大数据技术在设备运行状态趋势预测上的应用

周忠亮

（石化盈科信息技术有限责任公司，北京 100020）

当前，以云计算、大数据、物联网、移动互联网、人工智能等为代表的新一轮科技革命席卷全球，推动制造业迈向转型升级的新阶段。纵观国内外石油石化行业，各大企业纷纷加大数字技术创新，加快数字化业务布局，开展数字化、智能化项目建设，在传统行业中应用新兴技术以谋求新的增长点和突破点，力图在新一轮产业变革中塑造新优势、抢抓新机遇。如果说企业信息化是把正确的数据在正确的时间以正确的方式传递给正确的人和机器，那么智能化就是要把海量的工业数据转化为信息，信息转化为知识，知识转化为科学决策，以应对和解决制造过程的复杂性和不确定性等问题，其目标在于不断提高制造资源的配置效率。

近年来，我国自主设计建造和从国外引进了一大批成套生产装置，化工厂、大中型石化基地、大中小型化肥企业几乎遍布全国。大型石化装置普遍采用转动设备来输送流体和传递动力，以适应大流量、长期连续运转等生产要求，而转动设备常由于其自身缺陷或外界影响出现各种不同形式的故障，使其不能正常运行而影响实际生产运作，甚至会发生严重毁机事故，造成重大经济损失或人员伤亡。设备在使用过程中，其性能或状态将随着使用时间的推移逐步下降，最终演化为功能性故障。不同时间段对应不同维修体制，若根据故障发生前的一些预兆提前制定相应措施，则能够争取更多时间，做出更具针对性的决策，有计划性地安排停机，达到减少损失、降低成本的目的。为了确保生产装置的“安、稳、长、满、优”运行，必须保证转动设备长周期可靠运转。因此，开展转动设备的运行状态趋势预测技术研究，在设备故障未曾显现之前对其进行预测预警，实现预测性维护十分必要。

石化企业普遍实施了设备状态监测、实时数据库等系统，对设备本体状态及运行状态密切相关的参数进行集中监测。对于变化趋势的预测预警，传统的做法大都是通过设置阈值报警或者利用技术人员的经验进行人工判断。利用大数据挖掘等技术，使用聚类、关联等算法，可以对设备大量的历史数据进行挖掘、抽取、转换、分析和其他模型化的处理，从中提取辅助决策的关键性数据，发现规律，定量化分析研究设备状态变化问题，并采取针对性的措施降低设备运行风险，跟踪或控制设备劣化趋势。

1 设备运行状态预测的方法构建

围绕大数据分析，需要对设备的相关数据进行收集、处理和建模。

1.1 数据收集

数据收集是大数据分析的基础。设备运行的信息和数据分散在不同的系统中，需要借助有效的平台工具采集并存储数据。借助工业互联网平台的集中集成、工业物联等核心引擎，可以将包括设备工艺参数数据、设备状态数据、分析化验数据、技术资料信息、点巡检信息、检维修记录信息等在内的所有实时或历史数据集成、存储到统一平台中。而后，利用工业互联网平台的大数据算法工业技术引擎，实现一系列数据处理和建模工作，如图1所示。

图1 基于工业互联网平台开展设备大数据分析

1.2 数据处理

数据处理是大数据分析的前提。在这一过程中，要保留设备状态核心信息，缩减数据维度，降低模型运算量。常见的数据降维方法包括：主成分分析方法（PCA）、Pearson相关系数、最小二乘回归误差、最大互信息系数（MIC）等，这些方法在科学研究中都得到了不同程度的应用。石化行业转动设备的指标参数之间存在多种线性、非线性、甚至非函数关系，MIC方法适用于发现两个随机变量之间依赖关系强度，具有普适性，既能够发现变量间的线性函数关系，也能发现非线性函数关系。因此，与其他数据降维方法相比，使用MIC方法处理石化行业设备产生的数据更为合适。MIC方法的主要思想是：如果两个指标参数间存在某种关联关系，通过在其平面散点图中绘制网格把散点图中的点进行分割，进一步增大网格的分辨率并计算出每种分辨率下所能达到的最大互信息值，对所有的最大互信息值进行归一化处理后给出的计算结果。

1.3 数据建模

数据建模是大数据分析的关键。设备状态趋势预测的方法众多，目前常见的预测方法主要有灰色预测模型、支持向量机（SVM）、人工神经网络（ANN）、马尔科夫链模型预测等。其中，在超短期预测方面，马尔科夫链模型具有简便快捷、较高精确度、不需要对预测误差做出任何假设等特点。马尔科夫链模型的状态转移矩阵，能够从当前时刻的状态预测下一时刻的状态，在数据趋势预测中已得到成功应用。同时，动态劣化度由参数当前值和参数趋势变化量叠加而得，综合考虑了设备的当前状态及其变化趋势，能够动态描述设备的运行状态。具体而言，动态劣化度是用指标参数的预测值作为此刻劣化度分析的数值，来反映设备运行状态的好坏，其计算公式分为越小越优型、中间型、越大越优型。以越小越优型动态劣化度计算公式为例：

式中，g（xP）为指标参数的动态劣化度，g（xP）是区间[0，1]的具体数值，其中，0代表最优、1代表最差；xmin及xmax分别为该指标参数的正常运行最小值和最大值；xP为指标参数的预测值。

采用马尔科夫链模型并结合动态劣化度的计算方法，对转动设备的运行状态趋势进行预测，较为符合转动设备状态监测间隔时间短、数据量大、趋势预测既要算法精度又要兼顾实时性的要求。

1.4 方法总结

本文一方面通过MIC方法进行关联关系分析，识别出冗余指标参数，进而保留其中独立的指标参数进行后续分析计算，同时降低模型的规模和计算复杂度，提高对设备运行状态预测的准确性；另一方面，根据指标参数相关性分析结果，采用马尔科夫链模型来预测变化趋势，对独立指标参数采用动态劣化度分析方法进行归一化处理，从而预测设备运行状态的发展趋势。

2 实例应用

以某石化企业离心式压缩机组为例，进行设备运行状态趋势预测。首先确定与压缩机组相关的指标参数，为降低计算工作量、提高实时计算速度，先将离心机组按照功能组件划分为5个子系统，分别为压缩机、汽轮机、工艺系统、油路系统及干气密封系统，每个子系统独立预测与评价。从企业实时数据库、在线状态监测等系统提供的运行参数中选取可表征该压缩机组运行状态的主要评估指标参数。数据采集范围从1月1日至4月30日，每条数据记录间隔为1 min。

运用工业技术引擎的技术工具，对各子系统选取的指标参数中的两两参数间进行MIC计算，结合设备技术人员的经验，按照在充分表征运行状态的情况下尽可能选取少的指标参数的原则，选择出最佳组合作为独立指标参数。

以工艺系统为例，工艺P&ID图及测点位置如图2所示。

图2 机组工艺P&ID图

对工艺系统中的指标参数分别做两两参数间的MIC计算，结果如表1所示。

表1 指标参数MIC计算结果

选取XI24666，TI24140，FIC24033，PIC24226的组合为工艺系统中的独立指标参数。然后，对独立指标参数运用马尔科夫链计算其预测值及动态劣化度，可以得到独立指标在t*时刻的动态劣化度，如表2所示。

表2 工艺系统指标参数动态劣化度（t*时刻）

按照此方法依此计算各子系统的独立指标参数动态劣化度，作为该压缩机组的状态监测指标。4月7日00:44时该机组指标参数XI24666发出阈值报警，如图3上半部分所示。图3下半部分表示该指标参数的动态劣化度，可以看出，在00:28时指标参数XI24666的动态劣化度已发出阈值报警，之后一直处于高危区，在0:42时再次报警，并一直持续到最后。本方法监测的最早报警时间比阈值报警提前了16 min。

图3 动态劣化度监测与阈值报警时间对比

该方法充分考虑了机组当前运行状态及状态趋势，有利于提前发现和排查设备早期故障隐患，让机组故障可预测可预警。同时，大数据分析技术可以将原来对设备运行监测的多类分散数据可集中在一起，经过降维分析和可视化，能清晰、直观了解到本体、密封、润滑等各子系统状态，能更好更全面了解设备运行数据，受到机组设备人员的一致好评。

通过应用大数据技术，对关键的转动设备运行健康状态进行研究，分析结果和防范措施在企业提高生产运行效率、减少非计划停工次数、延长装置运行周期、延长设备使用寿命、降低设备维修费用等方面带来可观的经济效益。该石化公司近两年的年平均转动设备维修费约为15 150万元，应用设备运行状态趋势预测技术后，预计可降低转动设备维修费用5%，仅此项每年带来的经济效益约为757.5万元。

3 结语

石化行业因其典型的流程型制造模式，具有原料物性复杂、生产工艺复杂、生产装备复杂和安全环保要求高等特点。传统流程工业的产业转型升级，不仅需要新装备、新工艺和新型催化剂，更需要新一代信息技术与运营技术、制造技术的深度融合，为生产方式带来革命性变化。

本文在设备运维方面提出了一种基于大数据分析的设备运行状态趋势预测的方法，并将其应用于国内某石化企业压缩机组的状态监测。结果表明，该方法有利于提前发现早期故障隐患，实现对设备健康状态的定量分析、实时运算与智能预测，及时有效防范设备运行风险，保证设备连续安全运行，从而避免不必要的停机，并对缩短检修时间、合理安排检维修计划等起到重要作用，具有可观的工程应用价值，对提升企业的经济效益具有积极意义。