(北京郵電大學(xué)國(guó)際學(xué)院，北京 100876)

近年來，石油化工工業(yè)向大型化、自動(dòng)化、智能化和低能耗等方向發(fā)展。然而，一旦生產(chǎn)系統(tǒng)出現(xiàn)故障，輕則導(dǎo)致整個(gè)設(shè)備或系統(tǒng)運(yùn)行癱瘓，影響企業(yè)的正常生產(chǎn)和經(jīng)濟(jì)效益;重則會(huì)發(fā)生人員傷亡事件，給企業(yè)帶來負(fù)面影響。因此，如何實(shí)現(xiàn)石化工業(yè)生產(chǎn)過程和運(yùn)行設(shè)備的實(shí)時(shí)監(jiān)測(cè)與狀態(tài)評(píng)估，排除潛在的故障，預(yù)防重大事故發(fā)生，已成為當(dāng)前石油化工領(lǐng)域亟需解決的問題之一[1]。

在傳統(tǒng)石化生產(chǎn)過程中，普遍使用一些監(jiān)控設(shè)備來監(jiān)控生產(chǎn)流程和保障生產(chǎn)安全，但其中大多數(shù)是傳統(tǒng)的工業(yè)控制系統(tǒng)，只對(duì)已經(jīng)發(fā)生的生產(chǎn)故障進(jìn)行閾值報(bào)警，而不能在故障發(fā)生的苗頭階段或者故障發(fā)生的早期階段，發(fā)現(xiàn)生產(chǎn)流程中的異常，進(jìn)行預(yù)測(cè)報(bào)警。

隨著科學(xué)技術(shù)的進(jìn)步，尤其是計(jì)算機(jī)和信息管理技術(shù)的飛速發(fā)展，石油化工工業(yè)生產(chǎn)設(shè)備中越來越多的變量能夠得到測(cè)量、處理和監(jiān)控。在此背景下，設(shè)計(jì)并實(shí)現(xiàn)一套基于大數(shù)據(jù)的加氫高壓換熱器運(yùn)行狀態(tài)評(píng)估系統(tǒng)，通過采集歷史數(shù)據(jù)建立監(jiān)控模型，充分挖掘隱藏在過程數(shù)據(jù)中的信息，分析生產(chǎn)過程的運(yùn)行情況，通過運(yùn)行狀態(tài)評(píng)估實(shí)現(xiàn)輔助故障預(yù)警的目標(biāo)。

1 大數(shù)據(jù)分析技術(shù)基礎(chǔ)

石化工業(yè)設(shè)備運(yùn)行狀態(tài)評(píng)估的理論研究來源于1971年Beard博士所提出的用解析冗余代替硬件冗余的理論[2]。隨著檢測(cè)濾波器、廣義似然比等運(yùn)行狀態(tài)評(píng)估理論算法被提出，運(yùn)行狀態(tài)評(píng)估理論和應(yīng)用得到了快速發(fā)展。

工業(yè)運(yùn)行狀態(tài)評(píng)估方法主要分成三類：基于數(shù)學(xué)模型的方法、基于過程知識(shí)的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法[3]。近年來，現(xiàn)代工業(yè)不斷向大型化、復(fù)雜化方向發(fā)展。在當(dāng)今的大型系統(tǒng)中， 一方面， 基于數(shù)學(xué)模型的方法不可能獲得復(fù)雜機(jī)理模型的每個(gè)細(xì)節(jié)；另一方面， 基于過程知識(shí)的監(jiān)控方法需要很多復(fù)雜高深的專業(yè)知識(shí)以及長(zhǎng)期積累的經(jīng)驗(yàn), 大大超出一般工程師所掌握的知識(shí)范圍， 因此不易操作。數(shù)據(jù)驅(qū)動(dòng)方法不依賴精確的數(shù)學(xué)模型，僅依賴工業(yè)生產(chǎn)中所獲得的歷史數(shù)據(jù),來建立監(jiān)控模型，進(jìn)而得到了廣泛關(guān)注。目前， 多數(shù)企業(yè)每天都產(chǎn)生和存儲(chǔ)較多運(yùn)行、設(shè)備和過程監(jiān)測(cè)數(shù)據(jù)， 這些數(shù)據(jù)分為正常條件下和在特定故障條件下收集的數(shù)據(jù)， 包含著過程中各方面的信息，這為基于數(shù)據(jù)驅(qū)動(dòng)的運(yùn)行狀態(tài)評(píng)估方法提供了基礎(chǔ)。

基于數(shù)據(jù)驅(qū)動(dòng)的運(yùn)行狀態(tài)評(píng)估方法主要有3種：基于統(tǒng)計(jì)分析的方法、基于信號(hào)分析的方法以及基于定量知識(shí)的數(shù)據(jù)分析方法。其中，基于統(tǒng)計(jì)分析的方法有:基于控制圖法的運(yùn)行狀態(tài)評(píng)估技術(shù),基于PCA(主元分析法)的運(yùn)行狀態(tài)評(píng)估技術(shù)和基于PLS(全潛結(jié)構(gòu)投影法)的運(yùn)行狀態(tài)評(píng)估技術(shù)等[4-6]?；谛盘?hào)分析的方法主要有：基于小波變換的運(yùn)行狀態(tài)評(píng)估方法、基于S變換的運(yùn)行狀態(tài)評(píng)估方法等[7]?；诙恐R(shí)的方法不需要定量數(shù)學(xué)模型，利用人工智能技術(shù)實(shí)現(xiàn)運(yùn)行狀態(tài)評(píng)估，典型代表有基于人工神經(jīng)網(wǎng)絡(luò)的方法[8]，基于支持向量機(jī)的方法和基于模糊邏輯的方法[9-10]。雖然基于人工神經(jīng)網(wǎng)絡(luò)的方法在很多領(lǐng)域取得了較好的應(yīng)用成果，但是在石化領(lǐng)域，面對(duì)數(shù)據(jù)維度多、種類單一及用于訓(xùn)練的故障數(shù)據(jù)少等問題，基于統(tǒng)計(jì)分析的方法要優(yōu)于神經(jīng)網(wǎng)絡(luò)的方法。

2 高壓換熱器運(yùn)行狀態(tài)評(píng)估

基于大數(shù)據(jù)技術(shù)的加氫高壓換熱器運(yùn)行狀態(tài)評(píng)估方法，主要從模型開發(fā)與系統(tǒng)建設(shè)兩方面入手。(1)模型開發(fā)：主要基于統(tǒng)計(jì)分析找出穩(wěn)定狀態(tài)下的系統(tǒng)參數(shù)分布，并對(duì)需要評(píng)估的時(shí)間點(diǎn)逐一與健康模型對(duì)比，最終基于運(yùn)行狀態(tài)評(píng)估算法估算出系統(tǒng)健康分值；(2)系統(tǒng)建設(shè)：主要搭建出滿足數(shù)據(jù)采集存儲(chǔ)、分析及展示的數(shù)據(jù)分析鏈路，解決工業(yè)數(shù)據(jù)量大、周期性作業(yè)的問題。

2.1 大數(shù)據(jù)模型開發(fā)

大數(shù)據(jù)模型主要基于統(tǒng)計(jì)方法進(jìn)行運(yùn)行狀態(tài)評(píng)估。在運(yùn)行狀態(tài)評(píng)估之前，需要解決工業(yè)數(shù)據(jù)中因人為操作而造成的噪聲數(shù)據(jù)以及工業(yè)場(chǎng)景下大量傳感器產(chǎn)生不相關(guān)維度數(shù)據(jù)等問題。在運(yùn)行狀態(tài)評(píng)估中，需要解決現(xiàn)有的數(shù)學(xué)模型輸出指標(biāo)不直觀，沒有考慮到數(shù)據(jù)時(shí)間相關(guān)性等問題。

2.1.1 自動(dòng)化噪聲區(qū)間檢測(cè)算法

針對(duì)人為操作、其他點(diǎn)位故障造成的傳感器數(shù)據(jù)波動(dòng)，使用基于滑動(dòng)窗口檢測(cè)的自動(dòng)化噪聲區(qū)間檢測(cè)算法自動(dòng)診斷出故障區(qū)間，并通過與日志文件對(duì)照的方法，區(qū)分出噪聲區(qū)間和真正關(guān)注的故障區(qū)間。

故障區(qū)間檢測(cè)首先通過一個(gè)滑動(dòng)窗口算法進(jìn)行判斷，如圖1所示。對(duì)于每一個(gè)檢測(cè)長(zhǎng)度L1的區(qū)間，取前后一段時(shí)間L2和L3作為參考區(qū)間，對(duì)L1，L2和L3區(qū)間進(jìn)行統(tǒng)計(jì)指標(biāo)計(jì)算，最后對(duì)比L1和L2，L3的統(tǒng)計(jì)指標(biāo)之比，如果大于閾值，則認(rèn)為該驗(yàn)證區(qū)間異常，記錄該異常區(qū)間后，整個(gè)窗口向后滑動(dòng)L1步長(zhǎng)。在使用滑動(dòng)區(qū)間檢測(cè)出異常區(qū)間后，通過與操作日志及運(yùn)行日志聯(lián)合分析，確定由泄漏導(dǎo)致的異常和人為操作造成的異常。清除噪聲數(shù)據(jù)，從而避免噪聲數(shù)據(jù)對(duì)后續(xù)建模造成影響。

圖1 噪聲檢測(cè)滑動(dòng)區(qū)間示意

2.1.2 皮爾森系數(shù)的參數(shù)選擇算法

針對(duì)采集的傳感器數(shù)據(jù)維度高、大量參數(shù)與故障無關(guān)的問題，采用皮爾森系數(shù)的相關(guān)參數(shù)選擇算法挑選與故障相關(guān)的維度作為模型輸入。皮爾森系數(shù)描述兩個(gè)隨機(jī)變量的相關(guān)程度，取值在-1至1之間，兩個(gè)隨機(jī)變量的相關(guān)系數(shù)越接近-1或1即表明相關(guān)性越大，接近0即表示相關(guān)性小，公式描述如下：

該系統(tǒng)針對(duì)采集的122維參數(shù)算法,首先確定與泄漏故障直接相關(guān)的換熱器管口壓力、溫度以及瞬時(shí)流量三維關(guān)鍵參數(shù)，并計(jì)算剩余119維數(shù)據(jù)與關(guān)鍵參數(shù)的皮爾森相關(guān)系數(shù)絕對(duì)值，將相關(guān)系數(shù)絕對(duì)值按照大小排列，并取總體相關(guān)系數(shù)絕對(duì)值貢獻(xiàn)的前90%作為相關(guān)參數(shù)，最終得到22維與故障緊密相關(guān)的參數(shù)。

2.1.3 主成分分析的運(yùn)行狀態(tài)評(píng)估算法

該算法首先基于主成分分析對(duì)模型輸入進(jìn)行分解，并通過HotellingT2和Q統(tǒng)計(jì)檢驗(yàn)方法進(jìn)行健康診斷。但僅使用統(tǒng)計(jì)檢驗(yàn)方法存在兩個(gè)缺點(diǎn)：(1)HotellingT2和Q是兩個(gè)獨(dú)立的指標(biāo)，當(dāng)兩個(gè)指標(biāo)出現(xiàn)“一高一低”時(shí)，無法直接斷定系統(tǒng)健康狀況；(2)HotellingT2和Q僅僅檢驗(yàn)了特定某一個(gè)時(shí)刻的系統(tǒng)指標(biāo)分布，沒有從時(shí)間上考慮系統(tǒng)變化的情況，因此，需對(duì)統(tǒng)計(jì)檢驗(yàn)結(jié)果進(jìn)一步分析。綜合當(dāng)天健康指標(biāo)波動(dòng)值和歷史健康值水平，提出健康診斷算法，整體算法流程見圖2。

圖2 運(yùn)行狀態(tài)評(píng)估算法流程

主元分析法(PCA)又稱為主成分分析法，是目前主要的過程工業(yè)控制故障檢測(cè)與診斷方法。PCA的主要思想是將高維度空間轉(zhuǎn)化為低維度空間，并盡可能保留高維度的信息。假設(shè)當(dāng)前數(shù)據(jù)集X包含了m個(gè)維度，n個(gè)時(shí)間點(diǎn)的觀測(cè)值，用矩陣表示如下。

通過變換矩陣P，可將矩陣X線性變換為得分矩陣T，表示如下：

在得分矩陣T中，T的列向量為得分向量，也稱作主成分；P稱為負(fù)載矩陣，P的列向量稱為負(fù)載向量。負(fù)載矩陣可以通過X的協(xié)方差矩陣特征分解得到。假設(shè)樣本矩陣X的協(xié)方差矩陣為：

由于樣本矩陣的協(xié)方差矩陣是一個(gè)方陣，對(duì)協(xié)方差矩陣進(jìn)行特征分解即可得到特征向量p1p2…pm以及對(duì)應(yīng)特征值λ1λ2…λm，特征分解如下：

式中:P=[p1p2…pm]即為所求負(fù)載矩陣P，且P為單位正交矩陣，即有下式成立：

PPT=I

從而不難得出得分矩陣T：

T=XP

最終可將矩陣X分解為如下兩個(gè)部分：

在對(duì)數(shù)據(jù)集X進(jìn)行了主成分分析后，即得到了數(shù)據(jù)模型的數(shù)據(jù)分布。統(tǒng)計(jì)學(xué)上，可以通過建立統(tǒng)計(jì)量指標(biāo)的假設(shè)檢驗(yàn)來判斷當(dāng)前過程是否符合模型數(shù)據(jù)分布。在PCA的假設(shè)檢驗(yàn)中，通常通過HotellingT2和Q兩個(gè)統(tǒng)計(jì)量進(jìn)行假設(shè)檢驗(yàn)。其中，HotellingT2統(tǒng)計(jì)量表明每個(gè)待檢驗(yàn)數(shù)據(jù)在變化趨勢(shì)和幅度上實(shí)際偏離模型的程度，可以通過計(jì)算檢驗(yàn)數(shù)據(jù)在主元子空間的投影偏離程度得出;Q表明該時(shí)刻待檢驗(yàn)數(shù)據(jù)到模型空間的距離，可以通過計(jì)算待檢驗(yàn)數(shù)據(jù)在殘差空間的投影符合程度得出，其值越大，表示當(dāng)前檢驗(yàn)數(shù)據(jù)越不符合主元模型。

第i時(shí)刻觀測(cè)數(shù)據(jù)的HotellingT2統(tǒng)計(jì)量計(jì)算公式為：

第i時(shí)刻觀測(cè)數(shù)據(jù)Xi的Q統(tǒng)計(jì)量計(jì)算公式為：

對(duì)于每個(gè)觀測(cè)點(diǎn)數(shù)據(jù)，通過計(jì)算HotelingT2和Q值，可以定量表示觀測(cè)點(diǎn)與主模型的偏離程度以及與主模型的變化趨勢(shì),也可以表示主模型變化幅度與主模型的偏離程度。

基于PCA,HotellingT2和Q檢驗(yàn)得到每個(gè)時(shí)刻點(diǎn)的指標(biāo),并未考慮歷史數(shù)據(jù)和多指標(biāo)存在潛在不一致性的問題。針對(duì)上述問題，該算法對(duì)HotellingT2和Q計(jì)算得到的統(tǒng)計(jì)量進(jìn)行進(jìn)一步處理。首先，該算法將HotellingT2值以及Q值從[0,+∞)映射至[0,100]，對(duì)于任意時(shí)刻，對(duì)健康值進(jìn)行映射的計(jì)算公式如下：

式中：M是健康閾值，對(duì)于大于該閾值的HotellingT2和Q值，通過類sigmoid函數(shù)進(jìn)行平滑，分別計(jì)算出映射值，通過加權(quán)得到綜合映射值。綜合映射值計(jì)算公式如下：

g(x)=λggT2(x)+(1-λg)gQ(x)

對(duì)于健康的計(jì)算，該算法還考慮了一天內(nèi)健康狀況值的方差帶來的影響，計(jì)算公式如下：

his(x)=g(x)-α·std

式中：x是當(dāng)前時(shí)刻的輸入值，std是近一天內(nèi)健康狀況的標(biāo)準(zhǔn)差，α是權(quán)重系數(shù)。

為了使系統(tǒng)對(duì)健康狀況的評(píng)估更加謹(jǐn)慎，增加了健康值平滑策略，計(jì)算公式如下：

health(x)=λ·his(xt)+(1-λ)·his(xt-1),his(xt)>his(xt-1)

his(xt),otherwise

式中：health(x)是最終分?jǐn)?shù)，his(xt)是當(dāng)前觀測(cè)時(shí)刻健康值，his(xt-1)是前一個(gè)觀測(cè)時(shí)刻的健康值，λ是權(quán)重系數(shù)。

在經(jīng)過了平滑策略后，系統(tǒng)對(duì)健康的評(píng)估分?jǐn)?shù)趨于“出現(xiàn)異?？焖偎p，異常減輕緩慢恢復(fù)”的狀態(tài)，有助于現(xiàn)場(chǎng)人員謹(jǐn)慎關(guān)注系統(tǒng)狀況。

2.2 大數(shù)據(jù)系統(tǒng)建設(shè)

大數(shù)據(jù)系統(tǒng)架構(gòu)如圖3所示。該架構(gòu)主要分為數(shù)據(jù)存儲(chǔ)采集子系統(tǒng)、數(shù)據(jù)調(diào)度分析子系統(tǒng)和數(shù)據(jù)查詢展示子系統(tǒng)。其中，數(shù)據(jù)采集存儲(chǔ)子系統(tǒng)主要負(fù)責(zé)數(shù)據(jù)源獲取及持久化；數(shù)據(jù)調(diào)度分析子系統(tǒng)是大數(shù)據(jù)模塊的實(shí)現(xiàn)核心，主要負(fù)責(zé)基于原始數(shù)據(jù)的系統(tǒng)運(yùn)行狀態(tài)評(píng)估分析；數(shù)據(jù)展示子系統(tǒng)主要負(fù)責(zé)讀取分析結(jié)果，為現(xiàn)場(chǎng)人員提供可視化的系統(tǒng)評(píng)估呈現(xiàn)。

圖3 大數(shù)據(jù)系統(tǒng)架構(gòu)

2.2.1 數(shù)據(jù)采集存儲(chǔ)子系統(tǒng)

(1)數(shù)據(jù)采集模塊：該模塊的主要功能是周期性地從各種異構(gòu)的數(shù)據(jù)庫(kù)讀數(shù)據(jù)。該模塊以時(shí)間為關(guān)鍵字，合并多行數(shù)據(jù)，并通過HTTP請(qǐng)求將傳感器采集數(shù)據(jù)發(fā)送給Hbase代理服務(wù)器。

(2)Hbase代理模塊：該模塊為其他模塊提供操作Hbase的RESTful的HTTP接口，并進(jìn)行身份驗(yàn)證。在寫入Hbase時(shí)，Hbase模塊會(huì)對(duì)寫入數(shù)據(jù)進(jìn)行預(yù)處理，以符合平臺(tái)數(shù)據(jù)格式規(guī)范。在讀Hbase數(shù)據(jù)時(shí)，Hbase代理模塊直接向Hbase請(qǐng)求數(shù)據(jù)結(jié)果。

(3)Hbase數(shù)據(jù)庫(kù)：HBase是一個(gè)分布式的、面向列的數(shù)據(jù)庫(kù)。使用Hbase對(duì)數(shù)據(jù)進(jìn)行按列存儲(chǔ)，并按時(shí)間戳存儲(chǔ)，能有效應(yīng)對(duì)加氫大數(shù)據(jù)按時(shí)間存儲(chǔ)、參數(shù)指標(biāo)多的特點(diǎn)。

2.2.2 數(shù)據(jù)調(diào)度分析子系統(tǒng)

(1)分析模塊：基于大數(shù)據(jù)模型，將數(shù)據(jù)處理流程抽象為數(shù)據(jù)預(yù)處理與清洗、健康模型生成和健康數(shù)據(jù)分?jǐn)?shù)計(jì)算等3個(gè)計(jì)算任務(wù)。每個(gè)計(jì)算任務(wù)基于Hbase作為數(shù)據(jù)源，對(duì)相應(yīng)的大數(shù)據(jù)模型進(jìn)行實(shí)現(xiàn)。

(2)調(diào)度模塊：對(duì)于周期性采集的原始數(shù)據(jù)，先后執(zhí)行預(yù)處理與清洗、健康分?jǐn)?shù)計(jì)算等任務(wù)，并按照生產(chǎn)需要，執(zhí)行健康模型生成計(jì)算任務(wù)，更新系統(tǒng)健康模型。

2.2.3 數(shù)據(jù)展示查詢子系統(tǒng)

數(shù)據(jù)展示查詢子系統(tǒng)主要負(fù)責(zé)獲取下層模塊數(shù)據(jù)，進(jìn)行健康狀況展示。數(shù)據(jù)展示子系統(tǒng)包含數(shù)據(jù)展示模塊，主要基于Hbase讀入特定時(shí)刻系統(tǒng)健康狀況，實(shí)現(xiàn)可視化展示。

3 工業(yè)應(yīng)用和經(jīng)濟(jì)效益分析

3.1 工業(yè)應(yīng)用

加氫高壓換熱器腐蝕預(yù)警系統(tǒng)開發(fā)完成后，在2017年3月開始在中國(guó)石化某公司2號(hào)柴油加氫裝置上運(yùn)行。該系統(tǒng)在2017年5月17日對(duì)2號(hào)柴油加氫裝置發(fā)出腐蝕告警。通過對(duì)該系統(tǒng)腐蝕評(píng)估模型分析，定位了故障時(shí)間和位置，提醒企業(yè)提前進(jìn)行處理。2017年5月23日，該裝置出現(xiàn)泄漏，與預(yù)估時(shí)間非常接近。泄漏設(shè)備拆解后發(fā)現(xiàn)，泄漏位置、腐蝕類型與評(píng)估結(jié)果相符合。

3.2 經(jīng)濟(jì)效益分析

該預(yù)警系統(tǒng)的直接經(jīng)濟(jì)效益主要來自于減少非計(jì)劃停工和減緩換熱器腐蝕等方面。

在減少非計(jì)劃停工方面，按照每年減少一次非計(jì)劃停工計(jì)算，可產(chǎn)生經(jīng)濟(jì)效益約500萬元RMB；在減輕換熱器腐蝕進(jìn)而節(jié)約設(shè)備更新費(fèi)用方面，預(yù)計(jì)換熱器使用壽命可由1.2年提高至4年，一個(gè)檢修周期可節(jié)約更新費(fèi)用約800萬元RMB。

4 結(jié) 論

(1)針對(duì)高壓換熱器的故障預(yù)警，探討了自動(dòng)化異常區(qū)間檢測(cè)的滑動(dòng)窗口算法；針對(duì)石油化工系統(tǒng)傳感器多，待分析參數(shù)維度高的特點(diǎn)，提出了基于關(guān)鍵參數(shù)的皮爾森相關(guān)系數(shù)選擇方法進(jìn)行特征選擇。

(2)使用基于PCA的統(tǒng)計(jì)檢驗(yàn)方法對(duì)系統(tǒng)健康狀況進(jìn)行評(píng)估，并針對(duì)傳統(tǒng)統(tǒng)計(jì)檢驗(yàn)方法評(píng)價(jià)指標(biāo)不一致、未考慮健康數(shù)據(jù)事件相關(guān)性的問題，設(shè)計(jì)了一套運(yùn)行狀態(tài)評(píng)估算法，能更直觀、全面地評(píng)估系統(tǒng)健康狀況。

(3)基于大數(shù)據(jù)技術(shù)對(duì)高壓換熱器的運(yùn)行狀態(tài)進(jìn)行評(píng)估，比傳統(tǒng)方法有較大優(yōu)勢(shì)，能更準(zhǔn)確地掌握該系統(tǒng)運(yùn)行狀況，對(duì)故障預(yù)警有積極意義，從而降低事故發(fā)生率，提升系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益。