周忠亮

（石化盈科信息技術(shù)有限責任公司，北京 100020）

當前，以云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)、人工智能等為代表的新一輪科技革命席卷全球，推動制造業(yè)邁向轉(zhuǎn)型升級的新階段?？v觀國內(nèi)外石油石化行業(yè)，各大企業(yè)紛紛加大數(shù)字技術(shù)創(chuàng)新，加快數(shù)字化業(yè)務布局，開展數(shù)字化、智能化項目建設(shè)，在傳統(tǒng)行業(yè)中應用新興技術(shù)以謀求新的增長點和突破點，力圖在新一輪產(chǎn)業(yè)變革中塑造新優(yōu)勢、搶抓新機遇。如果說企業(yè)信息化是把正確的數(shù)據(jù)在正確的時間以正確的方式傳遞給正確的人和機器，那么智能化就是要把海量的工業(yè)數(shù)據(jù)轉(zhuǎn)化為信息，信息轉(zhuǎn)化為知識，知識轉(zhuǎn)化為科學決策，以應對和解決制造過程的復雜性和不確定性等問題，其目標在于不斷提高制造資源的配置效率。

近年來，我國自主設(shè)計建造和從國外引進了一大批成套生產(chǎn)裝置，化工廠、大中型石化基地、大中小型化肥企業(yè)幾乎遍布全國。大型石化裝置普遍采用轉(zhuǎn)動設(shè)備來輸送流體和傳遞動力，以適應大流量、長期連續(xù)運轉(zhuǎn)等生產(chǎn)要求，而轉(zhuǎn)動設(shè)備常由于其自身缺陷或外界影響出現(xiàn)各種不同形式的故障，使其不能正常運行而影響實際生產(chǎn)運作，甚至會發(fā)生嚴重毀機事故，造成重大經(jīng)濟損失或人員傷亡。設(shè)備在使用過程中，其性能或狀態(tài)將隨著使用時間的推移逐步下降，最終演化為功能性故障。不同時間段對應不同維修體制，若根據(jù)故障發(fā)生前的一些預兆提前制定相應措施，則能夠爭取更多時間，做出更具針對性的決策，有計劃性地安排停機，達到減少損失、降低成本的目的。為了確保生產(chǎn)裝置的“安、穩(wěn)、長、滿、優(yōu)”運行，必須保證轉(zhuǎn)動設(shè)備長周期可靠運轉(zhuǎn)。因此，開展轉(zhuǎn)動設(shè)備的運行狀態(tài)趨勢預測技術(shù)研究，在設(shè)備故障未曾顯現(xiàn)之前對其進行預測預警，實現(xiàn)預測性維護十分必要。

石化企業(yè)普遍實施了設(shè)備狀態(tài)監(jiān)測、實時數(shù)據(jù)庫等系統(tǒng)，對設(shè)備本體狀態(tài)及運行狀態(tài)密切相關(guān)的參數(shù)進行集中監(jiān)測。對于變化趨勢的預測預警，傳統(tǒng)的做法大都是通過設(shè)置閾值報警或者利用技術(shù)人員的經(jīng)驗進行人工判斷。利用大數(shù)據(jù)挖掘等技術(shù)，使用聚類、關(guān)聯(lián)等算法，可以對設(shè)備大量的歷史數(shù)據(jù)進行挖掘、抽取、轉(zhuǎn)換、分析和其他模型化的處理，從中提取輔助決策的關(guān)鍵性數(shù)據(jù)，發(fā)現(xiàn)規(guī)律，定量化分析研究設(shè)備狀態(tài)變化問題，并采取針對性的措施降低設(shè)備運行風險，跟蹤或控制設(shè)備劣化趨勢。

1 設(shè)備運行狀態(tài)預測的方法構(gòu)建

圍繞大數(shù)據(jù)分析，需要對設(shè)備的相關(guān)數(shù)據(jù)進行收集、處理和建模。

1.1 數(shù)據(jù)收集

數(shù)據(jù)收集是大數(shù)據(jù)分析的基礎(chǔ)。設(shè)備運行的信息和數(shù)據(jù)分散在不同的系統(tǒng)中，需要借助有效的平臺工具采集并存儲數(shù)據(jù)。借助工業(yè)互聯(lián)網(wǎng)平臺的集中集成、工業(yè)物聯(lián)等核心引擎，可以將包括設(shè)備工藝參數(shù)數(shù)據(jù)、設(shè)備狀態(tài)數(shù)據(jù)、分析化驗數(shù)據(jù)、技術(shù)資料信息、點巡檢信息、檢維修記錄信息等在內(nèi)的所有實時或歷史數(shù)據(jù)集成、存儲到統(tǒng)一平臺中。而后，利用工業(yè)互聯(lián)網(wǎng)平臺的大數(shù)據(jù)算法工業(yè)技術(shù)引擎，實現(xiàn)一系列數(shù)據(jù)處理和建模工作，如圖1所示。

圖1 基于工業(yè)互聯(lián)網(wǎng)平臺開展設(shè)備大數(shù)據(jù)分析

1.2 數(shù)據(jù)處理

數(shù)據(jù)處理是大數(shù)據(jù)分析的前提。在這一過程中，要保留設(shè)備狀態(tài)核心信息，縮減數(shù)據(jù)維度，降低模型運算量。常見的數(shù)據(jù)降維方法包括：主成分分析方法（PCA）、Pearson相關(guān)系數(shù)、最小二乘回歸誤差、最大互信息系數(shù)（MIC）等，這些方法在科學研究中都得到了不同程度的應用。石化行業(yè)轉(zhuǎn)動設(shè)備的指標參數(shù)之間存在多種線性、非線性、甚至非函數(shù)關(guān)系，MIC方法適用于發(fā)現(xiàn)兩個隨機變量之間依賴關(guān)系強度，具有普適性，既能夠發(fā)現(xiàn)變量間的線性函數(shù)關(guān)系，也能發(fā)現(xiàn)非線性函數(shù)關(guān)系。因此，與其他數(shù)據(jù)降維方法相比，使用MIC方法處理石化行業(yè)設(shè)備產(chǎn)生的數(shù)據(jù)更為合適。MIC方法的主要思想是：如果兩個指標參數(shù)間存在某種關(guān)聯(lián)關(guān)系，通過在其平面散點圖中繪制網(wǎng)格把散點圖中的點進行分割，進一步增大網(wǎng)格的分辨率并計算出每種分辨率下所能達到的最大互信息值，對所有的最大互信息值進行歸一化處理后給出的計算結(jié)果。

1.3 數(shù)據(jù)建模

數(shù)據(jù)建模是大數(shù)據(jù)分析的關(guān)鍵。設(shè)備狀態(tài)趨勢預測的方法眾多，目前常見的預測方法主要有灰色預測模型、支持向量機（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、馬爾科夫鏈模型預測等。其中，在超短期預測方面，馬爾科夫鏈模型具有簡便快捷、較高精確度、不需要對預測誤差做出任何假設(shè)等特點。馬爾科夫鏈模型的狀態(tài)轉(zhuǎn)移矩陣，能夠從當前時刻的狀態(tài)預測下一時刻的狀態(tài)，在數(shù)據(jù)趨勢預測中已得到成功應用。同時，動態(tài)劣化度由參數(shù)當前值和參數(shù)趨勢變化量疊加而得，綜合考慮了設(shè)備的當前狀態(tài)及其變化趨勢，能夠動態(tài)描述設(shè)備的運行狀態(tài)。具體而言，動態(tài)劣化度是用指標參數(shù)的預測值作為此刻劣化度分析的數(shù)值，來反映設(shè)備運行狀態(tài)的好壞，其計算公式分為越小越優(yōu)型、中間型、越大越優(yōu)型。以越小越優(yōu)型動態(tài)劣化度計算公式為例：

式中，g（xP）為指標參數(shù)的動態(tài)劣化度，g（xP）是區(qū)間[0，1]的具體數(shù)值，其中，0代表最優(yōu)、1代表最差；xmin及xmax分別為該指標參數(shù)的正常運行最小值和最大值；xP為指標參數(shù)的預測值。

采用馬爾科夫鏈模型并結(jié)合動態(tài)劣化度的計算方法，對轉(zhuǎn)動設(shè)備的運行狀態(tài)趨勢進行預測，較為符合轉(zhuǎn)動設(shè)備狀態(tài)監(jiān)測間隔時間短、數(shù)據(jù)量大、趨勢預測既要算法精度又要兼顧實時性的要求。

1.4 方法總結(jié)

本文一方面通過MIC方法進行關(guān)聯(lián)關(guān)系分析，識別出冗余指標參數(shù)，進而保留其中獨立的指標參數(shù)進行后續(xù)分析計算，同時降低模型的規(guī)模和計算復雜度，提高對設(shè)備運行狀態(tài)預測的準確性；另一方面，根據(jù)指標參數(shù)相關(guān)性分析結(jié)果，采用馬爾科夫鏈模型來預測變化趨勢，對獨立指標參數(shù)采用動態(tài)劣化度分析方法進行歸一化處理，從而預測設(shè)備運行狀態(tài)的發(fā)展趨勢。

2 實例應用

以某石化企業(yè)離心式壓縮機組為例，進行設(shè)備運行狀態(tài)趨勢預測。首先確定與壓縮機組相關(guān)的指標參數(shù)，為降低計算工作量、提高實時計算速度，先將離心機組按照功能組件劃分為5個子系統(tǒng)，分別為壓縮機、汽輪機、工藝系統(tǒng)、油路系統(tǒng)及干氣密封系統(tǒng)，每個子系統(tǒng)獨立預測與評價。從企業(yè)實時數(shù)據(jù)庫、在線狀態(tài)監(jiān)測等系統(tǒng)提供的運行參數(shù)中選取可表征該壓縮機組運行狀態(tài)的主要評估指標參數(shù)。數(shù)據(jù)采集范圍從1月1日至4月30日，每條數(shù)據(jù)記錄間隔為1 min。

運用工業(yè)技術(shù)引擎的技術(shù)工具，對各子系統(tǒng)選取的指標參數(shù)中的兩兩參數(shù)間進行MIC計算，結(jié)合設(shè)備技術(shù)人員的經(jīng)驗，按照在充分表征運行狀態(tài)的情況下盡可能選取少的指標參數(shù)的原則，選擇出最佳組合作為獨立指標參數(shù)。

以工藝系統(tǒng)為例，工藝P&ID圖及測點位置如圖2所示。

圖2 機組工藝P&ID圖

對工藝系統(tǒng)中的指標參數(shù)分別做兩兩參數(shù)間的MIC計算，結(jié)果如表1所示。

表1 指標參數(shù)MIC計算結(jié)果

選取XI24666，TI24140，F(xiàn)IC24033，PIC24226的組合為工藝系統(tǒng)中的獨立指標參數(shù)。然后，對獨立指標參數(shù)運用馬爾科夫鏈計算其預測值及動態(tài)劣化度，可以得到獨立指標在t*時刻的動態(tài)劣化度，如表2所示。

表2 工藝系統(tǒng)指標參數(shù)動態(tài)劣化度（t*時刻）

按照此方法依此計算各子系統(tǒng)的獨立指標參數(shù)動態(tài)劣化度，作為該壓縮機組的狀態(tài)監(jiān)測指標。4月7日00:44時該機組指標參數(shù)XI24666發(fā)出閾值報警，如圖3上半部分所示。圖3下半部分表示該指標參數(shù)的動態(tài)劣化度，可以看出，在00:28時指標參數(shù)XI24666的動態(tài)劣化度已發(fā)出閾值報警，之后一直處于高危區(qū)，在0:42時再次報警，并一直持續(xù)到最后。本方法監(jiān)測的最早報警時間比閾值報警提前了16 min。

圖3 動態(tài)劣化度監(jiān)測與閾值報警時間對比

該方法充分考慮了機組當前運行狀態(tài)及狀態(tài)趨勢，有利于提前發(fā)現(xiàn)和排查設(shè)備早期故障隱患，讓機組故障可預測可預警。同時，大數(shù)據(jù)分析技術(shù)可以將原來對設(shè)備運行監(jiān)測的多類分散數(shù)據(jù)可集中在一起，經(jīng)過降維分析和可視化，能清晰、直觀了解到本體、密封、潤滑等各子系統(tǒng)狀態(tài)，能更好更全面了解設(shè)備運行數(shù)據(jù)，受到機組設(shè)備人員的一致好評。

通過應用大數(shù)據(jù)技術(shù)，對關(guān)鍵的轉(zhuǎn)動設(shè)備運行健康狀態(tài)進行研究，分析結(jié)果和防范措施在企業(yè)提高生產(chǎn)運行效率、減少非計劃停工次數(shù)、延長裝置運行周期、延長設(shè)備使用壽命、降低設(shè)備維修費用等方面帶來可觀的經(jīng)濟效益。該石化公司近兩年的年平均轉(zhuǎn)動設(shè)備維修費約為15 150萬元，應用設(shè)備運行狀態(tài)趨勢預測技術(shù)后，預計可降低轉(zhuǎn)動設(shè)備維修費用5%，僅此項每年帶來的經(jīng)濟效益約為757.5萬元。

3 結(jié)語

石化行業(yè)因其典型的流程型制造模式，具有原料物性復雜、生產(chǎn)工藝復雜、生產(chǎn)裝備復雜和安全環(huán)保要求高等特點。傳統(tǒng)流程工業(yè)的產(chǎn)業(yè)轉(zhuǎn)型升級，不僅需要新裝備、新工藝和新型催化劑，更需要新一代信息技術(shù)與運營技術(shù)、制造技術(shù)的深度融合，為生產(chǎn)方式帶來革命性變化。

本文在設(shè)備運維方面提出了一種基于大數(shù)據(jù)分析的設(shè)備運行狀態(tài)趨勢預測的方法，并將其應用于國內(nèi)某石化企業(yè)壓縮機組的狀態(tài)監(jiān)測。結(jié)果表明，該方法有利于提前發(fā)現(xiàn)早期故障隱患，實現(xiàn)對設(shè)備健康狀態(tài)的定量分析、實時運算與智能預測，及時有效防范設(shè)備運行風險，保證設(shè)備連續(xù)安全運行，從而避免不必要的停機，并對縮短檢修時間、合理安排檢維修計劃等起到重要作用，具有可觀的工程應用價值，對提升企業(yè)的經(jīng)濟效益具有積極意義。