的大型關(guān)鍵設(shè)備，主要作用是原油輸送、儲罐的倒罐和原油裝卸等。保障其正常運行是輸油站庫日常工作的重點，需定期對其進行維護保養(yǎng)。在日常生產(chǎn)中，事后維修和預(yù)防維修是最常用的兩種設(shè)備維護保養(yǎng)方法，這兩種方法的不足之處是，前者會導(dǎo)致設(shè)備的嚴重損壞，降低設(shè)備壽命；后者往往造成維修過?；蚓S修不足。因此，為了更有效的進行離心泵的維護保養(yǎng)，需要引入新的維修方法［1］。

1 預(yù)測維修技術(shù)

預(yù)測維修（Predictive Maintenance，PdM）是以狀態(tài)為依據(jù)的維修，在設(shè)備運行時，對它的主要（或需要）部位進行定期（或連續(xù)）的狀態(tài)監(jiān)測和故障診斷，判定裝備所處的狀態(tài)，預(yù)測裝備狀態(tài)未來的發(fā)展趨勢，依據(jù)裝備的狀態(tài)發(fā)展趨勢和可能的故障模式，預(yù)先制定預(yù)測維修計劃，確定設(shè)備應(yīng)該修理的時間、內(nèi)容、方式和必需的技術(shù)和物資支持。預(yù)測維修集裝備狀態(tài)監(jiān)測、故障診斷、故障（狀態(tài)）預(yù)測、維修決策支持和維修活動于一體，技術(shù)體系如圖1所示［2］。其中，故障診斷技術(shù)和狀態(tài)預(yù)測技術(shù)是預(yù)測維修的核心，

2 狀態(tài)預(yù)測技術(shù)

根據(jù)所使用的方法不同，狀態(tài)預(yù)測技術(shù)可以分為4種類型：統(tǒng)計學(xué)預(yù)測、數(shù)學(xué)模型預(yù)測、智能預(yù)測及信息融合預(yù)測，技術(shù)體系如圖2所示［3］。

圖1 預(yù)測維修技術(shù)體系

2.1 時間序列預(yù)測

時間序列預(yù)測技術(shù)是一種用于有序數(shù)據(jù)的預(yù)測技術(shù)，其運用范圍十分廣泛。假定已知序列{X}的歷史時刻（l到m-l）隊形的觀測值{x1，x2，...xm-1}及當前時刻m對應(yīng)的觀測值xm，時間序列就是：利用時間序列分析法，對未來時刻m+l（l＞1）的值xm+l進行估計。當預(yù)測步長l=1時，為單步預(yù)測；當預(yù)測步長l＞1時，為多步預(yù)測。時間序列的預(yù)測模型為式（1）。

圖2 預(yù)測技術(shù)體系

式（1）中，f（…）和g（…）為待估函數(shù)；{εl}為觀測噪聲。從而可以使用此模型，對系統(tǒng)進行分析、預(yù)測。顯然的，分析、預(yù)測的關(guān)鍵是如何根據(jù)不同的序列選擇合適的函數(shù)f（…）和g（…），這兩個函數(shù)的選擇關(guān)系到預(yù)測的準確性。

在時間序列預(yù)測中常見方法包括移動平均法、分解方法、指數(shù)平滑方法、季節(jié)系數(shù)法及自回歸移動平均（ARIMA）法及外源自回歸移動平均（ARMAX）法［4-6］。

2.2 灰色預(yù)測

灰色預(yù)測是基于灰色系統(tǒng)理論的預(yù)測方法，它將一切隨機變量看作是在一定范圍內(nèi)變化的灰色量，將隨機過程看作是在一定范圍內(nèi)變化的、與時間有關(guān)的灰色過程，利用連續(xù)灰色微分模型，對系統(tǒng)的發(fā)展變化進行全面的觀察分析，作出長期預(yù)測［7］。

灰色預(yù)測中常用的模型為GM（1，1）模型。設(shè)GM（1，N）表示一階的N個變量的灰微分方程模型，則GM（1，1）模型表示一階的只有一個變量的灰微分方程模型，G（1，1）是GM（1，N）。當N=1時的特殊情況，也是GM（1，N）的核心［8］。

數(shù)列x（0）相應(yīng)的微分模型為式（2）。

預(yù)測模型為式（3）

式中，a為發(fā)展灰數(shù)，u為內(nèi)生控制灰數(shù)。

2.3 基于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測

人工神經(jīng)網(wǎng)絡(luò)擁有很強的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡單，便于計算機實現(xiàn)等優(yōu)點，作為狀態(tài)預(yù)測的方法是十分合適的。本文選用RBF神經(jīng)網(wǎng)絡(luò)作為狀態(tài)預(yù)測方法，其結(jié)構(gòu)與BP神經(jīng)網(wǎng)絡(luò)相似，共分為3層：輸入層、隱含層和一級輸出層。輸入層負責(zé)將網(wǎng)絡(luò)與外界環(huán)境聯(lián)系起來；隱含層負責(zé)從輸入空間到隱含層空間之間的非線性變換；輸出層負責(zé)經(jīng)過神經(jīng)網(wǎng)絡(luò)處理后的數(shù)據(jù)的輸出。圖3為1個n個輸入節(jié)點，k個隱含層節(jié)點，m個輸出節(jié)點的3層RBF神經(jīng)網(wǎng)絡(luò)。

圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3中x=［x1，x2，…，xn］T為輸入矢量；Φ=［φ（x，c1），φ（x，c2），…，φ（x，ck）］為網(wǎng)絡(luò)隱含層輸出矩陣，ci為第i隱含層節(jié)點位置，i=1，2，…，k；Wkm=［w1，w2，…，wk］T為輸出權(quán)值矩陣，其中wi=［wi1，wi2，…，wim］T；F（x）=［f1（x），f2（x），…，fm（x）］T為網(wǎng)絡(luò)輸出矢量。

與BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)不同，RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為徑向基函數(shù)，常用的徑向基函數(shù)有多二次函數(shù)、逆多二次函數(shù)、高斯函數(shù)等。

3 離心泵的預(yù)測維修

離心泵的運行過程中，一般對離心泵的軸承溫度、驅(qū)動端及非驅(qū)動端振動值、驅(qū)動設(shè)備的振動值進行監(jiān)測。下文以離心泵的驅(qū)動端振動值為例，對離心泵的預(yù)測維修技術(shù)進行分析。

離心泵驅(qū)動端的振動值如表1所示，使用表中序號1-20的數(shù)據(jù)進行模型訓(xùn)練，序號21-30的數(shù)據(jù)進行預(yù)測精度對比，振動數(shù)據(jù)的時間間隔為1 d。

表1 離心泵驅(qū)動端振動值mm/s

圖4 基于ARMAX方法的預(yù)測

圖5 基于灰色理論的預(yù)測

使用外源自回歸移動平均（ARMAX）法建立預(yù)測模型，對離心泵前振動數(shù)據(jù)進行預(yù)測，這一模型對未來值的預(yù)測和對實際數(shù)據(jù)的擬合如圖4所示，由圖4可知，外源自回歸移動平均（ARMAX）法對振動值的預(yù)測較為準確，在離心泵振動值的預(yù)測方面有一定的實用性。

使用灰色預(yù)測法建立預(yù)測模型，對離心泵前振動數(shù)據(jù)進行預(yù)測，這一模型對未來值的預(yù)測和對實際數(shù)據(jù)的擬合如圖5所示，由圖5可知，灰色預(yù)測法對實際振動值擬合較為粗糙，為線性擬合，無法反映出振動值非線性的特點，在離心泵振動值預(yù)測方面的實用性不足。

使用RBF神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，對離心泵前振動數(shù)據(jù)進行預(yù)測，這一模型對未來值的預(yù)測和對實際數(shù)據(jù)的擬合如圖6所示，由圖6可知，RBF神經(jīng)網(wǎng)絡(luò)對振動值的預(yù)測效果較差，實用性較低。

圖6 基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測

4 結(jié)論

（1）在離心泵預(yù)測維修技術(shù)研究中，通過對不同的預(yù)測方法進行對比分析，發(fā)現(xiàn)基于ARMAX的預(yù)測模型對振動值的預(yù)測較為準確，灰色預(yù)測模型無法很好的表示振動數(shù)據(jù)的非線性的特點，而RBF神經(jīng)網(wǎng)絡(luò)與ARMAX預(yù)測模型相比，精度有所不足。

（2）未來可在此研究的基礎(chǔ)上，進一步進行變工況下的預(yù)測維修技術(shù)研究，增加預(yù)測維修技術(shù)的適用范圍和預(yù)測精度。

［1］陳珊，王太勇，王國鋒，等.機械設(shè)備智能診斷與預(yù)測維修系統(tǒng)［J］.西南交通大學(xué)學(xué)報，2003，38（5）：540-543.

［2］李書明.制造設(shè)備智能診斷與狀態(tài)預(yù)測技術(shù)的研究［D］.天津：天津大學(xué)[博士論文]，1998.

［3］左憲章，康健，李浩，等.故障預(yù)測技術(shù)綜述［J］.火力與控制指揮，2010，35（1）：1-4.

［4］博克斯[美].時間序列分析：預(yù)測與控制［M］.王成璋譯.北京：機械工業(yè)出版社，2011.

［5］陳平，陳鈞.ARMAX時間序列模型異常點及異常點斑片的估計和檢測［J］.系統(tǒng)科學(xué)與數(shù)學(xué)，2010，30（10）.

［6］王麗賢.時間序列預(yù)測技術(shù)研究［D］.天津：天津理工大學(xué)［碩士論文］，2012.

［7］曾波.灰色預(yù)測建模技術(shù)研究［D］.南京：南京航空航天大學(xué)［博士論文］，2011.

［8］黨耀國.灰色預(yù)測與決策模型研究［M］.北京：科學(xué)出版社，2011.

〔編輯 李波〕

TH311

B

10.16621/j.cnki.issn1001-0599.2016.11.34