基于SOA 架構的動設備集群化監測診斷系統設計及應用研究

董寶柱，李杰，尹波，李振，徐鑫

（中海油能源發展裝備技術有限公司，天津 300452）

1 引言

海洋石油平臺工藝流程復雜、設備繁多，關鍵設備的運行狀態關系著海上油氣的安全生產。因此海洋石油平臺積極開展完整性管理建設，針對動設備提出分類分級管理和運維策略。A 類關鍵設備如注水泵、外輸泵、原油主機、天然氣壓縮機等，因其生產影響程度、設備價值、設備維修難度等因素，已通過安裝在線監測系統開展預測性維修。由于涉及不同類型不同管理層級的設備且存在可擴展性、高數據處理量等特點，需要針對海洋石油的特殊環境和需求，研究搭建分層分布式的集群化監測系統。

2 架構設計

2.1 SOA 架構設計

由于海洋石油動設備分布廣泛、現場環境惡劣，動設備資產日趨密集，設備管理水平直接影響企業的產能發揮、產品質量、成本控制和綜合競爭能力。如何保證動設備的安全、穩定運行并實現各級管理者的有效管理已成為設備管理者面臨的重大課題。

在線監測系統本身是個信息融合的系統，涉及到各種傳感器數據，以及第三方系統接口，故系統本身調用了各種系統的數據，也就必須具備多種體系結構的組件共同運行的能力。同時系統本身也面對實時處理和適應變化兩方面的需求，這也對系統的多體系結構的融合提出了較高的要求。

面向服務的體系結構（SOA 架構）是一個組件模型，它將應用程序的不同功能單元（稱為服務）通過這些服務之間定義良好的接口和契約聯系起來。針對海洋石油在線監測系統，設計基于SOA 架構的分層分布式集群化監測診斷系統架構如圖1 所示。

圖1 基于SOA 架構的分層分布式集群化監測系統架構

系統大致可以分成3 個大的組成部分：采集層、故障診斷層（服務層）、用戶表示層。其中，第一層是采集層；采集層的核心需求是實時性，高并發（高并發的大量數據，一個測點的一個采集波形最少有256 點以上），故采用C++實時中間件以及實時內存對象數據庫來實現，以滿足報警和診斷的需要。采集層通過自有協議將數據從裝置級中間件高速地同步到中心級中間件。

第二層是故障診斷層，即SOA 中的服務層；也就是中心服務器所在的層次，起到了對采集層數據進行打包、分析、后處理，以及對外發布的作用。所以故障診斷層又分成2 個子層：中心中間件層和業務層。對于前端的請求，根據業務數據的不同在apache 內進行了不同的處理。靜態數據直接由apache 負責對外處理，動態數據又分成2 部分：標準化的設備業務數據的獲得通過動態數據接口同中心級中間件進行交互。非標準化的數據由業務代碼直接調用動態接口組自定義接口來實現對中間件數據的調用和處理，僅供內部管理使用。

第三層為用戶前端層，靜態數據（CSS/JS）直接來自于apache，動態數據的調用方式包括3 種調用方式：第一種調用方式也就是B/S 結構，所有動態數據均通過網頁發起AJAX 調用，直接面對標準的API 接口。第二種方式通過客戶端程序直接調用中間件數據，也就是C/S模式。第三種也就是通過標準API 接口直接提供。

2.2 數據接口設計

海上油田動設備集群化監測診斷系統通過其內部的外部接口管理模塊統一管理所有外部通訊，包括將數據通訊到監測診斷系統中以及將監測診斷系統中的數據通過提供的接口發送給不同的系統，該系統滿足所采集原始數據的類型、協議等數據標準，具體結構如圖2 所示。

圖2 開放的數據接口結構

動設備集群化監測診斷系統能夠為設備管理系統提供數據，實現設備管理系統與狀態監測系統的數據交互，能從設備管理系統交互設備信息，包括狀態監測數據、故障數據、維修保養數據等，并同時為RCM 提供數據，為其提供如監測設備臺數、報警次數、備件消耗檢維修信息等內容，形成動態RCM，通過狀態監測系統提示故障信息后經RCM 提出維修/保養建議，實現動態實時監測，將RCM 系統工單傳送到設備管理系統。

根據已經建設的往復壓縮機、機泵專家系統實現提供數據接口，實現在線監測故障經過專家診斷系統處理后，根據專家系統可以給出初步診斷結論。針對已經建設的機泵性能評估、壽命預測系統提供數據接口，實現在線監測系統機泵數據經過性能評估和壽命預測，給出評估和預測結果。

整體的系統架構和數據接口關系如圖3 所示。

圖3 整體的系統架構和數據接口關系

2.3 智能化設計

設備實時數據非常復雜，包括振動、溫度、壓力及噪聲等多種狀態參數的監測，而故障預警技術只適用于專門從事設備故障診斷的技術人員，設備的實際使用者很難掌握振動分析技術。為了解決用戶使用問題、減輕巡檢人員的工作量，國內外學者開展多維參數的設備故障預警技術研究，實現設備故障自主診 斷及設備運行狀態的監測。

以機泵智能診斷為例。泵穩定工況的固定閾值預警固然能夠達到泵設備早期故障預警的目的，避免一些故障的發生，及時檢修，但由于泵設備在 運行過程中工況常發生變化，以單一工況建立的閾值預警系統會因工況變化而造成低工況漏警、高工況誤警的事故。因而亟待綜合利用降維、人工神經網絡等機器學習算法篩選分析數據。相對于機泵單一工況的閾值預警，多工況預警系統更為復雜，主要原因有3 點：穩定工況下設備故障；設備變工況但未發生故障；設備變工況且發生故障。振動特征參數隨工況發生非線性變化，其閾值也將改變。因此多工況首先需要對泵各工況進行研究，合理劃分工況，再結合設備運行工況不同區間，分別建立特征閾值。

BP 神經網絡可以解決網絡運行過程中難以收斂、準確度低的問題。通過信息反傳，賦予網絡自學習功能，利用反傳誤差調節網絡參數，加速網絡的收斂。BP 神經網絡能夠實現復雜非線性動態系統的精確預測，且對數據波動具有一定的容忍性，適用于一些具有非穩定特性的數據。BP 神經網絡由輸入層、隱含層和輸出層組成，層與層之間采用全連接方式。其中輸入層和輸出層的節點數取決 于數據樣本的結構，隱含層的層數和節點數根據測試結果確定，不同隱含層層數和節點數的網絡模型在預測準確度上差別較大。

神經網絡通過線性計算，利用非線性的激勵函數非線性化處理線性輸出，根據最終輸出和期望輸出之間的誤差，修改網絡權重系數，從而達到分類和回歸預測。因此將利用BP 神經網絡，學習設備運行工況，實現運行工況識別，利用學習好的模型，確定設備實時運行工況。

隨著信息技術革命日新月異，物聯網、云計算、大數據、人工智能等新概念和新技術的出現，在社會經濟、人文科學、自然科學等領域引發了一系列革命性的突破[2]。在醫學領域，隨著國家信息化進程的加快和醫學信息化的發展，從基礎教學到臨床診斷，從基因表達到靶標開發，從遠程醫療到虛擬手術，計算機技術發揮著越來越重要的作用。

基于BP 神經網絡的工況匹配，能夠快速、準確實現實驗工況識別。但實際應用過程中，模型訓練數據需要添加工況標簽，因此，通過建立設備運行工況庫及工況標簽庫，解決實際應用過程中標簽添加困難的問題，具體流程如圖4 所示。

圖4 設備實時運行工況識別

具體實施步驟如下：

（1）構建設備穩定運行階段的工況表，根據穩定運行工況表，生成機組運行工況庫和工況標簽庫；

（2）根據設備工況表和標簽庫，為變負荷設備實時運行數據添加標簽；

（3）將數據和標簽一起輸入到BP 網絡中訓練模型，訓練網絡，建立工況識別模型；

（4）當產生新工況時，根據標簽庫構建原則，更新標簽庫，利用網絡對新的數據訓練，從而不斷更新工況識別模型。

對設備運行工況參數，建立基于BP 神經網絡的工況識別模型，并利用實驗數據對模型進行了驗證，可以得出以下結論：

（2）BP 網絡參數設置簡單，工況識別速度快，準確率高；

（3）工況識別的輸入參數可以是多維度的，上述方法驗證過程中僅用轉速確定運行工況，實際使用過程中，可以將機組負載和其他工況參數，比如將設備不同測點溫度、壓力及噪聲等狀態參數直接添加到運行工況庫中訓練模型即可，模型的擴展性強；同時，能夠解決工況參數過多，造成工況難以識別的問題。

在變工況運行的泵設備中，性能參數可以表征設備實際的運行情況，因此要想全面地對設備進行故障診斷，同樣需要對設備的性能參數變化趨勢進行監測，常采集的有溫度、壓力等數據。設備在變工況運行中，其信號的特征參數包含著與設備狀態非常密切的信息，可以通過分析參數對正常和故障工況下的變化情況，從而選取與故障敏感的特征參數作為變工況設備故障診斷的依據。為了能夠實現對機械設備故障的全面監測，應盡可能多的收集振動數據特征，但又會造成信息冗余問題。同時，特征集過大無法可視化特征，還會增加整個預警過程的時間。因此，需要對特征集進行二次特征選取，約減特征集，提升數據特征的利用效率。

3 應用

3.1 系統研發

針對以上分析和研究，將機泵、壓縮機、內燃機、透平等設備的在線監測系統集成在基于SOA 架構的集群化監測診斷系統，提升監測系統的集群化能力和數據服務能力。海洋石油動設備集群化監測診斷系統如圖5、圖6 所示。

圖5 基于SOA 架構的集群化監測診斷系統（泵）

圖6 基于SOA 架構的集群化監測診斷系統（壓縮機）

3.2 應用案例

某平臺注水泵自7 月22 日早上有緩慢上升趨勢，直至中午12:57 左右上升趨勢明顯升高，泵非驅動端加速度總值由之前的8m/s2上升到100m/s2，該點速度總值也由之前的1mm/s 上升到120mm/s。集群化監測系統及時發出預警。

從速度頻譜看，泵的速度頻譜中由之前的振動正常時的工頻轉為現在主要是9Hz 的頻率成分，且速度時域波動也以9Hz 的頻率成分的時域波形為主導；該點加速度頻譜看，加速度頻譜由之前的峰值不明顯轉為從低頻到高頻的峰值，且加速度時域波形振動幅值也明顯升高。判斷泵非驅動端軸承嚴重損壞，給平臺及時發郵件。建議平臺應立即停機，盡快對泵非驅動端軸承進行檢查（尤其是保持架）并及時更換。在線監測系統異常數據圖譜如圖7 所示。

圖7 泵異常數據圖譜

4 結語

通過開展基于SOA 架構的海洋石油集群化監測系統架構設計，將機泵、壓縮機、內燃機、透平等不同類型的在線監測系統納入統一的集群化監測管理平臺。通過集群化監測系統平臺，能夠有效實現對海洋石油關鍵機泵的預測性維修，為提升設備設施完整性管理水平提供強有力的技術支持。