2024年3月山东东营一家地方炼化厂的设备科长给我打了一个电话。电话那头声音很急我们一台加氢进料泵上周抱轴了停了两天直接损失小两百万。你们那个预测性维护到底靠不靠谱两周后我站在这家炼化厂的催化裂化装置区看着密密麻麻的管道和轰鸣的机组说实话心里有点发怵。石化行业搞预测性维护和普通工厂完全不是一个难度级别——防爆要求、介质腐蚀、高温高压、连续生产不允许停机。但反过来想正因为后果严重预测的价值才大。这个项目最终落地了我们团队前后花了八个月。今天把核心内容拆开讲讲——泵和压缩机这两类最核心的转动设备到底怎么搞状态监测。先搞清楚石化厂里什么设备最值得监测不是所有设备都值得上状态监测系统。我们做的第一件事就是拿着工厂近三年的维修记录做了一轮设备关键度评估。说个很有意思的数据这家厂三年内记录了147次非计划停机其中离心泵占了68次46%往复式压缩机占了41次28%两项加起来就占到了将近四分之三。而泵里面又数高温油泵加氢进料泵、常压塔底泵和锅炉给水泵故障率最高。于是我们定了范围先做12台关键离心泵 4台往复式压缩机的状态监测。不是不想全覆盖是预算和人力都有限精准打击比广撒网靠谱得多。传感器部署在防爆区干活处处是坑石化厂的传感器选型和部署和普通工厂有几个根本性区别。首先所有在线传感器必须带本安防爆认证Ex ia 或 Ex d。我们选了 PCB 的 EX600 系列加速度传感器量程±50g频响0.5Hz-10kHz一根传感器不含电缆就得三千多块。12台泵每台装4个测点驱动端径向、驱动端轴向、非驱动端径向、泵体轴向再加上4台压缩机每台6个测点多了十字头振动和缸体冲击一共72个测点——光传感器就花了二十多万。其次布线是个噩梦。炼化装置区到处都是高温管线电缆不能贴着管壁走得穿镀锌钢管从桥架绕。我们一个施工队干了整整两周才把72路信号全部接到现场采集箱。采集箱我们用了 NI 的 cDAQ-9189 以太网机箱 NI-9234 动态信号采集模块每通道同步采样采样率设的 2560Hz。为什么是2560因为我们关注的轴承故障特征频率最高在 1000Hz 左右按奈奎斯特定理至少 2000Hz留点余量取 2560——这是踩了坑才确定的。之前一个项目设了 800Hz结果轴承滚动体故障频率刚好在 400Hz 附近连二倍频都采不全。# 验证采样率是否够用的一段检查脚本 import numpy as np # 轴承参数SKF 6314 深沟球轴承 bearing_params { ball_diameter: 20.64, # mm pitch_diameter: 97.5, # mm n_balls: 8, contact_angle: 0 # 度 } def calc_fault_frequencies(rpm, params): 计算轴承四种故障特征频率 返回BPFO, BPFI, BSF, FTF fr rpm / 60 # 转频 d params[ball_diameter] D params[pitch_diameter] n params[n_balls] theta np.radians(params[contact_angle]) BPFO (n * fr / 2) * (1 - (d / D) * np.cos(theta)) BPFI (n * fr / 2) * (1 (d / D) * np.cos(theta)) BSF (D * fr / (2 * d)) * (1 - (d / D * np.cos(theta))**2) FTF (fr / 2) * (1 - (d / D) * np.cos(theta)) return BPFO, BPFI, BSF, FTF # 泵额定转速 2980 RPM bpfo, bpfi, bsf, ftf calc_fault_frequencies(2980, bearing_params) max_freq max(bpfo, bpfi, bsf) print(f最高故障频率: {max_freq:.1f} Hz) print(f所需最低采样率: {max_freq * 2.56:.0f} Hz (按2.56倍)) # 输出最高故障频率 ≈ 345 Hz最低采样率 884 Hz # 2560 Hz 足够且有冗余做包络分析离心泵的状态监测振动温度就够了但特征要算对离心泵的失效模式非常集中轴承损坏、密封泄漏、叶轮磨损/气蚀、不对中。这四种占了我们统计的87%的故障。有意思的是不同故障在振动信号里的特征指纹完全不一样 - 轴承损伤 → 高频冲击在包络谱里出现特征频率及其谐波 - 不对中 → 1倍频和2倍频的振动幅值明显升高轴向振动尤其突出 - 叶轮磨损/气蚀 → 宽频带噪声底抬升0.5倍频附近出现亚谐波 - 密封泄漏 → 温度趋势缓慢上升缓慢很重要突然升高一般是轴承要挂了所以我们设计的特征提取pipeline是这样的import scipy.signal as signal from scipy.fft import fft import numpy as np def extract_pump_features(raw_signal, fs2560): 从2秒振动数据窗口提取离心泵监测特征 raw_signal: 1D numpy array, 5120个点2秒2560Hz features {} # ---- 时域特征 ---- features[rms] np.sqrt(np.mean(raw_signal**2)) features[peak] np.max(np.abs(raw_signal)) features[crest_factor] features[peak] / (features[rms] 1e-8) features[kurtosis] np.mean((raw_signal - np.mean(raw_signal))**4) / \ (np.std(raw_signal)**4 1e-8) # ---- 频域特征 ---- n len(raw_signal) fft_vals np.abs(fft(raw_signal))[:n//2] freqs np.fft.fftfreq(n, 1/fs)[:n//2] # 1倍频能量泵转频≈49.7Hz rpm_freq 49.7 idx_1x np.argmin(np.abs(freqs - rpm_freq)) idx_2x np.argmin(np.abs(freqs - 2*rpm_freq)) features[energy_1x] fft_vals[idx_1x] features[energy_2x] fft_vals[idx_2x] # 高频带能量2kHz-5kHz捕捉轴承早期损伤 hf_mask (freqs 2000) (freqs 5000) features[hf_energy] np.sum(fft_vals[hf_mask]) # ---- 包络谱特征用于轴承诊断 ---- analytic signal.hilbert(raw_signal) envelope np.abs(analytic) env_fft np.abs(fft(envelope))[:n//2] # BPFO ≈ 155Hz 附近的能量 bpfo_mask (freqs 140) (freqs 170) features[bpfo_energy] np.sum(env_fft[bpfo_mask]) return features这个pipeline上线后第二周就抓到一个有意思的案例一台常压塔底泵的峭度值突然从3.2跳到了6.8但RMS值几乎没变。我们马上安排内窥镜检查发现轴承内圈已经出现了一个1.5mm左右的剥落坑。峭度对冲击敏感、RMS对冲击不敏感——这个特性救了这台泵一命。往复式压缩机和离心泵完全不同的打法说完了泵聊压缩机。往复式压缩机的监测逻辑和离心泵完全不同——泵是旋转机械看频谱就行压缩机是往复机械冲击信号和循环载荷混在一起频谱图上一团乱麻。我们监测的4台压缩机是沈阳远大做的型式为 4M 型四列对称平衡式处理量 12000 Nm³/h排气压力 3.5MPa。这类压缩机的核心风险点是十字头磨损、气阀泄漏、活塞杆断裂这个最吓人。十字头磨损的监测我们没有用传统的振动方法——振动在这个位置噪声太大了。取而代之的是在十字头滑道处装了一个电涡流位移传感器直接测十字头的下沉量。正常工况下沉量在0.05mm以内波动一旦超过0.12mm基本可以确定滑道巴氏合金层已经磨穿。气阀泄漏的监测更有意思。气阀泄漏时阀盖温度会出现异常分布——泄漏阀的温度会比正常阀高8-15°C。我们在每个气阀盖上贴了磁吸式热电偶12个气阀 × 4台机 48个温度点每5秒采集一次。然后用了一个很土但很管用的算法def detect_valve_leak(temps_12valves, baseline, threshold8.0): temps_12valves: 12个气阀的当前温度 baseline: 12个气阀的历史正常温度均值 判断逻辑如果某个阀的温度偏离集体中位数超过阈值→可疑 median_temp np.median(temps_12valves) deviations temps_12valves - baseline suspect [] for i, dev in enumerate(deviations): if dev threshold and temps_12valves[i] - median_temp 5: suspect.append(i 1) # 阀号从1开始 return suspect # 实际运行时连续3次报警才触发工单避免短时波动误报你可能会问为什么不用更高级的方法说实话这个场景下温度偏差模式太明显了不需要上机器学习。好的工程师不是会用多复杂的算法而是知道什么场景用什么方法最合适。整个系统的数据流和报警逻辑说了这么多传感器和算法得串起来看看整个系统的数据流。现场72路振动信号进 NI cDAQ 采集箱 → 千兆以太网进边缘计算网关我们用的研华 MIC-770i7-1070032G内存→ 网关本地做特征提取每2秒一个窗口→ 特征数据通过 MQTT 5.0 协议发到中控室的 InfluxDB 2.7 时序库 → Grafana 10.2 做可视化仪表盘。为什么不在云端做计算两个原因一是石化厂内网对数据外传管控极严能不出厂就不出厂二是2560Hz × 72通道的原始数据量太大全传云端带宽不够。报警逻辑上我们做了三层——绿色是特征异常但未确认触发后自动加密采样到5120Hz持续一分钟黄色是连续三次确认异常自动生成巡检工单推送到企业微信红色是趋势快速恶化直接打电话给值班长。这套逻辑上线后误报率控制在了每台设备每周不到1次在石化行业已经算很不错的了。写在最后石化行业的预测性维护确实难做——环境恶劣、防爆要求高、设备种类多、不允许随便停机试验。但这个行业不缺预算和需求缺的是能真正理解现场、把方案落地的团队。如果你也在做类似的项目我建议你记住三点第一做好设备分级不值得监测的设备别硬上第二传感器位置比传感器数量更重要一个装错位置的传感器不如不装第三不要把简单问题复杂化——该用阈值的地方就别上AI。这个项目跑了一年多12台泵和4台压缩机的非计划停机降了大约65%维修费用省了80多万。下次有机会再聊聊石化行业的旋转机械——汽轮机和离心压缩机那是另一个难度级别了。