技术领域
[0001] 本
专利涉及天然气设备技术领域，特别是涉及一种天然气长输管道离心压缩机组智能监控系统。
背景技术
[0002] 压缩机在石化企业一般指离心压缩机和轴流压缩机。透平压缩机是用来提高气体压
力，并输送气体的机械，又是也通称为
风机。通常透平压缩机和
汽轮机、
燃气轮机、
水轮机等
原动机构成透平压缩机机组。透平压缩机中应用最广泛的还是轴流式与离心式两种。其中离心式压缩机是指气体在离心式压缩机中的运动是沿着垂直于压缩机轴的径向进行的。气体压力的提高是由于气体流经
叶轮时，由于叶轮旋转，使气体受到
离心力的作用而产生压力，同时气体获得速度，而气体流过叶轮、扩压器等扩张通道时，气体的流动速度又逐渐减慢而使气体压力得到提高。
[0003] 在天然气长输送
管道系统中，通常采用离心压缩机组为长距离的天然气输送提供动力，这使得离心式压缩机成为天然气长输送管道系统中的关键部件，其工作状态直接影响到天然气长输送管道的工作。
[0004] 在
现有技术中，对于天然气长输管道离心压缩机组的工作状态监测通常采用振动监测通过同频幅值的判断方式来实现，如果发现异常的振动特征的幅值超过预定范围则进行停机振动的保护。这种监测方式在现有技术中已经被证明是可以在一定程度上实现对于天然气长输管道离心压缩机组的故障监测和保护功能，具有一定的实际意义。现有技术中还出现了采用狄利克雷混合模型等
人工智能的方式进行振动数据的判断。
[0005] 但是现有技术中的上述方案仍然存在着如下问题，首先，监测点的选取上不够合理对于设备的振动特征提取不够，其次其故障监测采用同频幅值的方式来实现，其故障识别准确率低，误报误停的事情时有发生，影响了设备的正常工作。而采用现有的人工智能模型预测需要大量的数据量而且计算速度和判断的逻辑性均不佳，影响了保护的效率。
发明内容
[0006] 本专利正是基于现有技术的上述
缺陷而提出的，本专利要解决的技术问题是提供一种天然气长输管道离心压缩机组智能监控系统，以提高对于天然气长输管道离心压缩机的监控的准确性和及时性。
[0007] 为了解决上述问题，本专利提供的技术方案包括：
[0008] 一种天然气长输管道离心压缩机组智能监控系统，其特征在于，所述系统包括：
[0009]
数据采集传感器，所述数据采集传感器包括：键相传感器、轴向振动传感器和轴位移传感器；所述键相传感器感测键相
信号；所述振动传感器设置在所述驱动机轴的左右两侧每侧设置两组，以及在压缩机轴的左右两侧每侧设置两组，其中每一侧的两组分别为为轴向位移测点A和径向垂直测点V；所述轴向位移传感器在所述驱动机轴的两端部各设置两组，共计四组；数据通信单元，所述数据通信单元所述信息采集传感器相连，接收来自所述数据采集传感器的信号；
数据处理单元，处理来自于所述数据采集传感器的数据，并根据处理结果提供故障报警信息；首先，分析已知为正常工况条件下由所述采集传感器采集得到的数据；对于传感器的数据进行整合和提取，获取所代表的设备运行的局部特征进行整合和提取，
抽取局部数据中多个数据组合后所反映的该设备的某一运行状态特征，所述运行状态特征包括：掉
叶片、油膜振荡、碰磨摩擦、
质量不平衡、
齿轮啮合缺陷、联轴节
精度过低或损伤、不对中、喘振、气流激振、油膜涡动、旋转
失速、透平带液、
支撑松动、轴瓦间隙大、透平不均匀进气、隔板倾斜、
轴承支撑
刚度垂直水平不等、临近振源影响和测量面缺陷以及交流干扰；然后，计算得到在正常工况下上述特征数据的数值范围，并将上述数值范围作为特征
阈值作为评判设备正常工作的范围，对于运行特征Ai，其报警范围为Amin-Amax；接着，获取实时工况数据，并根据该数据获取计算得到实施工况下各个运行状态特征的数值，并将其与正常工况下的上述特征数据进行比较，将实时工况下的特征数值处于正常工况报警范围之外则判断出现该类型的故障；故障更新单元，根据智能系统分析以及对智能分析结果的判断更新所述已知故障类型；包括基于机器智能的故障学习模
块以及特征更新单元；所述基于机器智能的故障学习模块用于根据已有数据和实时数据进行学习输出当前数据的中各个故障的概率；所述特征更新单元与所述基于机器智能的故障学习模块相连，根据基于机器智能的故障学习模块判断的结果识别相应的故障并更新故障监测单元中的故障特征库。更新所述故障特征库包括更新报警数值范围以及各个特征参数的计算方法。
[0010] 优选地，所述基于机器智能的故障学习模块包括：附加信息层，其所包含的结点信息由燃气
发动机以前的维修记录、现场的异常操作、相关零部件健康状况以及现场的日常维护记录等提供，从海量数据中提取中可用的可能性原因，以建立
节点间条件概率及 CPT表；故障层，以燃气发动机可能出现的各种故障为每个节点，由附加信息层的信息指向第二层中相应的故障节点；故障特征层，将利用合适的故障检测方法得到的燃气发动机异常特征指数作为输出，得到该层故障特征节点；由故障层的节点可以指向该层相应的故障特征节点；所述基于机器智能的故障学习模块输出各个运行特征故障的概率。
[0011] 优选地，所述特征更新单元在接收到各个故障概率后，通过实际检测和逻辑判断结果进行验证的方式来对所述结果进行分析，最终确定故障的类型，并获取相应的故障类型中的各个传感器参数的数据；将上述数据和结果代入到已知故障类型库中，调整已知故障类型数据模型进行，如果机器识别的结果最后确定是不同于已知故障类型的新的故障类型，则将新的故障类型添加到已知故障类型库中。
附图说明
[0012] 图1是检测器布局结构图
[0013] 图2是智能分析模块分层结构图
[0014] 图3是智能分析模块的节点分布图。
具体实施方式
[0015] 下面结合附图对本专利的具体实施方式进行详细说明，需要指出的是，该具体实施方式仅仅是对本专利优选技术方案的举例，并不能理解为对本专利保护范围的限制。
[0016] 本具体实施方式中涉及一种天然气长输管道离心压缩机组智能监控系统。在本具体实施方式中，所述天然气长输管道离心压缩机组的结构如图1所示，其具有结构复杂体积庞大的特点，因此对于天然气长输管道离心压缩机组的特征采集是一个重要的环节，即如何采集到必要的特征数据而又不至于设置采集点过多而避免影响天然气长输管道离心压缩机组的正常工作或者是增大了不必要的数据处理量是解决该环节的重要难点。
[0017] 在本具体实施方式中，所述数据采集传感器包括：键相传感器、轴振动传感器和轴位移传感器。所述键相传感器感测键相信号、其性质为测量转速的电
涡流传感器，提供触发采集；轴向位移信号为电涡流传感器检测的测量轴位移值(静态量和动态量)，监测轴位移故障。所述轴向振动传感器设置在所述驱动机轴的端部设置两组，在压缩机轴的端部设置两组，共计四组。所述震动传感器设置在所述驱动机轴的左右两侧每侧设置两组，以及在压缩机轴的左右两侧每侧设置两组，共计8组。其中每一侧的两组分别为 A，为轴向位移测点；V，为径向垂直测点。
[0018] 故障监测单元，根据已知故障类型，监测运行状况数据。
[0019] 这样通过设置上述13组检测点相对于现有技术而言可以提供更为丰富的信息，即包括驱动机以及压缩机不同部位的详细振动信息，从而能够获取相应
位置的准确特征为天然气长输管道离心压缩机组的状态判断提供更全面的信息，上述多个位置的布置不仅能够获取相应位置的信息，还可以互相验证和支撑，因此更利于准确判断天然气长输管道离心压缩机组的工作状态。本专利中设置得传感器位置更全面数量更多，是因为本专利需要获取更多数据从而根据上述数据进行综合判断，这不同于现有技术中的阈值判定方法仅仅取关键的少数几个位置的数据，根据设定的阈值直接决定故障与否。
[0020] 本具体实施方式中的系统还包括数据通信单元，所述数据通信单元所述信息采集传感器相连，接收来自所述数据采集传感器的信号，并将所述信号的数据进行提取，从而便于进行分析和处理，所述信息采集单元可以采用通信数据线或者是无线通信的方式来实现，优选是采用有线通信，可以减少通信干扰，提高通信的实效性和准确性。
[0021] 进一步地，本具体实施方式中的系统还包括数据处理单元。大型透平压缩机组作为关键机械设备之一，为防止机组发生故障而引发重大事故，在实际工程应用中通常为透平机组配备联
锁系统。目前普遍使用的振动联锁保护系统(如GE Bently 3500系统等) 一直采用以通频幅值进行联锁停车保护方式，由于该联锁方式对故障种类及其风险度没有针对性，同时又经常出现虚假信号导致联锁停机，造成不必要的过保护问题。为确保连续生产避免造成较大的生产损失，在实际操作中经常人为摘除振动联锁保护或放大报警幅度，由此会带来巨大安全隐患。
[0022] 针对上述缺陷，在本具体实施方式中并不是简单的采用通频幅值的方式来实现对于故障的判断而是对于相关的数据进行如下处理：
[0023] 首先，根据历史数据以及当前数据分析故障的类型并提出报警，在本具体实施方式中，根据故障的类型和故障的特征分析历史数据可以采用如图2所述的过程。在此过程中包括：
[0024] S101分别采集机械正常工况运行数据和实时工况运行数据；所述正常工况是指在已知为正常工况条件下由所述采集传感器采集得到的数据；在正常工况下的数据可以根据时间的推移而进行调整，因为随着设备的使用被认为正常状态的数据是不同的，因此可以在预定的时间周期，例如每次设备保养之后重新确定正常工况条件下的运行数据。
[0025] S102提取数据特征集,构造特征相空间；在这个过程中，对于设置的检测点所代表的设备运行的局部特征进行整合和提取，抽取局部数据中多个数据组合后所反映的该设备的某一特征匀行状况，根据该状况构造特征相空间。例如可以将设备的运行状态划分为掉叶片、油膜振荡、碰磨、摩擦、质量不平衡、齿轮啮合缺陷、联轴节精度过低或损伤、不对中、喘振、气流激振、油膜涡动、
旋转失速、透平带液、支撑松动、轴瓦间隙大、透平不均匀进气、隔板倾斜、轴承支撑刚度垂直水平不等、临近振源影响、测量面缺陷以及交流干扰等。这些特征均可以由上文所述的数据采集传感器的合理设置得到，通过分析不同传感器所反映的数据特性可以整合计算得到上述设备的运行状态，从而构成特征相空间。这些特征基于不同的
传感器数据综合分析得到，本领域技术人员可以根据检测该设备的经验以及对于具体传感器的位置所代表的特征分析得出。
[0026] Ai＝f(X)
[0027] xi1j xi1(j+1) xi1(j+2) xi1(j+3)
[0028] xi2j xi2(j+1) xi2(j+2) xi2(j+3)
[0029] xi3j xi3(j+1) xi3(j+2) xi3(j+3)
[0030] xi4j xi4(j+1) xi4(j+2) xi4(j+3)
[0031] 其中，Xi1j表示对于特征i的第一个传感器的第j时刻所检测到的数据。通过上述方法计算得到的Ai表示在一定的时间周期内所获取的特征值。
[0032] S103计算得到在正常工况下上述特征数据的数值范围，并将上述数值范围作为特征阈值作为评判设备正常工作的范围。通过上述数据计算得到Ai正常工况的综合评价数值范围，并计算得到在一定的时间长度内综合统计的时间下的综合评价数值范围 Amax-Amin。并将上述数值范围作为报警范围。
[0033] S104获取实时工况数据，并根据该数据获取计算得到实施工况下各个特征的数值，并将其与正常工况下的上述特征数据进行比较，将实时工况下的特征数值处于正常工况范围之外则判断出现该类型的故障。实施工况的特征数值记做At，其中t代表t时间段内的数据，所述t为一个计算周期，例如可以是2s，5s，10s等，
[0034] S105比较实施工况数据和报警范围，如果实时数据超出上述报警范围，则发送报警信号。如果实时数据在固定的范围内，则判断为正常工作。
[0035] 在本具体实施方式中，采用多个传感器源采集的特征数据，然后根据多个传感器采集的数据综合分析每一种故障所针对的传感器的数据特性，并组合得到特征数据，这样的方案一方面相对于现有技术的同频阈值来说可以更加贴近设备的实际运行状况，另一方面相对于例如采用狄利克雷混合模型等情况来说，这种判断方式是根据具有逻辑性更强的设备运行故障特征而定的，一方面避免需要长期的大量的数据的处理，提高了计算的速度，另一方面在故障判断上避免了采用机器智能模型时容易出现的毫无逻辑的判断结果的情况，具有更高的准确性和逻辑性，对设备故障的识别能力更强。
[0036] 进一步地，本具体实施方式中的系统还包括联锁停机单元，所述联锁停机单元与所述数据处理单元相连，根据所述数据处理单元的报警信息决定所述天然气长输管道离心压缩机组是否停机。
[0037] 在天然气长输管道离心压缩机组发生故障时，智能联锁保护系统是否执行联锁停机取决于该故障的破坏力大小，当前对不同故障的破坏力界定主要依赖于人的工程经验，在智能联锁保护系统中需要进行量化，因而，提出了基于无量纲参数模型的压缩机组智能联锁保护技术。在本具体实施方式中，所述联锁停机单元采用智能联锁保护的无量纲指数计算模型来判断每一种特征的智能保护无量纲指数，在指数超过预定的范围时才决定停机，所述模型为：
[0038]
[0039] 其中，H(i)为第i种智能保护无量纲指数；V(i)为第i种故障劣化程度无量纲指数； D(i)：第i种故障风 险度指数；为计算故障特征数值与监测量最大值的比。
[0040] 机组当前故障劣化程度无量纲指数V(i)数学模型，定义如下：
[0041]
[0042] 其中：
[0043] V(i)：第i种故障劣化程度无量纲指数；
[0044] f(i,j)：第i种故障第j时刻故障特征值当前值；
[0045] N(i,j)：第i种故障第j时刻故障特征值正常值，取自机组无故障平稳运行状态数据；
[0046] F(i,j)：第i种故障第j时刻故障特征值报警值；
[0047] k(i,j)：第i种故障第j时刻故障特征值的敏感性系数；
[0048] n：监测周期。
[0049] 故障风险度D(i)采用半定量分析的层次分析法对机组不同故障风险度指数进行计算。参考以可靠性为中心的维修(RCM)技术，以每种故障安全影响、环境影响、生产影响与维修成本为决策指标，建立半定量分析模型，计算天然气长输管道离心压缩机组的相关类型故障风险度，如下表所示。
[0050]
[0051]
[0052] 故障更新单元，根据智能系统分析以及对智能分析结果的判断更新所述已知故障类型。
[0053] 包括基于机器智能的故障学习模块以及特征更新单元。所述基于机器智能的故障学习模块用于根据已有数据和实时数据进行学习输出当前数据的中各个故障的概率；所述特征更新单元与所述基于机器智能的故障学习模块相连，根据基于机器智能的故障学习模块判断的结果识别相应的故障并更新故障监测单元中的故障特征库。更新所述故障特征库包括更新报警数值范围以及各个特征参数的计算方法。
[0054] 如图3所示，在本具体实施方式中，基于机器智能的故障学习模块包括
贝叶斯网络，所述贝叶斯网络包括如下三层，分别如下：
[0055] 第一层为附加信息层，所包含的结点信息由燃气发动机以前的维修记录、现场的异常操作、相关零部件健康状况以及现场的日常维护记录等提供，从海量数据中提取中可用的可能性原因，以建立节点间条件概率及CPT表。该层节点具备贝叶斯先验概率。第二层为故障层，以燃气发动机可能出现的各种故障为每个节点。由第一层的信息可指向第二层中相应的故障节点，该过程包含条件概率。第三层为故障特征层，将利用合适的故障检测方法得到的燃气发动机异常特征指数作为输出，得到该层故障特征节点。由第二层故障层的节点可以指向该层相应的故障特征节点。
[0056] 在一种具体的应用场景中，选取了八种典型的常见故障作为样本分析。信息层中包含机组维修记录、现场工作人员异常操作、机组零件健康状况、现场人员维护记录四个样例节点。故障层选取了
气缸活塞、
连杆、齿轮箱、
曲轴、
增压器、燃油系统、润滑系统、冷却系统及其他故障作为样例节点。特征层选取了第一传感器参数、第二传感器参数、第三传感器参数、第四传感器参数、第五传感器参数和第六传感器参数，所述参数均为瞬时参数，即在某一测量时刻下所得到的传感器参数。通过上述贝叶斯网络的
自学习功能，得到不同参数情况下分别所述的故障类型的概率，例如故障1概率a、故障2 概率b、故障3概率c……以及未知故障的概率x。
[0057] 所述特征更新单元在接收到各个故障概率后，对各个故障的概率进行分析，虽然
机器学习判断有可能是准确的但是其判断结果也有可能是不符合逻辑的，因此在此情况下通过实际检测和逻辑判断的方式来对所述结果进行分析，最终确定故障的类型，并获取相应的故障类型中的各个传感器参数的数据。将上述数据和结果代入到已知故障类型库中，调整已知故障类型数据模型进行，如果机器识别的结果最后确定是不同于已知故障类型的新的故障类型，则将新的故障类型添加到已知故障类型库中。
[0058] 本具体实施方式通过上述技术手段首先在传感器的位置设定上能够综合反应出机组的各种运行故障，并且在故障判断上，根据故障的类型和故障对应的多组传感器来综合判断，提高了判断的准确性和响应时间，此外在判断出故障后，并不立即进行停机操作而是对于故障的程度以及危害进行综合评判，当故障达到预定的危险之后再停机，这样避免了不必要的误报和停机影响声场。并且通过机器学习的方式来更新故障类型的
数据库，这样做到根据机器的状态来进行扩充和更新，提高了监测的动态灵活性。
[0059] 以上仅仅是本专利优选的技术方案而已，凡是在本专利的发明构思下对本专利进行的
修改、替换和删除由于不脱离本专利的发明构思因此都应当纳入本专利的保护范围之内。
