基于大數據分析技術的動設備運行狀況預測研究

高 卓

（中海油能源發展裝備技術有限公司 天津 300452）

0 引言

近年來，大數據、云計算等現代信息技術的發展推動了新一輪的科技革命，行業數字化建設進入新的發展階段［1］。 油氣產業作為社會發展的重要經濟命脈，數字化、智能化轉型已經勢在必行。 目前各大油氣企業紛紛加大了數字化業務布局的力度，開展智能化建設。 依托大數據、云計算等智能化技術，將海量工業數據作為輸入信息進行智能化分析，解決油田開發生產面臨的難題，為項目運行提供科學的解決方案［2］。

透平發電機、天然氣壓縮機等是油氣田開發生產的重要裝備，在運行中多采用傳動設備傳遞動力。 然而受自身缺陷以及外界作業環境等因素的影響，在生產作業過程中，動設備不可避免地會出現各種形式的故障，制約了油田開發生產的優快進行，嚴重者可能導致設備損壞，誘發安全生產事故。 在長期運轉狀態下，隨著時間的推移，設備自身性能也會隨之降低并逐步演化成為功能性故障［3］。根據設備的歷史運行數據，對其潛在故障進行評估和預測，有計劃地安排停機檢修，能夠保證動設備長期穩定運轉。 目前油氣行業多通過設備狀態監測、實時數據庫系統等方式對動設備運行狀態進行評估，基于人工經驗判斷或者設置閾值等方式實現設備故障預警。 在新一輪技術科技革命浪潮中，應用大數據技術對動設備歷史數據進行深入挖掘分析，提取關鍵信息評估設備運行狀態變化是動設備維護管理的必然需求。

1 動設備運行狀況預測方法構建

本研究以石油工業常見的動設備實時運行數據參數、檢驗參數、監測數據、海上平臺中控生產數據等為基礎，以機器學習等智能方法為手段，開展常見動設備運行狀態和異常預測研究，構建動設備異常預測和早期識別診斷模型，實現動設備異常的提前預警，減少設備故障發生率，提高油氣田開發生產效率。

1.1 數據采集

動設備運行過程中，可靠度是評判動設備正常運行的重要指標。 因此通過數據分析得到設備各項參數，對設備的運行狀況以及故障發生率進行預測。 該過程需要大量的數據，包括設備固有參數、運行環境數據以及運行信息等等。 設備運行信息數據能夠直接反映設備的運行狀態，其余信息則間接反映其運行情況，因此應根據不同參數的影響程度給予不同的權重值［4］。 動設備運行環境數據對設備的使用年限有著重要的影響，常見的參數包括溫度、濕度、空氣灰塵量、振動數據等等。 利用傳感器采集設備環境數據并傳入數據庫中，能夠提升模型預測的精度。 動設備的固有參數包括設備尺寸、額定參數、材料材質等，是大數據分析的重要信息。 在構建模型的過程中還應該將設備的商品信息納入數據庫中，如設備品牌、供貨商以及規格參數等，該類數據是設備追本溯源的重要信息，是對設備產品品牌評估預測的重要支撐。 動設備運行狀況數據能夠直接反映設備狀態，是故障預測和診斷分析的重要憑證，常用的參數包括溫度、實際電壓、功率、開關量、振動量等。 數據收集是大數據預測分析的重要基礎，上述數據分布在不同系統中，需要借助有效的平臺工具采集存儲［5］。 一般來說，傳感器讀數、工作參數、技術資料信息、巡檢信息、分析化驗信息、檢維修記錄、設備狀態等數據可通過傳感器、監控和數據采集系統（supervisory control and data acquisition，SCADA）、設備記錄器等部件獲取，并存儲在數據倉庫或云平臺中。

1.2 模型構建和預測分析

1.2.1 模型構建

基于大數據分析的動設備運行狀況預測模型及其架構，如圖1 所示。 針對構建的原始數據庫，進行特征提取與選擇，即從清洗后的數據中提取與設備運行狀況相關的特征數據，包括設備工作參數、振動頻率、溫度變化等。 同時，可以借助特征選擇算法篩選出對設備運行狀況預測具有較高影響的特征數據作為樣本。 在采集動設備歷史數據的基礎上，對原始數據分類處理，并進行深入挖掘，評估不同參數變量之間的相關程度，得到變量的相關變化趨勢，構建動設備系統信息模型，將采集到的設備固有參數、環境數據以及運行信息加載到數據庫中，組成動設備系統大數據源。 應用機器學習方法對大數據源建模，通過分析不同系統參數相互間的關聯性，對其運行狀態進行正確表征。 基于深度學習輸出結果，進行故障診斷并制定維護計劃。 當模型預測出設備可能出現的故障時，采取相應的維護措施，預防故障的發生，減少停機時間。 另外，通過不斷收集新的運行數據和反饋信息，對預測模型進行持續優化和改進，提升模型的準確性、可靠性，提高設備運行狀況的預測精度和實用性。

圖1 基于大數據分析的動設備運行狀況預測模型和架構示意圖

一般來說，傳感器等部件采集到的原始數據多存在遺漏值、離群值以及無效數據等問題，直接建模精度有限。為保證預測的有效性，需要對采集的原始數據進行清洗和預處理，包括去除異常值、填補缺失值、去除噪聲等，確保數據質量。 此外，保留動設備運行核心數據，對數據進行降維處理，在保證模型預測精度的前提下降低模型數據量。 主成分分析法、最小二乘回歸誤差分析法、Pearson 相關系數分析法、最大互信息系數分析法是常用的降維方法。 對于石油工業動設備來說，不同參數間的關系多表現為多線性、非線性特征，為準確表達其數學函數特征，因此多采用最大互信息系數分析法描述兩個隨機變量之間的依賴關系，對變量之間的函數關系進行準確表征。 最大互信息系數分析法認為，如果兩個參數變量之間存在關聯性，那么可以在其平面散點圖上繪制網格，將數據點進行分割，在提升網格分辨率的前提下，計算不同分辨率下的最大互信息值，對計算得到的信息值進行歸一化處理，即得到所需的結果［6］。

1.2.2 預測分析

基于提取的特征數據，應用機器學習、統計分析等方法預測設備運行趨勢，常見的預測方法包括回歸分析法、時間序列分析、神經網絡法、支持向量機回歸法、灰色預測模型法以及馬爾科夫鏈模型法等，其中尤其以支持向量機回歸法應用更為廣泛［7］。 支持向量機回歸法預測分析時，對于給定的訓練數據，優選訓練樣本D＝｛（x1，y1）…（xi，yi）｝，yi∈R，其中x表示樣本數據的屬性，y表示屬性的對應值，構建函數關系表達式f（x）＝wx＋b，其中w、b表示待定參數，f（x） 為輸入變量的預測值。

支持向量機回歸方法原理如圖2 所示，給定兩類數據，分別用實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w為最小值時，分類間隔2／w達到最大。 通過機器學習使得預測值f（x） 盡可能地接近y， 當二者的差值較小時，即能較為準確地預測y， 該計算過程可以看作是凸函數最佳化的求解問題，即min1／2w2，約束條件s.t.｜f（xi）－ yi ｜≤εi，其中ε表示預測值與實際值的差，即將求解分類間隔問題轉變為求解最小值的問題。在ε合理的情況下，能夠進行有效的數學求解，即可行性預測［8］。

圖2 支持向量機原理圖

在實際計算過程中，受離群值和誤差等因素的影響，可行性預測難以實現，需要應用損失函數、懲罰函數進行求解，其數學表達式見式（1）所示，其中C表示正則化系數，ξi表示松弛變量。 應用約束條件的目的在于確保所有屬性點值（xi，yi） 均能滿足敏感度損失函數，即讓松弛變量ξi替代屬性點值（xi，yi） 的損失。 對于懲罰函數來說，其能夠較好地解決因離群值等因素導致的問題，并判斷訓練模型是否過度。 在機器學習過程中，懲罰系數以及模型內部參數對于輸出結果有著較大的影響，因此需要通過試誤法得到錯誤率最低的最佳參數組合，并作為最適模型的參數。

另外，動態劣化度g（xp） 指標能夠對設備運行趨勢進行科學的評估，其計算公式如下式（2）所示，其計算結果介于0 和1 之間，0 表示最優，1 表示最差，xp為指標參數預測值，xmin表示指標參數運行的最小值，xmax為運行最大值［9－10］。 基于支持向量機回歸法以及動態劣化度計算方法，對動設備運行狀態和趨勢進行預測，能夠得到滿意的應用效果。

1.3 故障診斷分析

在構建大數據模型的基礎上，從線上、線下兩個角度建立動設備故障診斷知識圖庫，如圖3 所示。 在大數據源的基礎上，選擇合適的特征參數，計算待選特征域信息之間的相關性，基于故障規則表，構建故障診斷模型。 線上方面，構建基于大數據的故障診斷知識庫，通過智能化采集設備將相關信息記錄到數據庫中，當出現故障問題時生成故障信息表，其中設備型號、狀態詳情等信息作為知識庫的輸入信息，在此基礎上預測、推薦可能的故障原因，并默認優選可能性最大的原因。 線下方面，采用人工巡檢的方式，如果設備未發生故障，巡檢人員填寫巡檢單，將巡檢站點、設備、時間、人員等信息記錄到數據庫中。 如設備未處于正常運行狀態，巡檢人員填寫故障信息單，故障原因可以人工判斷選擇，也可以通過知識庫調用選擇。 當動設備故障處理完成后，對現場拍照并填寫任務詳情單，記錄動設備故障處理人、任務內容、任務完成情況等，根據實際處理情況確認設備故障原因，并上傳到知識庫中。

圖3 動設備故障診斷知識圖庫的構建示意圖

2 實例應用

以某石油企業某壓縮機組某工藝系統為例，對其運行狀態進行預測。 結合技術人員實際經驗，選擇獨立子系統指標參數XI?A，TI?B，FIC?C，PIC?D 作為指標參數，應用支持向量機回歸以及動態劣化度計算法，得到t時刻XI?A等指標的預測值和動態劣化度，計算結果見表1，并對設備狀態進行檢測。 以PIC?D 子系統為例，將計算得到的動態劣化度作為狀態監測指標，某日上午08：42 觸發動態劣化度并報警；傳統閾值監測方法于當日08：58 觸發閾值并報警，本文方法監測的最早報警時間較常規閾值報警提前了16 min，并通過知識庫給出故障分析原因，應用效果顯著。

表1 某項目t 時刻工藝系統轉速、壓力、溫度等指標參數預測結果

3 結語

石油工業生產工藝和生產裝備復雜，在長周期作業環境下容易出現設備隱患問題，因此進行動設備運行狀態監測對于防范設備運行風險、保證設備正常運行有著重要的意義。 收集設備固有參數、運行環境以及設備運行信息等數據，對采集的原始數據進行清洗和預處理，包括去除異常值、填補缺失值、去除噪聲等，確保數據質量，提取與設備運行狀況相關的特征數據，應用機器學習方法對大數據源建模，通過分析不同系統參數相互間的關聯性，對設備運行狀態進行正確表征。 在構建大數據模型的基礎上，從線上、線下兩個角度建立動設備故障診斷知識圖庫，基于機器學習模型進行故障原因診斷。 綜上，基于大數據的動設備運行狀況預測研究能夠實現設備故障提前預警，進而提升設備可靠性和運行效率，應用效果較好，具備推廣價值。