牛啟光，蘇耀東

(中國(guó)石化股份有限公司 齊魯分公司，山東 淄博 255400)

大數(shù)據(jù)是在數(shù)據(jù)獲取、存儲(chǔ)、管理、分析等方面大幅超出傳統(tǒng)數(shù)據(jù)庫軟件能力范圍的數(shù)據(jù)集合，具有海量的數(shù)據(jù)規(guī)模[1]、快速的數(shù)據(jù)流轉(zhuǎn)、多樣的數(shù)據(jù)類型和價(jià)值密度低四大特征[2]。大數(shù)據(jù)在商業(yè)互聯(lián)網(wǎng)領(lǐng)域應(yīng)用廣泛，但在工業(yè)互聯(lián)網(wǎng)領(lǐng)域，特別是石油化工等行業(yè)，如何將海量的實(shí)時(shí)數(shù)據(jù)加以分析利用，為企業(yè)生產(chǎn)創(chuàng)造價(jià)值，是石化信息管理部門關(guān)注的重點(diǎn)。

某石化公司已經(jīng)建立了全面覆蓋的實(shí)時(shí)數(shù)據(jù)庫平臺(tái)。經(jīng)過長(zhǎng)時(shí)間穩(wěn)定運(yùn)行，存儲(chǔ)和積累了大量生產(chǎn)過程數(shù)據(jù)、設(shè)備狀態(tài)監(jiān)測(cè)數(shù)據(jù)和質(zhì)量化驗(yàn)分析數(shù)據(jù)等。但對(duì)工業(yè)數(shù)據(jù)的利用深度不夠，這些數(shù)據(jù)所蘊(yùn)含的信息和價(jià)值沒有被充分挖掘，尚未轉(zhuǎn)化為企業(yè)有效的戰(zhàn)略資源。通過建立企業(yè)級(jí)大數(shù)據(jù)分析平臺(tái)，利用大數(shù)據(jù)分析生產(chǎn)平穩(wěn)率、設(shè)備運(yùn)行狀態(tài)和質(zhì)量預(yù)測(cè)等，旨在提高企業(yè)安全生產(chǎn)運(yùn)行率、故障預(yù)警能力。

1 工業(yè)大數(shù)據(jù)應(yīng)用主要內(nèi)容

根據(jù)該公司信息系統(tǒng)應(yīng)用特點(diǎn)，結(jié)合工業(yè)互聯(lián)網(wǎng)應(yīng)用，探索采用“數(shù)據(jù)+平臺(tái)+應(yīng)用”的架構(gòu)，建立企業(yè)級(jí)大數(shù)據(jù)分析平臺(tái)，實(shí)現(xiàn)兩種功能模式： 一種是在線模式，可實(shí)現(xiàn)生產(chǎn)異常狀態(tài)的“先知先覺”，提前給技術(shù)人員提供運(yùn)行狀態(tài)的走向，幫助快速定位；一種是離線模式，提供數(shù)據(jù)分析工具，幫助技術(shù)人員分析已發(fā)生的異常情況，找出問題產(chǎn)生的原因。該公司通過大數(shù)據(jù)平臺(tái)主要構(gòu)建了動(dòng)設(shè)備智能預(yù)警分析模型和加氫裂化裝置生產(chǎn)過程大數(shù)據(jù)分析模型。

2 動(dòng)設(shè)備智能預(yù)警分析模型

2.1 構(gòu)建范圍

該公司作為大型煉化企業(yè)，擁有A級(jí)轉(zhuǎn)動(dòng)機(jī)組184臺(tái)，為充分發(fā)揮大數(shù)據(jù)技術(shù)優(yōu)勢(shì)，著重選擇數(shù)據(jù)采集條件好的40套關(guān)鍵機(jī)組構(gòu)建智能預(yù)警模型。

建立了能夠反映機(jī)組運(yùn)行狀態(tài)的特征模型，實(shí)現(xiàn)在線實(shí)時(shí)狀態(tài)監(jiān)控和故障預(yù)警。采用人工智能中的監(jiān)督式學(xué)習(xí)方式[3]對(duì)狀態(tài)模型進(jìn)行訓(xùn)練。其中監(jiān)督式學(xué)習(xí)是人工智能中機(jī)器學(xué)習(xí)一個(gè)分類。通過給定的訓(xùn)練數(shù)據(jù)集進(jìn)行自我學(xué)習(xí)，并產(chǎn)生相關(guān)函數(shù)；當(dāng)有新的數(shù)據(jù)時(shí)，可以根據(jù)函數(shù)預(yù)測(cè)結(jié)果。訓(xùn)練集包括輸入和輸出，即特征和目標(biāo)。通過標(biāo)注和模型訓(xùn)練，對(duì)報(bào)警信息進(jìn)行合理化分析和預(yù)警輔助決策，構(gòu)建設(shè)備異常狀況預(yù)警模型，在故障發(fā)生前推送預(yù)警信息，預(yù)防因重大機(jī)組故障造成的非計(jì)劃停車。

2.2 技術(shù)方案

預(yù)警監(jiān)測(cè)是一種專門預(yù)測(cè)系統(tǒng)或設(shè)備是否偏離其預(yù)定軌跡運(yùn)行時(shí)間點(diǎn)的工程方法。在工業(yè)領(lǐng)域用于設(shè)備或生產(chǎn)過程的運(yùn)行穩(wěn)定性監(jiān)測(cè)、設(shè)備故障預(yù)警以及指導(dǎo)裝備的預(yù)防性維護(hù)。采用數(shù)據(jù)驅(qū)動(dòng)，利用基于數(shù)據(jù)的并具有監(jiān)督式學(xué)習(xí)機(jī)制的模型來實(shí)現(xiàn)[4]。具體實(shí)現(xiàn)方法： 利用設(shè)備的歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行高效的數(shù)據(jù)關(guān)聯(lián)特征挖掘和識(shí)別，通過參數(shù)間關(guān)聯(lián)變化的特征準(zhǔn)確地捕捉設(shè)備的異常變化狀態(tài)，并對(duì)設(shè)備進(jìn)行智能化狀態(tài)評(píng)估、運(yùn)行預(yù)警等，提高生產(chǎn)裝置運(yùn)行周期。

2.3 實(shí)現(xiàn)方法

智能預(yù)警分析模型實(shí)現(xiàn)方法如下：

1)確定數(shù)據(jù)源。數(shù)據(jù)是智能預(yù)警系統(tǒng)功能實(shí)現(xiàn)的基礎(chǔ)，數(shù)據(jù)質(zhì)量決定系統(tǒng)分析結(jié)果準(zhǔn)確性。40套機(jī)組分布范圍廣，且每個(gè)廠區(qū)都有自己的DCS，數(shù)據(jù)源質(zhì)量參差不齊。為保證分析結(jié)果準(zhǔn)確性，采用建立專用實(shí)時(shí)數(shù)據(jù)庫的方式，實(shí)現(xiàn)各機(jī)組檢測(cè)數(shù)據(jù)的采集，以保證數(shù)據(jù)采集周期和時(shí)間的一致性。

選取建模對(duì)象及能反映對(duì)象運(yùn)行狀態(tài)的歷史數(shù)據(jù)，選取的時(shí)間最好在半年以上，周期5秒 /次。采用半年時(shí)間的數(shù)據(jù)，基本可以囊括所有的設(shè)備運(yùn)行狀態(tài)，5秒/次的時(shí)間周期也不會(huì)遺漏現(xiàn)場(chǎng)發(fā)生的問題。

智能預(yù)警系統(tǒng)實(shí)時(shí)數(shù)據(jù)庫Infoplus.21采用OPC的方式采集數(shù)據(jù)。通過建立數(shù)據(jù)信息服務(wù)，使用統(tǒng)一的數(shù)據(jù)接口適配器等手段，實(shí)現(xiàn)智能預(yù)警系統(tǒng)軟件與實(shí)時(shí)數(shù)據(jù)庫數(shù)據(jù)通信。

2)選擇模型參數(shù)。選擇能夠反映設(shè)備運(yùn)行狀態(tài)的關(guān)鍵參數(shù)為原則，按照參數(shù)在機(jī)組的監(jiān)測(cè)位置和功能，分設(shè)備參數(shù)和工藝參數(shù)。設(shè)備參數(shù)為機(jī)組本身的監(jiān)測(cè)參數(shù)，工藝參數(shù)則可與設(shè)備參數(shù)模型進(jìn)行比對(duì)，分析同時(shí)間段內(nèi)模型特征分布，明確機(jī)組運(yùn)行狀態(tài)變化是否與工藝參數(shù)變化有關(guān)。

3)數(shù)據(jù)預(yù)處理。預(yù)處理是系統(tǒng)對(duì)采集到的機(jī)組歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)質(zhì)量檢測(cè)，保證模型數(shù)據(jù)源質(zhì)量的必要手段。原則是保證數(shù)據(jù)準(zhǔn)確性、完整性、一致性和有效性，采集時(shí)間一致且數(shù)據(jù)均為浮點(diǎn)數(shù)。數(shù)據(jù)格式整理則是規(guī)范數(shù)值格式、數(shù)據(jù)格式和文檔格式，保證數(shù)據(jù)中不含空值、文本或特殊字符。系統(tǒng)提供線性回歸、均值等方式剔除數(shù)據(jù)中非法字符和數(shù)值，實(shí)現(xiàn)數(shù)據(jù)清洗功能。通過聚類等算法實(shí)現(xiàn)數(shù)據(jù)各參數(shù)的權(quán)重評(píng)估，分析各參數(shù)間關(guān)聯(lián)性和參與度，保證建模數(shù)據(jù)滿足系統(tǒng)需求。

4)搭建模型。使用建模工具完成數(shù)據(jù)上傳、模型參數(shù)設(shè)置、模型訓(xùn)練等工作。

a)數(shù)據(jù)上傳。壓縮機(jī)數(shù)據(jù)預(yù)處理完成后，通過系統(tǒng)功能添加“設(shè)備管理”向?qū)?，設(shè)置系統(tǒng)建模。按照向?qū)?，依次完成設(shè)備參數(shù)設(shè)置、訓(xùn)練數(shù)據(jù)選擇、訓(xùn)練數(shù)據(jù)清洗、訓(xùn)練數(shù)據(jù)上傳的操作，完成模型基本信息配置。根據(jù)用戶使用習(xí)慣配置模型參數(shù)相關(guān)信息，作為模型的唯一標(biāo)識(shí)，如流水線號(hào)、設(shè)備名稱、設(shè)備編號(hào)等。如果文件中存在非法數(shù)據(jù)，系統(tǒng)會(huì)給出三種清洗方式線性回歸、均值、零值，可任選一種清洗完成后再上傳數(shù)據(jù)。

b)模型參數(shù)設(shè)置。數(shù)據(jù)上傳完成后，通過系統(tǒng)“軟件設(shè)備”添加參數(shù)設(shè)置向?qū)?，設(shè)置建模參數(shù)。分別完成訓(xùn)練參數(shù)的權(quán)重分析、權(quán)重分析結(jié)果、名稱設(shè)置、參數(shù)設(shè)置4個(gè)步驟的配置，完成設(shè)備參數(shù)設(shè)定。利用權(quán)重分析功能完成系統(tǒng)對(duì)數(shù)據(jù)文件中每個(gè)參數(shù)的重要程度評(píng)估，可初步判斷各參數(shù)之間的相關(guān)性。系統(tǒng)訓(xùn)練參數(shù)名稱設(shè)置要與用戶使用習(xí)慣保持一致。訓(xùn)練參數(shù)設(shè)置內(nèi)容包括最大值、最小值、報(bào)警閾值、訓(xùn)練精度參數(shù)、是否進(jìn)行建模等。

c)模型訓(xùn)練。壓縮機(jī)組模型參數(shù)設(shè)置完成后，系統(tǒng)自動(dòng)進(jìn)行模型訓(xùn)練，提取建模數(shù)據(jù)特征，完成壓縮機(jī)組建模工作。

5)特征挖掘與模式識(shí)別[5]。通過特征值展示數(shù)據(jù)挖掘及模式識(shí)別結(jié)果，以占比圖、分布總圖、區(qū)域密度等形式展示。

特征模式識(shí)別是對(duì)設(shè)備歷史運(yùn)行狀態(tài)分析及評(píng)估的具體必要手段。用戶通過對(duì)各個(gè)展示界面分析、識(shí)別，可確定建模對(duì)象在該時(shí)間段內(nèi)的運(yùn)行狀態(tài)，辨識(shí)正常、異常狀態(tài)，快速定位異常狀態(tài)引發(fā)的原因和預(yù)警特征，評(píng)估歷史運(yùn)行狀態(tài)。

a)通過特征、類組占比圖，可以分析出每個(gè)特征、類組占比情況及各類組詳細(xì)數(shù)據(jù)情況。

b)通過區(qū)段特征、類組密度圖，可分析壓縮機(jī)組模型每個(gè)區(qū)段內(nèi)的類組密度統(tǒng)計(jì)情況，從而確定各時(shí)間區(qū)段內(nèi)設(shè)備運(yùn)行狀態(tài)變化情況，進(jìn)行故障快速定位。

6)數(shù)據(jù)監(jiān)測(cè)。通過實(shí)時(shí)監(jiān)測(cè)，分析模型的實(shí)時(shí)特征狀態(tài)、異常特征狀態(tài)、無效特征狀態(tài)、實(shí)時(shí)數(shù)據(jù)類組分布圖，實(shí)現(xiàn)對(duì)機(jī)組預(yù)警特征的抓取和識(shí)別，達(dá)到設(shè)備狀態(tài)預(yù)警預(yù)測(cè)的目的。

7)模型再訓(xùn)練。通過分析實(shí)時(shí)特征數(shù)據(jù)人工標(biāo)注所屬設(shè)備狀態(tài)，通過再訓(xùn)練可實(shí)現(xiàn)系統(tǒng)自主學(xué)習(xí)，不斷豐富模型特征庫，完善系統(tǒng)智能預(yù)警機(jī)制。

8)建立集中管控平臺(tái)。集中管理系統(tǒng)模型及監(jiān)測(cè)狀態(tài)，包括預(yù)報(bào)警信息統(tǒng)計(jì)、設(shè)備預(yù)報(bào)警狀態(tài)評(píng)估、不同裝置操作員評(píng)估、預(yù)報(bào)警數(shù)量及優(yōu)先級(jí)評(píng)估等功能。

3 加氫裂化裝置生產(chǎn)過程大數(shù)據(jù)分析模型

充分利用加氫裂化裝置已有數(shù)據(jù)，通過大數(shù)據(jù)挖掘與分析、處理，針對(duì)裝置生產(chǎn)操作系列問題，開發(fā)基于大數(shù)據(jù)的裝置操作分析工具，出具生產(chǎn)操作平穩(wěn)率影響分析、產(chǎn)品質(zhì)量操作影響分析報(bào)告。

3.1 模型架構(gòu)

通過采集裝置生產(chǎn)過程的操作變量、質(zhì)量等數(shù)據(jù)，應(yīng)用傳遞熵、貝葉斯網(wǎng)絡(luò)等相關(guān)機(jī)器學(xué)習(xí)算法開發(fā)分析模型、分析工具，分析操作平穩(wěn)率及產(chǎn)品質(zhì)量的影響因素。主要內(nèi)容包括： 操作平穩(wěn)率影響分析、產(chǎn)品質(zhì)量影響分析、平穩(wěn)率影響分析模型、質(zhì)量影響分析模型、基礎(chǔ)數(shù)據(jù)采集等，加氫裂化裝置生產(chǎn)過程大數(shù)據(jù)分析模型架構(gòu)如圖1所示。

圖1 加氫裂化裝置生產(chǎn)過程大數(shù)據(jù)分析模型架構(gòu)示意

系統(tǒng)采集生產(chǎn)實(shí)時(shí)數(shù)據(jù)、化驗(yàn)分析數(shù)據(jù)、裝置投入產(chǎn)出等數(shù)據(jù)，同時(shí)考慮各異構(gòu)數(shù)據(jù)源之間集成。在實(shí)時(shí)數(shù)據(jù)庫和關(guān)系數(shù)據(jù)庫的集成上，考慮數(shù)據(jù)的同步性、一致性及接口的穩(wěn)定性等。在與實(shí)驗(yàn)室信息系統(tǒng)(LIMS)數(shù)據(jù)集成的過程中，需要考慮LIMS數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)庫與系統(tǒng)自身數(shù)據(jù)庫之間的數(shù)據(jù)一致性以及LIMS多樣性所帶來的接口穩(wěn)定性問題。

3.2 主要技術(shù)路線

3.2.1生產(chǎn)操作平穩(wěn)率分析

針對(duì)引起生產(chǎn)平穩(wěn)率波動(dòng)原因，通過建立加氫裂化工藝平穩(wěn)率相關(guān)性分析模型，進(jìn)行定量、定性分析，生產(chǎn)操作平穩(wěn)率分析技術(shù)架構(gòu)如圖2所示。利用大數(shù)據(jù)技術(shù)，分析生產(chǎn)的高維、海量數(shù)據(jù)，通過算法模型揭示操作波動(dòng)的原因，并以分析結(jié)果為導(dǎo)向，給出定向、有效的改善建議。在平穩(wěn)率分析方面采用了收斂交叉映射等算法[6]來檢測(cè)變量之間因果關(guān)系，從裝置操作大數(shù)據(jù)中提取因果關(guān)系信息，建立影響關(guān)鍵操作變量的因果關(guān)系鏈路圖[7]。當(dāng)裝置出現(xiàn)異常時(shí)，技術(shù)人員對(duì)可能引起異常的變量進(jìn)行因果分析，判斷造成平穩(wěn)率異常的原因。

3.2.2產(chǎn)品質(zhì)量分析

針對(duì)產(chǎn)品質(zhì)量影響因素眾多，采用傳遞熵算法[8]，通過計(jì)算變量之間的信息量傳遞而得到操作變量與質(zhì)量數(shù)據(jù)之間的因果關(guān)系，并計(jì)算影響權(quán)重值，幫助操作員分析產(chǎn)品質(zhì)量異常的原因，給出操作建議。與此同時(shí)，將影響產(chǎn)品質(zhì)量的因素分析結(jié)果與平穩(wěn)率分析結(jié)果相結(jié)合，可以進(jìn)一步為提高產(chǎn)品質(zhì)量合格率提供操作指導(dǎo)，產(chǎn)品質(zhì)量分析技術(shù)架構(gòu)如圖3所示。

圖2 生產(chǎn)操作平穩(wěn)率分析技術(shù)架構(gòu)示意

圖3 產(chǎn)品質(zhì)量分析技術(shù)架構(gòu)示意

4 應(yīng)用成效與效益計(jì)算

4.1 應(yīng)用成效

采用工業(yè)大數(shù)據(jù)分析，成效有以下兩方面：

1)實(shí)現(xiàn)了機(jī)組在線運(yùn)行狀態(tài)監(jiān)控、異常問題快速定位以及故障狀態(tài)提前預(yù)警，為機(jī)組異常原因分析及預(yù)知性維修提供強(qiáng)有力的數(shù)據(jù)支撐，可有效提升該公司大機(jī)組運(yùn)行管理的技術(shù)水平。對(duì)造成平穩(wěn)性異常的關(guān)鍵因素分析挖掘，并提供改進(jìn)方法，幫助技術(shù)人員在裝置操作平穩(wěn)率和產(chǎn)品質(zhì)量出現(xiàn)異常波動(dòng)時(shí)，快速定位異常操作原因、做出精確調(diào)整，從而可顯著提高裝置運(yùn)行平穩(wěn)率、降低產(chǎn)品不合格率。

2)通過神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)建立樣本數(shù)據(jù)與質(zhì)量特征或性能指標(biāo)的關(guān)聯(lián)關(guān)系[9]，通過不斷豐富樣本數(shù)據(jù)實(shí)現(xiàn)自學(xué)習(xí)，使數(shù)據(jù)模型得到優(yōu)化和豐富。針對(duì)數(shù)據(jù)本身的特性進(jìn)行高維度關(guān)聯(lián)性分析[10]以快速挖掘數(shù)據(jù)中的特征模式，適應(yīng)性強(qiáng)，可滿足設(shè)備健康體檢、故障預(yù)警預(yù)測(cè)、工藝過程優(yōu)化、工藝參數(shù)精準(zhǔn)預(yù)測(cè)和產(chǎn)品質(zhì)量管控等多場(chǎng)景應(yīng)用需求，對(duì)于機(jī)理模型難以解決的問題，工業(yè)大數(shù)據(jù)分析提供了創(chuàng)新性的解決方案。

4.2 效益計(jì)算

動(dòng)設(shè)備預(yù)警分析模型和生產(chǎn)過程大數(shù)據(jù)分析模型應(yīng)用于該公司40臺(tái)關(guān)鍵機(jī)組上，實(shí)現(xiàn)機(jī)組狀態(tài)的實(shí)時(shí)監(jiān)控、故障的提前預(yù)警。2019年該公司塑料廠高壓裝置壓縮機(jī)組非計(jì)劃故障停機(jī)，系統(tǒng)發(fā)出預(yù)警信號(hào)，較其他監(jiān)控系統(tǒng)發(fā)生故障報(bào)警信號(hào)提前了8 d，由于提前采取相應(yīng)措施，降低了停機(jī)帶來的經(jīng)濟(jì)損失。

2019年6月，在加氫裂化裝置分餾塔塔頂溫度出現(xiàn)異常波動(dòng)以及液化氣、C5指標(biāo)出現(xiàn)異常超標(biāo)時(shí)，幫助技術(shù)人員快速分析異常原因，并提供了操作指導(dǎo)，有效保證了裝置的穩(wěn)定運(yùn)行和產(chǎn)品質(zhì)量穩(wěn)定。根據(jù)車間2019年技術(shù)月報(bào)，加氫裂化裝置2019年累積進(jìn)料1.5 Mt，累積能耗約855 MJ/t。實(shí)施加氫裂化大數(shù)據(jù)分析后，能耗降低了0.8%，節(jié)省蒸汽約3.2 kt/a，提高經(jīng)濟(jì)效益約人民幣28萬元/年。

實(shí)現(xiàn)了加氫裂化裝置石腦油終餾點(diǎn)質(zhì)量實(shí)時(shí)預(yù)測(cè)，其中石腦油折算收率預(yù)估提高了0.16%。根據(jù)裝置加工能力約1.4 Mt/a計(jì)算，預(yù)估增加效益約22萬元/年。同時(shí)精確的軟測(cè)量可為操作員提供實(shí)時(shí)參考，可適當(dāng)降低化驗(yàn)頻次，降低化驗(yàn)人員工作量。

5 結(jié)束語

在設(shè)備管理方面，利用數(shù)據(jù)預(yù)警技術(shù)，建立大數(shù)據(jù)設(shè)備和工藝模型，實(shí)時(shí)發(fā)現(xiàn)設(shè)備運(yùn)行的不穩(wěn)定狀態(tài)，幫助技術(shù)人員分析已發(fā)生的故障，找出故障原因，對(duì)未發(fā)生異常的設(shè)備，給予預(yù)警，幫助技術(shù)人員快速定位，提高了公司設(shè)備管理水平。

在生產(chǎn)工藝管理方面，通過對(duì)加氫裂化裝置、第四常減壓裝置實(shí)時(shí)數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析，幫助技術(shù)人員在裝置操作平穩(wěn)性和產(chǎn)品質(zhì)量出現(xiàn)異常波動(dòng)時(shí)，能快速定位異常操作原因、做出精確調(diào)整，為生產(chǎn)裝置的安全運(yùn)行提供了保障。