摘要： 目前旋转设备状态监测的主要预警方式为阈值报警。
阈值报警方式适用于稳定工况设备，对于变工况的设备，采用阈值报警易产生误报警和漏报警。
针对传统阈值报警在变工况设备状态监测应用中的不足，本文提出使用多元统计建模的方法实现对变工况下设备的智能预警，通过该智能预警算法的应用，可以提前发现设备状态恶化，有效的从变化工况的设备数据中提取状态异常信息，实现设备潜在故障的早期智能预警。
关键词：阈值报警 变工况 多元统计建模 智能预警 1 引言在旋转设备状态监测当中，传统预警方式为阈值报警。
阈值报警一般是根据设备类型，确定适用于该设备振动监测（位移、速度或加速度）的ISO标准或国标，并根据设备工作转速、功率等信息，通过查询相应的ISO标准或国标，确定设备对应的报警阈值。
有些企业根据多年积累的设备运行情况并结合工程师现场经验，会制定更加适用的企业标准。
传统预警方式只针对设备中单个测点的振动或温度参数设置报警线，由于仅仅采用简单的门限报警方式，在设备的运行工况变化的情况下（比如电机转速变化、负载变化等），设备测点的状态参数将随之发生改变，报警的阈值将不再适用。
传统报警方式在实际应用过程中不可避免地存在漏报与误报，导致设备状态报警不够准确和可靠，从而影响设备长期安全稳定运行，存在非计划停机的隐患。
为了全面、准确地检测到设备运行过程中的异常信息，为设备早期故障智能诊断打好基础，提取能够全面反映设备运行状态的多种特征参数，通过与设备工况参数组合分析，采用多元统计分析方法实现设备的智能预警。
多元统计分析能够在多个对象和多个指标互相关联的情况下分析它们的统计规律，由于考虑了机组实际运行工况和状态量之间的相关关系以及各个测点状态量之间的相关关系，因此多元统计分析方法能有效的避免报警的误报和漏报情况，提升报警系统的准确性和鲁棒性。
2 智能预警技术介绍智能预警技术采用“基于相似性原理的多元统计建模方法”，即根据设备运行的历史数据创建设备动态智能预警模型。
当设备运行状态未出现较大的人为调整时，该模型可持续应用；若设备运行状态发生较大的人为调整，需对该设备智能预警模型进行修正。
由于智能预警模型建模方法采用的是非参数建模方法，可以有效的避免传统参数建模方法中需要额外人工设定多个模型参数的缺点，极大地提高了构建设备智能预警模型的效率，并有效避免了人工调节参数带来的干扰。
针对设备处于变化工况下的设备状态监测场景，使用传统的阈值报警方法会导致设备频繁出现误报警，极大地降低了设备状态监测的有效性，达不到对设备状态真实有效监测的目的。
智能预警技术利用与设备直接相关的工况参数（变化的工况参量）以及设备的状态参数（温度、压力、振动等）组成的历史数据，从中清洗异常数据得到设备正常状态下的数据集。
根据设备正常状态下的数据集直接建立以数据驱动的多变量预测模型，通过在已有的正常（或异常）数据集中测试模型的准确性，确认模型对正常状态的准确预测性以及对异常状态的可检测性。
2.1 设备智能预警模型构建设备智能预警模型的构建需要利用设备正常运行历史数据，历史数据不仅仅包含设备的各个状态参数，还包含设备运行工况参数。
设备工况参数和状态参数的组合有效的表示了设备真实工作状态。
下图1为设备智能预警模型构建框图。
首先收集设备工况参数和状态参数的历史数据集，时长为1-3个月，包含设备绝大部分工作状态即可（理想状态下需要设备工况的全覆盖）；接下来对数据集进行清洗，主要是剔除停机数据和少量离群数据点；最后利用清洗后的数据建立智能预警模型，这里采用的主要方法为“基于相似性原理的多元统计建模方法”。
智能预警模型构建完成后，当采集到的实测数据（包含设备工况参数和状态参数）输入预警模型中，模型通过相似度运算得到实测数据对应的期望值，实测值与期望值的残差值表示设备目前所处状态，残差接近0表明设备状态正常，残差超过允许阈值表明设备状态出现异常，此时将推送“报警”信息。
通过实时监测实测数据与期望数据之间的残差，实现对设备的智能预警。
图 1 设备智能预警模型构建框图2.2 设备智能预警模型应用通过设备正常状态下的工作历史数据建立设备智能预警模型后，该智能预警模型即可投入对该设备的实时状态监测。
如果智能预警模型新的输入数据是在设备正常工作状态获得的，由于智能预警模型覆盖了设备的正常工作空间，该输入数据（实测数据）总会和智能预警模型中某些历史数据相似，这些相似历史数据的组合可以对输入给出精度很高的预测值。
智能预警模型预测的精度可以用某变量的预测值和该变量的实际测量值之间的残差来衡量。
当设备工作状态发生变化出现故障隐患时，由于动态特性的改变，输入数据将偏离正常工作空间，其与智能预警模型中历史数据均不相似，通过智能预警模型中历史数据的组合无法构造其对应的精确预测值，将会导致预测精度下降，残差增大。
智能预警模型应用于对设备状态监测中时，只需关注状态参数（振动、温度等）的残差，残差处于0附近，表明设备并未出现异常；残差不断增大并且超过设定的阈值（阈值可设定为5%，10%等，根据实际需要自行设置）时，表明该设备已经状态已经出现早期异常，需要“重点关注”该设备状态，并根据诊断结果及时安排维修计划或购置备件。
智能预警技术适用于多种工业场景的需求。
工业现场设备之间并非相互独立不相关，同时单个设备上的多个测点参数也并不独立无关。
通过获取主要的变化工况参数并结合多个状态参数可以很好的对整个设备的状态建立数据驱动模型，该模型包含了设备所有正常状态。
当有实测数据输入模型时，模型会自动输出实测数据所对应的正常预测值，通过实时监测实测值和预测值的残差可以快速的实现对设备的智能预警。
相较于传统预警方法，智能预警技术有能力在异常发生初期即触发报警，有助于在异常早期对设备进行维修补救，避免设备发生更严重的损失。
3 应用实例以某化工厂设备为例，展示该设备在建立智能预警模型后的实际预警效果。
该旋转设备由电机、执行结构组成。
该设备电机负载会不断发生变化，因此电机处于变工况工作状态，该设备现场实物图如图2所示。
在该例中使用的主要参数为：设备轴瓦温度、电机绕组温度、电机电流、环境温度，其中设备轴瓦温度、电机绕组温度为表征设备状态的主要参数（状态量）；电机电流、环境温度为表征设备工况的主要参数（工况量）。
下面通过设备实际数据的分析介绍智能预警在该变工况设备状态监测中的应用。
图 2 某化工企业现场设备下图3为该旋转设备轴瓦温度与电机电流对比图。
从图3可以发现该设备轴瓦温度变化剧烈，并且轴瓦温度与电机电流强相关，显然轴瓦温度受电机电流的影响。
下图4为该旋转设备电机绕组温度与电机电流对比图，从数据中同样能发现设备电机绕组温度受电机电流的影响。
因此传统阈值报警在此同样不能应用。
原因是：设备的轴瓦温度和电机绕组温度都受到设备工况变化的影响，因此仅仅通过轴瓦温度或者电机绕组温度的变化趋势难以判定设备是否出现异常。
智能预警模型本质上是通过某种“手段”将工况变化影响因素剔除，最终利用状态量的残差信息直接辨识设备是否发生异常，并且通过多个状态量的结合，可以将异常信息定位到具体的状态参数上。
图 3 设备轴瓦温度与电机电流对比图 4 设备电机绕组温度与电机电流对比下图5为该设备轴瓦温度与环境温度对比图，图6为该设备电机绕组温度与环境温度对比图。
由图5、图6可以证实该设备轴瓦温度和电机绕组温度同样受到环境温度的影响。
因此在建立该设备智能预警模型时，需要考虑环境温度的影响，以消除环境温度对轴瓦温度和电机绕组温度的影响。
图 5 设备轴瓦温度与环境温度对比图 6 设备电机绕组温度与环境温度对比通过上述分析可知，该设备轴瓦温度和电机绕组温度受设备运行工况的影响，传统的预警方式在此不适用，因此结合了电机电流、环境温度建立的智能预警模型实现该设备的状态监测。
工厂选取了该设备2017年10月至11月（时长接近两个月）的数据建立设备智能预警模型。
该段时间内设备运行正常，未出现异常，并且该段时间内数据覆盖了该设备正常运行的所有工况。
该设备智能预警模型建立之后，可利用实际数据验证预警模型的有效性。
为此，使用该设备12月份实测数据进行验证。
图7为设备12月轴瓦温度趋势图，由于设备工况变化，仅利用轴瓦温度数据并不能推断出该设备是否出现问题。
图 7 2017年12月份设备轴瓦温度趋势将12月份数据（轴瓦温度、电机绕组温度、电机电流、环境温度）输入智能预警模型中，模型将输出对应的预测结果，计算得到轴瓦温度残差和电机绕组温度残差。
图8为设备12月份轴瓦温度的残差趋势，其中椭圆内残差增大至8%，说明轴瓦实际温度过大，设备滑动轴承出现某种异常。
图9为设备12月份电机绕组温度的残差趋势，由图可知电机绕组温度残差保持在±1%以内，表明设备电机绕组并未出现异常。
综上分析，该设备电机绕组温度正常，轴瓦温度异常。
通过智能预警技术的应用和分析，可定位该设备的具体异常信息，有效地实现了对设备的状态监测。
智能预警模型能够从复杂变化的信息中提取出设备异常信息并提前预警，由此给设备状态监测带来巨大的价值。
图 8 2017年12月份设备轴瓦残差趋势图 9 2017年12月份设备电机绕组温度残差趋势4 结论本文针对阈值报警在变工况设备状态监测中存在的问题，提出使用智能预警技术实现对变工况设备的状态监测。
本文给出了设备智能预警模型构建流程，并对智能预警模型应用做了总结。
最后本文以某工厂处于变工况工作状态中的旋转设备为例，针对该设备状态监测传统的阈值报警方法并不适用的情况。
因此通过利用设备振动数据和工况数据建立该设备的智能预警模型，通过真实数据验证表明，该智能预警模型的应用，有效的提取出了设备状态恶化信息，实现了设备潜在故障的早期智能预警，为设备状态监测带来了巨大应用价值。
参考文献[1] 张栋梁. 基于智能预警管理技术的状态监测系统研发与应用[D]. 北京化工大学, 2011.[2] 何清波. 多元统计分析在设备状态监测诊断中的应用研究[D]. 中国科学技术大学, 2007.[3] 钱强. 设备状态智能预警技术在SIS系统中的应用[C]. 电力信息化高级论坛. 2006:69-71.[4] 张庆, 徐光华, 华成,等. 一类支持向量机的设备状态自适应报警方法[J]. 西安交通大学学报, 2009, 43(11):61-65.[5] 王博, 吴智群. 电站风机故障智能预警技术的应用研究[J]. 热能动力工程, 2017, 32(10):66-70.[6] 刘涛, 刘吉臻, 吕游,等. 基于多元状态估计和偏离度的电厂风机故障预警[J]. 动力工程学报, 2016, 36(6):454-460.作者简介：胡翔，男 ，硕士研究生学历，工业AI算法工程师，现任职：西安因联信息科技有限公司，研发中心。
