基于大數據分析的機動設備早期故障智能診斷技術研究與應用

康 喜,黃海宇,卜靜非,郭德科,朱國華

(中國石油西南油氣田公司,四川 成都 610000)

1 背 景

某天然氣凈化廠硫磺回收裝置由于工藝需要,配置有2臺多級離心式鼓風機,向反應爐輸送壓縮空氣,該設備是硫磺回收裝置唯一大型機動設備,直接關系到裝置的穩定運行,對工廠整體運行十分重要。該設備工作負荷大,運行周期長,出現多次因工況指標異常(電流、振動等)被迫停機切換備用設備的情況。后期機動設備在線狀態監測系統項目實施后,在每臺風機安裝了5個溫度、振動一體化探頭,用于監測設備的溫度及振動情況,并設定了報警閾值。

但是仍然存在兩方面問題:一方面,故障的分析判斷需要綜合儀表、電氣、設備、工藝及操作人員共同開展,各專業差異及個體專業技術水平的差異,讓開展綜合判斷問題的難度較大,比如:可能是工藝上后端用氣量突然增加,可能是閥門誤動作,可能是電氣故障,可能是風機設備軸承故障等多種原因,出現的報警無法針對性地為故障原因追根溯源。另一方面,該診斷監測系統的報警,僅僅能反映出振動、溫度超標,無法判斷出現超標的真正原因。現有開展的診斷技術偏重于振動信號分析,忽視了工藝等其他因素對診斷結果的輔助診斷作用,特別是隨著機動設備負荷/流量變化引起振動變化的定量關聯規律尚未完全掌握清楚,深度神經網絡算法等大數據故障分析手段沒有充分利用。

2 存在問題

2020年10月,硫磺回收裝置的風機B曾發生異常聯鎖事件,其主要原因是風機電流值過低觸發聯鎖下限,發生計劃外停機。電流發展過程如圖1所示。

圖1 主風機電流異常聯鎖

當時展開了風機聯鎖的調查,但沒有查找出具體原因,只能暫時認定風機設備故障,因此期望利用人工智能技術、大數據技術,通過對風機設備特性、現場檢測數據情況、工況對電流影響等方面進行分析,以設備自身、設備管理員、專家系統等三個方面對造成風機聯鎖的各種原因進行討論,匯總歸類,繪制了因果關系(見圖2)。

圖2 因果關系圖

通過因果分析圖發現專家系統中的透徹研究、擴大經驗范圍等因素短時間很難改變;但通過設備管理員結合工藝工況,收集足夠多的歷史數據,利用神經網絡模型對歷史數據進行訓練學習,生成智能預測曲線,對設備故障進行預測分析,并由相關性引申出故障概率較大的幾種可能原因,此方法變得實際可行。因此決定探索建立一種基于人工智能技術的異常電流波動預警模型,實現對風機故障的智能預測分析。

3 大數據預測分析模型建立及可行性分析

3.1 目標設定

探索和建立一種基于神經網絡算法的設備分析模型,充分利用設備設置的內部振動傳感器以及DCS系統數據,對硫磺回收裝置主風機建立適應設備個體差異、適應動態工況、判定問題相對簡單的振動異常分析模型,實現對設備振動異常早期風險預警提示,達到降低設備管理員工的工作強度,提高分析精度,提前做出預判的目的。通過模型的建立綜合不同初始輸入條件下,發現出現報警及故障的根源,給出不同概率下的可能性。深度神經網絡系統的模型如圖3所示。

圖3 深度神經網絡系統模型

3.2 可行性分析

分析數據主要依賴工廠現有的振動監測系統、DCS工藝操作實時運行參數,目前風機實現了在線數據振動監測,DCS工藝操作實時運行參數也比較充分,具備比較完善的數據條件,適合建立智能化分析模型。通過實時或定期地獲取設備運行過程中振動、溫度、位移等數據,可預測數據變化趨勢、診斷設備故障、判斷故障原因,同時還可以對設備的歷史故障數據、故障類型、故障原因、故障頻率進行可靠性分析,預測下次發生故障的時間和可能性,幫助技術人員提前防范。因此探索一種實時在線、考慮設備個體差異、工況動態變化、分析過程簡單的神經網絡模型是可行的。

3.2.1 提出方案

影響風機電流的因素分析主要有三個大方面:一是風機自身因素,例如:風機有剛性摩擦、風機電機故障;二是外部設備因素,例如:原料氣過濾器堵塞、放空排氣閥開度控制不精準、外輸排氣閥開度控制不精準;三是工藝條件因素,例如:工藝裝置酸氣量異常波動、裝置壓力異常波動、酸氣閥開度控制不精準。現選擇通過專家開展故障分析和人工智能開展故障分析兩種方法進行比選。

3.2.2 專家與人工智能方案比選

1)通過專家開展故障分析方案

傳統故障分析方式主要依賴專家經驗,由于是新建工廠,采用了較多新技術流程設備,而且沒有現成的機動設備故障經驗案例可以借鑒,同時對故障判斷是個系統龐大的綜合過程,涉及的專業多,各個專業的專家的經驗水平不同,可能對于整體故障的排查和判斷很難準確定位,因此這種方案的難度大,人為因素和不可控因素眾多。依賴專業經驗開展故障分析流程如圖4所示。

圖4 通過專家經驗推定故障源流程圖

2)通過人工智能和大數據方法開展故障預測分析方案

基于神經網絡系統和大數據分析,對已有數據進行訓練整合,將產生一條設備運行工況的預測曲線,預測曲線基于以往正常運行工況下的反復訓練,數據可靠,當實際工況與預測曲線有偏差時,便可準確給出設備故障可能相關性指標指向。通過人工智能開展故障分析流程如圖5所示。

圖5 通過數據方法推定故障源流程圖

3.3 選取最佳方案

傳統故障分析方式主要依賴專家經驗,由于專業技術人員的水平參差不齊,對設備故障的分析判斷很難做到準確無誤,而通過數據分析手段,完全依賴數據進行設備故障判定及故障溯源,可以避免人員經驗不足,以數據的視角看待故障過程可能源頭,為后續人工分析提供有利依據,因此選取大數據分析工具作為最佳方案。

4 模型建立及設計

4.1 總體設計

該測試探索模型具體要求及實施思路是通過DCS歷史數據庫獲取風機設備的全部工藝工況歷史數據,期望將DCS生產工藝數據和風機電流數據進行聯動分析,通過離線方式分別學習兩臺設備的歷史數據,對故障風機進行建模,建模后采用數據實驗平臺的神經網絡工具進行訓練測試。模型的建立需要收集與風機相關的DCS工藝歷史數據,將動態生產工況和同時間點振動數據進行匹配。匹配后優選神經網絡算法,利用神經網絡工具,優選算法模型參數(例如神經元數,網絡層級等)建立起分析模型。

4.2 模型原理

模型是將設備歷史數據進行學習,剔除出現故障和無用數據,通過大數據神經網絡系統模擬出設備未來一段時期的運行曲線,然后與實際運行曲線進行實時比對,當實際運行曲線偏離預測曲線值較多時,可認為設備即將發生異常,異常可能包括設備自身故障,也可能包括儀表、閥門、電路、工藝變化等原因造成的設備異常。過程如圖6所示,通過兩條線趨勢分離來判斷設備的早期異常。具體風機分析模型,需設定偏離報警值,報警值閾值需結合預測精度,進行具體確定。

圖6 異常判定過程示意圖

5 大數據故障分析

5.1 獲取數據

首先從控制系統導出了硫磺回收風機B的歷史數據,歷史數據不僅有風機B本身的運行參數(電流值),還包括了風機上下游相關的工藝參數(如壓差、流量、壓力、溫度、調節閥反饋位置等),共計11類運行數據。對于歷史數據中的空值、錯誤值或故障代碼,需要進行逐項篩查,盡量復原數據原有的情況,出現多個故障代碼的數值只能進行刪除處理,以免影響數據模型整體的精度。其模型建立所用到的數據指標如表1所示。

表1 數據指標

5.2 模型訓練和預測

將預處理好的歷史數據導入智能分析平臺,進行人工神經網絡模型的建模、訓練,通過風機B的工藝參數對電流波動情況進行預測。接下來即可進行訓練學習,當訓練完成后會得到數據訓練相關參數和情況。風機B神經網絡訓練預測曲線如圖7所示。

圖7 風機B神經網絡訓練預測曲線(局部放大圖)

圖7中包含2條曲線,一條為實際生產值,一條為模型預測正常值。模型預測曲線在6個影響要素(原料氣過濾器壓降、原料氣流量、放空閥開度、出風機壓力、原料氣流量閥開度,出風機溫度)共同影響下對電流的學習曲線,即僅提供6個影響要素,模型自主推算出的電流值。

5.3 原因分析

通過預測分析曲線,可以發現:

(1)數據早于聯鎖發生,提前出現波動幅度提高的現象;

(2)風機電流值與預測值吻合度較高,可認為風機自身未出現明顯異常;

(3)風機電流在聯鎖過程中自身狀態良好屬于受迫異常波動(完全是外部條件造成的)。

結合聯鎖發生時的實際情況,雖然電流異常聯鎖發生在10月28日,但早在10月7日之后,風機電流就表現出明顯波動放大情況。因此需要分析電流異常時期,什么指標對電流波動有明顯先導影響,找到造成電流放大的深層原因。通過分析風機B電流波動穩定期間各影響指標貢獻度和異常放大期間各影響指標貢獻度如圖8、圖9所示,可以看出:原料氣流量閥開度(GT-101B)貢獻度由0.173上升至0.706,提升308%;原料氣過濾器壓降(PDT-101B)貢獻度由0.567上升至0.827,提升46%。因此以上兩個指標指向設備可能是導致風機電流異常,進而聯鎖的根本原因。通過引起電流大幅波動原因分析,可以得到以下最終分析結論:

圖8 風機B電流波動穩定期間各影響指標貢獻度

圖9 風機B電流波動異常放大期間各影響指標貢獻度

(1)工藝需求波動加大,導致風機輸出功率大幅波動,導致風機電流在波動到下限位置觸發聯鎖;

(2)原料氣流量閥自整定參數設置問題,造成調節閥魯棒性下降,特定情況下出現閥位振蕩,進而引起風機電流振蕩,觸發聯鎖;

(3)原料氣過濾器輕微堵塞,造成特定情況下風量喘振,引起控制閥組無法穩定控制,進而引起風機電流波動,引發聯鎖。

6 結 論

本研究內容首先通過神經網絡模型建立、預測,明確了風機自身在聯鎖過程中是否存在異常;在排除風機自身故障后,通過相關性分析,指出了幾種故障的可能性,通過與現場實際進行分析、驗證,明確了聯鎖根本原因并進行有效處置。經過驗證神經網絡預測準確性高,具有較高的可信度,預測功能切實有效。由于模型學習數據針對特定設備,因此模型適用范圍僅限于該工廠硫磺回收裝置主風機。目前模型僅能離線使用,需要拷貝DCS歷史工藝數據和風機電流數據,才能進行分析。模型數據必須時間對齊,才能發揮作用。當模型預測值與實際電流檢測值發生趨勢分離時,才能判定風機出現了早期的異常。

用于檢測風機異常的人工智能模型能夠有效清除設備個體差異以及工況波動對設備電流指標影響,有效監測設備自身異常(同樣適用于風機電流的原因主要包括不平衡、不對中、松動及軸承故障),減少了設備檢測人員的工作強度,提高了故障分析的準確性,甚至提供了一定時間提前量的預警能力。工廠風機每年花費較多的委外檢修費用,如果使用大數據神經網絡預測模型,可減少委外檢修頻率,每年可以節約檢修資金及人工、材料費用約6萬元。若通過大數據預測分析發現早期設備故障征兆,進而避免設備故障造成工廠停產事故,可挽回停產帶來的損失至少400萬元/天,有著巨大的經濟效益。