接着，进行白噪声检验。将数据进行白噪声假设检验处理，检验结果远小于10-4，因此拒绝原假设，认为数列为非白噪声序列，可以进行后续预测工作。

2.3 确定p，q值

ACF图和PACF图如图2、图3所示。

图2 ACF图Fig.2 ACF graph

图3 PACF图Fig.3 PACF graph

图2、图3中阴影部分为置信区间。从PACF图可以看到，AR(p)模型在5阶后自相关值均落于置信区间内，即p=5后偏自相关值均落于置信区间内；MA(q)模型在15阶后均有截尾现象出现。结合积分次数d=0，故预测模型的(p，d，q)=(5,0,15)。

2.4 模型预测

将插值填充后的1 182个数据分成三部分：前1 095个数据作为训练组，训练组之后的30个数据为预测组；剩余数据不作处理。

经试验数据分析，在本设备的振动故障预测上，基于ARIMA的时间序列算法有着不错的效果，且所需信息量少，运行方便快捷，结合往复式压缩机气缸振动速度安全阈值，可以为现场技术人员提供更为精准的故障预警。

预测结果与实际数据对比图如图4所示。

图4 预测结果与实际数据对比图Fig.4 Comparison between predicted results and actual data

3 结论

往复式压缩机气缸的振动频率在故障诊断中是一个重要的指标。由于其数据呈现出时间序列的特性，因此本文使用ARIMA时间预测算法对其数据进行预测，进而对故障进行预警。

通过算法实际运行，取得了较为满意的预测效果。结合其他参数的动态显示(如温度、压强等)，可以为现场技术人员提供较为准确的故障预警建议，基本可以取代传统的人工巡检，减少设备因突发故障而产生的损失。

随着大数据科学的不断发展，基于数据驱动的设备故障预测与诊断将会有越来越广泛的应用。

[1] 闫龙.外输泵机组在线监测故障智能诊断系统研究应用[J].石化技术,2018,25(8):256.

[2] 王洪奎,赵永江.转动设备振动状态在线监测系统案例分析[J].设备管理与维修,2019(12):234-236.

[3] 李进,杨在江,水龙等.海上油田内燃机在线监测诊断系统设计[J].北京石油化工学院报,2014,22(4):46-48.

[4] 高帆,王玉军,杨露霞.基于物联网和运行大数据的设备状态监测诊断[J].自动化仪表,2018,39(6):5-8.

[5] 姜楠.数据挖掘技术在旋转设备振动故障诊断中的应用[D].大庆：东北石油大学,2016.

[6] 王惠中,贺珂珂,房理想.长短时记忆网络在电机故障诊断中的应用研究[J].自动化仪表,2019,40(1):6-10.

[7] QI G,ZHU Z,KE K E,et, for reciprocating compressors using big data and machine learning[J].Simulation Modelling Practice and Theory,2018,80：71-73.

[8] 黎瑜春.组合模型在汽轮机转子振动状态预测中的应用[D].北京：华北电力大学,2012.

[9] 李志军,牛晓旭,李月恒.基于KPCA-ARIMA模型的TE过程故障预测[J].工业控制计算机,2019,32(4):45-48.

[10]刘颖,严军.基于时间序列ARMA模型的振动故障预测[J].化工自动化及仪表,2011,38(7):841-843.

[11]周建民,张臣臣,王发令,等.基于ARMA的滚动轴承振动数据预测[J].华东交通大学学报,2018,35(5):99-103.

[12]彭月.ARIMA模型的介绍[J].电子世界,2014(10):25-29.

刘喜梅(1961—)，女，博士，教授，博士生导师，主要研究方向为智能控制、复杂系统的建模及优化控制、软测量技术，E-mail:;

曲鹏程(通信作者)，男，在读硕士研究生，主要研究方向为智能控制，E-mail:

文章来源：《石油和化工设备》 网址: http://www.syhhgsb.cn/qikandaodu/2021/0301/616.html

上一篇：石油企业新时期维稳信访工作方式研究
下一篇：欢迎订阅年湿法冶金