煉化大型關鍵設備機組健康模型研究及開發

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

煉化企業作為高危生產行業，設備種類繁多復雜，操作條件變化多樣，近幾年來企業安全事故多發，直接影響到企業的經濟效益與社會責任。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的統計分析，因機械故障造成的裝置停車次數是最多的。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裝置長周期運行的設備健康管理方法成為了企業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監測和過程控制系統，但各系統間相互獨立，缺乏聯通和集成機制，致使各監測參數都只能片面、孤立的反映設備某一部件或某一方面的狀態，造成操作人員缺乏判斷設備整體運行狀態的依據，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運行過程中產生的多源異構監測數據，形成機組健康大數據集成平臺，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。

據統計，設備健康管理與故障診斷、預測技術不僅能降低事故發生的概率，還能節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。從理論創新和實際推廣上論證了大數據分析和機器學習在煉化大型關鍵設備機組健康模型開發應用上的巨大價值。

2 設備健康模型設計

2.1 基于數據模型分析的方法

基于數據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。傳統的設備故障模型是在基于設備機理的精確數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系統復雜的設備種類、復雜的工藝環境以及千變萬化的工況，所以用機理建模分析設備狀態是不夠高效、不夠精確的。而基于數據建模的分析方法最大的優勢就在于不用建立精確的設備機理數學模型，通過從機組運行的海量數據中選取典型狀態模式，建立設備狀態模型。本研究的大數據分析算法“超球建模”方式就是這樣一種機器學習的建模方式，利用設備各個運行參數維度的相關性來定義這個設備系統的可靠性，通過對數據的分析、對比，預測出設備的健康程度，并錨定出影響健康狀態的各個參數點，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生。

2.2 設備健康及故障預測流程

本研究主要應用基于數據模型分析的方法來完成故障診斷工作。其流程為：

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

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

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

(5)利用機器學習算法，經過關聯相似性計算，構建設備過程對象動態狀態模型，接入實時數據與數據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時序數據的機器學習算法，通過工業設備的海量時序運行數據，建立設備運行狀態的感知模型。

超球算法與常用的人工神經網絡和支持向量機等算法不同，超球算法在處理海量數據時，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，特別適合工業環境中很難用機理精確模型描述的設備狀態建模過程，并以連續時間為基礎對海量狀態數據進行分析，這個特點使超球算法在針對設備運行狀態的實時數據分析方面有獨到的優勢。

本研究通過以下3 個步驟實現數據驅動的設備健康感知和早期預警。

(1)數據建模

首先，將來自傳感器的機組測點歷史數據進行挑選與整理，每組數據都表達了設備對象的一個正常狀態，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相對應的設備狀態數據集。然后，從這些狀態集合中抽取出最能代表過程對象特性的狀態點，再通過關聯相似性計算篩選關聯參照點，構建設備過程對象的動態狀態模型。建模過程保留設備所有的關聯變量，沒有降維或升維變換，測點的權重通過設備狀態模型的分布密度自動識別。

(2)狀態感知

接入現場實時數據（實時狀態值組），與設備狀態模型中的狀態點數值組比較計算，找到與實時狀態值組最相似的數據模型特征值組，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發生改變而偏離歷史運行規律時，將自動識別當前變化并持續監測，當設備在線健康度值低于預警基準線的數值時，將自動對設備狀態發布潛在故障的早期預警。

(3)關聯分析

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

3 研究應用

3.1 應用效果

設備的健康狀態感知模型以設備自身的歷史運行數據為基礎構建，針對設備的每一組運行狀態自動計算，得到健康感知的量化結果，并以健康度（%）展示出來。當設備運行狀態穩定正常時，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，即便此時通過常規監測系統沒有提示設備已經發生故障，系統也會根據預定的預警規則給出預警信息。同時，系統自動識別出現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，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 月狀態良好的機組歷史數據建立數據健康模型，然后對6 月以后的數據進行調整，將汽輪機截面6 振動X、振動Y 慢慢調大，但是該數值仍在DCS 范圍內，最后利用建好的模型對調整好的數據進行計算分析，得出的分析結果是汽輪機的健康度值在振動數據變化一分鐘后開始降低，并產生預警信息，第一、二關聯測點均為汽輪機截面6 振動X、振動Y。

通過對汽輪機的數據驗證，可以看出針對設備漸變和突變狀態，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效果十分理想。

3.3 早期預警

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

4 結語

本次研究與實踐在煉化企業，特別是轉動設備的狀態預測方面開創了一條運用數據驅動的新方法。通過上述案例，可以看到通過大數據和機器學習的模型可以對設備進行在線健康評估，可以對設備的狀態給出量化的、可以評判的指標，在設備預測性維修系統中，健康度指標可以用于觸發維修策略的基本條件。而通過大數據和機器學習給出的主要關聯測點，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。