基于深度学习的化工离心泵故障智能诊断方法研究

郭金华¹，卢 瑶²，卢 震²

（1.山东知本安全技术有限公司，山东 济南 250013；

2.菏泽市和馨安防科技有限公司，山东 菏泽 274000）

摘 要：化工离心泵作为石化生产核心设备，其故障会导致重大经济损失和安全隐患。传统故障诊断方法依赖人工经验，精度低且实时性差。深度学习技术为解决这一问题提供了新途径。通过构建基于1D-CNN的智能诊断模型，能够自动提取振动、温度、压力等多维传感器数据中的深层特征，实现对軸承磨损，叶轮损伤，密封泄漏等典型故障的精准识别。实验结果表明，所提方法在21000个样本的测试中准确率达96.3%，较传统方法提升8.4个百分点，推理时间仅6.8ms。工程应用验证显示，系统在24台离心系上运行12个月，故障预警准确率94.4%，设备综合效率提升至89.2%，年节约成本180万元，为化工设备智能运维提供了有效解决方案。

关键词：深度学习;化工离心泵;故障诊断;1D-CNN;智能运维

0 引言

化工离心泵在石化、制药等工业领域承担着物料输送的关键任务，据统计，其故障数占化工设备总故障数>30%。传统故障诊断主要依靠定期检修和人工巡检，存在成本高、效率低、难以实现早期预警等问题,随着工业4.0和智能制造技术发展,基于数据驱动的故障诊断方法逐渐兴起。深度学习作为人工智能前沿技术，具备强大的非线性特征提取和模式识别能力，能够从多维传感器数据中自动学习故障特征模式,相比传统机器学习方法，深度学习无需人工特征工程，可直接处理原始信号数据，在图像识别、语音处理等领域已取得重大突破。将深度学习应用于化工离心泵故障诊断，有望实现更高精度的智能诊断和预测性维护。

1 化工离心泵故障类型与特征分析

化工离心泵在石化、制药等工业领域的故障类型主要包括轴承故障、叶轮故障、密封故障和机械松动等。其轴承故障数占离心泵总故障数>45%，故障振动幅值通常>4.5mm/s,颜率特征集中在1~5kHz范围内的轴承特征频率处；叶轮故障率约占30%，包括叶片裂纹和气蚀损伤，振动信号在叶频（20～60Hz)及其2~4倍谐波处峰值增幅达3~8倍；密封故障率占15%,泄漏量超过正常值的2～3倍，轴承温度升高15~25℃；机械松动等故障率占10%，振动频谱在10～1000Hz范围呈现宽频特性，幅值波动系数>0.3。典型工况下,正常运行时总振动有效值为1.8～2.5mm/s，故障状态下可达6～12mm/s，不同故障模式在时域和频域信号中表现出明显的差异特征，为后续深度学习模型的特征提取和分类识别提供了重要依据，通过多传感器信息融合技术，可将单一传感器识别准确率从78%提升至>95%。

……