背景介绍
随着党的十六大以信息化带动工业化、以工业化促进信息化，两化融合概念的首次提出，到党的十七大进一步加强两化融合的深化，越来越多的企业希望通过两化融合来进行转型升级。实现这一目标的手段就是大数据分析：一方面，企业通过加强数据的收集与沉淀，达到业务数据化；另一方面，企业通过挖掘数据的价值，再反哺业务，驱动业务的创新与发展，达到数据业务化。
大数据作为当下最火热的IT行业词汇，随之而来的数据仓库、商业分析工具、数据挖掘分析、数据安全等各类生态圈也成为大家追逐的热点，特别是大数据分析应用已成各行各业人士的口头语，在不同行业都演绎着大数据分析故事，一些传统IT软件公司也摇身一变成为大数据分析公司，把一些传统的分析工具罩上大数据分析工具的光环。但是由于认识和技术的限制，目前在工业应用领域，大数据分析存在如下几种现象：
一是人们喜欢描述的很多大数据分析案例大多都集中在商务大数据或互联网大数据的分析与应用，而真正适合工业领域的大数据分析解决方案并不多；
二是很多人喜欢用商务大数据分析思路去理解工业大数据的分析与应用，把商务大数据的应用场景套在工业大数据上，如传统的商务智能BI分析工具；
三是很多传统的基于精确数学模型的应用，被冠名为工业大数据分析应用一直在误导着企业用户，实施周期长、效果不理想、可复制性差。
四是缺少对工业大数据分析技术的研究，很多人都在被一些畅销书的理念忽悠着做事，至于对错也没进行深究。
本文笔者将主要讲解工业大数据分析技术在动设备运行状态预警预测中的应用。
图1 两化融合概念图
大机组等动设备的平稳运行是安全生产的基础，目前针对机组的管理一般都是开展“五位一体”特级维护工作，即“机、电、仪、管、操”五方定期对机组进行诊断、检查。同时也借助状态监测系统（S8000）进行监控和分析；对往复机组和透平开展针对性定期工作，如定期检查气囊压力、速送阀活动试验等；对机组润滑油定期分析。
利用大机组在线监测、设备状态监测等系统，在一定程度上提高了大机组等动设备的管理水平，降低了非计划停工的次数。
二现有业务管理存在的主要问题2.1不能事前预警现有在线监测系统都是越限报警，且都是单参数的高低限报警，只有越限发生了才报警，而在达到报警限之前（有事故苗头的时候）不报警。由于缺少事故预警功能，不能做到事前预防。
2.2缺少异常事故定位分析手段一旦设备出现故障，只能是依靠人工根据表现出的症状，进行分析和故障定位，由于缺少灵活的分析工具，再加上不同专业之间的互相推诿扯皮，事故分析周期长、异常定位困难，最终导致事故根原因定性难度大。
2.3设备维护成本高由于缺乏有效的手段，企业每年需投入大量的人力、物力，绞尽脑汁维护大机组等动设备的运行，但知识不能有效传承和在线复现，重复性故障时有发生，效果不尽人意。
三工业大数据分析技术和算法简析3.1技术名称数据驱动预警预测技术。是利用基于数据的、具有自学习机制的模型而不是基于工艺机理模型来实现预测预警的方法——是当前人工智能（AI）的前沿技术。
3.2原理利用设备历史数据建立一个反映设备运行状态的模型（特征模型），进而应用该模型进行设备健康的离线评估或在线实时预警预测。
3.3特点具有高效挖掘、分析和学习能力，能够发现事故前兆，并给出故障查找方向，帮助技术人员及时对潜在的问题进行深入分析，提前采取措施。
3.4实现方式离线模式和在线模式。离线模式下可以帮助技术人员对已发生的故障进行分析；在线模式下可以实现异常状态的“先知先觉”，并给技术人员提供判断方向。
图2 数据驱动预警预测技术
3.5分析技术和算法简析工业生产领域的自动化程度越来越高，但仍存在大量无法量化甚至决策者无法知晓的不确定性因素，这些不确定性因素导致了决策和生产管控的困难。目前比较成熟的工业大数据分析技术就是要提供一种透明化的工具和解决方案，具有对不确定性进行拆解和量化的能力，从而可以客观地估计生产过程或设备的运行状况和可用性——实现生产过程的透明化管理，使管理者实现“知情”决策。
故障预警与预测分析是利用已有的数据，借助各种推理技术，预测设备的健康状态，主要的故障预测算法是“基于模型的故障预测技术”、“基于数据驱动的故障预测技术”和“基于统计可靠性的故障预测技术”三种。
⑴ “基于模型的预测算法”：由于受限于复杂动态系统难以建立精确的数学模型，因而实际应用和效果受到了很大限制；
⑵ “基于数据驱动的预测算法”：主要用于故障可能是多种因素引发的，难以确定采用何种预测模型或者机理模型比较困难的情况。它以采集的数据为基础，通过各种数据处理方法挖掘其中隐含的信息进行预测，成为一种比较实用的故障预测方法；
⑶ “基于概率统计的预测方法”：主要包括时间序列预测法、回归预测法等，前者对短期预测效果比较好，而后者要求样本数量要足够大。
对以上三种预测方法进行比较，现阶段对炼化设备和生产过程进行故障预测，容易被企业接受并较快取得应用成效的是“基于数据驱动的故障预测算法”。早期应用于航空领域和核电领域的PHM技术、ASPEN公司面向未来的流程资产优化软件Mtell都是采取的类似的实现技术。
齐鲁公司所采用故障诊断技术也是在学习借鉴上述理念的基础上与外部软件公司自主研发的一套解决方案。
3.6技术架构
图3 技术架构图
四实践应用案例4.1人工事故分析，但不能准确进行事故原因定位的案例⑴ 事故描述
烯烃厂某压缩机组晚上8点40左右发生停车事故。主操人员第一时间通过查看DCS系统，获得了停车信号。
技术人员凭经验对事故原因开展了分析，初步认为是由于压缩机主密封气温度、压力降低导致主密封气出现带液现象，从而造成压缩机密封气主泄露量增大，引发联锁停车，非压缩机本身原因，但仅凭人工经验判断，无法给出充分的证据，技术人员不敢下100%的结论。
图4 基于人工经验判断
⑵ 大数据分析过程
利用该系统对历史数据进行关联分析发现在当日下午3点3分就开始连续出现不同于常态的新特征，表明已有异常发生，直到晚上8点39分设备停车。也就是说该系统若在线运行，可提前5个小时给出异常预警。
图5 大数据分析过程示例一
经过进一步分析，可发现压缩机的的进气温度、抽气温度、抽气压力等工艺参数在压缩机停机前有明显变化，初步判定这些变化是由蒸汽系统变化引起的。在停车事故发生之前的一段时间内，二次密封气供给压力持续偏低，LP非驱动端主泄漏流量一直处于非正常波动状态，可判断此次事故是与低压缸主泄漏变化有关，排出设备本身故障。
图6 大数据分析过程示例二
4.2人工能够进行准确故障定位，但不能提前发现事故异常的案例⑴ 事故描述
塑料厂高压往复式压缩机（201、202）运行工况复杂，事故易发，不易监测。前段时间，高压往复式压缩机发生停车事故，经技术人员事后分析，确定为压缩机的二段出口压力超高导致联锁停车。
⑵ 大数据分析过程
利用系统对事故发生前后的历史数据进行分析，还原了事故过程。发现在停车前8天已出现预警，通过对预警特征分析，一次机一段出口温度、压力、二三段入口压力以及增压机二段入口压力等参数均有明显变化。进一步分析可发现一次机二段入口压力后续的两次增大是造成停车的主要原因，也印证了人工分析的结果。
图7 大数据分析过程示例三
系统在7月4日上午9点就出现预警特征，7月7日上午10时现场监控系统发出报警信号，设备于7月12号晚8时40分发生停车事故。如果在7月4日到7月7日报警发生前的72小时内采取相应的措施，就有可能避免此次停车事故，但是在其他系统报警到设备停车期间已无手段避免事故。
总结工业大数据具有很强的专业性、关联性、流程性、时序性和解析性特点。这些特点决定了互联网大数据、商务大数据处理手段是不能满足的。利用工业大数据分析技术对在动设备运行状态进行预警预测中的优点有：
①上手快：为技术人员提供了一个分析工具，容易理解，离线分析可以快速得出结果，在线监控可以准确实现故障预警；
②实施周期短：规避了建立机理模型或统计模型，可快速部署；
③应用广泛：只要有实时数据的地方都可以应用，可以针对单台设备，也可以针对集群设备、生产过程、流体管网；
④参数估计能力强：提供了一种代替软仪表的计算手段；
⑤历史知识可传承：通过对异常特征的标注，可以实现知识在线复现。
下篇预告能源化工企业智能工厂解读和实践案例(下)-齐鲁石化智能工厂建设案例
夏茂森：夏茂森，男，研究生学历，教授级高工。现任中国石化齐鲁分公司信息中心主任，山东大学客座教授。多年来一直从事炼化企业信息技术的推广应用工作，涉及PCS、MES、ERP、决策支持和网络安全等各个应用层面，是过程控制技术（DCS）、实时数据库技术、先进控制技术（APC）、计算机集成制造技术（CIMS）引进中国后的第一批参与者和实践者，近10年来，发表论文150余篇。
热门文章
