煉化大型關(guān)鍵設(shè)備機組健康模型研究及開發(fā)

李斌，馬斌

（中國石油蘭州石化公司研究院，甘肅 蘭州 730060）

1 背景介紹

煉化企業(yè)作為高危生產(chǎn)行業(yè)，設(shè)備種類繁多復(fù)雜，操作條件變化多樣，近幾年來企業(yè)安全事故多發(fā)，直接影響到企業(yè)的經(jīng)濟效益與社會責任。通過對中國石油煉化分公司2015～2018 年煉化裝置非計劃停車次數(shù)的統(tǒng)計分析，因機械故障造成的裝置停車次數(shù)是最多的。其中，機械故障中關(guān)鍵機組事故較多，影響最大，后果也最為嚴重，引發(fā)的裝置非計劃停車事故尤為突出。所以尋找一種可以保障生產(chǎn)裝置長周期運行的設(shè)備健康管理方法成為了企業(yè)對設(shè)備維護管理的新策略。

雖然大型關(guān)鍵機組目前都安裝有狀態(tài)監(jiān)測和過程控制系統(tǒng)，但各系統(tǒng)間相互獨立，缺乏聯(lián)通和集成機制，致使各監(jiān)測參數(shù)都只能片面、孤立的反映設(shè)備某一部件或某一方面的狀態(tài)，造成操作人員缺乏判斷設(shè)備整體運行狀態(tài)的依據(jù)，缺乏預(yù)測設(shè)備未來劣化趨勢的手段，潛在的事故威脅未得到有效預(yù)警。因此，充分整合、利用煉化大型關(guān)鍵機組生產(chǎn)運行過程中產(chǎn)生的多源異構(gòu)監(jiān)測數(shù)據(jù)，形成機組健康大數(shù)據(jù)集成平臺，并以此建立能夠有效預(yù)測設(shè)備未來劣化趨勢的預(yù)測預(yù)警模型，開展設(shè)備健康管理十分必要。

據(jù)統(tǒng)計，設(shè)備健康管理與故障診斷、預(yù)測技術(shù)不僅能降低事故發(fā)生的概率，還能節(jié)約維修工時與維修成本，為裝置長周期安全運行提供基礎(chǔ)保障。本文針對煉化企業(yè)催化裂化裝置的3 種典型關(guān)鍵設(shè)備：煙氣輪機、汽輪機、軸流式壓縮機，建立關(guān)鍵機組健康感知模型，并形成關(guān)鍵機組從健康感知到預(yù)測預(yù)警的自動診斷體系。從理論創(chuàng)新和實際推廣上論證了大數(shù)據(jù)分析和機器學(xué)習(xí)在煉化大型關(guān)鍵設(shè)備機組健康模型開發(fā)應(yīng)用上的巨大價值。

2 設(shè)備健康模型設(shè)計

2.1 基于數(shù)據(jù)模型分析的方法

基于數(shù)據(jù)模型分析的方法是近些年普遍用于大型設(shè)備故障診斷領(lǐng)域所研究采用的一種方法。傳統(tǒng)的設(shè)備故障模型是在基于設(shè)備機理的精確數(shù)學(xué)模型的基礎(chǔ)上建立的能夠表征故障性能的模型，這種機理建模方式對于不同型號的設(shè)備沒有通用性，而一旦設(shè)備發(fā)生了零件變化或者工藝變化或者工況變化或者其他影響了因果關(guān)系的變化，模型就要推倒重建。這樣的建模方式顯然不適合工業(yè)系統(tǒng)復(fù)雜的設(shè)備種類、復(fù)雜的工藝環(huán)境以及千變?nèi)f化的工況，所以用機理建模分析設(shè)備狀態(tài)是不夠高效、不夠精確的。而基于數(shù)據(jù)建模的分析方法最大的優(yōu)勢就在于不用建立精確的設(shè)備機理數(shù)學(xué)模型，通過從機組運行的海量數(shù)據(jù)中選取典型狀態(tài)模式，建立設(shè)備狀態(tài)模型。本研究的大數(shù)據(jù)分析算法“超球建?！狈绞骄褪沁@樣一種機器學(xué)習(xí)的建模方式，利用設(shè)備各個運行參數(shù)維度的相關(guān)性來定義這個設(shè)備系統(tǒng)的可靠性，通過對數(shù)據(jù)的分析、對比，預(yù)測出設(shè)備的健康程度，并錨定出影響健康狀態(tài)的各個參數(shù)點，從而大大減輕了運維人員的分析壓力，有效提高了設(shè)備的運維管理效率，并保證了設(shè)備的安全可靠性，避免了非計劃停機的發(fā)生。

2.2 設(shè)備健康及故障預(yù)測流程

本研究主要應(yīng)用基于數(shù)據(jù)模型分析的方法來完成故障診斷工作。其流程為：

(1)在實時數(shù)據(jù)庫中提取煙氣輪機、汽輪機、壓縮機工藝性能參數(shù)數(shù)據(jù)，如：壓力、溫度、流量、液位、閥位等；提取機組狀態(tài)監(jiān)測性能參數(shù)數(shù)據(jù)，如：轉(zhuǎn)速、振動、位移、軸溫、電流等。對機組相關(guān)測點進行監(jiān)測，并獲取設(shè)備多工況歷史數(shù)據(jù)。

(2)設(shè)備運行數(shù)據(jù)清洗，收集和整理機組測點位號，從實時數(shù)據(jù)中導(dǎo)出相關(guān)測點位號數(shù)據(jù)，根據(jù)設(shè)備維修記錄和設(shè)備報警限值清洗數(shù)據(jù)，以獲得該設(shè)備在正常工況下的運行數(shù)據(jù)。

(3)利用信號處理或者其他特征提取方法提取信號的本質(zhì)特征以供診斷。

(4)由于實際生產(chǎn)中難以獲取設(shè)備各類故障數(shù)據(jù)和同故障的不同嚴重程度的大量數(shù)據(jù)，所以采用清洗后正常工況的設(shè)備運行數(shù)據(jù)作為一類數(shù)據(jù)，用于訓(xùn)練一個最小超球面，把正常工況的數(shù)據(jù)包裹起來以供后續(xù)數(shù)據(jù)診斷。

(5)利用機器學(xué)習(xí)算法，經(jīng)過關(guān)聯(lián)相似性計算，構(gòu)建設(shè)備過程對象動態(tài)狀態(tài)模型，接入實時數(shù)據(jù)與數(shù)據(jù)模型特征值組比較計算，進行設(shè)備潛在故障早期預(yù)警。

2.3 機器學(xué)習(xí)及超球算法

超球建模技術(shù)是針對工業(yè)時序數(shù)據(jù)的機器學(xué)習(xí)算法，通過工業(yè)設(shè)備的海量時序運行數(shù)據(jù)，建立設(shè)備運行狀態(tài)的感知模型。

超球算法與常用的人工神經(jīng)網(wǎng)絡(luò)和支持向量機等算法不同，超球算法在處理海量數(shù)據(jù)時，沒有進行降維或升維的空間轉(zhuǎn)換，這樣就避免了由于維度增減帶來的信息遺失。超球算法的建模和計算過程都保持問題空間的維度不變，特別適合工業(yè)環(huán)境中很難用機理精確模型描述的設(shè)備狀態(tài)建模過程，并以連續(xù)時間為基礎(chǔ)對海量狀態(tài)數(shù)據(jù)進行分析，這個特點使超球算法在針對設(shè)備運行狀態(tài)的實時數(shù)據(jù)分析方面有獨到的優(yōu)勢。

本研究通過以下3 個步驟實現(xiàn)數(shù)據(jù)驅(qū)動的設(shè)備健康感知和早期預(yù)警。

(1)數(shù)據(jù)建模

首先，將來自傳感器的機組測點歷史數(shù)據(jù)進行挑選與整理，每組數(shù)據(jù)都表達了設(shè)備對象的一個正常狀態(tài)，且采樣值組中各個變量必須滿足同時性，從而得到基于時間維度上的與對應(yīng)工況正常狀態(tài)相對應(yīng)的設(shè)備狀態(tài)數(shù)據(jù)集。然后，從這些狀態(tài)集合中抽取出最能代表過程對象特性的狀態(tài)點，再通過關(guān)聯(lián)相似性計算篩選關(guān)聯(lián)參照點，構(gòu)建設(shè)備過程對象的動態(tài)狀態(tài)模型。建模過程保留設(shè)備所有的關(guān)聯(lián)變量，沒有降維或升維變換，測點的權(quán)重通過設(shè)備狀態(tài)模型的分布密度自動識別。

(2)狀態(tài)感知

接入現(xiàn)場實時數(shù)據(jù)（實時狀態(tài)值組），與設(shè)備狀態(tài)模型中的狀態(tài)點數(shù)值組比較計算，找到與實時狀態(tài)值組最相似的數(shù)據(jù)模型特征值組，構(gòu)建設(shè)備在線健康度值，并通過“相似度曲線”表示，其量程為0～100%，稱為“健康度”。

取正常狀態(tài)的健康度值中的最小值作為預(yù)警基準線，得到設(shè)備健康度的“基準值”。當機組當前運行狀態(tài)發(fā)生改變而偏離歷史運行規(guī)律時，將自動識別當前變化并持續(xù)監(jiān)測，當設(shè)備在線健康度值低于預(yù)警基準線的數(shù)值時，將自動對設(shè)備狀態(tài)發(fā)布潛在故障的早期預(yù)警。

(3)關(guān)聯(lián)分析

本研究通過關(guān)聯(lián)因素排序來實現(xiàn)工業(yè)設(shè)備的測點變量之間的動態(tài)關(guān)聯(lián)分析。當工業(yè)設(shè)備的健康度出現(xiàn)跌落時，表示設(shè)備的運行狀態(tài)與歷史同工況下的正常運行狀態(tài)已經(jīng)發(fā)生了變化。系統(tǒng)的關(guān)聯(lián)計算引擎從設(shè)備的大量變量中識別出關(guān)鍵的影響因素，自動計算動態(tài)權(quán)重，感知設(shè)備對象的測點變量中對實時狀態(tài)貢獻最大的變量，并以主關(guān)聯(lián)因素排序的方式給出。再通過關(guān)聯(lián)分析規(guī)則引擎，將設(shè)備對象異常狀態(tài)規(guī)則化，在規(guī)則庫中建立設(shè)備對象的異常狀態(tài)與關(guān)聯(lián)測點之間的因果關(guān)系。通過關(guān)聯(lián)分析自動觸發(fā)對應(yīng)規(guī)則，并將預(yù)警結(jié)果發(fā)送給相關(guān)人員。

3 研究應(yīng)用

3.1 應(yīng)用效果

設(shè)備的健康狀態(tài)感知模型以設(shè)備自身的歷史運行數(shù)據(jù)為基礎(chǔ)構(gòu)建，針對設(shè)備的每一組運行狀態(tài)自動計算，得到健康感知的量化結(jié)果，并以健康度（%）展示出來。當設(shè)備運行狀態(tài)穩(wěn)定正常時，健康度將維持在健康基準線以上，一旦設(shè)備的運行狀態(tài)偏離正常，將立即給出健康度下降的提醒，即便此時通過常規(guī)監(jiān)測系統(tǒng)沒有提示設(shè)備已經(jīng)發(fā)生故障，系統(tǒng)也會根據(jù)預(yù)定的預(yù)警規(guī)則給出預(yù)警信息。同時，系統(tǒng)自動識別出現(xiàn)異動時對健康度影響最大的測點排序，作為主要預(yù)警主關(guān)聯(lián)，供進一步做設(shè)備預(yù)警診斷。

3.2 驗證分析

驗證選取從2019 年3 月到2020 年6 月狀態(tài)良好的機組歷史數(shù)據(jù)建立數(shù)據(jù)健康模型，然后對6 月以后的數(shù)據(jù)進行調(diào)整，將汽輪機截面6 振動X、振動Y 慢慢調(diào)大，但是該數(shù)值仍在DCS 范圍內(nèi)，最后利用建好的模型對調(diào)整好的數(shù)據(jù)進行計算分析，得出的分析結(jié)果是汽輪機的健康度值在振動數(shù)據(jù)變化一分鐘后開始降低，并產(chǎn)生預(yù)警信息，第一、二關(guān)聯(lián)測點均為汽輪機截面6 振動X、振動Y。

通過對汽輪機的數(shù)據(jù)驗證，可以看出針對設(shè)備漸變和突變狀態(tài)，健康模型都能敏捷而準確的做出反應(yīng)，尤其是對漸變的狀態(tài)效果十分理想。

3.3 早期預(yù)警

本研究中設(shè)備的狀態(tài)模型識別到設(shè)備發(fā)生健康異動時，將自動發(fā)出早期預(yù)警，同時分析并提供導(dǎo)致設(shè)備健康度跌落的主要原因。設(shè)備的關(guān)聯(lián)點是在每個狀態(tài)下對設(shè)備健康度貢獻最大的測點，在預(yù)警時段，設(shè)備的主要關(guān)聯(lián)點非常一致，被視為設(shè)備健康波動的主要因素。對關(guān)聯(lián)點的取值進行進一步趨勢分析，同時對照設(shè)備檢修記錄，故障現(xiàn)象與設(shè)備預(yù)警時給出的主要關(guān)聯(lián)點完全一致。

4 結(jié)語

本次研究與實踐在煉化企業(yè)，特別是轉(zhuǎn)動設(shè)備的狀態(tài)預(yù)測方面開創(chuàng)了一條運用數(shù)據(jù)驅(qū)動的新方法。通過上述案例，可以看到通過大數(shù)據(jù)和機器學(xué)習(xí)的模型可以對設(shè)備進行在線健康評估，可以對設(shè)備的狀態(tài)給出量化的、可以評判的指標，在設(shè)備預(yù)測性維修系統(tǒng)中，健康度指標可以用于觸發(fā)維修策略的基本條件。而通過大數(shù)據(jù)和機器學(xué)習(xí)給出的主要關(guān)聯(lián)測點，也可以作為制定設(shè)備維修策略的重要參考。未來將進一步采用深度學(xué)習(xí)的技術(shù),獲得更為準確的預(yù)測效果。