化工机械设备故障诊断方法研究

【摘要】针对常规方法诊断化工机械设备故障时，故障诊断准确率较低的问题，本文设计了基于大数据的化工机械设备故障诊断方法。投入海量故障样本，给定化工机械设备的大数据样本集，利用自动编码器，转换高维大数据至低维空间，学习故障特征，提取特征的关系元、事元、物元、动态物元，输入神经网络迭代训练，识别设备故障原因和诊断模式。设置对比实验，结果表明，设计方法故障诊断准确率明显低于常规方法，故障诊断结果更加可靠。

【关键词】大数据；机械设备；故障诊断；准确率

1引言

现代化生产中，化工机械设备结构、功能越来越复杂，若生产设备出现故障，会影响工厂的流水线作业，经济损伤严重，因此，研究化工机械设备故障诊断方法，提高工厂中化工机械设备的生产效率，同时令产品质量能够满足标准要求，具有重要意义。停机负责生产的机械设备，采集设备提供的一切有用信息，分析不同时期的故障诊断特点，掌握机械设备的健康状况和特征信息，预报其运行状态，但该方法未考虑机械设备运行状态，设备故障诊断准确率较低[1]。结合隶属度函数和故障集合理论，深入分析故障征兆和故障原因之间的关系，利用模糊关系矩阵，建立故障征兆和故障原因的关联模型，建立机械设备故障的知识库，通过集合理论对设备故障进行诊断，但该方法模糊关系难以确定，设备故障诊断准确率同样较低[2]。针对这一问题，结合以上理论以及大数据技术，本文研究化工机械设备的故障诊断方法。

2基于大数据的化工机械设备故障诊断方法设计

2.1基于大数据样本学习设备故障特征

基于大数据技术，采集海量机械设备故障样本，学习设备故障特征。利用自动编码器，在无监督的情境模式下，对设备故障的信息数据进行深度学习，利用集合层和网络层，共同组成关于大数据维度的解码网络，令集合层和网络层的编码节点数量，能够保持相同，进而确保输出目标和输入数据相同[3]。投入足够的故障样本，给定一组化工机械设备的大数据样本集，通过大数据维度的解码网络，将机械设备样本集的高维大数据编码至网络层，把高维大数据转换至低维空间，再通过解码网络重构集合层的信息数据，使其能够表示样本集的数据特征，再把网络层的信息数据，作为大数据的特征向量[4]。编码网络的表示公式为：X=d(UR+a)（1）其中，X为编码网络计算后，隐含层输出的向量集合，即机械设备样本大数据的特征向量，d为集合层和网络层的适应函数，U为集合层和网络层之间的权重系数，R为机械设备的大数据样本集，a为大数据的偏置向量[5]。通过公式（1），把高纬度的样本大数据，转换为低维度数据。自动编码器对偏置向量和网络权值进行调整，采用均方差衡量误差，作为深度学习模型训练的代价函数，最小化解码网络重构过程中，输出向量和输入向量的误差，令隐含层编码的特征向量，能够最大程度保留大数据样本集的输入信息。获取机械设备大数据样本集的特征信息，在无监督训练的模式下，令学习模型学数据蕴含的特征信息，使模型针对不同的化工机械设备故障，可以提取相适应的特征参数。至此完成基于大数据样本的设备故障特征学习。

2.2描述化工机械设备故障特征基元

描述机械设备提取的故障特征基元，包括关系元、事元、物元。分析关系元、事元、物元的基本概念，描述故障特征基元，包括基元可拓性和基元可拓变换规律，其描述数据为机械设备故障的静态知识，根据可拓学理论进行故障特征建模，从定性和定量相结合的角度出发，为设备故障提供可描述通道。利用一维物元体现设备故障，令物元包含大量数据信息，利用物元，形式化描述故障特征的信息数据，构建物元的有序三元组，包括化工机械设备、故障特征、故障特征量值，构建故障特征对应量值的阵列。利用事元，形式化描述不同故障特征之间的相互作用，选取故障动作、动作特征、动作特征量值，作为事元存在序列的3个元组，由于一个故障行为含有多个特征，由此构成动作量值的表达方程[6]。利用关系元，描述设备故障诊断信息中存在的关联约束关系，利用故障关系、关系特征、故障特征量值，构成关系元的有序三元组，由于一个故障关系含有多个特征，由此构成特征关系的量值阵列[7]。静态知识描述完毕后，采用动态物元，描述故障特征的量值，随时间变化而产生的变化量，表达公式为：G(t)=(I(t)，b，v(t))（2）其中，t为故障特征的变参量，b为特征类别，I(t)为关于变参量t的量值，v(t)为变参量随时间变化而产生的变化量。将关系元、事元、物元、动态物元，作为设备故障诊断的基本逻辑，建立形式化的知识表示方式。至此完成化工机械设备故障特征基元的描述。

2.3识别化工机械设备故障诊断模式

将化工机械设备故障特征基元，输入神经网络，识别故障诊断模式。构建具有3层感知器的神经网络，利用神经网络的非线性映射能力，逼近时间序列中基元的隐含关系，采用广义粗糙集理论，对网络结构进行约简处理，将线性传递函数、Sigmoid函数、线性函数，分别作用于第1层、第2层、第3层的神经元，令第1层神经元对应化工机械设备的各个故障征兆，第3层神经元对应机械设备的故障原因和诊断模式。把大数据样本集的故障特征基元，即关系元、事元、物元、动态物元，作为输入向量，将动量法和非线性学习算法相结合，迭代训练感知器输入的信息数据，最小化3个感知器的训练误差，消除网络目标输出和实际输出之间的差别，在此基础上确定网络参数，根据输出结果，确定故障原因和诊断模式。至此完成化工机械设备故障诊断模式的识别，实现基于大数据的化工机械设备故障诊断方法设计。

3实验论证分析

将此次设计方法，与两组常规化工机械设备故障诊断方法，进行对比实验，比较3组方法的故障诊断准确率。

3.1实验准备

通过人工制造划痕的方式，模拟10种轴承健康状态，通过电火花机，加工内圈、滚珠和轴承外圈3个位置，获取具有故障类型的轴承数据集，每个故障轴承有且仅有一种故障。轴承试验台采用16通道的加速度传感器，数据集的设备故障有9种，具体见表1。在轴承正常工况的样本中，选取3780组原始样本集，得到训练样本集，在所有健康状态的样本中，取1000组测试样本集，3组方法每次选取100个样本，进行迭代训练，提取轴承故障特征，诊断划痕故障。

3.2实验结果

改变两组诊断方法的迭代次数，轴承滚动体的故障诊断准确率对比结果见表2。由上表可知，设计方法故障诊断平均准确率为97.46%，常规方法1和常规方法2的平均准确率，分别为94.79%和96.20%，相比两组常规方法，设计方法故障诊断准确率分别降低了2.67%和1.26%。轴承内圈的故障诊断准确率对比结果见表3。由上表可知，设计方法故障诊断平均准确率为96.71%，常规方法1和常规方法2的平均准确率，分别为94.57%和95.39%，相比两组常规方法，设计方法故障诊断准确率分别降低了2.14%和1.32%。轴承外圈的故障诊断准确率对比结果见表4。由上表可知，设计方法故障诊断平均准确率为96.81%，常规方法1和常规方法2的平均准确率，分别为94.47%和95.30%，相比两组常规方法，设计方法故障诊断准确率分别降低了2.34%和1.51%。综上所述，此次设计方法诊断轴承划痕故障时，充分提高了故障诊断准确率。

4结语

此次研究充分发挥了大数据的技术优势，有效提高了化工机械设备故障诊断准确率。但此次设计方法仍存在一定不足，在今后的研究中，会使用复合元描述设备故障状态信息，包括关系元、事元、物元，令数据信息充分体现设备特征，提高诊断方法的全面性。

【参考文献】

[1]刘银堂，郭波，王武凤，等.化工机械设备故障与事故管理分析[J].化工设计通讯，2020，46(1):79，102.

[2]焦卫东，王翀翮，李刚.基于同步压缩小波变换的旋转机械设备故障诊断[J].内江科技，2020，41(3):28-30.

[3]朱林全，蒋文英，李朋，等.基于标识解析和可信度矩阵的动设备故障诊断模型研究[J].化工自动化及仪表，2020，47(2):134-142.

[4]朱明敏，刘杰.化工机械设备安全特性及其故障诊断处理研究[J].石化技术，2020，27(4):341-342.

[5]李炎玲.化工设备产品开发管理与远程故障诊断研究及应用分析[J].时代农机，2020，47(4):62-63.

[6]朱风雷，翟根林.化工机械的故障诊断与故障控制分析[J].石化技术，2019，26(11):186，190.

[7]李峰珠.化工机械设备的故障监测系统研究[J].现代盐化工，2020，47(6):82-83.

作者：郭智 单位：抚顺矿务局职工工学院