吊机设备数据相关性分析及故障预测

潘军明 陈小泉

摘  要：数据分析对企业的生产运营具有至关重要的作用。该文以油气田吊机设备数据为基础，利用生产过程中所产生的各种历史数据，采用多种分析模型，从不同角度有针对性地对数据进行分析，得到科学直观的相关性分析结果，并对设备故障进行大概预测。基于这些分析预测结果，现场人员能够及时制订设备预防性维护计划，降低设备的故障率，为生产决策提供数据支持。

关键词：吊机  相关性分析  Pandas  Sklearn  故障預测

中图分类号：TH215                                文献标识码：A                           文章编号：1672-3791（2019）04（c）-0051-03

随着中海油信息化的不断发展，已经建成了资产管理系统、采办系统、设备运行管理系统、物流配送等系统，积累了数以千万计的基础数据和业务数据。而油气田现场部署着各种各样的设备，如何通过数据分析挖掘，给设备管理工作提供指导建议，降低维护成本，提高设备使用价值，已成为公司面临的一个重大问题。

1  问题与现状

在石油勘探开发过程中需要使用到各种机电仪设备，这些设备如果发生故障，需要管理人员进行维护。目前现场只能根据设备的运行时长制订维护计划，不能很好的根据设备运行状态、故障原因，故障次数，维修费用等情况综合起来预测设备故障趋势，以便在下一次故障出现前进行提前维护，减少设备关停的次数，增加设备持续运行时间。因此，该次研究有针对性的选择了吊机为分析对象，梳理出与该设备相关的各类数据，结合实际业务建立数据模型，以大量各种相关数据为基础，对该设备进行深入分析，验证算法的有效性和准确性，从而确定设备的总体故障趋势。

2  分析过程描述

从工单、物料、服务接收单、运行管理、检修工时、故障填报等基础信息中提取5年以来的数据，并进行指标量化（故障次数、维修费用、检修次数、检修时长、运行时长）。

Pandas是一个开放源码的Python库，它使用强大的数据结构提供高性能的数据操作和分析工具。利用Pandas可以完成数据处理和分析的五个典型步骤，加载，准备，操作，模型和分析。利用pandas及作图工具对故障次数与其他属性（指标）进行探寻获得如下图形。

通过数据初探发现图1～图3与图4（线形回归）比较接近，尤其是故障次数/检修次数与图4（线形回归）最拟合。

3  分析与预测

3.1 相关分析

相关系数是用来刻画二维随机变量两个分量间相互关联程度。利用python 数据分析包pandas 中求相关系数方法Corr（）进行分析。

通过相关分析得出如图5所示结果，故障次数与自身相关系数为1，与隐患次数相关系为0.39，与检查次数相关系为0.97，与检查时长相关系0.81，与维修费用相关系数为：0.73。当得知各个属性（指标）与故障次数的相关系数后，可通过关联度较高的检查次数、检查时长、维修费用来侧面观察设备的故障发生次数。

3.2 预测分析

sklearn和pandas一样是一个开放源码的Python库，支持回归，分类、聚类等强大的机器学习库。该次将利用sklearn内置的回归模型进行吊机设备的分析和预测。

进行回归分析（线形回归），需要将数据划分为两份数据集，一份用于训练，一份用于对训练结果的检测（测试数据），各自占数据总体比例分别为75%、25%，其数据集划分如图6所示。

从构造数据集和创建预测模型，输出预测结果完整代码如图7所示。根据图7输出结果：预测故障次数为2，与实际故障次数3比较接近。

对于预测模型的好坏，以均方误差作为评价标准：其值越接近0模型越优良。模型评测效果：如图8 输出的均方误差1.733表示该模型很优秀。

4  结语

通过吊机设备的分析后发现，故障次数和查次数、检查时长、维修费相关性较强尤其是与检修次数相关性较为接近，基本上都是线形相关。通过检查次数和隐患次数可对故障次数进行线形回归预测，其模型均方误差值较小，预测的故障次数与实际故障次数比较接近，基本达到对吊机故障的分析预测。

参考文献

[1] 万倩，谢峰，赵明. 基于大数据的设备故障预测[J].广播电视信息，2016（11）：71-73.

[2] 续媛君，潘宏侠.设备故障趋势预测的分析与应用[J]. 振动、测试与诊断，2006（4）：305-308，333.

[3] 王致杰，王耀才，李冬.现代大型设备故障智能诊断技术的现状与展望[J].煤矿机械，2003（7）：102-104.

[4] 何春燕，王超宇.基于python+pandas的数据分析处理应用[J].数码世界，2018（7）：386.