泵组设备健康评价建设应用

泵组设备健康评价建设应用

尹小文  张杨  张超群  陆艳  杨希

中水三立数据技术股份有限公司 安徽合肥230000

摘要：设备健康评价模型，设备健康模型是在泵组设备的不同工况下进行的数据采集，收集泵组的工况数据、状态参数，进行历史数据的划分，并进行相关性分析。通过深度学习的算法(VMD)-LSTM，进行处理，实现监测状态的预测，同时根据工况分区进行的数理统计，实现状态阈值的判断，对部件监测数据给出定性/定量的评价，并支持按照部件的权重分配，实现设备的综合评价，从而实现设备健康评价模型。

关键词:设备健康评价、泵组故障预测、LSTM算法

1、引言

设备健康评价模型，设备健康模型是在泵组设备的不同工况下进行的数据采集，收集泵组的工况数据、状态参数，进行历史数据的划分，并进行相关性分析。通过深度学习。

在水泵机组的运行管理中，水泵故障导致的突然停泵，会造成巨大的经济损失和不良的社会影响，因此对水泵机组故障的预防性的健康评价对设备的日常运行维护、综合管理具有重大意义。

2、建设思路

设备健康评价模型，设备健康模型是在泵组设备的不同工况下进行的数据采集，收集泵组的工况数据、状态参数，进行历史数据的划分，并进行相关性分析。通过深度学习的算法(VMD)-LSTM，进行处理，实现监测状态的预测，同时根据工况分区进行的数理统计，实现状态阈值的判断，对部件监测数据给出定性/定量的评价，并支持按照部件的权重分配，实现设备的综合评价，从而实现设备健康评价模型。

3、建设实践

设备健康评价模型，通过设备温度监测点位和经验，对泵组设备的主要监测点位进行初步筛选进行监测，主要包括主水泵和主电机。进行初步监测，采集数据后将会对点位进行进一轮筛选。

3.1基于LSTM的温度预测

系统的泵组设备温度预测，基于2022年某泵站主水泵温度及相关工况数据。(2022_filter_all_annual_pump_data.csv)，通过相关性分析确定与各测点温度密切相关的工况，结果如下：

（1）通过相关性分析后可以发现Temp与Rotation_n、Pump_InP、Pump_ImpP、q相关性较高；

（2）通过相关性分析后可以发现Temp_N与Pump_InP、Rotation_n、Pump_ImpP、q相关性较高；

（3）通过相关性分析后可以发现Temp_C与Rotation_n、Pump_ImpP、Pump_InP  Pump_TurChaP、Pump_OutP、Pump_InterP相关性较高；

（4）通过相关性分析后可以发现Temp_C_Motor与Rotation_n、Pump_ImpP、Pump_InP 相关性较高；

（5）通过相关性分析后可以发现Temp_O与Rotation_n、Pump_InP、Pump_ImpP、q相关性较高；

（6）通过相关性分析后可以发现Temp_N_O与Rotation_n、Pump_ImpP、Pump_InP相关性较高。

以1#泵驱动端轴承温度为例，通过下列步骤建立基于LSTM的测点温度预测模型：

设置 LSTM 网络输入维度为 5，输出维度为1，选取单层网络，隐含层神经元为117，训练次数为100，初始学习率为0.001，[1]采用自适应矩估计(Adam)对LSTM网络进行调优，将泵组中间压力、出口压力、涡轮室压力、转速和泵组振动作为输入，驱动端温度数据作为输出，建立基于LSTM的主水泵驱动端轴承温度预测模型。

将重构后的数据集按8：2的比例分为训练集和测试集，利用重构的前3296组数据构成训练集对LSTM网络进行训练，将后824组构成测试集用于检验，得到如下图所示的温度预测结果。其中，红线(Actual)为水泵驱动端轴承温度原始数据，蓝线(Predicted)为LSTM模型预测温度。由下图可知，基于LSTM的主水泵驱动端轴承温度预测模型能够实现对温度的准确预测。

基于此监测数据的分析，基于LSTM的主水泵驱动端轴承温度预测模型能够实现对温度的准确预测。

3.2基于VMD-LSTM的振动预测

系统的泵组设备温度预测，基于某泵站2021年主水泵振动及相关工况数据（1#机组主水泵振动测点及工况数据.csv），通过相关性分析确定与各测点振动密切相关的工况，结果如下：

（1）通过相关性分析后可以发现Vibra与Interior_P 、Out_P 、Turb_P 、Rotation_n相关性较高；

（2）通过相关性分析后可以发现Radial与Rotation_n、q、Out_P、Turb_P、Interior_P相关性较高；

（3）通过相关性分析后可以发现Axial与Interior_P、Out_P、Turb_P、Impeller_P相关性较高；

（4）通过相关性分析后可以发现X与Turb_P、Out_P、Interior_P、Impeller_P、Axial  Rotation_n、q相关性较高；

（5）通过相关性分析后可以发现Y与Interior_P 、Out_P、Turb_P、Axial、Rotation_n、q相关性较高；

以1#主水泵泵组振动为例，通过下列步骤建立基于VMD-LSTM的振动预测模型：

1、去除异常值

基于3Sigma算法检测原始振动信号中的异常值，下图中阴影区域为3-Sigma检测的数据正常范围，超出该区域的振动信号被定义为异常值，图中的红点即为异常值，图中红线为去除异常值后的原始振动信号，在后续过程中将对此信号进行进一步的处理。

2、去除噪声

对去除异常值后的原始振动信号进行时频分析，采用变分模态分解方法：将振动信号分解成4个本征模态函数（IMF）分量，通过相关性分析得到各IMF分量与原始振动信号之间的相关系数。如果分解结果与原始振动信号的相关系数比较小，判定其为噪声成分，直接舍去，如果相关系数较大，判定其为有用成分保留。在将保留下来的有用成分进行重新组合，重构成新的信号，从而实现对原始信号的降噪。[2]

参考统计学中相关系数与相关程度对应表（表1），选取IMF分量与原始信号为显著相关或以上相关程度（即相关系数大于等于0.5）的为有用成分进行保留，并对其进行重构，组成新的信号，实现对原始信号的降噪。

3、VMD-LSTM预测模型

设置 LSTM 网络输入维度为 5，输出维度为1，选取单层网络，隐含层神经元为 80，训练次数为60，初始学习率为0.01，采用自适应矩估计(Adam)对LSTM网络进行调优，将泵组中间压力、出口压力、涡轮室压力、转速和泵组振动作为输入，泵组振动的重构信号作为输出，建立基于LSTM的主水泵泵组振动预测模型。

将重构后的数据集按8：2的比例分为训练集和测试集，利用重构的前17200组数据构成训练集对LSTM网络进行训练，将后4300组构成测试集用于检验，得到如下图所示的轧机振动预测结果。其中，红线(Actual)为重构后的泵组振动信号，蓝线(Predicted)为VMD-LSTM模型预测振动信号结果。由下图可知，基于改进VMD-LSTM的主水泵泵组振动预测模型能够实现对振动的准确预测。

相对误差准确率是根据相对误差计算准确率分数，它将平均相对误差从1中减去（以获取准确率），然后乘以100将其转换为百分比，较高的准确率值表示预测性能更好，相对误差是预测值与真实值之间的绝对差值，通过真实值进行归一化。

4、实践总结

在泵站的管理中已经进行此技术的应用和监测，结合主要的LSTM的算法计算，目前实现的实时数据的预测和应用，预测数据总体准确率在90%以上，对未来数据预测的趋势基本贴合，目前在继续扩大应用范围，在不同的泵站上进行部署实践，提升模型精确程度。

5、参考文献

[1]张瑞成,曹志新,梁卫征.改进VMD-LSTM的轧机振动预测研究[J].噪声与振动控制,2022,42(06):119-123.

[2]何委燚. 基于VMD与LSTM的滚动轴承寿命预测研究与应用[D].重庆大学,2020.DOI:10.27670/d.cnki.gcqdu.2020.001456.