李斌，馬斌

（中國石油蘭州石化公司研究院，甘肅 蘭州 730060）

1 背景介紹

煉化企業(yè)作為高危生產(chǎn)行業(yè)，設備種類繁多復雜，操作條件變化多樣，近幾年來企業(yè)安全事故多發(fā)，直接影響到企業(yè)的經(jīng)濟效益與社會責任。通過對中國石油煉化分公司2015～2018 年煉化裝置非計劃停車次數(shù)的統(tǒng)計分析，因機械故障造成的裝置停車次數(shù)是最多的。其中，機械故障中關鍵機組事故較多，影響最大，后果也最為嚴重，引發(fā)的裝置非計劃停車事故尤為突出。所以尋找一種可以保障生產(chǎn)裝置長周期運行的設備健康管理方法成為了企業(yè)對設備維護管理的新策略。

雖然大型關鍵機組目前都安裝有狀態(tài)監(jiān)測和過程控制系統(tǒng)，但各系統(tǒng)間相互獨立，缺乏聯(lián)通和集成機制，致使各監(jiān)測參數(shù)都只能片面、孤立的反映設備某一部件或某一方面的狀態(tài)，造成操作人員缺乏判斷設備整體運行狀態(tài)的依據(jù)，缺乏預測設備未來劣化趨勢的手段，潛在的事故威脅未得到有效預警。因此，充分整合、利用煉化大型關鍵機組生產(chǎn)運行過程中產(chǎn)生的多源異構監(jiān)測數(shù)據(jù)，形成機組健康大數(shù)據(jù)集成平臺，并以此建立能夠有效預測設備未來劣化趨勢的預測預警模型，開展設備健康管理十分必要。

據(jù)統(tǒng)計，設備健康管理與故障診斷、預測技術不僅能降低事故發(fā)生的概率，還能節(jié)約維修工時與維修成本，為裝置長周期安全運行提供基礎保障。本文針對煉化企業(yè)催化裂化裝置的3 種典型關鍵設備：煙氣輪機、汽輪機、軸流式壓縮機，建立關鍵機組健康感知模型，并形成關鍵機組從健康感知到預測預警的自動診斷體系。從理論創(chuàng)新和實際推廣上論證了大數(shù)據(jù)分析和機器學習在煉化大型關鍵設備機組健康模型開發(fā)應用上的巨大價值。

2 設備健康模型設計

2.1 基于數(shù)據(jù)模型分析的方法

基于數(shù)據(jù)模型分析的方法是近些年普遍用于大型設備故障診斷領域所研究采用的一種方法。傳統(tǒng)的設備故障模型是在基于設備機理的精確數(shù)學模型的基礎上建立的能夠表征故障性能的模型，這種機理建模方式對于不同型號的設備沒有通用性，而一旦設備發(fā)生了零件變化或者工藝變化或者工況變化或者其他影響了因果關系的變化，模型就要推倒重建。這樣的建模方式顯然不適合工業(yè)系統(tǒng)復雜的設備種類、復雜的工藝環(huán)境以及千變?nèi)f化的工況，所以用機理建模分析設備狀態(tài)是不夠高效、不夠精確的。而基于數(shù)據(jù)建模的分析方法最大的優(yōu)勢就在于不用建立精確的設備機理數(shù)學模型，通過從機組運行的海量數(shù)據(jù)中選取典型狀態(tài)模式，建立設備狀態(tài)模型。本研究的大數(shù)據(jù)分析算法“超球建?！狈绞骄褪沁@樣一種機器學習的建模方式，利用設備各個運行參數(shù)維度的相關性來定義這個設備系統(tǒng)的可靠性，通過對數(shù)據(jù)的分析、對比，預測出設備的健康程度，并錨定出影響健康狀態(tài)的各個參數(shù)點，從而大大減輕了運維人員的分析壓力，有效提高了設備的運維管理效率，并保證了設備的安全可靠性，避免了非計劃停機的發(fā)生。

2.2 設備健康及故障預測流程

本研究主要應用基于數(shù)據(jù)模型分析的方法來完成故障診斷工作。其流程為：

(1)在實時數(shù)據(jù)庫中提取煙氣輪機、汽輪機、壓縮機工藝性能參數(shù)數(shù)據(jù)，如：壓力、溫度、流量、液位、閥位等；提取機組狀態(tài)監(jiān)測性能參數(shù)數(shù)據(jù)，如：轉速、振動、位移、軸溫、電流等。對機組相關測點進行監(jiān)測，并獲取設備多工況歷史數(shù)據(jù)。

(2)設備運行數(shù)據(jù)清洗，收集和整理機組測點位號，從實時數(shù)據(jù)中導出相關測點位號數(shù)據(jù)，根據(jù)設備維修記錄和設備報警限值清洗數(shù)據(jù)，以獲得該設備在正常工況下的運行數(shù)據(jù)。

(3)利用信號處理或者其他特征提取方法提取信號的本質特征以供診斷。

(4)由于實際生產(chǎn)中難以獲取設備各類故障數(shù)據(jù)和同故障的不同嚴重程度的大量數(shù)據(jù)，所以采用清洗后正常工況的設備運行數(shù)據(jù)作為一類數(shù)據(jù)，用于訓練一個最小超球面，把正常工況的數(shù)據(jù)包裹起來以供后續(xù)數(shù)據(jù)診斷。

(5)利用機器學習算法，經(jīng)過關聯(lián)相似性計算，構建設備過程對象動態(tài)狀態(tài)模型，接入實時數(shù)據(jù)與數(shù)據(jù)模型特征值組比較計算，進行設備潛在故障早期預警。

2.3 機器學習及超球算法

超球建模技術是針對工業(yè)時序數(shù)據(jù)的機器學習算法，通過工業(yè)設備的海量時序運行數(shù)據(jù)，建立設備運行狀態(tài)的感知模型。

超球算法與常用的人工神經(jīng)網(wǎng)絡和支持向量機等算法不同，超球算法在處理海量數(shù)據(jù)時，沒有進行降維或升維的空間轉換，這樣就避免了由于維度增減帶來的信息遺失。超球算法的建模和計算過程都保持問題空間的維度不變，特別適合工業(yè)環(huán)境中很難用機理精確模型描述的設備狀態(tài)建模過程，并以連續(xù)時間為基礎對海量狀態(tài)數(shù)據(jù)進行分析，這個特點使超球算法在針對設備運行狀態(tài)的實時數(shù)據(jù)分析方面有獨到的優(yōu)勢。

本研究通過以下3 個步驟實現(xiàn)數(shù)據(jù)驅動的設備健康感知和早期預警。

(1)數(shù)據(jù)建模

首先，將來自傳感器的機組測點歷史數(shù)據(jù)進行挑選與整理，每組數(shù)據(jù)都表達了設備對象的一個正常狀態(tài)，且采樣值組中各個變量必須滿足同時性，從而得到基于時間維度上的與對應工況正常狀態(tài)相對應的設備狀態(tài)數(shù)據(jù)集。然后，從這些狀態(tài)集合中抽取出最能代表過程對象特性的狀態(tài)點，再通過關聯(lián)相似性計算篩選關聯(lián)參照點，構建設備過程對象的動態(tài)狀態(tài)模型。建模過程保留設備所有的關聯(lián)變量，沒有降維或升維變換，測點的權重通過設備狀態(tài)模型的分布密度自動識別。

(2)狀態(tài)感知

接入現(xiàn)場實時數(shù)據(jù)（實時狀態(tài)值組），與設備狀態(tài)模型中的狀態(tài)點數(shù)值組比較計算，找到與實時狀態(tài)值組最相似的數(shù)據(jù)模型特征值組，構建設備在線健康度值，并通過“相似度曲線”表示，其量程為0～100%，稱為“健康度”。

取正常狀態(tài)的健康度值中的最小值作為預警基準線，得到設備健康度的“基準值”。當機組當前運行狀態(tài)發(fā)生改變而偏離歷史運行規(guī)律時，將自動識別當前變化并持續(xù)監(jiān)測，當設備在線健康度值低于預警基準線的數(shù)值時，將自動對設備狀態(tài)發(fā)布潛在故障的早期預警。

(3)關聯(lián)分析

本研究通過關聯(lián)因素排序來實現(xiàn)工業(yè)設備的測點變量之間的動態(tài)關聯(lián)分析。當工業(yè)設備的健康度出現(xiàn)跌落時，表示設備的運行狀態(tài)與歷史同工況下的正常運行狀態(tài)已經(jīng)發(fā)生了變化。系統(tǒng)的關聯(lián)計算引擎從設備的大量變量中識別出關鍵的影響因素，自動計算動態(tài)權重，感知設備對象的測點變量中對實時狀態(tài)貢獻最大的變量，并以主關聯(lián)因素排序的方式給出。再通過關聯(lián)分析規(guī)則引擎，將設備對象異常狀態(tài)規(guī)則化，在規(guī)則庫中建立設備對象的異常狀態(tài)與關聯(lián)測點之間的因果關系。通過關聯(lián)分析自動觸發(fā)對應規(guī)則，并將預警結果發(fā)送給相關人員。

3 研究應用

3.1 應用效果

設備的健康狀態(tài)感知模型以設備自身的歷史運行數(shù)據(jù)為基礎構建，針對設備的每一組運行狀態(tài)自動計算，得到健康感知的量化結果，并以健康度（%）展示出來。當設備運行狀態(tài)穩(wěn)定正常時，健康度將維持在健康基準線以上，一旦設備的運行狀態(tài)偏離正常，將立即給出健康度下降的提醒，即便此時通過常規(guī)監(jiān)測系統(tǒng)沒有提示設備已經(jīng)發(fā)生故障，系統(tǒng)也會根據(jù)預定的預警規(guī)則給出預警信息。同時，系統(tǒng)自動識別出現(xiàn)異動時對健康度影響最大的測點排序，作為主要預警主關聯(lián)，供進一步做設備預警診斷。

3.2 驗證分析

驗證選取從2019 年3 月到2020 年6 月狀態(tài)良好的機組歷史數(shù)據(jù)建立數(shù)據(jù)健康模型，然后對6 月以后的數(shù)據(jù)進行調整，將汽輪機截面6 振動X、振動Y 慢慢調大，但是該數(shù)值仍在DCS 范圍內(nèi)，最后利用建好的模型對調整好的數(shù)據(jù)進行計算分析，得出的分析結果是汽輪機的健康度值在振動數(shù)據(jù)變化一分鐘后開始降低，并產(chǎn)生預警信息，第一、二關聯(lián)測點均為汽輪機截面6 振動X、振動Y。

通過對汽輪機的數(shù)據(jù)驗證，可以看出針對設備漸變和突變狀態(tài)，健康模型都能敏捷而準確的做出反應，尤其是對漸變的狀態(tài)效果十分理想。

3.3 早期預警

本研究中設備的狀態(tài)模型識別到設備發(fā)生健康異動時，將自動發(fā)出早期預警，同時分析并提供導致設備健康度跌落的主要原因。設備的關聯(lián)點是在每個狀態(tài)下對設備健康度貢獻最大的測點，在預警時段，設備的主要關聯(lián)點非常一致，被視為設備健康波動的主要因素。對關聯(lián)點的取值進行進一步趨勢分析，同時對照設備檢修記錄，故障現(xiàn)象與設備預警時給出的主要關聯(lián)點完全一致。

4 結語

本次研究與實踐在煉化企業(yè)，特別是轉動設備的狀態(tài)預測方面開創(chuàng)了一條運用數(shù)據(jù)驅動的新方法。通過上述案例，可以看到通過大數(shù)據(jù)和機器學習的模型可以對設備進行在線健康評估，可以對設備的狀態(tài)給出量化的、可以評判的指標，在設備預測性維修系統(tǒng)中，健康度指標可以用于觸發(fā)維修策略的基本條件。而通過大數(shù)據(jù)和機器學習給出的主要關聯(lián)測點，也可以作為制定設備維修策略的重要參考。未來將進一步采用深度學習的技術,獲得更為準確的預測效果。