煉化裝置工業(yè)大數(shù)據(jù)應用開發(fā)

牛啟光，蘇耀東

(中國石化股份有限公司 齊魯分公司，山東 淄博 255400)

大數(shù)據(jù)是在數(shù)據(jù)獲取、存儲、管理、分析等方面大幅超出傳統(tǒng)數(shù)據(jù)庫軟件能力范圍的數(shù)據(jù)集合，具有海量的數(shù)據(jù)規(guī)模[1]、快速的數(shù)據(jù)流轉(zhuǎn)、多樣的數(shù)據(jù)類型和價值密度低四大特征[2]。大數(shù)據(jù)在商業(yè)互聯(lián)網(wǎng)領域應用廣泛，但在工業(yè)互聯(lián)網(wǎng)領域，特別是石油化工等行業(yè)，如何將海量的實時數(shù)據(jù)加以分析利用，為企業(yè)生產(chǎn)創(chuàng)造價值，是石化信息管理部門關注的重點。

某石化公司已經(jīng)建立了全面覆蓋的實時數(shù)據(jù)庫平臺。經(jīng)過長時間穩(wěn)定運行，存儲和積累了大量生產(chǎn)過程數(shù)據(jù)、設備狀態(tài)監(jiān)測數(shù)據(jù)和質(zhì)量化驗分析數(shù)據(jù)等。但對工業(yè)數(shù)據(jù)的利用深度不夠，這些數(shù)據(jù)所蘊含的信息和價值沒有被充分挖掘，尚未轉(zhuǎn)化為企業(yè)有效的戰(zhàn)略資源。通過建立企業(yè)級大數(shù)據(jù)分析平臺，利用大數(shù)據(jù)分析生產(chǎn)平穩(wěn)率、設備運行狀態(tài)和質(zhì)量預測等，旨在提高企業(yè)安全生產(chǎn)運行率、故障預警能力。

1 工業(yè)大數(shù)據(jù)應用主要內(nèi)容

根據(jù)該公司信息系統(tǒng)應用特點，結(jié)合工業(yè)互聯(lián)網(wǎng)應用，探索采用“數(shù)據(jù)+平臺+應用”的架構(gòu)，建立企業(yè)級大數(shù)據(jù)分析平臺，實現(xiàn)兩種功能模式： 一種是在線模式，可實現(xiàn)生產(chǎn)異常狀態(tài)的“先知先覺”，提前給技術人員提供運行狀態(tài)的走向，幫助快速定位；一種是離線模式，提供數(shù)據(jù)分析工具，幫助技術人員分析已發(fā)生的異常情況，找出問題產(chǎn)生的原因。該公司通過大數(shù)據(jù)平臺主要構(gòu)建了動設備智能預警分析模型和加氫裂化裝置生產(chǎn)過程大數(shù)據(jù)分析模型。

2 動設備智能預警分析模型

2.1 構(gòu)建范圍

該公司作為大型煉化企業(yè)，擁有A級轉(zhuǎn)動機組184臺，為充分發(fā)揮大數(shù)據(jù)技術優(yōu)勢，著重選擇數(shù)據(jù)采集條件好的40套關鍵機組構(gòu)建智能預警模型。

建立了能夠反映機組運行狀態(tài)的特征模型，實現(xiàn)在線實時狀態(tài)監(jiān)控和故障預警。采用人工智能中的監(jiān)督式學習方式[3]對狀態(tài)模型進行訓練。其中監(jiān)督式學習是人工智能中機器學習一個分類。通過給定的訓練數(shù)據(jù)集進行自我學習，并產(chǎn)生相關函數(shù)；當有新的數(shù)據(jù)時，可以根據(jù)函數(shù)預測結(jié)果。訓練集包括輸入和輸出，即特征和目標。通過標注和模型訓練，對報警信息進行合理化分析和預警輔助決策，構(gòu)建設備異常狀況預警模型，在故障發(fā)生前推送預警信息，預防因重大機組故障造成的非計劃停車。

2.2 技術方案

預警監(jiān)測是一種專門預測系統(tǒng)或設備是否偏離其預定軌跡運行時間點的工程方法。在工業(yè)領域用于設備或生產(chǎn)過程的運行穩(wěn)定性監(jiān)測、設備故障預警以及指導裝備的預防性維護。采用數(shù)據(jù)驅(qū)動，利用基于數(shù)據(jù)的并具有監(jiān)督式學習機制的模型來實現(xiàn)[4]。具體實現(xiàn)方法： 利用設備的歷史監(jiān)測數(shù)據(jù)進行高效的數(shù)據(jù)關聯(lián)特征挖掘和識別，通過參數(shù)間關聯(lián)變化的特征準確地捕捉設備的異常變化狀態(tài)，并對設備進行智能化狀態(tài)評估、運行預警等，提高生產(chǎn)裝置運行周期。

2.3 實現(xiàn)方法

智能預警分析模型實現(xiàn)方法如下：

1)確定數(shù)據(jù)源。數(shù)據(jù)是智能預警系統(tǒng)功能實現(xiàn)的基礎，數(shù)據(jù)質(zhì)量決定系統(tǒng)分析結(jié)果準確性。40套機組分布范圍廣，且每個廠區(qū)都有自己的DCS，數(shù)據(jù)源質(zhì)量參差不齊。為保證分析結(jié)果準確性，采用建立專用實時數(shù)據(jù)庫的方式，實現(xiàn)各機組檢測數(shù)據(jù)的采集，以保證數(shù)據(jù)采集周期和時間的一致性。

選取建模對象及能反映對象運行狀態(tài)的歷史數(shù)據(jù)，選取的時間最好在半年以上，周期5秒 /次。采用半年時間的數(shù)據(jù)，基本可以囊括所有的設備運行狀態(tài)，5秒/次的時間周期也不會遺漏現(xiàn)場發(fā)生的問題。

智能預警系統(tǒng)實時數(shù)據(jù)庫Infoplus.21采用OPC的方式采集數(shù)據(jù)。通過建立數(shù)據(jù)信息服務，使用統(tǒng)一的數(shù)據(jù)接口適配器等手段，實現(xiàn)智能預警系統(tǒng)軟件與實時數(shù)據(jù)庫數(shù)據(jù)通信。

2)選擇模型參數(shù)。選擇能夠反映設備運行狀態(tài)的關鍵參數(shù)為原則，按照參數(shù)在機組的監(jiān)測位置和功能，分設備參數(shù)和工藝參數(shù)。設備參數(shù)為機組本身的監(jiān)測參數(shù)，工藝參數(shù)則可與設備參數(shù)模型進行比對，分析同時間段內(nèi)模型特征分布，明確機組運行狀態(tài)變化是否與工藝參數(shù)變化有關。

3)數(shù)據(jù)預處理。預處理是系統(tǒng)對采集到的機組歷史數(shù)據(jù)進行數(shù)據(jù)質(zhì)量檢測，保證模型數(shù)據(jù)源質(zhì)量的必要手段。原則是保證數(shù)據(jù)準確性、完整性、一致性和有效性，采集時間一致且數(shù)據(jù)均為浮點數(shù)。數(shù)據(jù)格式整理則是規(guī)范數(shù)值格式、數(shù)據(jù)格式和文檔格式，保證數(shù)據(jù)中不含空值、文本或特殊字符。系統(tǒng)提供線性回歸、均值等方式剔除數(shù)據(jù)中非法字符和數(shù)值，實現(xiàn)數(shù)據(jù)清洗功能。通過聚類等算法實現(xiàn)數(shù)據(jù)各參數(shù)的權(quán)重評估，分析各參數(shù)間關聯(lián)性和參與度，保證建模數(shù)據(jù)滿足系統(tǒng)需求。

4)搭建模型。使用建模工具完成數(shù)據(jù)上傳、模型參數(shù)設置、模型訓練等工作。

a)數(shù)據(jù)上傳。壓縮機數(shù)據(jù)預處理完成后，通過系統(tǒng)功能添加“設備管理”向?qū)ВO置系統(tǒng)建模。按照向?qū)В来瓮瓿稍O備參數(shù)設置、訓練數(shù)據(jù)選擇、訓練數(shù)據(jù)清洗、訓練數(shù)據(jù)上傳的操作，完成模型基本信息配置。根據(jù)用戶使用習慣配置模型參數(shù)相關信息，作為模型的唯一標識，如流水線號、設備名稱、設備編號等。如果文件中存在非法數(shù)據(jù)，系統(tǒng)會給出三種清洗方式線性回歸、均值、零值，可任選一種清洗完成后再上傳數(shù)據(jù)。

b)模型參數(shù)設置。數(shù)據(jù)上傳完成后，通過系統(tǒng)“軟件設備”添加參數(shù)設置向?qū)ВO置建模參數(shù)。分別完成訓練參數(shù)的權(quán)重分析、權(quán)重分析結(jié)果、名稱設置、參數(shù)設置4個步驟的配置，完成設備參數(shù)設定。利用權(quán)重分析功能完成系統(tǒng)對數(shù)據(jù)文件中每個參數(shù)的重要程度評估，可初步判斷各參數(shù)之間的相關性。系統(tǒng)訓練參數(shù)名稱設置要與用戶使用習慣保持一致。訓練參數(shù)設置內(nèi)容包括最大值、最小值、報警閾值、訓練精度參數(shù)、是否進行建模等。

c)模型訓練。壓縮機組模型參數(shù)設置完成后，系統(tǒng)自動進行模型訓練，提取建模數(shù)據(jù)特征，完成壓縮機組建模工作。

5)特征挖掘與模式識別[5]。通過特征值展示數(shù)據(jù)挖掘及模式識別結(jié)果，以占比圖、分布總圖、區(qū)域密度等形式展示。

特征模式識別是對設備歷史運行狀態(tài)分析及評估的具體必要手段。用戶通過對各個展示界面分析、識別，可確定建模對象在該時間段內(nèi)的運行狀態(tài)，辨識正常、異常狀態(tài)，快速定位異常狀態(tài)引發(fā)的原因和預警特征，評估歷史運行狀態(tài)。

a)通過特征、類組占比圖，可以分析出每個特征、類組占比情況及各類組詳細數(shù)據(jù)情況。

b)通過區(qū)段特征、類組密度圖，可分析壓縮機組模型每個區(qū)段內(nèi)的類組密度統(tǒng)計情況，從而確定各時間區(qū)段內(nèi)設備運行狀態(tài)變化情況，進行故障快速定位。

6)數(shù)據(jù)監(jiān)測。通過實時監(jiān)測，分析模型的實時特征狀態(tài)、異常特征狀態(tài)、無效特征狀態(tài)、實時數(shù)據(jù)類組分布圖，實現(xiàn)對機組預警特征的抓取和識別，達到設備狀態(tài)預警預測的目的。

7)模型再訓練。通過分析實時特征數(shù)據(jù)人工標注所屬設備狀態(tài)，通過再訓練可實現(xiàn)系統(tǒng)自主學習，不斷豐富模型特征庫，完善系統(tǒng)智能預警機制。

8)建立集中管控平臺。集中管理系統(tǒng)模型及監(jiān)測狀態(tài)，包括預報警信息統(tǒng)計、設備預報警狀態(tài)評估、不同裝置操作員評估、預報警數(shù)量及優(yōu)先級評估等功能。

3 加氫裂化裝置生產(chǎn)過程大數(shù)據(jù)分析模型

充分利用加氫裂化裝置已有數(shù)據(jù)，通過大數(shù)據(jù)挖掘與分析、處理，針對裝置生產(chǎn)操作系列問題，開發(fā)基于大數(shù)據(jù)的裝置操作分析工具，出具生產(chǎn)操作平穩(wěn)率影響分析、產(chǎn)品質(zhì)量操作影響分析報告。

3.1 模型架構(gòu)

通過采集裝置生產(chǎn)過程的操作變量、質(zhì)量等數(shù)據(jù)，應用傳遞熵、貝葉斯網(wǎng)絡等相關機器學習算法開發(fā)分析模型、分析工具，分析操作平穩(wěn)率及產(chǎn)品質(zhì)量的影響因素。主要內(nèi)容包括： 操作平穩(wěn)率影響分析、產(chǎn)品質(zhì)量影響分析、平穩(wěn)率影響分析模型、質(zhì)量影響分析模型、基礎數(shù)據(jù)采集等，加氫裂化裝置生產(chǎn)過程大數(shù)據(jù)分析模型架構(gòu)如圖1所示。

圖1 加氫裂化裝置生產(chǎn)過程大數(shù)據(jù)分析模型架構(gòu)示意

系統(tǒng)采集生產(chǎn)實時數(shù)據(jù)、化驗分析數(shù)據(jù)、裝置投入產(chǎn)出等數(shù)據(jù)，同時考慮各異構(gòu)數(shù)據(jù)源之間集成。在實時數(shù)據(jù)庫和關系數(shù)據(jù)庫的集成上，考慮數(shù)據(jù)的同步性、一致性及接口的穩(wěn)定性等。在與實驗室信息系統(tǒng)(LIMS)數(shù)據(jù)集成的過程中，需要考慮LIMS數(shù)據(jù)、實時數(shù)據(jù)庫與系統(tǒng)自身數(shù)據(jù)庫之間的數(shù)據(jù)一致性以及LIMS多樣性所帶來的接口穩(wěn)定性問題。

3.2 主要技術路線

3.2.1生產(chǎn)操作平穩(wěn)率分析

針對引起生產(chǎn)平穩(wěn)率波動原因，通過建立加氫裂化工藝平穩(wěn)率相關性分析模型，進行定量、定性分析，生產(chǎn)操作平穩(wěn)率分析技術架構(gòu)如圖2所示。利用大數(shù)據(jù)技術，分析生產(chǎn)的高維、海量數(shù)據(jù)，通過算法模型揭示操作波動的原因，并以分析結(jié)果為導向，給出定向、有效的改善建議。在平穩(wěn)率分析方面采用了收斂交叉映射等算法[6]來檢測變量之間因果關系，從裝置操作大數(shù)據(jù)中提取因果關系信息，建立影響關鍵操作變量的因果關系鏈路圖[7]。當裝置出現(xiàn)異常時，技術人員對可能引起異常的變量進行因果分析，判斷造成平穩(wěn)率異常的原因。

3.2.2產(chǎn)品質(zhì)量分析

針對產(chǎn)品質(zhì)量影響因素眾多，采用傳遞熵算法[8]，通過計算變量之間的信息量傳遞而得到操作變量與質(zhì)量數(shù)據(jù)之間的因果關系，并計算影響權(quán)重值，幫助操作員分析產(chǎn)品質(zhì)量異常的原因，給出操作建議。與此同時，將影響產(chǎn)品質(zhì)量的因素分析結(jié)果與平穩(wěn)率分析結(jié)果相結(jié)合，可以進一步為提高產(chǎn)品質(zhì)量合格率提供操作指導，產(chǎn)品質(zhì)量分析技術架構(gòu)如圖3所示。

圖2 生產(chǎn)操作平穩(wěn)率分析技術架構(gòu)示意

圖3 產(chǎn)品質(zhì)量分析技術架構(gòu)示意

4 應用成效與效益計算

4.1 應用成效

采用工業(yè)大數(shù)據(jù)分析，成效有以下兩方面：

1)實現(xiàn)了機組在線運行狀態(tài)監(jiān)控、異常問題快速定位以及故障狀態(tài)提前預警，為機組異常原因分析及預知性維修提供強有力的數(shù)據(jù)支撐，可有效提升該公司大機組運行管理的技術水平。對造成平穩(wěn)性異常的關鍵因素分析挖掘，并提供改進方法，幫助技術人員在裝置操作平穩(wěn)率和產(chǎn)品質(zhì)量出現(xiàn)異常波動時，快速定位異常操作原因、做出精確調(diào)整，從而可顯著提高裝置運行平穩(wěn)率、降低產(chǎn)品不合格率。

2)通過神經(jīng)網(wǎng)絡等人工智能技術建立樣本數(shù)據(jù)與質(zhì)量特征或性能指標的關聯(lián)關系[9]，通過不斷豐富樣本數(shù)據(jù)實現(xiàn)自學習，使數(shù)據(jù)模型得到優(yōu)化和豐富。針對數(shù)據(jù)本身的特性進行高維度關聯(lián)性分析[10]以快速挖掘數(shù)據(jù)中的特征模式，適應性強，可滿足設備健康體檢、故障預警預測、工藝過程優(yōu)化、工藝參數(shù)精準預測和產(chǎn)品質(zhì)量管控等多場景應用需求，對于機理模型難以解決的問題，工業(yè)大數(shù)據(jù)分析提供了創(chuàng)新性的解決方案。

4.2 效益計算

動設備預警分析模型和生產(chǎn)過程大數(shù)據(jù)分析模型應用于該公司40臺關鍵機組上，實現(xiàn)機組狀態(tài)的實時監(jiān)控、故障的提前預警。2019年該公司塑料廠高壓裝置壓縮機組非計劃故障停機，系統(tǒng)發(fā)出預警信號，較其他監(jiān)控系統(tǒng)發(fā)生故障報警信號提前了8 d，由于提前采取相應措施，降低了停機帶來的經(jīng)濟損失。

2019年6月，在加氫裂化裝置分餾塔塔頂溫度出現(xiàn)異常波動以及液化氣、C5指標出現(xiàn)異常超標時，幫助技術人員快速分析異常原因，并提供了操作指導，有效保證了裝置的穩(wěn)定運行和產(chǎn)品質(zhì)量穩(wěn)定。根據(jù)車間2019年技術月報，加氫裂化裝置2019年累積進料1.5 Mt，累積能耗約855 MJ/t。實施加氫裂化大數(shù)據(jù)分析后，能耗降低了0.8%，節(jié)省蒸汽約3.2 kt/a，提高經(jīng)濟效益約人民幣28萬元/年。

實現(xiàn)了加氫裂化裝置石腦油終餾點質(zhì)量實時預測，其中石腦油折算收率預估提高了0.16%。根據(jù)裝置加工能力約1.4 Mt/a計算，預估增加效益約22萬元/年。同時精確的軟測量可為操作員提供實時參考，可適當降低化驗頻次，降低化驗人員工作量。

5 結(jié)束語

在設備管理方面，利用數(shù)據(jù)預警技術，建立大數(shù)據(jù)設備和工藝模型，實時發(fā)現(xiàn)設備運行的不穩(wěn)定狀態(tài)，幫助技術人員分析已發(fā)生的故障，找出故障原因，對未發(fā)生異常的設備，給予預警，幫助技術人員快速定位，提高了公司設備管理水平。

在生產(chǎn)工藝管理方面，通過對加氫裂化裝置、第四常減壓裝置實時數(shù)據(jù)進行大數(shù)據(jù)分析，幫助技術人員在裝置操作平穩(wěn)性和產(chǎn)品質(zhì)量出現(xiàn)異常波動時，能快速定位異常操作原因、做出精確調(diào)整，為生產(chǎn)裝置的安全運行提供了保障。