主要內容：設備的安全穩定運行是石化企業實現安全穩定生產的重要因素。大機組等動設備結構 復雜、故障形式多樣，傳統的以設備或測點為對象的監測技術應用難以滿足不斷增長 的安全保障要求。特別是單一的參數指標不能全面體現設備故障特征，導致設備故障 不能提前預警預測，即便出現異常也不能快速定位，亟需研究新的預警預測診斷技 術，實現大機組等動設備異常狀態的預警預測，異常狀態下的快速分析定位。文章結合企業遇到的問題，基于工業大數據分析技術，提出了一種用于大機組等動設備運行 狀態預警預測的解決方案。通過采用數據驅動的建模方法建立設備運行狀態特征模 型，并通過歷史數據進行學習訓練，實現了基于大數據分析技術的運行狀態的預警預 測，并結合應用案例說明了該方案的實施效果。從應用實踐情況看，該技術實施周期 短、實用性強，可在一定程度上解決企業大機組等動設備運行管控中存在的難題。
關鍵詞：工業大數據 設備預警預測 關聯分析
近年來，我國石化企業在保障安全生產運行 方面做了大量工作，但在安全生產隱患排查和分 析中，仍沒有更多的選擇，主要依靠過往經驗和 專業知識。因此，對結果的分析和認定難免有較 大的主觀因素和局限性。由于缺少有效的分析工 具和對事故規律的認知，無法真正實現從源頭上 對事故發生進行有效遏制。因此，強化安全生產 的科技創新，研究和采用新技術，增強安全生產 綜合防御能力就成為了一種追求。
對石油化工企業而言，設備運行的安全是一 切生產經營活動的重要前提。雖然“五位一體” 的特護工作讓設備運行得到了有力保障，設備狀 態監測系統的投用，也在一定程度上提高了大機 組等動設備的運行管理水平，但實際工作中仍存 在以下問題：一是不能事前預警。目前的在線監 測系統都是越限報警，且都是單參數的高低限報 警，無法有效發現和捕捉事故苗頭，不能做到事 前預防。二是缺少異常事故定位分析手段。一旦 設備出現故障，只能是依靠人工根據表現出的癥 狀進行分析和故障定位。由于缺少靈活的分析工 具，再加上不同專業之間的責任定位不夠嚴格、 清晰，因此也造成事故分析周期長、異常定位困 難，最終導致事故根原因定性難度大。三是故障 歷史知識積累缺失。由于歷史故障信息不能有效傳承和在線復現，導致重復性故障時有發生。
工業大數據就是利用高效的數據分析工具和 運算手段，對工業系統中產生的各類數據進行處理，從而釋放工業大數據價值[1-2]，實現對復雜工 業系統的健康狀態檢測、預測和系統性管理，為 工業企業帶來更快速、更高效和更深層次的洞察 力提供了可能[3]。本文采用工業大數據分析理念 和技術，提出了一種石化設備預警預測方案，并 進行了應用實踐探索。
1 工業大數據技術
1.1 工業大數據
工業大數據是工業數據的總稱，包括信息化 數據、物聯網數據以及跨界數據，是工業互聯網 的核心要素[4-5]。工業大數據除了具有各類大數據 所共有的海量性、多樣性、高速性和易變性的4V 特點外 [6]，由于過程工業生產具有設備大型化， 生產連續程度高，各參數之間存在復雜的機理關系等特點，因此工業大數據還具有高維度、強非 線性、樣本分布不均、低信噪比等特點[7]。
工業大數據的主要來源有三大類：一是生產 經營管理類信息系統。隨著生產計劃優化系統、企 業資源計劃（ERP）、生產執行系統（MES）等多 年的投用，積累了大量的生產經營管理類信息；二 是生產運行過程中實時采集到的反映生產運行、設 備狀態、產品質量控制等方面生產運行狀態數據；第三類是與企業相關的外部數據。如同行業企業對 標數據、環境評價數據、市場預測分析數據等。
工業大數據特點：一是數據持續采集，時間特性顯著；二是數據實時性高，要求并發能力強；三是數據類別多，結構化和非結構化共存；四是數據關聯性強，與生產工藝密切相關。正是因為 工業大數據這些獨有的特點，其分析方法和挖掘 手段有別于傳統大數據。對于石化行業，應用互 聯網大數據、商務大數據的分析技術和方法已無 法滿足應用需要，需要不斷探索和創新技術方案。
工業大數據技術是使工業大數據中蘊含的價 值得以挖掘和展現的一系列技術與方法，主要包 括數據存儲技術、數據處理技術、數據分析技術 等[6]。大數據分析技術是運用不同方法以發現數 據的隱藏模式、未知相關性和其他有用信息的過 程[4]。主要目的是幫助決策者更進一步了解數據， 發現數據的規律，以便科學決策，提升生產效率。
1.2 工業大數據應用現狀及應用建議
工業大數據的典型應用包括產品創新、產品/ 過程故障診斷與預測、工業生產線物聯網分析、工 業企業供應鏈優化和產品精準營銷等諸多方面[3]。
當前，大數據案例仍主要集中在商務或互聯 網大數據方面，真正適合工業領域的大數據分析 解決方案并不多，或探入度不夠。一些基于精確 數學模型的應用雖然被冠名為工業大數據分析應 用，但其技術方案實質上還是針對商務大數據的， 且存在實施周期長、效果不理想、可復制性差等 問題，也缺少對工業大數據分析的應用場景和應 用理論研究。
在石油化工領域，工業大數據應用尚處于起 步階段。由于行業的特殊性，石化工業大數據分 析不僅難度大，而且對分析結果的質量要求也非 常高，因此目前工業大數據應用也還存在諸多制 約因素。一是對復雜過程系統或設備，由于現階 段機理模型還不能在精確性方面給出 100% 的保 證，所以工業大數據分析工程應用不宜采用機理 建模技術，作為前瞻性技術研究不在本文討論范 圍。二是采用“數據＋狀態模型”模式，其中狀 態模型是利用實體系統數據所建立的反映實體系 統狀態特征的數學模型。三是當前工業過程知識 大多來自于人的實際經驗，目前工業過程領域機 器學習還不具備智能性，工業大數據分析的作用 還需依靠“人”的經驗對分析結果進行確認、分 辨。四是建議研發“大數據分析工具”，以低成本滿足用戶快速定制化應用需求，盡量避免一個研 究對象建設一個應用系統[4]。
由于石化生產運行過程控制復雜，一些未知 的風險和不確定性因素，給生產管控和運行決策 帶來了極大的困擾。因此，過程監測和故障診斷 應用就顯得尤為重要。但由于故障發生的原因和 機理過于復雜，傳統的分析方法和手段已很難給 出滿意的答案。結合大數據分析技術中的降維處 理、聚類分析、相關性分析和預測分析等方法， 王子為[8]提出了一種基于大數據的石油化工旋轉 機械的無量綱故障診斷解決方案，數據挖掘采用 了 Apriori 算法，依據關聯規則，列出故障規則 表，增強了石化旋轉機械設備故障的判斷效果。
2 基于工業大數據的設備預警預測技術
2.1 應用技術分析
基于大數據的故障預警與預測分析是利用已 有的海量數據，借助各種推理技術，預測設備的 健康狀態。主要的故障預測算法有 3 種，包括基 于模型的故障預測技術、基于概率統計的故障預 測技術、基于數據驅動的故障預測技術 [4]。基于 模型的預測算法由于受限于復雜動態系統，難以 建立精確的數學模型，因而實際應用和效果受到 了很大限制。基于概率統計的預測方法主要包括 時間序列預測法、回歸預測法等，前者對短期預 測效果比較好，而后者要求樣本數量要足夠大[4]。
基于數據驅動的預測算法主要用于故障可能是多 種因素引發的，難以確定采用何種預測模型或者 機理模型的情況。它以采集的數據為基礎，通過 各種數據處理方法挖掘其中隱含的信息進行預測， 成為一種比較實用的故障預測方法。對這 3 種預 測方法進行比較，現階段對石化設備和生產過程 進行故障預測，容易被企業接受并較快取得應用 成效的是基于數據驅動的故障預測算法。早期應 用于航空領域和核電領域的PHM技術、Aspen公 司面向未來的流程資產優化軟件Mtell都是采取類 似的技術和方法。
基于數據驅動的設備預警預測技術是利用基 于數據的、具有自學習機制的模型，而不是基于 工藝機理模型來實現預測預警的方法，是當前人 工智能（AI）的前沿技術。利用設備歷史數據建 立一個反映設備運行狀態的模型（特征模型），進 而應用該模型進行設備健康的離線評估或在線實 時預警預測。該系統具有高效挖掘、分析和學習 能力，能夠發現事故前兆，并給出故障查找方向， 幫助技術人員及時對潛在的問題進行深入分析， 提前采取措施。
設備預警預測技術的實現方式有離線模式和 在線模式。離線模式下，技術人員對已發生的故 障進行分析；在線模式下則可以實現異常狀態的 “先知先覺”，并給技術人員提供判斷方向。通過 對生產過程、設備進行“號脈”，發現不穩定狀態 或故障前兆，并指出“病因”方向，幫助技術人 員快速定位。
2.2 關鍵技術與算法
目前，大數據分析算法很多，各具特色，但 由于不同行業之間的工業數據特點和結構的差異 性，還沒有一種算法能夠適應所有行業。按功能 劃分，大數據分析算法可大致分為降維分析、分 類與聚類分析、相關性分析和預測分析等幾大類。其中，基于數據預測類分析是一種從功能上定義 的廣義概念，如生產過程的優化、產品質量和產 率的預算、生產過程及設備的故障診斷等。最常 用的預測分析方法就是應用各種神經網絡算法以 及其與各種優化算法的結合。目前，應用相對成 熟的神經網絡有BP神經網絡、GRNN神經網絡、 RBF神經網絡等。
神經網絡具有以下優點：理論上能夠逼近任 意非線性映射、善于處理多輸入輸出問題、能夠 進行并行分布式處理、自學習與自適應能力強、 可同時處理多種定性和定量的數據。本文所使用 的主要算法就是RBF徑向基函數神經網絡。RBF 網絡特點是非線性，有很好的適應性、高收斂速 度，在非線性逼近、時間序列分析、數據分類、 模式識別、信息處理、圖像處理、系統建模、控 制和故障診斷等方面有廣泛應用前景。
RBF網絡是一種三層前向網絡。輸入層到隱 含層是非線性變換，隱含層到輸出層是線性變換。用RBF作為隱單元的“基”構成隱藏層空間，將 輸入直接映射到隱藏層空間，確定RBF的中心點 是關鍵，隱含層到輸出層的權可作為調節參數。圖1為RBF徑向基神經元模型。
圖 1 RBF 徑向基神經元模型
圖 2 RBF 神經網絡的機構
徑向基函數網絡有兩層：隱單元層和線性單 元層，圖2為徑向基函數網絡的結構圖。
RBF 網絡是一種典型的局部逼近神經網絡， 在函數逼近時的權值調整采用梯度下降法時，要 注意局部極小和收斂速度慢問題，在函數逼近、分類計算和學習速度等方面優于BP網絡。為此，選擇RBF神經網絡作為預測模型進行應用。
3 設備運行管理解決方案與案例分析
3.1 設備運行管理需求
某企業有 A 類機組 153 臺，2017 年發生故 障 8 次，故障率 0.053‰。針對機組開展了“五 位一體”特級維護工作，并借助狀態監測系統 （S8000）進行監控和分析。對往復機組和透平開 展針對性定期工作，如定期檢查氣囊壓力、速送 閥活動試驗等。同時，還對機組潤滑油定期分析。
通過在線監測、設備狀態監測等系統進行故 障檢測，雖然在一定程度上提高了大機組等動設備運行的管理水平，降低了計劃停工的次數，但 仍然不能解決事前預警、科學進行異常事故定位 分析、運行維護成本高等多方面的問題。為此， 企業每年在維護大機組等動設備運行方面需投入 大量的人力物力，但問題依然無法有效解決，重 復性故障時有發生。
3.2 解決方案
針對上述問題，基于工業大數據理念，綜合 運用文中敘述的算法，制定了設備預警預測解決 方案，并進行了項目試點實施。方案通過設備本 身的傳感器進行數據采集，進而對傳感器歷史數 據進行特征挖掘，采用關聯模型、主成分特征模 型等方法建立各系統的特征模型，進而建立一系 列的基于數據特征的監測知識庫，當發現新的數 據特征及事件時繼續進行學習和更新特征模型， 從而達到對實時傳感器數據進行模式識別與預警 的目的。圖3、圖4為該解決方案的系統架構和流 程架構。該解決方案還可以把單個機組放大成一 套生產裝置或者是一個流體管網，進行狀態預測、 過程優化、產品質量管控和管網優化。
基于上述解決方案，搭建了系統分析平臺。具 體使用過程中分為在線預警模式和離線事故分析模 式，分別如圖5和圖6所示。基本功能包括：①設 備數據預處理；②設備的狀態特征提取；③特 征建模；④利用特征模型進行設備狀態的實時預 警監測；⑤動態自適應優化特征模型。
簡單來說就是兩步：第一步，基于歷史大數 據建立對象的特征模型。把設備的歷史數據導入 該系統，系統在自學的基礎上自動進行特征分析， 找出設備常態下的運行特征并建立特征模型。第 二步，基于特征模型開展異常特征監測。把實時 數據接入該系統，開展健康評估和故障診斷與預 測。當出現異常運行特征后可提前報警，并提醒 技術人員該異常特征需要關注的幾個重點參數， 由技術人員進行分析查找異常原因。
圖 3 解決方案的系統架構
圖 4 解決方案的流程架構
圖 5 在線預警模式
圖 6 離線事故分析模式
4 應用效果與分析
4.1 案例一 主要說明利用該平臺進行設備故障的快速定位與分析。
1）事故描述
裂解裝置某壓縮機組在某晚 20:40 左右發生 停車事故。主操人員第一時間通過查看 DCS 系 統，獲得了停車信號。技術人員憑操作經驗對事 故原因進行了分析，初步認定：壓縮機主密封氣 溫度、壓力降低，導致主密封氣出現帶液現象， 造成壓縮機密封氣主泄露量增大，引發聯鎖停車， 非壓縮機本身原因。
2）大數據分析結論 利用系統對設備工藝參數的歷史數據進行關 聯分析發現，當日 15:03 就已開始連續出現不同 于常態的特征（表明已有異常發生），直至20:39 設備停車。結果表明，若該平臺在線運行，可提 前5個小時發現異常預警。
進一步分析發現，壓縮機的進氣溫度、抽氣 溫度、抽氣壓力等工藝參數在壓縮機停機前有明 顯變化，初步判定這些變化是由蒸汽系統變化引 起的。在停車事故發生前的一段時間內，二次密 封氣供給壓力持續偏低，LP非驅動端主泄漏流量 一直處于非正常波動狀態，可判斷此次事故是與 低壓缸主泄漏變化有關，排除設備本身故障。
高壓聚乙烯裝置往復式壓縮機（201、202）運 行工況復雜，事故易發，不易監測。某段時間往 復式壓縮機發生停車事故，經技術人員事后分析， 確定為壓縮機的二段出口壓力超高導致聯鎖停車。
利用該解決方案對事故發生前后的歷史數據 進行分析，還原了事故過程。發現在停車前 8 天 已出現預警，通過預警特征分析，可以發現一次 機一段出口溫度、壓力，二、三段入口壓力以及 增壓機二段入口壓力等參數均有明顯變化。
進一 步分析發現一次機二段入口壓力后續的兩次增大 是造成停車的主要原因。進一步分析可知，系統在7月4日上午9:00就 出現了預警特征，7月7日上午10:00現場監控系統 發出報警信號，設備于7月12號20:40分發生停車 事故。如果在7月4日– 7日報警發生前的72小時內 采取相應措施，就有可能有效避免此次停車事故。
4.2 特點分析
該方案具有以下特點：①使用簡單。方案為 技術人員提供了易于使用的分析工具，離線分析 可以快速得出結果，在線監控可以準確實現故障 預警。②部署便捷。方案規避了建立機理模型或 統計模型，實施周期短。③應用場景多。只要有 實時數據的地方都可以找到應用場景，可以針對 單臺設備，也可以針對集群設備、生產過程、流 體管網。④參數預估。提供了一種代替軟儀表的參數計算手段。⑤知識積累。通過對異常特征的 標注，可以實現知識的在線復現。但方案仍然存 在對數據要求高，模型建立前期需要先進行數據 清洗，而且業務人員要高度參與，才能最終分析 出準確的結果等不足之處。
5 結語
針對石化企業動設備運行安全隱患主要依靠 人工排查的問題，提出了基于大數據分析技術進 行預警預測的技術解決方案并進行了探索性驗證， 并在生產裝置過程優化、產品質量和平穩率預測， 以及流體管網和參數定量預測方面進行了推廣， 具有一定可行性。本次研究實踐也旨在進一步推 進大數據技術在石化企業全領域的應用。
