炼化大型关键设备机组健康模型研究及开发

李斌，马斌

（中国石油兰州石化公司研究院，甘肃 兰州 730060）

1 背景介绍

炼化企业作为高危生产行业，设备种类繁多复杂，操作条件变化多样，近几年来企业安全事故多发，直接影响到企业的经济效益与社会责任。通过对中国石油炼化分公司2015～2018 年炼化装置非计划停车次数的统计分析，因机械故障造成的装置停车次数是最多的。其中，机械故障中关键机组事故较多，影响最大，后果也最为严重，引发的装置非计划停车事故尤为突出。所以寻找一种可以保障生产装置长周期运行的设备健康管理方法成为了企业对设备维护管理的新策略。

虽然大型关键机组目前都安装有状态监测和过程控制系统，但各系统间相互独立，缺乏联通和集成机制，致使各监测参数都只能片面、孤立的反映设备某一部件或某一方面的状态，造成操作人员缺乏判断设备整体运行状态的依据，缺乏预测设备未来劣化趋势的手段，潜在的事故威胁未得到有效预警。因此，充分整合、利用炼化大型关键机组生产运行过程中产生的多源异构监测数据，形成机组健康大数据集成平台，并以此建立能够有效预测设备未来劣化趋势的预测预警模型，开展设备健康管理十分必要。

据统计，设备健康管理与故障诊断、预测技术不仅能降低事故发生的概率，还能节约维修工时与维修成本，为装置长周期安全运行提供基础保障。本文针对炼化企业催化裂化装置的3 种典型关键设备：烟气轮机、汽轮机、轴流式压缩机，建立关键机组健康感知模型，并形成关键机组从健康感知到预测预警的自动诊断体系。从理论创新和实际推广上论证了大数据分析和机器学习在炼化大型关键设备机组健康模型开发应用上的巨大价值。

2 设备健康模型设计

2.1 基于数据模型分析的方法

基于数据模型分析的方法是近些年普遍用于大型设备故障诊断领域所研究采用的一种方法。传统的设备故障模型是在基于设备机理的精确数学模型的基础上建立的能够表征故障性能的模型，这种机理建模方式对于不同型号的设备没有通用性，而一旦设备发生了零件变化或者工艺变化或者工况变化或者其他影响了因果关系的变化，模型就要推倒重建。这样的建模方式显然不适合工业系统复杂的设备种类、复杂的工艺环境以及千变万化的工况，所以用机理建模分析设备状态是不够高效、不够精确的。而基于数据建模的分析方法最大的优势就在于不用建立精确的设备机理数学模型，通过从机组运行的海量数据中选取典型状态模式，建立设备状态模型。本研究的大数据分析算法“超球建模”方式就是这样一种机器学习的建模方式，利用设备各个运行参数维度的相关性来定义这个设备系统的可靠性，通过对数据的分析、对比，预测出设备的健康程度，并锚定出影响健康状态的各个参数点，从而大大减轻了运维人员的分析压力，有效提高了设备的运维管理效率，并保证了设备的安全可靠性，避免了非计划停机的发生。

2.2 设备健康及故障预测流程

本研究主要应用基于数据模型分析的方法来完成故障诊断工作。其流程为：

(1)在实时数据库中提取烟气轮机、汽轮机、压缩机工艺性能参数数据，如：压力、温度、流量、液位、阀位等；提取机组状态监测性能参数数据，如：转速、振动、位移、轴温、电流等。对机组相关测点进行监测，并获取设备多工况历史数据。

(2)设备运行数据清洗，收集和整理机组测点位号，从实时数据中导出相关测点位号数据，根据设备维修记录和设备报警限值清洗数据，以获得该设备在正常工况下的运行数据。

(3)利用信号处理或者其他特征提取方法提取信号的本质特征以供诊断。

(4)由于实际生产中难以获取设备各类故障数据和同故障的不同严重程度的大量数据，所以采用清洗后正常工况的设备运行数据作为一类数据，用于训练一个最小超球面，把正常工况的数据包裹起来以供后续数据诊断。

(5)利用机器学习算法，经过关联相似性计算，构建设备过程对象动态状态模型，接入实时数据与数据模型特征值组比较计算，进行设备潜在故障早期预警。

2.3 机器学习及超球算法

超球建模技术是针对工业时序数据的机器学习算法，通过工业设备的海量时序运行数据，建立设备运行状态的感知模型。

超球算法与常用的人工神经网络和支持向量机等算法不同，超球算法在处理海量数据时，没有进行降维或升维的空间转换，这样就避免了由于维度增减带来的信息遗失。超球算法的建模和计算过程都保持问题空间的维度不变，特别适合工业环境中很难用机理精确模型描述的设备状态建模过程，并以连续时间为基础对海量状态数据进行分析，这个特点使超球算法在针对设备运行状态的实时数据分析方面有独到的优势。

本研究通过以下3 个步骤实现数据驱动的设备健康感知和早期预警。

(1)数据建模

首先，将来自传感器的机组测点历史数据进行挑选与整理，每组数据都表达了设备对象的一个正常状态，且采样值组中各个变量必须满足同时性，从而得到基于时间维度上的与对应工况正常状态相对应的设备状态数据集。然后，从这些状态集合中抽取出最能代表过程对象特性的状态点，再通过关联相似性计算筛选关联参照点，构建设备过程对象的动态状态模型。建模过程保留设备所有的关联变量，没有降维或升维变换，测点的权重通过设备状态模型的分布密度自动识别。

(2)状态感知

接入现场实时数据（实时状态值组），与设备状态模型中的状态点数值组比较计算，找到与实时状态值组最相似的数据模型特征值组，构建设备在线健康度值，并通过“相似度曲线”表示，其量程为0～100%，称为“健康度”。

取正常状态的健康度值中的最小值作为预警基准线，得到设备健康度的“基准值”。当机组当前运行状态发生改变而偏离历史运行规律时，将自动识别当前变化并持续监测，当设备在线健康度值低于预警基准线的数值时，将自动对设备状态发布潜在故障的早期预警。

(3)关联分析

本研究通过关联因素排序来实现工业设备的测点变量之间的动态关联分析。当工业设备的健康度出现跌落时，表示设备的运行状态与历史同工况下的正常运行状态已经发生了变化。系统的关联计算引擎从设备的大量变量中识别出关键的影响因素，自动计算动态权重，感知设备对象的测点变量中对实时状态贡献最大的变量，并以主关联因素排序的方式给出。再通过关联分析规则引擎，将设备对象异常状态规则化，在规则库中建立设备对象的异常状态与关联测点之间的因果关系。通过关联分析自动触发对应规则，并将预警结果发送给相关人员。

3 研究应用

3.1 应用效果

设备的健康状态感知模型以设备自身的历史运行数据为基础构建，针对设备的每一组运行状态自动计算，得到健康感知的量化结果，并以健康度（%）展示出来。当设备运行状态稳定正常时，健康度将维持在健康基准线以上，一旦设备的运行状态偏离正常，将立即给出健康度下降的提醒，即便此时通过常规监测系统没有提示设备已经发生故障，系统也会根据预定的预警规则给出预警信息。同时，系统自动识别出现异动时对健康度影响最大的测点排序，作为主要预警主关联，供进一步做设备预警诊断。

3.2 验证分析

验证选取从2019 年3 月到2020 年6 月状态良好的机组历史数据建立数据健康模型，然后对6 月以后的数据进行调整，将汽轮机截面6 振动X、振动Y 慢慢调大，但是该数值仍在DCS 范围内，最后利用建好的模型对调整好的数据进行计算分析，得出的分析结果是汽轮机的健康度值在振动数据变化一分钟后开始降低，并产生预警信息，第一、二关联测点均为汽轮机截面6 振动X、振动Y。

通过对汽轮机的数据验证，可以看出针对设备渐变和突变状态，健康模型都能敏捷而准确的做出反应，尤其是对渐变的状态效果十分理想。

3.3 早期预警

本研究中设备的状态模型识别到设备发生健康异动时，将自动发出早期预警，同时分析并提供导致设备健康度跌落的主要原因。设备的关联点是在每个状态下对设备健康度贡献最大的测点，在预警时段，设备的主要关联点非常一致，被视为设备健康波动的主要因素。对关联点的取值进行进一步趋势分析，同时对照设备检修记录，故障现象与设备预警时给出的主要关联点完全一致。

4 结语

本次研究与实践在炼化企业，特别是转动设备的状态预测方面开创了一条运用数据驱动的新方法。通过上述案例，可以看到通过大数据和机器学习的模型可以对设备进行在线健康评估，可以对设备的状态给出量化的、可以评判的指标，在设备预测性维修系统中，健康度指标可以用于触发维修策略的基本条件。而通过大数据和机器学习给出的主要关联测点，也可以作为制定设备维修策略的重要参考。未来将进一步采用深度学习的技术,获得更为准确的预测效果。