【压缩机网】生产企业中，压缩机设备种类众多，应用场景差异很大，这种设备本身的复杂性、多样性以及设备故障预测诊断的专业性，需要实现压缩机设备故障预测诊断的专业技术人员经过长时间的专业培训，并在一线长时间的经验积累才能有效进行。同时，由于专家经验的稀缺性、复杂性、不确定性、保密性、不系统性以及传承方式的不完善性，导致专家的经验、知识大多只能留存于脑海中，难以有效地形成系统化的知识，并传承给其他人。

　　为了解决这个问题，一方面，企业会投入大量人力、物力进行压缩机设备的自动化、数字化、智能化的改造，或者重新添置新型的压缩机来避免此类问题，但这样就会增加企业的负担。近年来，随着智能传感技术和工业物联网的不断发展，这些技术应用到压缩机设备和相关设备，使得自动化监测系统成为现实，可以及时、准确地对生产过程或设备运行状态进行实时监测，实时发现潜在的问题。另一方面，随着故障预测诊断技术在压缩机运行中的广泛应用，专业技术人员通过压缩机及相关设备的机理模型、知识图谱、大数据分析、人工智能、机器学习的设备异常分析与故障诊断技术的研究也越来越深入，能通过提前预测设备故障和模拟维护，进行事前排除，以期减少压缩机故障停机造成的损失，降低人力物力成本的同时，提高压缩机运维效率及生产效率。

　　但是，在实际生产过程中，这种通过增加监测技术和设施来排除故障的技术，会忽略专家经验本身或者依赖于专家经验的专有模型来实现专家经验的数字化。这些方式会出现新的缺点，一是有些专家经验很难通过语言描述，很难表达为显性知识；二是专家经验在沟通交流过程会失真，从而导致专家经验转化率底、效果差的结果。因此，在实际工作中，企业会根据自己的工况开发出自己的专家系统，让设备、点检专家自己来实现其经验的数字化，实现本企业压缩机系统故障诊断技术的固化，建立起压缩机故障诊断数据库和专家经验知识库，并支持经验知识的交流与分享，以便快速、有效地运用到压缩机设备运行和维护中。

　　一、系统设计

　　虽然很多企业已经使用压缩机的在线监测诊断系统，却只能提供有限的定制功能，对简单的阈值调整等功能提供了支持，但是并不能提供多套压缩机机组、多测点或者联机控制之间的算术运算、函数处理、趋势比较功能，也不支持人工智能、机器学习算法的自主定制，更缺乏将其组合起来形成诊断规则的能力。针对目前使用的在线监测诊断技术，基本上都在围绕这类具体故障类型，设计不同的诊断规则。这些诊断规则都固化在相应的算法模型里面，最终用户只能对算法模型进行非常有限的参数阈值类的修改。如果要适配新的同型压缩机设备，还需对算法模型进行调整，这样就会对原有技术产生很大的依赖，修改成本较高，耗时较长。

　　针对现有压缩机故障诊断模型高度定制化这一问题，新的诊断技术将围绕一个通用的诊断规则定制工具，将不同的压缩机类型和关联设备、不同测点的数据汇聚到一个界面上，通过对这些测点数据进行数据预处理、降频操作、函数处理、算术计算、逻辑运算、趋势比较等，形成自己特有的诊断规则，并将这些规则固化到系统中，达到专家经验数字化的目的，有利于专家经验、知识的传承。当新的同型压缩机设备有类似的故障诊断需求时，可以通过对拥有的规则进行复制，然后进行定制修改来达到目的，而不用求助原模型的开发商，从而大大缩短了模型上线时间，减少了开发成本。

　　由于这种压缩机故障诊断规则具有一定的复杂性，而专家经验、点检专家作为最终用户，一般都不具备高深的计算机应用编程能力，因此，在设计时需要充分考虑这一特点，围绕用户简单易用这一需求，简化平台的操控逻辑，最小化学习曲线。所以，该平台采用分而治之的思想，将复杂的故障诊断规则逻辑，切分为相对较小的诊断模块，各模块由独立的计算控件组成，各计算控件分别提供所需的函数处理、算术运算、逻辑运算、趋势比较等功能。其中该平台的几个主要模块的功能如下：

　　1.设备树。以层级的形式展示测点、压缩机、产线、工艺段、车间、公司的架构，根据需要，可以跨工艺段、产线、压缩机选择不同的测点集，以便将不同的产线、压缩机的测点进行比较、计算。

　　2.数据预处理。将不同的压缩机、测点数据进行预处理，包含消除异常数据、提升数据质量、数据归一化、降频操作等。预处理后的数据，才能有效地在同一个坐标系中进行展示。

　　3.数据展示。将预处理后的数据，在同一个界面、同一个坐标系里进行展示。

　　4.趋势探索。提供基本的对展示数据的探索操作，包含数据缩放、数据趋势比较等。对于频谱数据，还包含多光标、谐波光标、边带光标等，根据需要，后期还可以进一步扩展功能集，以满足用户的需要。

　　5.规则定制。规则定制模块是平台的核心部分，由三类条件模块组成，分别触发条件、计算条件、组合条件。

　　其中，触发条件是进行规则计算的前提条件，只有当满足条件后，才会进行后续的计算。目前，支持三种类型的触发条件，一是实时触发，采用流计算的方式，当涉及的测点数据到达时，即进行后续的规则计算；二是信号触发，当指定的测点数据满足条件时，才进行后续规则计算。这里的条件主要包含测点出现、测点值满足指定条件（比如大于某个值）以及这些条件的组合；三是定时器触发，在指定的时间点触发或者以指定的时间间隔周期定时触发，如每天的零点、每小时等。

　　计算条件是进行规则计算的核心部分，提供友好易用的工具，供用户编制规则的计算逻辑，并能将计算结果可视化的显示到数据展示模块中。其主要控件包含：

　　（1）基础运算控件。提供基本的算术计算和部分函数运算（如最大值、最小值、中位数、取绝对值等）功能。其输出是一个表达式，而不是具体的值。另外，算术运算支持嵌套，可以把已有计算条件作为新计算条件的输入，以实现重用。

　　（2）逻辑运算控件。提供与或非等逻辑运算功能。除了测点值作为输入外，算术运算模块生成的计算条件可以作为输入。

　　（3）函数控件。提供数据分析的常用函数处理功能，如快速傅里叶变换、奇异值分解、主成分分析等。根据函数类型的不同，其输出可以是值类型，也可以是数据流类型。

　　（4）统计控件。对指定时间范围内的数据，执行常用的统计功能，如指定时间范围内满足特定条件的数据出现的次数。

　　（5）趋势控件。提供指定之间范围内趋势比较功能。

　　除了上述控件外，根据实际需要，还可以增加其他类型的控件。

　　组合条件是对上一步计算逻辑的组合，将多个计算结果通过逻辑运算，形成最终的诊断规则。

　　6.规则说明。包含规则的名字和说明性描述。除此之外，还可以与点检标准等进行关联，将告警与点检标准关联起来，并进一步与点检员关联起来。

　　二、系统实现

　　该系统的实现基于自研的工业互联网平台，采用云边端协同的方式，打通点检仪、智能装备、离散在线监测系统、各级各类管控系统等的数据链接，消除信息孤岛。构建一棵跨工艺段、产线、压缩机设备的统一设备树，为压缩机故障预测诊断打下坚实的基础。系统的整体技术架构如下：

　　端侧包含公司各区域，车间、工艺段、产线、压缩机设备等。各区域拥有众多的传感器等感知装置，是系统智能诊断分析的基础。

　　在边缘侧，通过区域逐级数据中心，实现区域压缩机数据接入、各种协议解析、边缘数据处理、边缘数据存储及简单的分析处理功能，实现压缩机的上云管理。

　　各边缘数据中心的数据最终统一汇聚到云端，通过统一的云基础设施统合系统需要的计算、存储和网络等资源；通过工业大数据系统提供的大数据治理、分析、可视化能力为上层的数据建模、分析、应用开发提供强力支撑。在此基础上，构建压缩机在线监测所需的异常分析、故障诊断等功能。并提供模型接入、诊断规则编制等功能，并于数字化压缩机设备管理系统进行集成，以实现压缩机设备监测诊断、智能运维的闭环。

　　在此基础上，使用其中的诊断规则编制功能，就能实现所需的故障诊断经验的数字化。使用此类规则编制工具，可以很容易将专家经验转化为数字化规则，而不用求助于专业的开发人员或者模型开发人员，从而大大降低了开发工作量，减少了开发成本，缩短了模型规则上线时间。并且通过此类工具，可以进一步构建专家经验知识库，便于同其他专家进行经验的交流、合作。此外，对于人才的培养，也将起到重要的作用。

　　三、结语

　　基于目前压缩机故障诊断专家经验传承方面存在的问题，本文所提出的压缩机故障诊断规则编制工具，通过压缩机设备、点检专家实现专家经验的数字化和系统化。目前，此类系统已经在一些企业得到了应用和推广，并在实际生产中取得了一定效果。未来随着人工智能、机器学习技术的不断发展和普及，压缩机故障诊断编制系统这一知识传承工具将会进一步发展和完善。例如，可以集成深度学习等技术作为一个新型控件，以扩充系统的能力，也可以将该技术与其他智能化技术相结合，实现压缩机设备自动化管理和维护。总之，压缩机故障诊断规则编制这一工具，会在未来一段时间的工业设备智能运维中发挥重要作用，成为企业专家经验传承、知识库构建、培养后备人才的重要手段。

来源：本站原创