煉化企業大數據應用研究

宋揚

[摘? ? 要] 石油化工企業內部積累了海量生產經營、生產運行、能源消耗、安全環保等業務數據。這些分散和孤立的數據被加工和利用的程度較低，缺少數據的統一存儲與管理。大數據技術推廣將增強對煉化企業歷史數據和實時數據的挖掘、分析和利用，實現系統集中處理和各業務層面的數據共享，提升數據價值。

[關鍵詞] 大數據;數據共享;數據挖掘

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2020. 05. 041

[中圖分類號] F270.7? ? [文獻標識碼]? A? ? ? [文章編號]? 1673 - 0194（2020）05- 0091- 02

1? ? ? 什么是大數據

1.1? ?大數據的主要特征

近些年，由于計算機、物聯網等信息化技術以及傳感技術的發展，現代生活中出現了“一切皆可數據化”的思維，數據的產生方式由“人機”“機物”的二元世界向著融合社會資源、信息系統以及物理資源的三元世界轉變，數據規模呈膨脹式發展，信息技術快速發展、數據存儲和處理成本大幅下降，催生了大數據時代的來臨。大數據的主要特征我們可以概況為4V+1C，分別代表了Variety（多樣化）、Volume（海量化）、Velocity（快速性）、Value（價值化）以及Complexity（復雜性）。

1.2? ?大數據的定義

2015年8月國務院下發的《促進大數據發展行動綱要》中強調：“大數據是以容量大（Volume）、類型多（Variety）、存取速度快（Velocity）、應用價值高（Value）為主要特征的數據集合，正快速發展為對數量巨大、來源分散、格式多樣的數據進行采集、存儲和關聯分析，從中發現新知識、創造新價值、提升新能力的新一代信息技術和服務產業。”

1.3? ?大數據的核心技術

大數據技術是繼云計算之后全球最新興起的一項重大IT技術。大數據的核心技術包括基于Hadoop的大數據基礎平臺、HDFS分布式文件系統、YARN資源管理系統、SPARK大數據處理引擎、Storm大數據分布式實時計算系統以及R語言等數據分析應用技術等。具體分類見表1。

如表1所述，其中Hadoop的大數據基礎平臺、SPARK大數據處理引擎、Storm大數據分布式實時計算系統是當前最重要的三大數據分布式計算系統。Hadoop常用于離線的復雜的大數據處理，SPARK常用于離線的快速的大數據處理，Storm常用于在線的實時的大數據處理。

2? ? ? 煉化企業大數據需求

2.1? ?專業化、精細化管理的需要

煉化企業在生產技術管理、生產運行成本管理、設備檢維修成本管理等專業化領域需要進一步挖掘專業數據的價值，通過數據模型支持專業化管理水平提升。歷史數據的大量積累，以往多是通過人工經驗進行分析應用，沒有充分挖掘數據價值，需要通過數據分析手段，進一步挖掘數據間的關系，用以指導業務精細化管理。

2.2? ?挖掘數據價值、提高生產效益的需要

在外部經濟的大環境下，需要進一步提升企業經營效益，低成本發展已經成為必由之路，需要運用信息化技術，為企業的生產和經營管理提供“抓手”，持續提高企業競爭力。目前在生產分析、生產操作、設備運行等環節的大數據應用均取得了階段性進展，可以為企業裝置安全平穩運行、精細化生產提供科學指導。在國內部分煉廠已經展開基于工業大數據應用的智能煉廠試點建設、研究及實踐。見表2。

3? ? ? 煉化企業的大數據應用

3.1? ?數據分析完善設備預測性檢修

在設備運行分析和資產預知性維修等方面，機組、閥門等控制設備的常規性維護手段多為設備定期檢修或故障后維修。難以避免的存在“過修”和“失修”現象，如果在設備正常運轉條件下，大數據平臺能夠分析出潛在的故障和原因，實現預知性維修，將能有效減少維修成本，降低非計劃停工風險。

3.1.1? ?實時采集數據

實時采集各地區煉廠的設備運維及資產數據。大量連續數據通過密集分布的傳感器及無線通訊網絡向數據采集點傳送數據，數據最終傳送到運營中心的數據分析部門。

3.1.2? ?數據算法分析

數據分析部門利用預知性算法進行大數據分析，提前發現設備資產漏洞。數據分析管理員對動態數據進行大數據分析，通過設備資產的歷史數據及實時數據的分析結果可以得出設備運行狀況的發展趨勢，確定問題發生位置及發生根源，并同時通知設備維護團隊進行維護數據校驗。

3.1.3? ?運營中心作用

運營中心基于大數據分析生成維護及修正計劃，并將文件多點發送至各級管理層，同時啟動配件請購計劃。運營中心可以優化未來的預期模型為制定長期計劃奠定基礎，維護團隊可基于月度或日計劃并優化工作優先級，資產維護團隊洞察資產性能并了解維護執行情況，實現對工作環境的安全性分析和實時洞察。

3.2? ?數據分析優化生產提升效益

通過選擇煉化裝置關注的關鍵產品作為控制目標，利用MES系統中裝置歷史生產數據，通過大數據分析方法建立質量、收率與影響因素的預測模型，當預測到關鍵產品的質量不合格時，則通過最小的操作調整，在最短時間內使得產品質量調整合格。當預測到關鍵產品的質量合格時，則通過尋找效益目標函數的最優值，為各班組快速提供最佳操作方案指導，促進整體操作水平提升，同時為優化產品質量、結構及提高高附加值產品的產量提供了有效支撐。預警預測分析針對催化裂化裝置，選擇MES系統中裝置的關鍵工藝點位數據，依據其報警次數與報警重要性，篩選出關鍵報警點，并結合各點位的歷史生產數據，對每個報警點位單獨建立預測模型，提前形成對異常工況的預警機制，輔助操作人員及時進行判斷和預警。分析關鍵報警位點的根原因，在關鍵報警發生時輔助操作人員準確處理。

收集MES系統中催化裂化裝置歷史生產數據、質量檢驗數據，利用大數據技術并結合機理模型，建立與裝置生產密切相關的質量預測模型，結合當前生產工 況實時預測產品質量，對產品質量進行預把控，并結合工藝卡片給出質檢需求的合理建議，為質檢決策提供支持。

4? ? ? 智能煉廠的發展趨勢

隨著煉化企業信息化建設不斷推進，未來的智能煉廠發展趨勢是利用大數據與機器學習等技術，將多維度數據進行整合與挖掘，建立生產預測預警模型，對生產裝置中工藝狀態、操作情況等進行預測;同時對預警事件進行原因分析，評估預警 事件的風險等級;并根據業務規則提供對應的處置方案，使生產運行由傳統的事后管控向事前管控方式進行轉變。

實現自動化設備運行狀態監控、設備預知維護、故障診斷、維護計劃優化、備品備件優化、檢維修現場監控及工作協同，即從設備出現問題或預計出現問題、檢維修、到設備恢復正常運行的閉環管理，支持安全生產、高效生產。

機理模型與大數據分析模型相結合，基于歷史數據庫、實時數據，對數據進行有效性篩選，找出輸入數據和輸出數據的關聯性，并建立預測模型。結合生產要求，計算不同類別目標參數的最優值，并給出推薦的操作參數。