基于大數(shù)據(jù)分析技術(shù)的動(dòng)設(shè)備運(yùn)行狀況預(yù)測(cè)研究

高 卓

（中海油能源發(fā)展裝備技術(shù)有限公司 天津 300452）

0 引言

近年來，大數(shù)據(jù)、云計(jì)算等現(xiàn)代信息技術(shù)的發(fā)展推動(dòng)了新一輪的科技革命，行業(yè)數(shù)字化建設(shè)進(jìn)入新的發(fā)展階段［1］。 油氣產(chǎn)業(yè)作為社會(huì)發(fā)展的重要經(jīng)濟(jì)命脈，數(shù)字化、智能化轉(zhuǎn)型已經(jīng)勢(shì)在必行。 目前各大油氣企業(yè)紛紛加大了數(shù)字化業(yè)務(wù)布局的力度，開展智能化建設(shè)。 依托大數(shù)據(jù)、云計(jì)算等智能化技術(shù)，將海量工業(yè)數(shù)據(jù)作為輸入信息進(jìn)行智能化分析，解決油田開發(fā)生產(chǎn)面臨的難題，為項(xiàng)目運(yùn)行提供科學(xué)的解決方案［2］。

透平發(fā)電機(jī)、天然氣壓縮機(jī)等是油氣田開發(fā)生產(chǎn)的重要裝備，在運(yùn)行中多采用傳動(dòng)設(shè)備傳遞動(dòng)力。 然而受自身缺陷以及外界作業(yè)環(huán)境等因素的影響，在生產(chǎn)作業(yè)過程中，動(dòng)設(shè)備不可避免地會(huì)出現(xiàn)各種形式的故障，制約了油田開發(fā)生產(chǎn)的優(yōu)快進(jìn)行，嚴(yán)重者可能導(dǎo)致設(shè)備損壞，誘發(fā)安全生產(chǎn)事故。 在長(zhǎng)期運(yùn)轉(zhuǎn)狀態(tài)下，隨著時(shí)間的推移，設(shè)備自身性能也會(huì)隨之降低并逐步演化成為功能性故障［3］。根據(jù)設(shè)備的歷史運(yùn)行數(shù)據(jù)，對(duì)其潛在故障進(jìn)行評(píng)估和預(yù)測(cè)，有計(jì)劃地安排停機(jī)檢修，能夠保證動(dòng)設(shè)備長(zhǎng)期穩(wěn)定運(yùn)轉(zhuǎn)。 目前油氣行業(yè)多通過設(shè)備狀態(tài)監(jiān)測(cè)、實(shí)時(shí)數(shù)據(jù)庫(kù)系統(tǒng)等方式對(duì)動(dòng)設(shè)備運(yùn)行狀態(tài)進(jìn)行評(píng)估，基于人工經(jīng)驗(yàn)判斷或者設(shè)置閾值等方式實(shí)現(xiàn)設(shè)備故障預(yù)警。 在新一輪技術(shù)科技革命浪潮中，應(yīng)用大數(shù)據(jù)技術(shù)對(duì)動(dòng)設(shè)備歷史數(shù)據(jù)進(jìn)行深入挖掘分析，提取關(guān)鍵信息評(píng)估設(shè)備運(yùn)行狀態(tài)變化是動(dòng)設(shè)備維護(hù)管理的必然需求。

1 動(dòng)設(shè)備運(yùn)行狀況預(yù)測(cè)方法構(gòu)建

本研究以石油工業(yè)常見的動(dòng)設(shè)備實(shí)時(shí)運(yùn)行數(shù)據(jù)參數(shù)、檢驗(yàn)參數(shù)、監(jiān)測(cè)數(shù)據(jù)、海上平臺(tái)中控生產(chǎn)數(shù)據(jù)等為基礎(chǔ)，以機(jī)器學(xué)習(xí)等智能方法為手段，開展常見動(dòng)設(shè)備運(yùn)行狀態(tài)和異常預(yù)測(cè)研究，構(gòu)建動(dòng)設(shè)備異常預(yù)測(cè)和早期識(shí)別診斷模型，實(shí)現(xiàn)動(dòng)設(shè)備異常的提前預(yù)警，減少設(shè)備故障發(fā)生率，提高油氣田開發(fā)生產(chǎn)效率。

1.1 數(shù)據(jù)采集

動(dòng)設(shè)備運(yùn)行過程中，可靠度是評(píng)判動(dòng)設(shè)備正常運(yùn)行的重要指標(biāo)。 因此通過數(shù)據(jù)分析得到設(shè)備各項(xiàng)參數(shù)，對(duì)設(shè)備的運(yùn)行狀況以及故障發(fā)生率進(jìn)行預(yù)測(cè)。 該過程需要大量的數(shù)據(jù)，包括設(shè)備固有參數(shù)、運(yùn)行環(huán)境數(shù)據(jù)以及運(yùn)行信息等等。 設(shè)備運(yùn)行信息數(shù)據(jù)能夠直接反映設(shè)備的運(yùn)行狀態(tài)，其余信息則間接反映其運(yùn)行情況，因此應(yīng)根據(jù)不同參數(shù)的影響程度給予不同的權(quán)重值［4］。 動(dòng)設(shè)備運(yùn)行環(huán)境數(shù)據(jù)對(duì)設(shè)備的使用年限有著重要的影響，常見的參數(shù)包括溫度、濕度、空氣灰塵量、振動(dòng)數(shù)據(jù)等等。 利用傳感器采集設(shè)備環(huán)境數(shù)據(jù)并傳入數(shù)據(jù)庫(kù)中，能夠提升模型預(yù)測(cè)的精度。 動(dòng)設(shè)備的固有參數(shù)包括設(shè)備尺寸、額定參數(shù)、材料材質(zhì)等，是大數(shù)據(jù)分析的重要信息。 在構(gòu)建模型的過程中還應(yīng)該將設(shè)備的商品信息納入數(shù)據(jù)庫(kù)中，如設(shè)備品牌、供貨商以及規(guī)格參數(shù)等，該類數(shù)據(jù)是設(shè)備追本溯源的重要信息，是對(duì)設(shè)備產(chǎn)品品牌評(píng)估預(yù)測(cè)的重要支撐。 動(dòng)設(shè)備運(yùn)行狀況數(shù)據(jù)能夠直接反映設(shè)備狀態(tài)，是故障預(yù)測(cè)和診斷分析的重要憑證，常用的參數(shù)包括溫度、實(shí)際電壓、功率、開關(guān)量、振動(dòng)量等。 數(shù)據(jù)收集是大數(shù)據(jù)預(yù)測(cè)分析的重要基礎(chǔ)，上述數(shù)據(jù)分布在不同系統(tǒng)中，需要借助有效的平臺(tái)工具采集存儲(chǔ)［5］。 一般來說，傳感器讀數(shù)、工作參數(shù)、技術(shù)資料信息、巡檢信息、分析化驗(yàn)信息、檢維修記錄、設(shè)備狀態(tài)等數(shù)據(jù)可通過傳感器、監(jiān)控和數(shù)據(jù)采集系統(tǒng)（supervisory control and data acquisition，SCADA）、設(shè)備記錄器等部件獲取，并存儲(chǔ)在數(shù)據(jù)倉(cāng)庫(kù)或云平臺(tái)中。

1.2 模型構(gòu)建和預(yù)測(cè)分析

1.2.1 模型構(gòu)建

基于大數(shù)據(jù)分析的動(dòng)設(shè)備運(yùn)行狀況預(yù)測(cè)模型及其架構(gòu)，如圖1 所示。 針對(duì)構(gòu)建的原始數(shù)據(jù)庫(kù)，進(jìn)行特征提取與選擇，即從清洗后的數(shù)據(jù)中提取與設(shè)備運(yùn)行狀況相關(guān)的特征數(shù)據(jù)，包括設(shè)備工作參數(shù)、振動(dòng)頻率、溫度變化等。 同時(shí)，可以借助特征選擇算法篩選出對(duì)設(shè)備運(yùn)行狀況預(yù)測(cè)具有較高影響的特征數(shù)據(jù)作為樣本。 在采集動(dòng)設(shè)備歷史數(shù)據(jù)的基礎(chǔ)上，對(duì)原始數(shù)據(jù)分類處理，并進(jìn)行深入挖掘，評(píng)估不同參數(shù)變量之間的相關(guān)程度，得到變量的相關(guān)變化趨勢(shì)，構(gòu)建動(dòng)設(shè)備系統(tǒng)信息模型，將采集到的設(shè)備固有參數(shù)、環(huán)境數(shù)據(jù)以及運(yùn)行信息加載到數(shù)據(jù)庫(kù)中，組成動(dòng)設(shè)備系統(tǒng)大數(shù)據(jù)源。 應(yīng)用機(jī)器學(xué)習(xí)方法對(duì)大數(shù)據(jù)源建模，通過分析不同系統(tǒng)參數(shù)相互間的關(guān)聯(lián)性，對(duì)其運(yùn)行狀態(tài)進(jìn)行正確表征。 基于深度學(xué)習(xí)輸出結(jié)果，進(jìn)行故障診斷并制定維護(hù)計(jì)劃。 當(dāng)模型預(yù)測(cè)出設(shè)備可能出現(xiàn)的故障時(shí)，采取相應(yīng)的維護(hù)措施，預(yù)防故障的發(fā)生，減少停機(jī)時(shí)間。 另外，通過不斷收集新的運(yùn)行數(shù)據(jù)和反饋信息，對(duì)預(yù)測(cè)模型進(jìn)行持續(xù)優(yōu)化和改進(jìn)，提升模型的準(zhǔn)確性、可靠性，提高設(shè)備運(yùn)行狀況的預(yù)測(cè)精度和實(shí)用性。

圖1 基于大數(shù)據(jù)分析的動(dòng)設(shè)備運(yùn)行狀況預(yù)測(cè)模型和架構(gòu)示意圖

一般來說，傳感器等部件采集到的原始數(shù)據(jù)多存在遺漏值、離群值以及無效數(shù)據(jù)等問題，直接建模精度有限。為保證預(yù)測(cè)的有效性，需要對(duì)采集的原始數(shù)據(jù)進(jìn)行清洗和預(yù)處理，包括去除異常值、填補(bǔ)缺失值、去除噪聲等，確保數(shù)據(jù)質(zhì)量。 此外，保留動(dòng)設(shè)備運(yùn)行核心數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行降維處理，在保證模型預(yù)測(cè)精度的前提下降低模型數(shù)據(jù)量。 主成分分析法、最小二乘回歸誤差分析法、Pearson 相關(guān)系數(shù)分析法、最大互信息系數(shù)分析法是常用的降維方法。 對(duì)于石油工業(yè)動(dòng)設(shè)備來說，不同參數(shù)間的關(guān)系多表現(xiàn)為多線性、非線性特征，為準(zhǔn)確表達(dá)其數(shù)學(xué)函數(shù)特征，因此多采用最大互信息系數(shù)分析法描述兩個(gè)隨機(jī)變量之間的依賴關(guān)系，對(duì)變量之間的函數(shù)關(guān)系進(jìn)行準(zhǔn)確表征。 最大互信息系數(shù)分析法認(rèn)為，如果兩個(gè)參數(shù)變量之間存在關(guān)聯(lián)性，那么可以在其平面散點(diǎn)圖上繪制網(wǎng)格，將數(shù)據(jù)點(diǎn)進(jìn)行分割，在提升網(wǎng)格分辨率的前提下，計(jì)算不同分辨率下的最大互信息值，對(duì)計(jì)算得到的信息值進(jìn)行歸一化處理，即得到所需的結(jié)果［6］。

1.2.2 預(yù)測(cè)分析

基于提取的特征數(shù)據(jù)，應(yīng)用機(jī)器學(xué)習(xí)、統(tǒng)計(jì)分析等方法預(yù)測(cè)設(shè)備運(yùn)行趨勢(shì)，常見的預(yù)測(cè)方法包括回歸分析法、時(shí)間序列分析、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)回歸法、灰色預(yù)測(cè)模型法以及馬爾科夫鏈模型法等，其中尤其以支持向量機(jī)回歸法應(yīng)用更為廣泛［7］。 支持向量機(jī)回歸法預(yù)測(cè)分析時(shí)，對(duì)于給定的訓(xùn)練數(shù)據(jù)，優(yōu)選訓(xùn)練樣本D＝｛（x1，y1）…（xi，yi）｝，yi∈R，其中x表示樣本數(shù)據(jù)的屬性，y表示屬性的對(duì)應(yīng)值，構(gòu)建函數(shù)關(guān)系表達(dá)式f（x）＝wx＋b，其中w、b表示待定參數(shù)，f（x） 為輸入變量的預(yù)測(cè)值。

支持向量機(jī)回歸方法原理如圖2 所示，給定兩類數(shù)據(jù)，分別用實(shí)心圓形和空心圓形表示，兩條虛線分別表示穿越兩類樣本的直線，二者之間的距離為分類間隔，即2／w。 可以看出，當(dāng)w為最小值時(shí)，分類間隔2／w達(dá)到最大。 通過機(jī)器學(xué)習(xí)使得預(yù)測(cè)值f（x） 盡可能地接近y， 當(dāng)二者的差值較小時(shí)，即能較為準(zhǔn)確地預(yù)測(cè)y， 該計(jì)算過程可以看作是凸函數(shù)最佳化的求解問題，即min1／2w2，約束條件s.t.｜f（xi）－ yi ｜≤εi，其中ε表示預(yù)測(cè)值與實(shí)際值的差，即將求解分類間隔問題轉(zhuǎn)變?yōu)榍蠼庾钚≈档膯栴}。在ε合理的情況下，能夠進(jìn)行有效的數(shù)學(xué)求解，即可行性預(yù)測(cè)［8］。

圖2 支持向量機(jī)原理圖

在實(shí)際計(jì)算過程中，受離群值和誤差等因素的影響，可行性預(yù)測(cè)難以實(shí)現(xiàn)，需要應(yīng)用損失函數(shù)、懲罰函數(shù)進(jìn)行求解，其數(shù)學(xué)表達(dá)式見式（1）所示，其中C表示正則化系數(shù)，ξi表示松弛變量。 應(yīng)用約束條件的目的在于確保所有屬性點(diǎn)值（xi，yi） 均能滿足敏感度損失函數(shù)，即讓松弛變量ξi替代屬性點(diǎn)值（xi，yi） 的損失。 對(duì)于懲罰函數(shù)來說，其能夠較好地解決因離群值等因素導(dǎo)致的問題，并判斷訓(xùn)練模型是否過度。 在機(jī)器學(xué)習(xí)過程中，懲罰系數(shù)以及模型內(nèi)部參數(shù)對(duì)于輸出結(jié)果有著較大的影響，因此需要通過試誤法得到錯(cuò)誤率最低的最佳參數(shù)組合，并作為最適模型的參數(shù)。

另外，動(dòng)態(tài)劣化度g（xp） 指標(biāo)能夠?qū)υO(shè)備運(yùn)行趨勢(shì)進(jìn)行科學(xué)的評(píng)估，其計(jì)算公式如下式（2）所示，其計(jì)算結(jié)果介于0 和1 之間，0 表示最優(yōu)，1 表示最差，xp為指標(biāo)參數(shù)預(yù)測(cè)值，xmin表示指標(biāo)參數(shù)運(yùn)行的最小值，xmax為運(yùn)行最大值［9－10］。 基于支持向量機(jī)回歸法以及動(dòng)態(tài)劣化度計(jì)算方法，對(duì)動(dòng)設(shè)備運(yùn)行狀態(tài)和趨勢(shì)進(jìn)行預(yù)測(cè)，能夠得到滿意的應(yīng)用效果。

1.3 故障診斷分析

在構(gòu)建大數(shù)據(jù)模型的基礎(chǔ)上，從線上、線下兩個(gè)角度建立動(dòng)設(shè)備故障診斷知識(shí)圖庫(kù)，如圖3 所示。 在大數(shù)據(jù)源的基礎(chǔ)上，選擇合適的特征參數(shù)，計(jì)算待選特征域信息之間的相關(guān)性，基于故障規(guī)則表，構(gòu)建故障診斷模型。 線上方面，構(gòu)建基于大數(shù)據(jù)的故障診斷知識(shí)庫(kù)，通過智能化采集設(shè)備將相關(guān)信息記錄到數(shù)據(jù)庫(kù)中，當(dāng)出現(xiàn)故障問題時(shí)生成故障信息表，其中設(shè)備型號(hào)、狀態(tài)詳情等信息作為知識(shí)庫(kù)的輸入信息，在此基礎(chǔ)上預(yù)測(cè)、推薦可能的故障原因，并默認(rèn)優(yōu)選可能性最大的原因。 線下方面，采用人工巡檢的方式，如果設(shè)備未發(fā)生故障，巡檢人員填寫巡檢單，將巡檢站點(diǎn)、設(shè)備、時(shí)間、人員等信息記錄到數(shù)據(jù)庫(kù)中。 如設(shè)備未處于正常運(yùn)行狀態(tài)，巡檢人員填寫故障信息單，故障原因可以人工判斷選擇，也可以通過知識(shí)庫(kù)調(diào)用選擇。 當(dāng)動(dòng)設(shè)備故障處理完成后，對(duì)現(xiàn)場(chǎng)拍照并填寫任務(wù)詳情單，記錄動(dòng)設(shè)備故障處理人、任務(wù)內(nèi)容、任務(wù)完成情況等，根據(jù)實(shí)際處理情況確認(rèn)設(shè)備故障原因，并上傳到知識(shí)庫(kù)中。

圖3 動(dòng)設(shè)備故障診斷知識(shí)圖庫(kù)的構(gòu)建示意圖

2 實(shí)例應(yīng)用

以某石油企業(yè)某壓縮機(jī)組某工藝系統(tǒng)為例，對(duì)其運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)。 結(jié)合技術(shù)人員實(shí)際經(jīng)驗(yàn)，選擇獨(dú)立子系統(tǒng)指標(biāo)參數(shù)XI?A，TI?B，F(xiàn)IC?C，PIC?D 作為指標(biāo)參數(shù)，應(yīng)用支持向量機(jī)回歸以及動(dòng)態(tài)劣化度計(jì)算法，得到t時(shí)刻XI?A等指標(biāo)的預(yù)測(cè)值和動(dòng)態(tài)劣化度，計(jì)算結(jié)果見表1，并對(duì)設(shè)備狀態(tài)進(jìn)行檢測(cè)。 以PIC?D 子系統(tǒng)為例，將計(jì)算得到的動(dòng)態(tài)劣化度作為狀態(tài)監(jiān)測(cè)指標(biāo)，某日上午08：42 觸發(fā)動(dòng)態(tài)劣化度并報(bào)警；傳統(tǒng)閾值監(jiān)測(cè)方法于當(dāng)日08：58 觸發(fā)閾值并報(bào)警，本文方法監(jiān)測(cè)的最早報(bào)警時(shí)間較常規(guī)閾值報(bào)警提前了16 min，并通過知識(shí)庫(kù)給出故障分析原因，應(yīng)用效果顯著。

表1 某項(xiàng)目t 時(shí)刻工藝系統(tǒng)轉(zhuǎn)速、壓力、溫度等指標(biāo)參數(shù)預(yù)測(cè)結(jié)果

3 結(jié)語

石油工業(yè)生產(chǎn)工藝和生產(chǎn)裝備復(fù)雜，在長(zhǎng)周期作業(yè)環(huán)境下容易出現(xiàn)設(shè)備隱患問題，因此進(jìn)行動(dòng)設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)對(duì)于防范設(shè)備運(yùn)行風(fēng)險(xiǎn)、保證設(shè)備正常運(yùn)行有著重要的意義。 收集設(shè)備固有參數(shù)、運(yùn)行環(huán)境以及設(shè)備運(yùn)行信息等數(shù)據(jù)，對(duì)采集的原始數(shù)據(jù)進(jìn)行清洗和預(yù)處理，包括去除異常值、填補(bǔ)缺失值、去除噪聲等，確保數(shù)據(jù)質(zhì)量，提取與設(shè)備運(yùn)行狀況相關(guān)的特征數(shù)據(jù)，應(yīng)用機(jī)器學(xué)習(xí)方法對(duì)大數(shù)據(jù)源建模，通過分析不同系統(tǒng)參數(shù)相互間的關(guān)聯(lián)性，對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行正確表征。 在構(gòu)建大數(shù)據(jù)模型的基礎(chǔ)上，從線上、線下兩個(gè)角度建立動(dòng)設(shè)備故障診斷知識(shí)圖庫(kù)，基于機(jī)器學(xué)習(xí)模型進(jìn)行故障原因診斷。 綜上，基于大數(shù)據(jù)的動(dòng)設(shè)備運(yùn)行狀況預(yù)測(cè)研究能夠?qū)崿F(xiàn)設(shè)備故障提前預(yù)警，進(jìn)而提升設(shè)備可靠性和運(yùn)行效率，應(yīng)用效果較好，具備推廣價(jià)值。