基于大數據技術的預測性檢修模式探索

陳繼明

（中石化天津分公司煉油部設備科，天津 300270）

隨著石油化工產業的迅速發展，企業對設備自動化和智能化水平要求也越來越高。大量新技術投入應用，并在企業生產、設備管理、過程控制等諸多方面發揮了很大作用。石化企業設備數量很大、種類繁多，其流程型的生產模式也導致一旦設備發生故障，會對產品產量、質量造成直接影響，甚至引起惡性事故，給企業造成損失。因此，提高現有設備管理水平、降低設備故障率，保障生產連續進行，保障企業資產和人員安全，是石化企業管理的工作重點。本文結合某石化的日常檢修場景，運用狀態監測、故障診斷、狀態預測技術，對機泵工況進行分析診斷、故障定位，支持檢修決策，從而實現設備的初步預測性檢修，并進一步對基于大數據技術的預測性檢修應用前景進行展望。

1 故障檢修模式分析

設備的故障檢修模式通常可分為三種：事故檢修、定期檢修和預測性檢修。

事故檢修，以設備是否完好或是否能用為依據，在設備部分或全部故障后再恢復其原始狀態，屬于非計劃性維修，是技術含量最低、最普通的資產檢修策略。該檢修策略保證物盡其用，但可能導致設備震動、過熱或故障，進而造成更嚴重的損害。

定期檢修，以時間為依據，根據生產計劃和經驗，按規定時間間隔進行停機檢查、解體、更換零部件，以預防損壞、繼發性毀壞及生產損失。該模式也是目前石化企業普遍采用的計劃維修或定期維修，如大、中、小修等，能夠防止機器故障，減少停工時間，但可能更換尚在使用周期內的零件，且需保證備件庫存，給相關的庫存管理工作增加了復雜性。另外，預防性檢修會下線正常工作機器，進而中斷工廠運營，增加生產停工期。

預測性檢修，以設備狀態為依據，在設備運行時，對其需要部位進行定期或連續的狀態監測和故障診斷，判定裝備所處狀態，預測其未來發展趨勢，并結合可能的故障模式，預先制定檢修計劃，確定設備應該修理的時間、內容、方式、必需的技術和物資支持。

基于大數據技術的預測性檢修借助智能連接技術為數字資產和實體資產建立橋梁，運用數據采集，數據存儲，數據清洗，數據挖掘，數據可視化等技術助力設備管理。運營與信息技術的結合使人們能夠深入分析實體世界的數據，利用相互連接的智能機器與設備數據預測故障發生的時間和位置，結合人員、資源、時間、費用、效益等因素，利用故障樹推理、數學模型解析、智能維修決策等方法制定檢修策略，最大化零件工作效率，縮短不必要的停工期。在多數情況下，預測性檢修是最具效率的檢修策略。現有的連接技術能幫助解決檢修的核心難點，即在合適的時間點確保合適的零件安裝在合適的位置，依靠真實的數據來源，而不是靠猜測來驅動檢修流程。

2 預測性檢修架構

基于大數據技術的預測性檢修概念由三層架構組成：物聯網層、大數據平臺層和智能應用層。如圖 1。

物聯網層，對于工業數據應用，數據是基礎，而數據類型、數據質量和數據量直接影響數據挖掘的價值，這就對數據采集的關鍵環節感知監測層提出高質量要求，對于現場已經安裝的與設備狀態相關的系統數據，需通過標準服務接口將數據統一接入大數據平臺，并從數據價值挖掘的角度，對于源數據進行預處理，保證平臺中數據的質量。按照專業分類，現場設備主要分為動設備、靜設備、電設備、儀器儀表等四類設備。

大數據平臺層，底層與設備狀態相關的數據類型多樣結構不同，不僅有來自各種監測系統如MES、機泵群監測系統、大機組監測系統等的規整數據，也有來自現場歷史檢維修記錄數據，包括各類音頻和視頻數據、紙質文檔等。搭建大數據平臺主要發揮海量多維度運行數據的處理和存儲、多種模型設計及并行計算、數據廣域分析及關聯性分析、智能算法模型的持續迭代和訓練支持等功能。

智能應用層，作為上層功能應用，重點是各類智能算法模型以及預測性分析應用，充分挖掘大數據平臺處理的各類設備狀態相關數據，并通過智能報警策略、智能診斷策略輸出精確的設備狀態信息，進而實現設備預測性的檢修，實現數據驅動的設備檢維修管理模式。

圖1 基于大數據技術的預測性檢修架構

3 應用實例

案例一：某石化煉油部P-103/B機組，主要由泵、電機和齒輪箱組成。共布置振動測點6個，分別為電機定子H、電機自由端1H、電機驅動端2H、齒輪箱上測點3H、3V、3A，具體位置如圖2。

圖2 設備及測點布置

2017年11月17日機組起機后，齒輪箱上3H、3V測點加速度總值增加顯著，其中3H測點從前期總值28m/s2上升到64m/s2，3V測點從前期總值27m/s2上升到60m/s2，電機驅動端總值變化不明顯。

3H、3V測點速度總值增加更為顯著，其中3H測點從前期總值0．9mm/s上升到5mm/s，3V測點從前期總值 1mm/s上升到 5．2mm/s。

3H測點加速度多頻譜顯示頻譜中底帶能量上升，中低頻段激起的能量增加更為明顯，高頻底帶能量亦顯著上升，齒輪嚙合能量上升顯著，存在嚙合不良特征。

3H測點加速度波形包絡解調頻譜主要為軸承特征頻率及其諧波能量。

3H測點速度總值較前期運行狀態有顯著抬升，主要表現為軸承缺陷頻率伴有轉頻邊帶特征。

判定齒輪箱低速軸軸承承受較大緊力，存在早中期損傷，齒輪嚙合不良。診斷專家建議關注齒輪箱低速軸驅動端軸承異響、裝配和損傷，檢查齒輪潤滑及齒面損傷情況。圖3為現場驗證照片。

圖3 現場驗證照片

案例二：某石化熱電部P-502/B機組，主要由泵、電機組成。共布置振動測點5個，分別為電機自由端H、電機驅動端2H、電機驅動端2A、泵上測點3H、3V，具體位置如圖4。

圖4 設備及測點布置

加速度多趨勢顯示電機去端和泵端加速度總值較大，2A測點加速度總值最高到達近100m/s2；泵端達到近60m/s2。

2A測點加速度時域波形中存在大幅沖擊，且波形中整體幅值較大。加速度頻譜中軸承外圈損傷特征頻率且諧波數量異常豐富，頻譜中存在較顯著的譜峰群，頻譜底部噪聲能量較高，速度頻譜中轉頻諧波較豐富。

3H測點加速度時域波形中存在約保持架間隔的沖擊。長波形包絡解調可見保持架相對內圈的損傷特征頻率及豐富的諧波，另外還可見特征頻率帶有保持架邊帶。

診斷結論為電機驅動端軸承中期損傷，主要為外圈剝落；泵端軸承中期損傷。短期運行建議：改善電機及泵端軸承潤滑，關注電機及泵端軸承異響，可準備軸承備機，擇機更換損傷軸承。現場10月22日停機檢修，更換了電機驅動端軸承，證明軸承外圈存在剝落，且以整周性缺陷為主。圖5為檢修照片。

圖5 檢修照片

兩個案例的現場驗證與診斷結果吻合，說明基于大數據技術的智能報警方法結合診斷專家介入的故障診斷技術，初步實現了預測性檢修“預知”設備故障的目的。

為了實現全方面的預測性檢修，選擇合適的數據渠道是工作的首要任務，這需要在現場采集并清理各類儀表和傳感器的海量數據，保證其有效性，并對其定位、存儲及算法分析，綜合預測發生故障的時間和原因。

與其他較為成熟的檢修手段不同，預測性檢修的軟件、硬件與算法尚處于發展的初級階段，因此仍然有較大的發展空間。隨著歷史數據、過程數據和故障案例的不斷積累，智能診斷技術日趨成熟，該模式可實現設備狀態直接驅動業務流程，自動制定和優化檢修策略。

4 結語

石油化工企業龐大的設備集群每時每刻都會產生海量數據。數字技術的高速發展，讓海量、不同類型的數據進行采集、關聯、篩選成為可能，進而通過復雜的AI運算，基于過去、掌握現在、預測未來，逐步實現預測性檢修，即融合DCS、PLC等多源生產運行數據進入大數據平臺，以狀態預測為核心提供專項監測，基于生產、檢修、時間等各種要素組成數學模型，憑借智能預警和診斷技術，自動給出合理檢修策略，并不斷對檢修策略迭代更新，對接生產、運維，實現協同尋優。從而提高石化企業的設備管理水平，降低運維成本，減少非必要檢修與停機，保障生產連續性。

隨著管理模式的進一步升級，形成設備智能化管理平臺，有效整合信息系統數據（ERP、EAM、LIMS、MES、機泵在線監測等），設備狀態與工藝數據相互影響，建立設備狀態數據與工況數據的影響模型，通過多數據源智能模型，實現故障根因的精確定位；通過對歷史故障數據和實時狀態數據的提取透視，呈現設備整體健康狀態分布、設備安全風險透視、歷史故障頻次等數據的統計分析，實現預測性檢修向管理智能化轉型。規劃系統平臺既囊括專家知識庫、故障模型庫、規則庫等機理模型，也包含基于大數據技術的智能分析模型，從時間維度和空間維度對數據進行挖掘，充分利用已有數據，提取有價值信息，優化檢修策略，實現設備長周期安全、經濟、環保、穩定運行。