主要內(nèi)容：設(shè)備的安全穩(wěn)定運(yùn)行是石化企業(yè)實(shí)現(xiàn)安全穩(wěn)定生產(chǎn)的重要因素。大機(jī)組等動(dòng)設(shè)備結(jié)構(gòu) 復(fù)雜、故障形式多樣，傳統(tǒng)的以設(shè)備或測(cè)點(diǎn)為對(duì)象的監(jiān)測(cè)技術(shù)應(yīng)用難以滿(mǎn)足不斷增長(zhǎng) 的安全保障要求。特別是單一的參數(shù)指標(biāo)不能全面體現(xiàn)設(shè)備故障特征，導(dǎo)致設(shè)備故障 不能提前預(yù)警預(yù)測(cè)，即便出現(xiàn)異常也不能快速定位，亟需研究新的預(yù)警預(yù)測(cè)診斷技 術(shù)，實(shí)現(xiàn)大機(jī)組等動(dòng)設(shè)備異常狀態(tài)的預(yù)警預(yù)測(cè)，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(wèn)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(jī)組等動(dòng)設(shè)備運(yùn)行 狀態(tài)預(yù)警預(yù)測(cè)的解決方案。通過(guò)采用數(shù)據(jù)驅(qū)動(dòng)的建模方法建立設(shè)備運(yùn)行狀態(tài)特征模 型，并通過(guò)歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，實(shí)現(xiàn)了基于大數(shù)據(jù)分析技術(shù)的運(yùn)行狀態(tài)的預(yù)警預(yù) 測(cè)，并結(jié)合應(yīng)用案例說(shuō)明了該方案的實(shí)施效果。從應(yīng)用實(shí)踐情況看，該技術(shù)實(shí)施周期 短、實(shí)用性強(qiáng)，可在一定程度上解決企業(yè)大機(jī)組等動(dòng)設(shè)備運(yùn)行管控中存在的難題。
關(guān)鍵詞：工業(yè)大數(shù)據(jù) 設(shè)備預(yù)警預(yù)測(cè) 關(guān)聯(lián)分析
近年來(lái)，我國(guó)石化企業(yè)在保障安全生產(chǎn)運(yùn)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(méi)有更多的選擇，主要依靠過(guò)往經(jīng)驗(yàn)和 專(zhuān)業(yè)知識(shí)。因此，對(duì)結(jié)果的分析和認(rèn)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(duì)事故規(guī)律的認(rèn)知，無(wú)法真正實(shí)現(xiàn)從源頭上 對(duì)事故發(fā)生進(jìn)行有效遏制。因此，強(qiáng)化安全生產(chǎn) 的科技創(chuàng)新，研究和采用新技術(shù)，增強(qiáng)安全生產(chǎn) 綜合防御能力就成為了一種追求。
對(duì)石油化工企業(yè)而言，設(shè)備運(yùn)行的安全是一 切生產(chǎn)經(jīng)營(yíng)活動(dòng)的重要前提。雖然“五位一體” 的特護(hù)工作讓設(shè)備運(yùn)行得到了有力保障，設(shè)備狀 態(tài)監(jiān)測(cè)系統(tǒng)的投用，也在一定程度上提高了大機(jī) 組等動(dòng)設(shè)備的運(yùn)行管理水平，但實(shí)際工作中仍存 在以下問(wèn)題：一是不能事前預(yù)警。目前的在線監(jiān) 測(cè)系統(tǒng)都是越限報(bào)警，且都是單參數(shù)的高低限報(bào) 警，無(wú)法有效發(fā)現(xiàn)和捕捉事故苗頭，不能做到事 前預(yù)防。二是缺少異常事故定位分析手段。一旦 設(shè)備出現(xiàn)故障，只能是依靠人工根據(jù)表現(xiàn)出的癥 狀進(jìn)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(zhuān)業(yè)之間的責(zé)任定位不夠嚴(yán)格、 清晰，因此也造成事故分析周期長(zhǎng)、異常定位困 難，最終導(dǎo)致事故根原因定性難度大。三是故障 歷史知識(shí)積累缺失。由于歷史故障信息不能有效傳承和在線復(fù)現(xiàn)，導(dǎo)致重復(fù)性故障時(shí)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(yùn)算手段，對(duì)工業(yè)系統(tǒng)中產(chǎn)生的各類(lèi)數(shù)據(jù)進(jìn)行處理，從而釋放工業(yè)大數(shù)據(jù)價(jià)值[1-2]，實(shí)現(xiàn)對(duì)復(fù)雜工 業(yè)系統(tǒng)的健康狀態(tài)檢測(cè)、預(yù)測(cè)和系統(tǒng)性管理，為 工業(yè)企業(yè)帶來(lái)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(shè)備預(yù)警預(yù)測(cè)方案，并 進(jìn)行了應(yīng)用實(shí)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(chēng)，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(lèi)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(diǎn)外 [6]，由于過(guò)程工業(yè)生產(chǎn)具有設(shè)備大型化， 生產(chǎn)連續(xù)程度高，各參數(shù)之間存在復(fù)雜的機(jī)理關(guān)系等特點(diǎn)，因此工業(yè)大數(shù)據(jù)還具有高維度、強(qiáng)非 線性、樣本分布不均、低信噪比等特點(diǎn)[7]。
工業(yè)大數(shù)據(jù)的主要來(lái)源有三大類(lèi)：一是生產(chǎn) 經(jīng)營(yíng)管理類(lèi)信息系統(tǒng)。隨著生產(chǎn)計(jì)劃優(yōu)化系統(tǒng)、企 業(yè)資源計(jì)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(yíng)管理類(lèi)信息；二 是生產(chǎn)運(yùn)行過(guò)程中實(shí)時(shí)采集到的反映生產(chǎn)運(yùn)行、設(shè) 備狀態(tài)、產(chǎn)品質(zhì)量控制等方面生產(chǎn)運(yùn)行狀態(tài)數(shù)據(jù)；第三類(lèi)是與企業(yè)相關(guān)的外部數(shù)據(jù)。如同行業(yè)企業(yè)對(duì) 標(biāo)數(shù)據(jù)、環(huán)境評(píng)價(jià)數(shù)據(jù)、市場(chǎng)預(yù)測(cè)分析數(shù)據(jù)等。
工業(yè)大數(shù)據(jù)特點(diǎn)：一是數(shù)據(jù)持續(xù)采集，時(shí)間特性顯著；二是數(shù)據(jù)實(shí)時(shí)性高，要求并發(fā)能力強(qiáng)；三是數(shù)據(jù)類(lèi)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(qiáng)，與生產(chǎn)工藝密切相關(guān)。正是因?yàn)?工業(yè)大數(shù)據(jù)這些獨(dú)有的特點(diǎn)，其分析方法和挖掘 手段有別于傳統(tǒng)大數(shù)據(jù)。對(duì)于石化行業(yè)，應(yīng)用互 聯(lián)網(wǎng)大數(shù)據(jù)、商務(wù)大數(shù)據(jù)的分析技術(shù)和方法已無(wú) 法滿(mǎn)足應(yīng)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(yùn)含的價(jià) 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(chǔ)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(yùn)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(guò) 程[4]。主要目的是幫助決策者更進(jìn)一步了解數(shù)據(jù)， 發(fā)現(xiàn)數(shù)據(jù)的規(guī)律，以便科學(xué)決策，提升生產(chǎn)效率。
1.2 工業(yè)大數(shù)據(jù)應(yīng)用現(xiàn)狀及應(yīng)用建議
工業(yè)大數(shù)據(jù)的典型應(yīng)用包括產(chǎn)品創(chuàng)新、產(chǎn)品/ 過(guò)程故障診斷與預(yù)測(cè)、工業(yè)生產(chǎn)線物聯(lián)網(wǎng)分析、工 業(yè)企業(yè)供應(yīng)鏈優(yōu)化和產(chǎn)品精準(zhǔn)營(yíng)銷(xiāo)等諸多方面[3]。
當(dāng)前，大數(shù)據(jù)案例仍主要集中在商務(wù)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(xué)模型的應(yīng)用雖然被冠名為工業(yè)大數(shù)據(jù)分析應(yīng) 用，但其技術(shù)方案實(shí)質(zhì)上還是針對(duì)商務(wù)大數(shù)據(jù)的， 且存在實(shí)施周期長(zhǎng)、效果不理想、可復(fù)制性差等 問(wèn)題，也缺少對(duì)工業(yè)大數(shù)據(jù)分析的應(yīng)用場(chǎng)景和應(yīng) 用理論研究。
在石油化工領(lǐng)域，工業(yè)大數(shù)據(jù)應(yīng)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(duì)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(yīng)用也還存在諸多制 約因素。一是對(duì)復(fù)雜過(guò)程系統(tǒng)或設(shè)備，由于現(xiàn)階 段機(jī)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(yīng)用不宜采用機(jī)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(shí)體系統(tǒng)數(shù)據(jù)所建立的反映實(shí)體系 統(tǒng)狀態(tài)特征的數(shù)學(xué)模型。三是當(dāng)前工業(yè)過(guò)程知識(shí) 大多來(lái)自于人的實(shí)際經(jīng)驗(yàn)，目前工業(yè)過(guò)程領(lǐng)域機(jī) 器學(xué)習(xí)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(yàn)對(duì)分析結(jié)果進(jìn)行確認(rèn)、分 辨。四是建議研發(fā)“大數(shù)據(jù)分析工具”，以低成本滿(mǎn)足用戶(hù)快速定制化應(yīng)用需求，盡量避免一個(gè)研 究對(duì)象建設(shè)一個(gè)應(yīng)用系統(tǒng)[4]。
由于石化生產(chǎn)運(yùn)行過(guò)程控制復(fù)雜，一些未知 的風(fēng)險(xiǎn)和不確定性因素，給生產(chǎn)管控和運(yùn)行決策 帶來(lái)了極大的困擾。因此，過(guò)程監(jiān)測(cè)和故障診斷 應(yīng)用就顯得尤為重要。但由于故障發(fā)生的原因和 機(jī)理過(guò)于復(fù)雜，傳統(tǒng)的分析方法和手段已很難給 出滿(mǎn)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(lèi)分析、相關(guān)性分析和預(yù)測(cè)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(jī)械的無(wú)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(qiáng)了石化旋轉(zhuǎn)機(jī)械設(shè)備故障的判斷效果。
2 基于工業(yè)大數(shù)據(jù)的設(shè)備預(yù)警預(yù)測(cè)技術(shù)
2.1 應(yīng)用技術(shù)分析
基于大數(shù)據(jù)的故障預(yù)警與預(yù)測(cè)分析是利用已 有的海量數(shù)據(jù)，借助各種推理技術(shù)，預(yù)測(cè)設(shè)備的 健康狀態(tài)。主要的故障預(yù)測(cè)算法有 3 種，包括基 于模型的故障預(yù)測(cè)技術(shù)、基于概率統(tǒng)計(jì)的故障預(yù) 測(cè)技術(shù)、基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)技術(shù) [4]。基于 模型的預(yù)測(cè)算法由于受限于復(fù)雜動(dòng)態(tài)系統(tǒng)，難以 建立精確的數(shù)學(xué)模型，因而實(shí)際應(yīng)用和效果受到 了很大限制。基于概率統(tǒng)計(jì)的預(yù)測(cè)方法主要包括 時(shí)間序列預(yù)測(cè)法、回歸預(yù)測(cè)法等，前者對(duì)短期預(yù) 測(cè)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(dòng)的預(yù)測(cè)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(yù)測(cè)模型或者 機(jī)理模型的情況。它以采集的數(shù)據(jù)為基礎(chǔ)，通過(guò) 各種數(shù)據(jù)處理方法挖掘其中隱含的信息進(jìn)行預(yù)測(cè)， 成為一種比較實(shí)用的故障預(yù)測(cè)方法。對(duì)這 3 種預(yù) 測(cè)方法進(jìn)行比較，現(xiàn)階段對(duì)石化設(shè)備和生產(chǎn)過(guò)程 進(jìn)行故障預(yù)測(cè)，容易被企業(yè)接受并較快取得應(yīng)用 成效的是基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)算法。早期應(yīng) 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(lái)的流程資產(chǎn)優(yōu)化軟件Mtell都是采取類(lèi) 似的技術(shù)和方法。
基于數(shù)據(jù)驅(qū)動(dòng)的設(shè)備預(yù)警預(yù)測(cè)技術(shù)是利用基 于數(shù)據(jù)的、具有自學(xué)習(xí)機(jī)制的模型，而不是基于 工藝機(jī)理模型來(lái)實(shí)現(xiàn)預(yù)測(cè)預(yù)警的方法，是當(dāng)前人 工智能（AI）的前沿技術(shù)。利用設(shè)備歷史數(shù)據(jù)建 立一個(gè)反映設(shè)備運(yùn)行狀態(tài)的模型（特征模型），進(jìn) 而應(yīng)用該模型進(jìn)行設(shè)備健康的離線評(píng)估或在線實(shí) 時(shí)預(yù)警預(yù)測(cè)。該系統(tǒng)具有高效挖掘、分析和學(xué)習(xí) 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(shí)對(duì)潛在的問(wèn)題進(jìn)行深入分析， 提前采取措施。
設(shè)備預(yù)警預(yù)測(cè)技術(shù)的實(shí)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(duì)已發(fā)生的故 障進(jìn)行分析；在線模式下則可以實(shí)現(xiàn)異常狀態(tài)的 “先知先覺(jué)”，并給技術(shù)人員提供判斷方向。通過(guò) 對(duì)生產(chǎn)過(guò)程、設(shè)備進(jìn)行“號(hào)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(diǎn)和結(jié)構(gòu)的差異 性，還沒(méi)有一種算法能夠適應(yīng)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(lèi)與聚類(lèi)分析、相關(guān)性分析和預(yù)測(cè)分析等幾大類(lèi)。其中，基于數(shù)據(jù)預(yù)測(cè)類(lèi)分析是一種從功能上定義 的廣義概念，如生產(chǎn)過(guò)程的優(yōu)化、產(chǎn)品質(zhì)量和產(chǎn) 率的預(yù)算、生產(chǎn)過(guò)程及設(shè)備的故障診斷等。最常 用的預(yù)測(cè)分析方法就是應(yīng)用各種神經(jīng)網(wǎng)絡(luò)算法以 及其與各種優(yōu)化算法的結(jié)合。目前，應(yīng)用相對(duì)成 熟的神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò)、 RBF神經(jīng)網(wǎng)絡(luò)等。
神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)：理論上能夠逼近任 意非線性映射、善于處理多輸入輸出問(wèn)題、能夠 進(jìn)行并行分布式處理、自學(xué)習(xí)與自適應(yīng)能力強(qiáng)、 可同時(shí)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(luò)。RBF 網(wǎng)絡(luò)特點(diǎn)是非線性，有很好的適應(yīng)性、高收斂速 度，在非線性逼近、時(shí)間序列分析、數(shù)據(jù)分類(lèi)、 模式識(shí)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(yīng)用前景。
RBF網(wǎng)絡(luò)是一種三層前向網(wǎng)絡(luò)。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(diǎn) 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(luò)的機(jī)構(gòu)
徑向基函數(shù)網(wǎng)絡(luò)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(luò)的結(jié)構(gòu)圖。
RBF 網(wǎng)絡(luò)是一種典型的局部逼近神經(jīng)網(wǎng)絡(luò)， 在函數(shù)逼近時(shí)的權(quán)值調(diào)整采用梯度下降法時(shí)，要 注意局部極小和收斂速度慢問(wèn)題，在函數(shù)逼近、分類(lèi)計(jì)算和學(xué)習(xí)速度等方面優(yōu)于BP網(wǎng)絡(luò)。為此，選擇RBF神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型進(jìn)行應(yīng)用。
3 設(shè)備運(yùn)行管理解決方案與案例分析
3.1 設(shè)備運(yùn)行管理需求
某企業(yè)有 A 類(lèi)機(jī)組 153 臺(tái)，2017 年發(fā)生故 障 8 次，故障率 0.053‰。針對(duì)機(jī)組開(kāi)展了“五 位一體”特級(jí)維護(hù)工作，并借助狀態(tài)監(jiān)測(cè)系統(tǒng) （S8000）進(jìn)行監(jiān)控和分析。對(duì)往復(fù)機(jī)組和透平開(kāi) 展針對(duì)性定期工作，如定期檢查氣囊壓力、速送 閥活動(dòng)試驗(yàn)等。同時(shí)，還對(duì)機(jī)組潤(rùn)滑油定期分析。
通過(guò)在線監(jiān)測(cè)、設(shè)備狀態(tài)監(jiān)測(cè)等系統(tǒng)進(jìn)行故 障檢測(cè)，雖然在一定程度上提高了大機(jī)組等動(dòng)設(shè)備運(yùn)行的管理水平，降低了計(jì)劃停工的次數(shù)，但 仍然不能解決事前預(yù)警、科學(xué)進(jìn)行異常事故定位 分析、運(yùn)行維護(hù)成本高等多方面的問(wèn)題。為此， 企業(yè)每年在維護(hù)大機(jī)組等動(dòng)設(shè)備運(yùn)行方面需投入 大量的人力物力，但問(wèn)題依然無(wú)法有效解決，重 復(fù)性故障時(shí)有發(fā)生。
3.2 解決方案
針對(duì)上述問(wèn)題，基于工業(yè)大數(shù)據(jù)理念，綜合 運(yùn)用文中敘述的算法，制定了設(shè)備預(yù)警預(yù)測(cè)解決 方案，并進(jìn)行了項(xiàng)目試點(diǎn)實(shí)施。方案通過(guò)設(shè)備本 身的傳感器進(jìn)行數(shù)據(jù)采集，進(jìn)而對(duì)傳感器歷史數(shù) 據(jù)進(jìn)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(jìn)而建立一系 列的基于數(shù)據(jù)特征的監(jiān)測(cè)知識(shí)庫(kù)，當(dāng)發(fā)現(xiàn)新的數(shù) 據(jù)特征及事件時(shí)繼續(xù)進(jìn)行學(xué)習(xí)和更新特征模型， 從而達(dá)到對(duì)實(shí)時(shí)傳感器數(shù)據(jù)進(jìn)行模式識(shí)別與預(yù)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(gè)機(jī)組放大成一 套生產(chǎn)裝置或者是一個(gè)流體管網(wǎng)，進(jìn)行狀態(tài)預(yù)測(cè)、 過(guò)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(tái)。具 體使用過(guò)程中分為在線預(yù)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(shè) 備數(shù)據(jù)預(yù)處理；②設(shè)備的狀態(tài)特征提取；③特 征建模；④利用特征模型進(jìn)行設(shè)備狀態(tài)的實(shí)時(shí)預(yù) 警監(jiān)測(cè)；⑤動(dòng)態(tài)自適應(yīng)優(yōu)化特征模型。
簡(jiǎn)單來(lái)說(shuō)就是兩步：第一步，基于歷史大數(shù) 據(jù)建立對(duì)象的特征模型。把設(shè)備的歷史數(shù)據(jù)導(dǎo)入 該系統(tǒng)，系統(tǒng)在自學(xué)的基礎(chǔ)上自動(dòng)進(jìn)行特征分析， 找出設(shè)備常態(tài)下的運(yùn)行特征并建立特征模型。第 二步，基于特征模型開(kāi)展異常特征監(jiān)測(cè)。把實(shí)時(shí) 數(shù)據(jù)接入該系統(tǒng)，開(kāi)展健康評(píng)估和故障診斷與預(yù) 測(cè)。當(dāng)出現(xiàn)異常運(yùn)行特征后可提前報(bào)警，并提醒 技術(shù)人員該異常特征需要關(guān)注的幾個(gè)重點(diǎn)參數(shù)， 由技術(shù)人員進(jìn)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(yù)警模式
圖 6 離線事故分析模式
4 應(yīng)用效果與分析
4.1 案例一 主要說(shuō)明利用該平臺(tái)進(jìn)行設(shè)備故障的快速定位與分析。
1）事故描述
裂解裝置某壓縮機(jī)組在某晚 20:40 左右發(fā)生 停車(chē)事故。主操人員第一時(shí)間通過(guò)查看 DCS 系 統(tǒng)，獲得了停車(chē)信號(hào)。技術(shù)人員憑操作經(jīng)驗(yàn)對(duì)事 故原因進(jìn)行了分析，初步認(rèn)定：壓縮機(jī)主密封氣 溫度、壓力降低，導(dǎo)致主密封氣出現(xiàn)帶液現(xiàn)象， 造成壓縮機(jī)密封氣主泄露量增大，引發(fā)聯(lián)鎖停車(chē)， 非壓縮機(jī)本身原因。
2）大數(shù)據(jù)分析結(jié)論 利用系統(tǒng)對(duì)設(shè)備工藝參數(shù)的歷史數(shù)據(jù)進(jìn)行關(guān) 聯(lián)分析發(fā)現(xiàn)，當(dāng)日 15:03 就已開(kāi)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(shè)備停車(chē)。結(jié)果表明，若該平臺(tái)在線運(yùn)行，可提 前5個(gè)小時(shí)發(fā)現(xiàn)異常預(yù)警。
進(jìn)一步分析發(fā)現(xiàn)，壓縮機(jī)的進(jìn)氣溫度、抽氣 溫度、抽氣壓力等工藝參數(shù)在壓縮機(jī)停機(jī)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(chē)事故發(fā)生前的一段時(shí)間內(nèi)，二次密 封氣供給壓力持續(xù)偏低，LP非驅(qū)動(dòng)端主泄漏流量 一直處于非正常波動(dòng)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(shè)備本身故障。
高壓聚乙烯裝置往復(fù)式壓縮機(jī)（201、202）運(yùn) 行工況復(fù)雜，事故易發(fā)，不易監(jiān)測(cè)。某段時(shí)間往 復(fù)式壓縮機(jī)發(fā)生停車(chē)事故，經(jīng)技術(shù)人員事后分析， 確定為壓縮機(jī)的二段出口壓力超高導(dǎo)致聯(lián)鎖停車(chē)。
利用該解決方案對(duì)事故發(fā)生前后的歷史數(shù)據(jù) 進(jìn)行分析，還原了事故過(guò)程。發(fā)現(xiàn)在停車(chē)前 8 天 已出現(xiàn)預(yù)警，通過(guò)預(yù)警特征分析，可以發(fā)現(xiàn)一次 機(jī)一段出口溫度、壓力，二、三段入口壓力以及 增壓機(jī)二段入口壓力等參數(shù)均有明顯變化。
進(jìn)一 步分析發(fā)現(xiàn)一次機(jī)二段入口壓力后續(xù)的兩次增大 是造成停車(chē)的主要原因。進(jìn)一步分析可知，系統(tǒng)在7月4日上午9:00就 出現(xiàn)了預(yù)警特征，7月7日上午10:00現(xiàn)場(chǎng)監(jiān)控系統(tǒng) 發(fā)出報(bào)警信號(hào)，設(shè)備于7月12號(hào)20:40分發(fā)生停車(chē) 事故。如果在7月4日– 7日?qǐng)?bào)警發(fā)生前的72小時(shí)內(nèi) 采取相應(yīng)措施，就有可能有效避免此次停車(chē)事故。
4.2 特點(diǎn)分析
該方案具有以下特點(diǎn)：①使用簡(jiǎn)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(zhǔn)確實(shí)現(xiàn)故障 預(yù)警。②部署便捷。方案規(guī)避了建立機(jī)理模型或 統(tǒng)計(jì)模型，實(shí)施周期短。③應(yīng)用場(chǎng)景多。只要有 實(shí)時(shí)數(shù)據(jù)的地方都可以找到應(yīng)用場(chǎng)景，可以針對(duì) 單臺(tái)設(shè)備，也可以針對(duì)集群設(shè)備、生產(chǎn)過(guò)程、流 體管網(wǎng)。④參數(shù)預(yù)估。提供了一種代替軟儀表的參數(shù)計(jì)算手段。⑤知識(shí)積累。通過(guò)對(duì)異常特征的 標(biāo)注，可以實(shí)現(xiàn)知識(shí)的在線復(fù)現(xiàn)。但方案仍然存 在對(duì)數(shù)據(jù)要求高，模型建立前期需要先進(jìn)行數(shù)據(jù) 清洗，而且業(yè)務(wù)人員要高度參與，才能最終分析 出準(zhǔn)確的結(jié)果等不足之處。
5 結(jié)語(yǔ)
針對(duì)石化企業(yè)動(dòng)設(shè)備運(yùn)行安全隱患主要依靠 人工排查的問(wèn)題，提出了基于大數(shù)據(jù)分析技術(shù)進(jìn) 行預(yù)警預(yù)測(cè)的技術(shù)解決方案并進(jìn)行了探索性驗(yàn)證， 并在生產(chǎn)裝置過(guò)程優(yōu)化、產(chǎn)品質(zhì)量和平穩(wěn)率預(yù)測(cè)， 以及流體管網(wǎng)和參數(shù)定量預(yù)測(cè)方面進(jìn)行了推廣， 具有一定可行性。本次研究實(shí)踐也旨在進(jìn)一步推 進(jìn)大數(shù)據(jù)技術(shù)在石化企業(yè)全領(lǐng)域的應(yīng)用。
