,,

主要內(nèi)容：設備的安全穩(wěn)定運行是石化企業(yè)實現(xiàn)安全穩(wěn)定生產(chǎn)的重要因素。大機組等動設備結(jié)構(gòu) 復雜、故障形式多樣，傳統(tǒng)的以設備或測點為對象的監(jiān)測技術(shù)應用難以滿足不斷增長的安全保障要求。特別是單一的參數(shù)指標不能全面體現(xiàn)設備故障特征，導致設備故障不能提前預警預測，即便出現(xiàn)異常也不能快速定位，亟需研究新的預警預測診斷技術(shù)，實現(xiàn)大機組等動設備異常狀態(tài)的預警預測，異常狀態(tài)下的快速分析定位。文章結(jié)合企業(yè)遇到的問題，基于工業(yè)大數(shù)據(jù)分析技術(shù)，提出了一種用于大機組等動設備運行狀態(tài)預警預測的解決方案。通過采用數(shù)據(jù)驅(qū)動的建模方法建立設備運行狀態(tài)特征模型，并通過歷史數(shù)據(jù)進行學習訓練，實現(xiàn)了基于大數(shù)據(jù)分析技術(shù)的運行狀態(tài)的預警預測，并結(jié)合應用案例說明了該方案的實施效果。從應用實踐情況看，該技術(shù)實施周期短、實用性強，可在一定程度上解決企業(yè)大機組等動設備運行管控中存在的難題。

關(guān)鍵詞：工業(yè)大數(shù)據(jù) 設備預警預測關(guān)聯(lián)分析

近年來，我國石化企業(yè)在保障安全生產(chǎn)運行方面做了大量工作，但在安全生產(chǎn)隱患排查和分析中，仍沒有更多的選擇，主要依靠過往經(jīng)驗和專業(yè)知識。因此，對結(jié)果的分析和認定難免有較大的主觀因素和局限性。由于缺少有效的分析工具和對事故規(guī)律的認知，無法真正實現(xiàn)從源頭上對事故發(fā)生進行有效遏制。因此，強化安全生產(chǎn) 的科技創(chuàng)新，研究和采用新技術(shù)，增強安全生產(chǎn) 綜合防御能力就成為了一種追求。

對石油化工企業(yè)而言，設備運行的安全是一切生產(chǎn)經(jīng)營活動的重要前提。雖然“五位一體” 的特護工作讓設備運行得到了有力保障，設備狀態(tài)監(jiān)測系統(tǒng)的投用，也在一定程度上提高了大機組等動設備的運行管理水平，但實際工作中仍存在以下問題：一是不能事前預警。目前的在線監(jiān) 測系統(tǒng)都是越限報警，且都是單參數(shù)的高低限報警，無法有效發(fā)現(xiàn)和捕捉事故苗頭，不能做到事前預防。二是缺少異常事故定位分析手段。一旦設備出現(xiàn)故障，只能是依靠人工根據(jù)表現(xiàn)出的癥狀進行分析和故障定位。由于缺少靈活的分析工具，再加上不同專業(yè)之間的責任定位不夠嚴格、清晰，因此也造成事故分析周期長、異常定位困難，最終導致事故根原因定性難度大。三是故障歷史知識積累缺失。由于歷史故障信息不能有效傳承和在線復現(xiàn)，導致重復性故障時有發(fā)生。

工業(yè)大數(shù)據(jù)就是利用高效的數(shù)據(jù)分析工具和運算手段，對工業(yè)系統(tǒng)中產(chǎn)生的各類數(shù)據(jù)進行處理，從而釋放工業(yè)大數(shù)據(jù)價值[1-2]，實現(xiàn)對復雜工業(yè)系統(tǒng)的健康狀態(tài)檢測、預測和系統(tǒng)性管理，為工業(yè)企業(yè)帶來更快速、更高效和更深層次的洞察力提供了可能[3]。本文采用工業(yè)大數(shù)據(jù)分析理念和技術(shù)，提出了一種石化設備預警預測方案，并進行了應用實踐探索。

1 工業(yè)大數(shù)據(jù)技術(shù)

1.1 工業(yè)大數(shù)據(jù)

工業(yè)大數(shù)據(jù)是工業(yè)數(shù)據(jù)的總稱，包括信息化數(shù)據(jù)、物聯(lián)網(wǎng)數(shù)據(jù)以及跨界數(shù)據(jù)，是工業(yè)互聯(lián)網(wǎng) 的核心要素[4-5]。工業(yè)大數(shù)據(jù)除了具有各類大數(shù)據(jù) 所共有的海量性、多樣性、高速性和易變性的4V 特點外 [6]，由于過程工業(yè)生產(chǎn)具有設備大型化，生產(chǎn)連續(xù)程度高，各參數(shù)之間存在復雜的機理關(guān)系等特點，因此工業(yè)大數(shù)據(jù)還具有高維度、強非線性、樣本分布不均、低信噪比等特點[7]。

工業(yè)大數(shù)據(jù)的主要來源有三大類：一是生產(chǎn) 經(jīng)營管理類信息系統(tǒng)。隨著生產(chǎn)計劃優(yōu)化系統(tǒng)、企業(yè)資源計劃（ERP）、生產(chǎn)執(zhí)行系統(tǒng)（MES）等多年的投用，積累了大量的生產(chǎn)經(jīng)營管理類信息；二是生產(chǎn)運行過程中實時采集到的反映生產(chǎn)運行、設備狀態(tài)、產(chǎn)品質(zhì)量控制等方面生產(chǎn)運行狀態(tài)數(shù)據(jù)；第三類是與企業(yè)相關(guān)的外部數(shù)據(jù)。如同行業(yè)企業(yè)對標數(shù)據(jù)、環(huán)境評價數(shù)據(jù)、市場預測分析數(shù)據(jù)等。

工業(yè)大數(shù)據(jù)特點：一是數(shù)據(jù)持續(xù)采集，時間特性顯著；二是數(shù)據(jù)實時性高，要求并發(fā)能力強；三是數(shù)據(jù)類別多，結(jié)構(gòu)化和非結(jié)構(gòu)化共存；四是數(shù)據(jù)關(guān)聯(lián)性強，與生產(chǎn)工藝密切相關(guān)。正是因為工業(yè)大數(shù)據(jù)這些獨有的特點，其分析方法和挖掘手段有別于傳統(tǒng)大數(shù)據(jù)。對于石化行業(yè)，應用互聯(lián)網(wǎng)大數(shù)據(jù)、商務大數(shù)據(jù)的分析技術(shù)和方法已無法滿足應用需要，需要不斷探索和創(chuàng)新技術(shù)方案。

工業(yè)大數(shù)據(jù)技術(shù)是使工業(yè)大數(shù)據(jù)中蘊含的價值得以挖掘和展現(xiàn)的一系列技術(shù)與方法，主要包括數(shù)據(jù)存儲技術(shù)、數(shù)據(jù)處理技術(shù)、數(shù)據(jù)分析技術(shù) 等[6]。大數(shù)據(jù)分析技術(shù)是運用不同方法以發(fā)現(xiàn)數(shù) 據(jù)的隱藏模式、未知相關(guān)性和其他有用信息的過程[4]。主要目的是幫助決策者更進一步了解數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)的規(guī)律，以便科學決策，提升生產(chǎn)效率。

1.2 工業(yè)大數(shù)據(jù)應用現(xiàn)狀及應用建議

工業(yè)大數(shù)據(jù)的典型應用包括產(chǎn)品創(chuàng)新、產(chǎn)品/ 過程故障診斷與預測、工業(yè)生產(chǎn)線物聯(lián)網(wǎng)分析、工業(yè)企業(yè)供應鏈優(yōu)化和產(chǎn)品精準營銷等諸多方面[3]。

當前，大數(shù)據(jù)案例仍主要集中在商務或互聯(lián) 網(wǎng)大數(shù)據(jù)方面，真正適合工業(yè)領(lǐng)域的大數(shù)據(jù)分析解決方案并不多，或探入度不夠。一些基于精確數(shù)學模型的應用雖然被冠名為工業(yè)大數(shù)據(jù)分析應用，但其技術(shù)方案實質(zhì)上還是針對商務大數(shù)據(jù)的，且存在實施周期長、效果不理想、可復制性差等問題，也缺少對工業(yè)大數(shù)據(jù)分析的應用場景和應用理論研究。

在石油化工領(lǐng)域，工業(yè)大數(shù)據(jù)應用尚處于起步階段。由于行業(yè)的特殊性，石化工業(yè)大數(shù)據(jù)分析不僅難度大，而且對分析結(jié)果的質(zhì)量要求也非常高，因此目前工業(yè)大數(shù)據(jù)應用也還存在諸多制約因素。一是對復雜過程系統(tǒng)或設備，由于現(xiàn)階段機理模型還不能在精確性方面給出 100% 的保證，所以工業(yè)大數(shù)據(jù)分析工程應用不宜采用機理建模技術(shù)，作為前瞻性技術(shù)研究不在本文討論范圍。二是采用“數(shù)據(jù)＋狀態(tài)模型”模式，其中狀態(tài)模型是利用實體系統(tǒng)數(shù)據(jù)所建立的反映實體系統(tǒng)狀態(tài)特征的數(shù)學模型。三是當前工業(yè)過程知識大多來自于人的實際經(jīng)驗，目前工業(yè)過程領(lǐng)域機器學習還不具備智能性，工業(yè)大數(shù)據(jù)分析的作用還需依靠“人”的經(jīng)驗對分析結(jié)果進行確認、分辨。四是建議研發(fā)“大數(shù)據(jù)分析工具”，以低成本滿足用戶快速定制化應用需求，盡量避免一個研究對象建設一個應用系統(tǒng)[4]。

由于石化生產(chǎn)運行過程控制復雜，一些未知的風險和不確定性因素，給生產(chǎn)管控和運行決策帶來了極大的困擾。因此，過程監(jiān)測和故障診斷應用就顯得尤為重要。但由于故障發(fā)生的原因和機理過于復雜，傳統(tǒng)的分析方法和手段已很難給出滿意的答案。結(jié)合大數(shù)據(jù)分析技術(shù)中的降維處理、聚類分析、相關(guān)性分析和預測分析等方法，王子為[8]提出了一種基于大數(shù)據(jù)的石油化工旋轉(zhuǎn) 機械的無量綱故障診斷解決方案，數(shù)據(jù)挖掘采用了 Apriori 算法，依據(jù)關(guān)聯(lián)規(guī)則，列出故障規(guī)則表，增強了石化旋轉(zhuǎn)機械設備故障的判斷效果。

2 基于工業(yè)大數(shù)據(jù)的設備預警預測技術(shù)

2.1 應用技術(shù)分析

基于大數(shù)據(jù)的故障預警與預測分析是利用已有的海量數(shù)據(jù)，借助各種推理技術(shù)，預測設備的健康狀態(tài)。主要的故障預測算法有 3 種，包括基于模型的故障預測技術(shù)、基于概率統(tǒng)計的故障預測技術(shù)、基于數(shù)據(jù)驅(qū)動的故障預測技術(shù) [4]。基于模型的預測算法由于受限于復雜動態(tài)系統(tǒng)，難以建立精確的數(shù)學模型，因而實際應用和效果受到了很大限制。基于概率統(tǒng)計的預測方法主要包括時間序列預測法、回歸預測法等，前者對短期預測效果比較好，而后者要求樣本數(shù)量要足夠大[4]。

基于數(shù)據(jù)驅(qū)動的預測算法主要用于故障可能是多種因素引發(fā)的，難以確定采用何種預測模型或者機理模型的情況。它以采集的數(shù)據(jù)為基礎，通過各種數(shù)據(jù)處理方法挖掘其中隱含的信息進行預測，成為一種比較實用的故障預測方法。對這 3 種預測方法進行比較，現(xiàn)階段對石化設備和生產(chǎn)過程進行故障預測，容易被企業(yè)接受并較快取得應用成效的是基于數(shù)據(jù)驅(qū)動的故障預測算法。早期應用于航空領(lǐng)域和核電領(lǐng)域的PHM技術(shù)、Aspen公司面向未來的流程資產(chǎn)優(yōu)化軟件Mtell都是采取類似的技術(shù)和方法。

基于數(shù)據(jù)驅(qū)動的設備預警預測技術(shù)是利用基于數(shù)據(jù)的、具有自學習機制的模型，而不是基于工藝機理模型來實現(xiàn)預測預警的方法，是當前人工智能（AI）的前沿技術(shù)。利用設備歷史數(shù)據(jù)建立一個反映設備運行狀態(tài)的模型（特征模型），進而應用該模型進行設備健康的離線評估或在線實時預警預測。該系統(tǒng)具有高效挖掘、分析和學習能力，能夠發(fā)現(xiàn)事故前兆，并給出故障查找方向，幫助技術(shù)人員及時對潛在的問題進行深入分析，提前采取措施。

設備預警預測技術(shù)的實現(xiàn)方式有離線模式和在線模式。離線模式下，技術(shù)人員對已發(fā)生的故障進行分析；在線模式下則可以實現(xiàn)異常狀態(tài)的 “先知先覺”，并給技術(shù)人員提供判斷方向。通過對生產(chǎn)過程、設備進行“號脈”，發(fā)現(xiàn)不穩(wěn)定狀態(tài) 或故障前兆，并指出“病因”方向，幫助技術(shù)人員快速定位。

2.2 關(guān)鍵技術(shù)與算法

目前，大數(shù)據(jù)分析算法很多，各具特色，但由于不同行業(yè)之間的工業(yè)數(shù)據(jù)特點和結(jié)構(gòu)的差異性，還沒有一種算法能夠適應所有行業(yè)。按功能劃分，大數(shù)據(jù)分析算法可大致分為降維分析、分類與聚類分析、相關(guān)性分析和預測分析等幾大類。其中，基于數(shù)據(jù)預測類分析是一種從功能上定義的廣義概念，如生產(chǎn)過程的優(yōu)化、產(chǎn)品質(zhì)量和產(chǎn) 率的預算、生產(chǎn)過程及設備的故障診斷等。最常用的預測分析方法就是應用各種神經(jīng)網(wǎng)絡算法以及其與各種優(yōu)化算法的結(jié)合。目前，應用相對成熟的神經(jīng)網(wǎng)絡有BP神經(jīng)網(wǎng)絡、GRNN神經(jīng)網(wǎng)絡、 RBF神經(jīng)網(wǎng)絡等。

神經(jīng)網(wǎng)絡具有以下優(yōu)點：理論上能夠逼近任意非線性映射、善于處理多輸入輸出問題、能夠進行并行分布式處理、自學習與自適應能力強、可同時處理多種定性和定量的數(shù)據(jù)。本文所使用的主要算法就是RBF徑向基函數(shù)神經(jīng)網(wǎng)絡。RBF 網(wǎng)絡特點是非線性，有很好的適應性、高收斂速度，在非線性逼近、時間序列分析、數(shù)據(jù)分類、模式識別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等方面有廣泛應用前景。

RBF網(wǎng)絡是一種三層前向網(wǎng)絡。輸入層到隱含層是非線性變換，隱含層到輸出層是線性變換。用RBF作為隱單元的“基”構(gòu)成隱藏層空間，將輸入直接映射到隱藏層空間，確定RBF的中心點是關(guān)鍵，隱含層到輸出層的權(quán)可作為調(diào)節(jié)參數(shù)。圖1為RBF徑向基神經(jīng)元模型。

圖 1 RBF 徑向基神經(jīng)元模型

圖 2 RBF 神經(jīng)網(wǎng)絡的機構(gòu)

徑向基函數(shù)網(wǎng)絡有兩層：隱單元層和線性單元層，圖2為徑向基函數(shù)網(wǎng)絡的結(jié)構(gòu)圖。

RBF 網(wǎng)絡是一種典型的局部逼近神經(jīng)網(wǎng)絡，在函數(shù)逼近時的權(quán)值調(diào)整采用梯度下降法時，要注意局部極小和收斂速度慢問題，在函數(shù)逼近、分類計算和學習速度等方面優(yōu)于BP網(wǎng)絡。為此，選擇RBF神經(jīng)網(wǎng)絡作為預測模型進行應用。

3 設備運行管理解決方案與案例分析

3.1 設備運行管理需求

某企業(yè)有 A 類機組 153 臺，2017 年發(fā)生故障 8 次，故障率 0.053‰。針對機組開展了“五位一體”特級維護工作，并借助狀態(tài)監(jiān)測系統(tǒng) （S8000）進行監(jiān)控和分析。對往復機組和透平開展針對性定期工作，如定期檢查氣囊壓力、速送閥活動試驗等。同時，還對機組潤滑油定期分析。

通過在線監(jiān)測、設備狀態(tài)監(jiān)測等系統(tǒng)進行故障檢測，雖然在一定程度上提高了大機組等動設備運行的管理水平，降低了計劃停工的次數(shù)，但仍然不能解決事前預警、科學進行異常事故定位分析、運行維護成本高等多方面的問題。為此，企業(yè)每年在維護大機組等動設備運行方面需投入大量的人力物力，但問題依然無法有效解決，重復性故障時有發(fā)生。

3.2 解決方案

針對上述問題，基于工業(yè)大數(shù)據(jù)理念，綜合運用文中敘述的算法，制定了設備預警預測解決方案，并進行了項目試點實施。方案通過設備本身的傳感器進行數(shù)據(jù)采集，進而對傳感器歷史數(shù) 據(jù)進行特征挖掘，采用關(guān)聯(lián)模型、主成分特征模型等方法建立各系統(tǒng)的特征模型，進而建立一系列的基于數(shù)據(jù)特征的監(jiān)測知識庫，當發(fā)現(xiàn)新的數(shù) 據(jù)特征及事件時繼續(xù)進行學習和更新特征模型，從而達到對實時傳感器數(shù)據(jù)進行模式識別與預警的目的。圖3、圖4為該解決方案的系統(tǒng)架構(gòu)和流程架構(gòu)。該解決方案還可以把單個機組放大成一套生產(chǎn)裝置或者是一個流體管網(wǎng)，進行狀態(tài)預測、過程優(yōu)化、產(chǎn)品質(zhì)量管控和管網(wǎng)優(yōu)化。

基于上述解決方案，搭建了系統(tǒng)分析平臺。具體使用過程中分為在線預警模式和離線事故分析模式，分別如圖5和圖6所示。基本功能包括：①設備數(shù)據(jù)預處理；②設備的狀態(tài)特征提取；③特征建模；④利用特征模型進行設備狀態(tài)的實時預警監(jiān)測；⑤動態(tài)自適應優(yōu)化特征模型。

簡單來說就是兩步：第一步，基于歷史大數(shù) 據(jù)建立對象的特征模型。把設備的歷史數(shù)據(jù)導入該系統(tǒng)，系統(tǒng)在自學的基礎上自動進行特征分析，找出設備常態(tài)下的運行特征并建立特征模型。第二步，基于特征模型開展異常特征監(jiān)測。把實時數(shù)據(jù)接入該系統(tǒng)，開展健康評估和故障診斷與預測。當出現(xiàn)異常運行特征后可提前報警，并提醒技術(shù)人員該異常特征需要關(guān)注的幾個重點參數(shù)，由技術(shù)人員進行分析查找異常原因。

圖 3 解決方案的系統(tǒng)架構(gòu)

圖 4 解決方案的流程架構(gòu)

圖 5 在線預警模式

圖 6 離線事故分析模式

4 應用效果與分析

4.1 案例一主要說明利用該平臺進行設備故障的快速定位與分析。

1）事故描述

裂解裝置某壓縮機組在某晚 20:40 左右發(fā)生停車事故。主操人員第一時間通過查看 DCS 系統(tǒng)，獲得了停車信號。技術(shù)人員憑操作經(jīng)驗對事故原因進行了分析，初步認定：壓縮機主密封氣溫度、壓力降低，導致主密封氣出現(xiàn)帶液現(xiàn)象，造成壓縮機密封氣主泄露量增大，引發(fā)聯(lián)鎖停車，非壓縮機本身原因。

2）大數(shù)據(jù)分析結(jié)論利用系統(tǒng)對設備工藝參數(shù)的歷史數(shù)據(jù)進行關(guān) 聯(lián)分析發(fā)現(xiàn)，當日 15:03 就已開始連續(xù)出現(xiàn)不同于常態(tài)的特征（表明已有異常發(fā)生），直至20:39 設備停車。結(jié)果表明，若該平臺在線運行，可提前5個小時發(fā)現(xiàn)異常預警。

進一步分析發(fā)現(xiàn)，壓縮機的進氣溫度、抽氣溫度、抽氣壓力等工藝參數(shù)在壓縮機停機前有明顯變化，初步判定這些變化是由蒸汽系統(tǒng)變化引起的。在停車事故發(fā)生前的一段時間內(nèi)，二次密封氣供給壓力持續(xù)偏低，LP非驅(qū)動端主泄漏流量一直處于非正常波動狀態(tài)，可判斷此次事故是與低壓缸主泄漏變化有關(guān)，排除設備本身故障。

高壓聚乙烯裝置往復式壓縮機（201、202）運行工況復雜，事故易發(fā)，不易監(jiān)測。某段時間往復式壓縮機發(fā)生停車事故，經(jīng)技術(shù)人員事后分析，確定為壓縮機的二段出口壓力超高導致聯(lián)鎖停車。

利用該解決方案對事故發(fā)生前后的歷史數(shù)據(jù) 進行分析，還原了事故過程。發(fā)現(xiàn)在停車前 8 天已出現(xiàn)預警，通過預警特征分析，可以發(fā)現(xiàn)一次機一段出口溫度、壓力，二、三段入口壓力以及增壓機二段入口壓力等參數(shù)均有明顯變化。

進一步分析發(fā)現(xiàn)一次機二段入口壓力后續(xù)的兩次增大是造成停車的主要原因。進一步分析可知，系統(tǒng)在7月4日上午9:00就出現(xiàn)了預警特征，7月7日上午10:00現(xiàn)場監(jiān)控系統(tǒng) 發(fā)出報警信號，設備于7月12號20:40分發(fā)生停車事故。如果在7月4日– 7日報警發(fā)生前的72小時內(nèi) 采取相應措施，就有可能有效避免此次停車事故。

4.2 特點分析

該方案具有以下特點：①使用簡單。方案為技術(shù)人員提供了易于使用的分析工具，離線分析可以快速得出結(jié)果，在線監(jiān)控可以準確實現(xiàn)故障預警。②部署便捷。方案規(guī)避了建立機理模型或統(tǒng)計模型，實施周期短。③應用場景多。只要有實時數(shù)據(jù)的地方都可以找到應用場景，可以針對單臺設備，也可以針對集群設備、生產(chǎn)過程、流體管網(wǎng)。④參數(shù)預估。提供了一種代替軟儀表的參數(shù)計算手段。⑤知識積累。通過對異常特征的標注，可以實現(xiàn)知識的在線復現(xiàn)。但方案仍然存在對數(shù)據(jù)要求高，模型建立前期需要先進行數(shù)據(jù) 清洗，而且業(yè)務人員要高度參與，才能最終分析出準確的結(jié)果等不足之處。

5 結(jié)語

針對石化企業(yè)動設備運行安全隱患主要依靠人工排查的問題，提出了基于大數(shù)據(jù)分析技術(shù)進行預警預測的技術(shù)解決方案并進行了探索性驗證，并在生產(chǎn)裝置過程優(yōu)化、產(chǎn)品質(zhì)量和平穩(wěn)率預測，以及流體管網(wǎng)和參數(shù)定量預測方面進行了推廣，具有一定可行性。本次研究實踐也旨在進一步推進大數(shù)據(jù)技術(shù)在石化企業(yè)全領(lǐng)域的應用。