基于SOA 架构的动设备集群化监测诊断系统设计及应用研究

董宝柱，李杰，尹波，李振，徐鑫

（中海油能源发展装备技术有限公司，天津 300452）

1 引言

海洋石油平台工艺流程复杂、设备繁多，关键设备的运行状态关系着海上油气的安全生产。因此海洋石油平台积极开展完整性管理建设，针对动设备提出分类分级管理和运维策略。A 类关键设备如注水泵、外输泵、原油主机、天然气压缩机等，因其生产影响程度、设备价值、设备维修难度等因素，已通过安装在线监测系统开展预测性维修。由于涉及不同类型不同管理层级的设备且存在可扩展性、高数据处理量等特点，需要针对海洋石油的特殊环境和需求，研究搭建分层分布式的集群化监测系统。

2 架构设计

2.1 SOA 架构设计

由于海洋石油动设备分布广泛、现场环境恶劣，动设备资产日趋密集，设备管理水平直接影响企业的产能发挥、产品质量、成本控制和综合竞争能力。如何保证动设备的安全、稳定运行并实现各级管理者的有效管理已成为设备管理者面临的重大课题。

在线监测系统本身是个信息融合的系统，涉及到各种传感器数据，以及第三方系统接口，故系统本身调用了各种系统的数据，也就必须具备多种体系结构的组件共同运行的能力。同时系统本身也面对实时处理和适应变化两方面的需求，这也对系统的多体系结构的融合提出了较高的要求。

面向服务的体系结构（SOA 架构）是一个组件模型，它将应用程序的不同功能单元（称为服务）通过这些服务之间定义良好的接口和契约联系起来。针对海洋石油在线监测系统，设计基于SOA 架构的分层分布式集群化监测诊断系统架构如图1 所示。

图1 基于SOA 架构的分层分布式集群化监测系统架构

系统大致可以分成3 个大的组成部分：采集层、故障诊断层（服务层）、用户表示层。其中，第一层是采集层；采集层的核心需求是实时性，高并发（高并发的大量数据，一个测点的一个采集波形最少有256 点以上），故采用C++实时中间件以及实时内存对象数据库来实现，以满足报警和诊断的需要。采集层通过自有协议将数据从装置级中间件高速地同步到中心级中间件。

第二层是故障诊断层，即SOA 中的服务层；也就是中心服务器所在的层次，起到了对采集层数据进行打包、分析、后处理，以及对外发布的作用。所以故障诊断层又分成2 个子层：中心中间件层和业务层。对于前端的请求，根据业务数据的不同在apache 内进行了不同的处理。静态数据直接由apache 负责对外处理，动态数据又分成2 部分：标准化的设备业务数据的获得通过动态数据接口同中心级中间件进行交互。非标准化的数据由业务代码直接调用动态接口组自定义接口来实现对中间件数据的调用和处理，仅供内部管理使用。

第三层为用户前端层，静态数据（CSS/JS）直接来自于apache，动态数据的调用方式包括3 种调用方式：第一种调用方式也就是B/S 结构，所有动态数据均通过网页发起AJAX 调用，直接面对标准的API 接口。第二种方式通过客户端程序直接调用中间件数据，也就是C/S模式。第三种也就是通过标准API 接口直接提供。

2.2 数据接口设计

海上油田动设备集群化监测诊断系统通过其内部的外部接口管理模块统一管理所有外部通讯，包括将数据通讯到监测诊断系统中以及将监测诊断系统中的数据通过提供的接口发送给不同的系统，该系统满足所采集原始数据的类型、协议等数据标准，具体结构如图2 所示。

图2 开放的数据接口结构

动设备集群化监测诊断系统能够为设备管理系统提供数据，实现设备管理系统与状态监测系统的数据交互，能从设备管理系统交互设备信息，包括状态监测数据、故障数据、维修保养数据等，并同时为RCM 提供数据，为其提供如监测设备台数、报警次数、备件消耗检维修信息等内容，形成动态RCM，通过状态监测系统提示故障信息后经RCM 提出维修/保养建议，实现动态实时监测，将RCM 系统工单传送到设备管理系统。

根据已经建设的往复压缩机、机泵专家系统实现提供数据接口，实现在线监测故障经过专家诊断系统处理后，根据专家系统可以给出初步诊断结论。针对已经建设的机泵性能评估、寿命预测系统提供数据接口，实现在线监测系统机泵数据经过性能评估和寿命预测，给出评估和预测结果。

整体的系统架构和数据接口关系如图3 所示。

图3 整体的系统架构和数据接口关系

2.3 智能化设计

设备实时数据非常复杂，包括振动、温度、压力及噪声等多种状态参数的监测，而故障预警技术只适用于专门从事设备故障诊断的技术人员，设备的实际使用者很难掌握振动分析技术。为了解决用户使用问题、减轻巡检人员的工作量，国内外学者开展多维参数的设备故障预警技术研究，实现设备故障自主诊 断及设备运行状态的监测。

以机泵智能诊断为例。泵稳定工况的固定阈值预警固然能够达到泵设备早期故障预警的目的，避免一些故障的发生，及时检修，但由于泵设备在 运行过程中工况常发生变化，以单一工况建立的阈值预警系统会因工况变化而造成低工况漏警、高工况误警的事故。因而亟待综合利用降维、人工神经网络等机器学习算法筛选分析数据。相对于机泵单一工况的阈值预警，多工况预警系统更为复杂，主要原因有3 点：稳定工况下设备故障；设备变工况但未发生故障；设备变工况且发生故障。振动特征参数随工况发生非线性变化，其阈值也将改变。因此多工况首先需要对泵各工况进行研究，合理划分工况，再结合设备运行工况不同区间，分别建立特征阈值。

BP 神经网络可以解决网络运行过程中难以收敛、准确度低的问题。通过信息反传，赋予网络自学习功能，利用反传误差调节网络参数，加速网络的收敛。BP 神经网络能够实现复杂非线性动态系统的精确预测，且对数据波动具有一定的容忍性，适用于一些具有非稳定特性的数据。BP 神经网络由输入层、隐含层和输出层组成，层与层之间采用全连接方式。其中输入层和输出层的节点数取决 于数据样本的结构，隐含层的层数和节点数根据测试结果确定，不同隐含层层数和节点数的网络模型在预测准确度上差别较大。

神经网络通过线性计算，利用非线性的激励函数非线性化处理线性输出，根据最终输出和期望输出之间的误差，修改网络权重系数，从而达到分类和回归预测。因此将利用BP 神经网络，学习设备运行工况，实现运行工况识别，利用学习好的模型，确定设备实时运行工况。

随着信息技术革命日新月异，物联网、云计算、大数据、人工智能等新概念和新技术的出现，在社会经济、人文科学、自然科学等领域引发了一系列革命性的突破[2]。在医学领域，随着国家信息化进程的加快和医学信息化的发展，从基础教学到临床诊断，从基因表达到靶标开发，从远程医疗到虚拟手术，计算机技术发挥着越来越重要的作用。

基于BP 神经网络的工况匹配，能够快速、准确实现实验工况识别。但实际应用过程中，模型训练数据需要添加工况标签，因此，通过建立设备运行工况库及工况标签库，解决实际应用过程中标签添加困难的问题，具体流程如图4 所示。

图4 设备实时运行工况识别

具体实施步骤如下：

（1）构建设备稳定运行阶段的工况表，根据稳定运行工况表，生成机组运行工况库和工况标签库；

（2）根据设备工况表和标签库，为变负荷设备实时运行数据添加标签；

（3）将数据和标签一起输入到BP 网络中训练模型，训练网络，建立工况识别模型；

（4）当产生新工况时，根据标签库构建原则，更新标签库，利用网络对新的数据训练，从而不断更新工况识别模型。

对设备运行工况参数，建立基于BP 神经网络的工况识别模型，并利用实验数据对模型进行了验证，可以得出以下结论：

（2）BP 网络参数设置简单，工况识别速度快，准确率高；

（3）工况识别的输入参数可以是多维度的，上述方法验证过程中仅用转速确定运行工况，实际使用过程中，可以将机组负载和其他工况参数，比如将设备不同测点温度、压力及噪声等状态参数直接添加到运行工况库中训练模型即可，模型的扩展性强；同时，能够解决工况参数过多，造成工况难以识别的问题。

在变工况运行的泵设备中，性能参数可以表征设备实际的运行情况，因此要想全面地对设备进行故障诊断，同样需要对设备的性能参数变化趋势进行监测，常采集的有温度、压力等数据。设备在变工况运行中，其信号的特征参数包含着与设备状态非常密切的信息，可以通过分析参数对正常和故障工况下的变化情况，从而选取与故障敏感的特征参数作为变工况设备故障诊断的依据。为了能够实现对机械设备故障的全面监测，应尽可能多的收集振动数据特征，但又会造成信息冗余问题。同时，特征集过大无法可视化特征，还会增加整个预警过程的时间。因此，需要对特征集进行二次特征选取，约减特征集，提升数据特征的利用效率。

3 应用

3.1 系统研发

针对以上分析和研究，将机泵、压缩机、内燃机、透平等设备的在线监测系统集成在基于SOA 架构的集群化监测诊断系统，提升监测系统的集群化能力和数据服务能力。海洋石油动设备集群化监测诊断系统如图5、图6 所示。

图5 基于SOA 架构的集群化监测诊断系统（泵）

图6 基于SOA 架构的集群化监测诊断系统（压缩机）

3.2 应用案例

某平台注水泵自7 月22 日早上有缓慢上升趋势，直至中午12:57 左右上升趋势明显升高，泵非驱动端加速度总值由之前的8m/s2上升到100m/s2，该点速度总值也由之前的1mm/s 上升到120mm/s。集群化监测系统及时发出预警。

从速度频谱看，泵的速度频谱中由之前的振动正常时的工频转为现在主要是9Hz 的频率成分，且速度时域波动也以9Hz 的频率成分的时域波形为主导；该点加速度频谱看，加速度频谱由之前的峰值不明显转为从低频到高频的峰值，且加速度时域波形振动幅值也明显升高。判断泵非驱动端轴承严重损坏，给平台及时发邮件。建议平台应立即停机，尽快对泵非驱动端轴承进行检查（尤其是保持架）并及时更换。在线监测系统异常数据图谱如图7 所示。

图7 泵异常数据图谱

4 结语

通过开展基于SOA 架构的海洋石油集群化监测系统架构设计，将机泵、压缩机、内燃机、透平等不同类型的在线监测系统纳入统一的集群化监测管理平台。通过集群化监测系统平台，能够有效实现对海洋石油关键机泵的预测性维修，为提升设备设施完整性管理水平提供强有力的技术支持。