基于數據資產架構的設備預防預測性檢修技術在石化企業中的應用

張晨,黃國杰,金艷

(1． 上海賽科石油化工有限責任公司，上海 201507；2． 北京中瑞泰科技有限責任公司，北京 100192)

隨著信息技術的快速發展，石化生產過程中裝置和設備積累的海量工業數據已經變為企業的重要數據資產，利用好這些數據資產，服務于企業生產的“安穩長滿優”運行，是石化企業數字化轉型中的關鍵，而裝置和設備的智能預防預測性維護技術是重要的應用之一。石化企業傳統的設備檢修模式采用定期的方式，由于生產現場工況復雜，設備故障導致的非計劃停車事件經常發生，為企業的安全生產帶來了非常大的隱患，同時，非計劃停車事件的發生也對企業的利潤造成大幅影響。

目前石化企業在建廠初期，基本就已經預先建立了工廠級別的實時歷史數據庫平臺，將生產過程中的海量運行數據長期保存，這些運行數據中包含了設備運行的規律以及測點之間的關聯關系，利用好這些海量數據，并通過數據發現設備的故障規律是目前國內外一致認可的通用方法。此外，在設備的各個檢修周期內，企業也會積累大量的檢修數據，這些數據同樣也能對設備的狀態，尤其是設備的健康狀態評估提供重要的支撐。

為提升裝置安全水平，企業勢必會利用好設備運行和檢維修的相關數據，建立“基于數據資產架構的設備預防預測性檢修平臺”，通過更加先進和智能的檢維修方式，提升裝置的可靠性，降低非計劃停車事件的發生概率，將會成為石化企業的必然之選。

1 關鍵設備機組故障和故障預警現狀

通過對國內某煉化公司2014—2017年煉化裝置非計劃停車次數的統計分析，設備機械故障造成的非計劃停工達到約62%，因機械故障造成的裝置停車次數是最多的，若將電氣故障計算在內，設備故障造成的非計劃停車超過80%。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。從裝置類型分析，加氫裝置和重油催化裝置因機械故障引發的非計劃停工比例最高，比例分別約為24.1%和17.8%。

雖然目前大型關鍵機組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、孤立地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，針對煉化裝置大型關鍵機組，集成現有監測系統形成健康大數據，并以此建立預測預警模型，是開展設備健康管理的基礎。

2 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動設備故障診斷領域的一種方法。傳統的故障診斷方法一般基于動設備特性建立機理模型，它需要了解設備的基本原理來建立精確描述設備的數學模型，然后將故障狀態植入，根據故障狀態的性能參數，結合建立起的設備常態模型來建立設備的故障模型，進而達成故障診斷的目標。采用該建模方式，每種設備都需要專家去設計其狀態模型，而一旦設備發生了零件變化、工藝變化、工況變化、或者其他影響了因果關系的變化，模型就要重建。該建模方式顯然不適合復雜的工藝系統和設備種類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能繞開建立精確模型這一難點，其最大的優勢就在于不用建立精確的設備機理模型，只要采集足夠多的設備運行數據，對其進行特征提取、挖掘，采用合適的診斷算法就可以達到精準的故障診斷目標。

近年來興起的大數據分析及機器學習是通過模擬人類的學習能力，使得計算機像人一樣能夠不斷進行學習進化，通過已知數據的學習完善自己的知識庫，進而能夠完成預測未來數據的任務。目前機器學習已經開始被當作動設備故障診斷的手段應用起來，“超球建模”的大數據分析算法就是這樣一種機器學習的建模方式，利用動設備各個運行參數維度的相關性來定義該動設備系統的可靠性，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，大幅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。

“超球建模”算法是北京中瑞泰科技有限責任公司的“資產健康管理平臺iEM系統軟件”的核心專利技術。通過“超球建模”算法實現對動設備海量運行數據的關聯分析，建立石化設備的智能健康感知模型，對設備的健康、安全、性能實現在線健康感知，并能夠對設備運行過程中的潛在故障進行早期預警。

iEM“超球建模”算法與常用的人工神經網絡和支持向量機等算法不同，該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。該算法的建模和計算過程都保持問題空間的維度不變，并以連續時間為基礎對海量狀態數據進行分析，該特點使“超球建模”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。

以下是一個iEM“超球建模”算法和人工神經網絡算法的對比測試結果。在測試中，以1臺壓縮機作為研究對象，有80個參數測點，設定采樣周期為5 min，每一年設備運行數據大約1×105組；分別采用“超球建模”算法和人工神經網絡根據第一年的數據建立設備的運行模型，并對第二年的數據進行離線驗證計算，再將模型投入在線運行實時計算。實驗結果對比見表1所列。

表1 iEM“超球建模”算法和人工神經網絡運行模型實驗結果對比

3 生產設備的管理及運維系統構成

生產設備的管理及運維系統包含設備監測數據的展示分析系統，主要包括全廠的實時數據庫平臺PI系統、工廠管理SAP系統等。其中，PI系統保存設備運行產生的實時和歷史數據，SAP的維護管理(PM)模塊保存了設備在各個檢修周期中的檢維修數據。此外，該公司還建立了動設備狀態監測系統，設備健康管理及早期預警系統等基于機理和數據模型的分析系統，該公司有高精度的海量數據，還有各種維度的數據分析工具，結合專業技術人員，具備了實施設備預防預測性維護系統的基礎，該公司生產設備的管理及運維系統架構如圖1所示。

圖1 生產設備的管理及運維系統架構示意

4 設備預防預測性檢修平臺實現方法

4.1 實現步驟

設備預防預測性檢修平臺通過以下幾個重要步驟實現：

1)構建工廠數據資產架構，整合多維度設備數據。基于該公司PI平臺的資產架構模塊，將保存在各個設備管理系統中的數據集成到統一的PI平臺的設備資產架構(AF)模塊中，從工廠物理架構和業務需求2個維度對分散的設備數據進行整合，構建起符合設備運維管理關聯的工廠數據資產架構。

2)設備機理結合數據計算模板及數據建模。PI AF模板支持數據計算模板配置定義，可以將設備的運行信息如啟停狀態、啟停次數、累計運行時間，檢修記錄等預防性指標數據定義在AF模板中。基于設備歷史運行數據建模的設備健康度(HPI)也可以統一整合在PI AF模型的資產計算模板中。

3)“預防+預測”的設備健康管理。通過PI AF資產架構模板定義，可以實現設備的預防和預測性檢修條件定義。其中預防性維修條件主要包括基于設備維修機理生成的事前維護工單，比如當設備累計運行時間達到一定指標后，就觸發對應的維修工單。此外，還可以通過HPI預警，對設備的潛在故障進行早期預警，通過iEM系統的HPI關聯點計算，提前發現設備劣化趨勢，并能通過恰當的事前維護，將故障消滅在萌芽狀態。

4.2 建模及分析方法

1)數據建模。“超球建模”算法數據建模過程如圖2所示。

圖2 “超球建模”算法建模過程示意

該建模方法基于設備的海量運行歷史數據，首先，系統將來自傳感器的測點數據按照設備資產的架構以及時間標簽整理，得到基于時間維度上的設備狀態數據集，狀態數據集體現設備的實際運行狀態，每一狀態數據集與對應工況下的實際狀態相對應；然后，系統自動分析工況與狀態的關聯關系，通過對狀態模式的提取、壓縮和存儲，形成設備的狀態模式集作為設備的超球狀態模型。

該建模方法的特點是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，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，因為設備狀態模型與數學空間中超球概念一致，因此被稱為超球狀態模型。

超球狀態模型實現了對設備歷史運行數據中有效信息的提取，體現了工業設備對象的動態運行特征。經過超球建模，工業大數據中最有價值的信息“模式”被自動識別，并保存在“智能單元”超球狀態模型中，進而實現智能在線感知、分析、預測等計算。

2)狀態感知。該系統從工業設備的歷史運行數據中提取正常狀態，建立設備的超球狀態模型；超球狀態模型自動對工業設備的實時健康狀態進行在線評估，該過程稱為狀態感知。通過狀態感知，超球狀態模型將工業設備的實時健康狀態綜合成一個0～100%評價值，即HPI。某設備的HPI曲線如圖3所示。

圖3 某臺設備的HPI示意

超球模型的健康感知過程體現了數據驅動的“機器智能”： 在建立超球模型的過程中，系統自動分析工業設備的建模數據，在構建超球模型的同時，也得到設備HPI的基準值“Hth”，該基準值是采用超球狀態模型進行健康感知時，工業設備運行狀態是否健康的評價的標準。

3)關聯分析。關聯性是工業系統在運行過程中，變量之間、設備之間廣泛存在的相互關聯的特性。工業系統中的關聯性是動態的，關聯因素以及關聯強度(權重)都隨時間和狀態而變化。

iEM系統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HPI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工業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，感知工業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。

關聯因素是實現人機分工的另一個重要步驟，實現自動感知狀態變化之后，計算機更進一步給出主關聯因素，將提高專業人員進行詳細的機理分析診斷的方向準確度。

4.3 應用案例

以下是一次故障預警案例。從系統中某設備的HPI曲線可以看到： 2017年5月10日起，該設備的運行狀態發生大幅波動，如圖4所示。

圖4 某設備的HPI曲線示意

該設備在5月10日發生第一次預警后，在5月11日再次預警，并且持續時間增加，5月13日再次預警后該設備HPI一直低于基準線。對該設備在預警發生后的狀態進一步分析，可以得到丙烯泵振動加速度、丙烯泵排放壓力p、電源控制功率P關聯點信息見表2所列。

表2 某設備在預警發生后的關聯點測量值

該設備的關聯點是在每個狀態下對設備HPI貢獻最大的測點，在上述預警時段，該設備的主要關聯點非常一致，因此上面3個關聯點即被視為該設備健康波動的主要因素。對各關聯點的取值進行進一步趨勢分析如圖5～7所示。

圖5 某關聯點的振動加速度監測曲線示意

圖6 關聯點的壓力監測曲線示意

圖7 關聯點的功率監測曲線示意

由上述關聯點的趨勢可見，從5月10日18時開始，該設備測點中振動、油壓和功率的波動從小幅變化開始逐漸劣化，使得該設備的整體健康狀態大幅下降，直到5月15日該設備停車。iEM系統識別到該設備的HPI跌落后，從5月13日15：57開始發出狀態預警，同時也發出主要關聯點的信息。從檢修記錄中可以看到，對該設備在5月15日即進行了搶修，通過設備解體檢查發現，系統中的軸承已經有較大磨損，局部組件斷裂，并發生了電機缺相。這些故障現象與iEM系統對該設備預警時給出的主要關聯點完全一致。

因此，“基于數據資產架構的設備預防預測檢修平臺”在實際應用中為現場設備運行和管理人員提供了很大的方便，在大幅提高設備監測效率的同時，還能提前發現現場設備的潛在故障，消除故障隱患，減少非計劃停機概率，取得了很好的應用效果。

5 結束語

作為傳統的流程行業，石化行業數字化轉型具有多維度、漸進式的行業特點，其中如何利用好化工企業的數據資產，在服務企業自身的同時，通過數據整合提升整個行業的管理水平是化工企業數字化轉型的方向和目標。

石化企業通過對工廠已有數據和系統的深度挖掘和利用，建立起符合企業自身管理的設備預防預測性維護平臺，產生了良好的社會效益和經濟效益，為其他同類型工廠的數字化轉型建設提供了很好的示范。