吊機設備數據相關性分析及故障預測

潘軍明 陳小泉

摘? 要：數據分析對企業的生產運營具有至關重要的作用。該文以油氣田吊機設備數據為基礎，利用生產過程中所產生的各種歷史數據，采用多種分析模型，從不同角度有針對性地對數據進行分析，得到科學直觀的相關性分析結果，并對設備故障進行大概預測。基于這些分析預測結果，現場人員能夠及時制訂設備預防性維護計劃，降低設備的故障率，為生產決策提供數據支持。

關鍵詞：吊機? 相關性分析? Pandas? Sklearn? 故障預測

中圖分類號：TH215? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1672-3791（2019）04（c）-0051-03

隨著中海油信息化的不斷發展，已經建成了資產管理系統、采辦系統、設備運行管理系統、物流配送等系統，積累了數以千萬計的基礎數據和業務數據。而油氣田現場部署著各種各樣的設備，如何通過數據分析挖掘，給設備管理工作提供指導建議，降低維護成本，提高設備使用價值，已成為公司面臨的一個重大問題。

1? 問題與現狀

在石油勘探開發過程中需要使用到各種機電儀設備，這些設備如果發生故障，需要管理人員進行維護。目前現場只能根據設備的運行時長制訂維護計劃，不能很好的根據設備運行狀態、故障原因，故障次數，維修費用等情況綜合起來預測設備故障趨勢，以便在下一次故障出現前進行提前維護，減少設備關停的次數，增加設備持續運行時間。因此，該次研究有針對性的選擇了吊機為分析對象，梳理出與該設備相關的各類數據，結合實際業務建立數據模型，以大量各種相關數據為基礎，對該設備進行深入分析，驗證算法的有效性和準確性，從而確定設備的總體故障趨勢。

2? 分析過程描述

從工單、物料、服務接收單、運行管理、檢修工時、故障填報等基礎信息中提取5年以來的數據，并進行指標量化（故障次數、維修費用、檢修次數、檢修時長、運行時長）。

Pandas是一個開放源碼的Python庫，它使用強大的數據結構提供高性能的數據操作和分析工具。利用Pandas可以完成數據處理和分析的五個典型步驟，加載，準備，操作，模型和分析。利用pandas及作圖工具對故障次數與其他屬性（指標）進行探尋獲得如下圖形。

通過數據初探發現圖1～圖3與圖4（線形回歸）比較接近，尤其是故障次數/檢修次數與圖4（線形回歸）最擬合。

3? 分析與預測

3.1 相關分析

相關系數是用來刻畫二維隨機變量兩個分量間相互關聯程度。利用python 數據分析包pandas 中求相關系數方法Corr（）進行分析。

通過相關分析得出如圖5所示結果，故障次數與自身相關系數為1，與隱患次數相關系為0.39，與檢查次數相關系為0.97，與檢查時長相關系0.81，與維修費用相關系數為：0.73。當得知各個屬性（指標）與故障次數的相關系數后，可通過關聯度較高的檢查次數、檢查時長、維修費用來側面觀察設備的故障發生次數。

3.2 預測分析

sklearn和pandas一樣是一個開放源碼的Python庫，支持回歸，分類、聚類等強大的機器學習庫。該次將利用sklearn內置的回歸模型進行吊機設備的分析和預測。

進行回歸分析（線形回歸），需要將數據劃分為兩份數據集，一份用于訓練，一份用于對訓練結果的檢測（測試數據），各自占數據總體比例分別為75%、25%，其數據集劃分如圖6所示。

從構造數據集和創建預測模型，輸出預測結果完整代碼如圖7所示。根據圖7輸出結果：預測故障次數為2，與實際故障次數3比較接近。

對于預測模型的好壞，以均方誤差作為評價標準：其值越接近0模型越優良。模型評測效果：如圖8 輸出的均方誤差1.733表示該模型很優秀。

4? 結語

通過吊機設備的分析后發現，故障次數和查次數、檢查時長、維修費相關性較強尤其是與檢修次數相關性較為接近，基本上都是線形相關。通過檢查次數和隱患次數可對故障次數進行線形回歸預測，其模型均方誤差值較小，預測的故障次數與實際故障次數比較接近，基本達到對吊機故障的分析預測。

參考文獻

[1] 萬倩，謝峰，趙明. 基于大數據的設備故障預測[J].廣播電視信息，2016（11）：71-73.

[2] 續媛君，潘宏俠.設備故障趨勢預測的分析與應用[J]. 振動、測試與診斷，2006（4）：305-308，333.

[3] 王致杰，王耀才，李冬.現代大型設備故障智能診斷技術的現狀與展望[J].煤礦機械，2003（7）：102-104.

[4] 何春燕，王超宇.基于python+pandas的數據分析處理應用[J].數碼世界，2018（7）：386.