基于大數(shù)據(jù)分析的機(jī)動(dòng)設(shè)備早期故障智能診斷技術(shù)研究與應(yīng)用

康 喜,黃海宇,卜靜非,郭德科,朱國華

(中國石油西南油氣田公司,四川 成都 610000)

1 背 景

某天然氣凈化廠硫磺回收裝置由于工藝需要,配置有2臺(tái)多級(jí)離心式鼓風(fēng)機(jī),向反應(yīng)爐輸送壓縮空氣,該設(shè)備是硫磺回收裝置唯一大型機(jī)動(dòng)設(shè)備,直接關(guān)系到裝置的穩(wěn)定運(yùn)行,對(duì)工廠整體運(yùn)行十分重要。該設(shè)備工作負(fù)荷大,運(yùn)行周期長,出現(xiàn)多次因工況指標(biāo)異常(電流、振動(dòng)等)被迫停機(jī)切換備用設(shè)備的情況。后期機(jī)動(dòng)設(shè)備在線狀態(tài)監(jiān)測(cè)系統(tǒng)項(xiàng)目實(shí)施后,在每臺(tái)風(fēng)機(jī)安裝了5個(gè)溫度、振動(dòng)一體化探頭,用于監(jiān)測(cè)設(shè)備的溫度及振動(dòng)情況,并設(shè)定了報(bào)警閾值。

但是仍然存在兩方面問題:一方面,故障的分析判斷需要綜合儀表、電氣、設(shè)備、工藝及操作人員共同開展,各專業(yè)差異及個(gè)體專業(yè)技術(shù)水平的差異,讓開展綜合判斷問題的難度較大,比如:可能是工藝上后端用氣量突然增加,可能是閥門誤動(dòng)作,可能是電氣故障,可能是風(fēng)機(jī)設(shè)備軸承故障等多種原因,出現(xiàn)的報(bào)警無法針對(duì)性地為故障原因追根溯源。另一方面,該診斷監(jiān)測(cè)系統(tǒng)的報(bào)警,僅僅能反映出振動(dòng)、溫度超標(biāo),無法判斷出現(xiàn)超標(biāo)的真正原因。現(xiàn)有開展的診斷技術(shù)偏重于振動(dòng)信號(hào)分析,忽視了工藝等其他因素對(duì)診斷結(jié)果的輔助診斷作用,特別是隨著機(jī)動(dòng)設(shè)備負(fù)荷/流量變化引起振動(dòng)變化的定量關(guān)聯(lián)規(guī)律尚未完全掌握清楚,深度神經(jīng)網(wǎng)絡(luò)算法等大數(shù)據(jù)故障分析手段沒有充分利用。

2 存在問題

2020年10月,硫磺回收裝置的風(fēng)機(jī)B曾發(fā)生異常聯(lián)鎖事件,其主要原因是風(fēng)機(jī)電流值過低觸發(fā)聯(lián)鎖下限,發(fā)生計(jì)劃外停機(jī)。電流發(fā)展過程如圖1所示。

圖1 主風(fēng)機(jī)電流異常聯(lián)鎖

當(dāng)時(shí)展開了風(fēng)機(jī)聯(lián)鎖的調(diào)查,但沒有查找出具體原因,只能暫時(shí)認(rèn)定風(fēng)機(jī)設(shè)備故障,因此期望利用人工智能技術(shù)、大數(shù)據(jù)技術(shù),通過對(duì)風(fēng)機(jī)設(shè)備特性、現(xiàn)場(chǎng)檢測(cè)數(shù)據(jù)情況、工況對(duì)電流影響等方面進(jìn)行分析,以設(shè)備自身、設(shè)備管理員、專家系統(tǒng)等三個(gè)方面對(duì)造成風(fēng)機(jī)聯(lián)鎖的各種原因進(jìn)行討論,匯總歸類,繪制了因果關(guān)系(見圖2)。

圖2 因果關(guān)系圖

通過因果分析圖發(fā)現(xiàn)專家系統(tǒng)中的透徹研究、擴(kuò)大經(jīng)驗(yàn)范圍等因素短時(shí)間很難改變;但通過設(shè)備管理員結(jié)合工藝工況,收集足夠多的歷史數(shù)據(jù),利用神經(jīng)網(wǎng)絡(luò)模型對(duì)歷史數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí),生成智能預(yù)測(cè)曲線,對(duì)設(shè)備故障進(jìn)行預(yù)測(cè)分析,并由相關(guān)性引申出故障概率較大的幾種可能原因,此方法變得實(shí)際可行。因此決定探索建立一種基于人工智能技術(shù)的異常電流波動(dòng)預(yù)警模型,實(shí)現(xiàn)對(duì)風(fēng)機(jī)故障的智能預(yù)測(cè)分析。

3 大數(shù)據(jù)預(yù)測(cè)分析模型建立及可行性分析

3.1 目標(biāo)設(shè)定

探索和建立一種基于神經(jīng)網(wǎng)絡(luò)算法的設(shè)備分析模型,充分利用設(shè)備設(shè)置的內(nèi)部振動(dòng)傳感器以及DCS系統(tǒng)數(shù)據(jù),對(duì)硫磺回收裝置主風(fēng)機(jī)建立適應(yīng)設(shè)備個(gè)體差異、適應(yīng)動(dòng)態(tài)工況、判定問題相對(duì)簡(jiǎn)單的振動(dòng)異常分析模型,實(shí)現(xiàn)對(duì)設(shè)備振動(dòng)異常早期風(fēng)險(xiǎn)預(yù)警提示,達(dá)到降低設(shè)備管理員工的工作強(qiáng)度,提高分析精度,提前做出預(yù)判的目的。通過模型的建立綜合不同初始輸入條件下,發(fā)現(xiàn)出現(xiàn)報(bào)警及故障的根源,給出不同概率下的可能性。深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模型如圖3所示。

圖3 深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型

3.2 可行性分析

分析數(shù)據(jù)主要依賴工廠現(xiàn)有的振動(dòng)監(jiān)測(cè)系統(tǒng)、DCS工藝操作實(shí)時(shí)運(yùn)行參數(shù),目前風(fēng)機(jī)實(shí)現(xiàn)了在線數(shù)據(jù)振動(dòng)監(jiān)測(cè),DCS工藝操作實(shí)時(shí)運(yùn)行參數(shù)也比較充分,具備比較完善的數(shù)據(jù)條件,適合建立智能化分析模型。通過實(shí)時(shí)或定期地獲取設(shè)備運(yùn)行過程中振動(dòng)、溫度、位移等數(shù)據(jù),可預(yù)測(cè)數(shù)據(jù)變化趨勢(shì)、診斷設(shè)備故障、判斷故障原因,同時(shí)還可以對(duì)設(shè)備的歷史故障數(shù)據(jù)、故障類型、故障原因、故障頻率進(jìn)行可靠性分析,預(yù)測(cè)下次發(fā)生故障的時(shí)間和可能性,幫助技術(shù)人員提前防范。因此探索一種實(shí)時(shí)在線、考慮設(shè)備個(gè)體差異、工況動(dòng)態(tài)變化、分析過程簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)模型是可行的。

3.2.1 提出方案

影響風(fēng)機(jī)電流的因素分析主要有三個(gè)大方面:一是風(fēng)機(jī)自身因素,例如:風(fēng)機(jī)有剛性摩擦、風(fēng)機(jī)電機(jī)故障;二是外部設(shè)備因素,例如:原料氣過濾器堵塞、放空排氣閥開度控制不精準(zhǔn)、外輸排氣閥開度控制不精準(zhǔn);三是工藝條件因素,例如:工藝裝置酸氣量異常波動(dòng)、裝置壓力異常波動(dòng)、酸氣閥開度控制不精準(zhǔn)?，F(xiàn)選擇通過專家開展故障分析和人工智能開展故障分析兩種方法進(jìn)行比選。

3.2.2 專家與人工智能方案比選

1)通過專家開展故障分析方案

傳統(tǒng)故障分析方式主要依賴專家經(jīng)驗(yàn),由于是新建工廠,采用了較多新技術(shù)流程設(shè)備,而且沒有現(xiàn)成的機(jī)動(dòng)設(shè)備故障經(jīng)驗(yàn)案例可以借鑒,同時(shí)對(duì)故障判斷是個(gè)系統(tǒng)龐大的綜合過程,涉及的專業(yè)多,各個(gè)專業(yè)的專家的經(jīng)驗(yàn)水平不同,可能對(duì)于整體故障的排查和判斷很難準(zhǔn)確定位,因此這種方案的難度大,人為因素和不可控因素眾多。依賴專業(yè)經(jīng)驗(yàn)開展故障分析流程如圖4所示。

圖4 通過專家經(jīng)驗(yàn)推定故障源流程圖

2)通過人工智能和大數(shù)據(jù)方法開展故障預(yù)測(cè)分析方案

基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)和大數(shù)據(jù)分析,對(duì)已有數(shù)據(jù)進(jìn)行訓(xùn)練整合,將產(chǎn)生一條設(shè)備運(yùn)行工況的預(yù)測(cè)曲線,預(yù)測(cè)曲線基于以往正常運(yùn)行工況下的反復(fù)訓(xùn)練,數(shù)據(jù)可靠,當(dāng)實(shí)際工況與預(yù)測(cè)曲線有偏差時(shí),便可準(zhǔn)確給出設(shè)備故障可能相關(guān)性指標(biāo)指向。通過人工智能開展故障分析流程如圖5所示。

圖5 通過數(shù)據(jù)方法推定故障源流程圖

3.3 選取最佳方案

傳統(tǒng)故障分析方式主要依賴專家經(jīng)驗(yàn),由于專業(yè)技術(shù)人員的水平參差不齊,對(duì)設(shè)備故障的分析判斷很難做到準(zhǔn)確無誤,而通過數(shù)據(jù)分析手段,完全依賴數(shù)據(jù)進(jìn)行設(shè)備故障判定及故障溯源,可以避免人員經(jīng)驗(yàn)不足,以數(shù)據(jù)的視角看待故障過程可能源頭,為后續(xù)人工分析提供有利依據(jù),因此選取大數(shù)據(jù)分析工具作為最佳方案。

4 模型建立及設(shè)計(jì)

4.1 總體設(shè)計(jì)

該測(cè)試探索模型具體要求及實(shí)施思路是通過DCS歷史數(shù)據(jù)庫獲取風(fēng)機(jī)設(shè)備的全部工藝工況歷史數(shù)據(jù),期望將DCS生產(chǎn)工藝數(shù)據(jù)和風(fēng)機(jī)電流數(shù)據(jù)進(jìn)行聯(lián)動(dòng)分析,通過離線方式分別學(xué)習(xí)兩臺(tái)設(shè)備的歷史數(shù)據(jù),對(duì)故障風(fēng)機(jī)進(jìn)行建模,建模后采用數(shù)據(jù)實(shí)驗(yàn)平臺(tái)的神經(jīng)網(wǎng)絡(luò)工具進(jìn)行訓(xùn)練測(cè)試。模型的建立需要收集與風(fēng)機(jī)相關(guān)的DCS工藝歷史數(shù)據(jù),將動(dòng)態(tài)生產(chǎn)工況和同時(shí)間點(diǎn)振動(dòng)數(shù)據(jù)進(jìn)行匹配。匹配后優(yōu)選神經(jīng)網(wǎng)絡(luò)算法,利用神經(jīng)網(wǎng)絡(luò)工具,優(yōu)選算法模型參數(shù)(例如神經(jīng)元數(shù),網(wǎng)絡(luò)層級(jí)等)建立起分析模型。

4.2 模型原理

模型是將設(shè)備歷史數(shù)據(jù)進(jìn)行學(xué)習(xí),剔除出現(xiàn)故障和無用數(shù)據(jù),通過大數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)系統(tǒng)模擬出設(shè)備未來一段時(shí)期的運(yùn)行曲線,然后與實(shí)際運(yùn)行曲線進(jìn)行實(shí)時(shí)比對(duì),當(dāng)實(shí)際運(yùn)行曲線偏離預(yù)測(cè)曲線值較多時(shí),可認(rèn)為設(shè)備即將發(fā)生異常,異?？赡馨ㄔO(shè)備自身故障,也可能包括儀表、閥門、電路、工藝變化等原因造成的設(shè)備異常。過程如圖6所示,通過兩條線趨勢(shì)分離來判斷設(shè)備的早期異常。具體風(fēng)機(jī)分析模型,需設(shè)定偏離報(bào)警值,報(bào)警值閾值需結(jié)合預(yù)測(cè)精度,進(jìn)行具體確定。

圖6 異常判定過程示意圖

5 大數(shù)據(jù)故障分析

5.1 獲取數(shù)據(jù)

首先從控制系統(tǒng)導(dǎo)出了硫磺回收風(fēng)機(jī)B的歷史數(shù)據(jù),歷史數(shù)據(jù)不僅有風(fēng)機(jī)B本身的運(yùn)行參數(shù)(電流值),還包括了風(fēng)機(jī)上下游相關(guān)的工藝參數(shù)(如壓差、流量、壓力、溫度、調(diào)節(jié)閥反饋位置等),共計(jì)11類運(yùn)行數(shù)據(jù)。對(duì)于歷史數(shù)據(jù)中的空值、錯(cuò)誤值或故障代碼,需要進(jìn)行逐項(xiàng)篩查,盡量復(fù)原數(shù)據(jù)原有的情況,出現(xiàn)多個(gè)故障代碼的數(shù)值只能進(jìn)行刪除處理,以免影響數(shù)據(jù)模型整體的精度。其模型建立所用到的數(shù)據(jù)指標(biāo)如表1所示。

表1 數(shù)據(jù)指標(biāo)

5.2 模型訓(xùn)練和預(yù)測(cè)

將預(yù)處理好的歷史數(shù)據(jù)導(dǎo)入智能分析平臺(tái),進(jìn)行人工神經(jīng)網(wǎng)絡(luò)模型的建模、訓(xùn)練,通過風(fēng)機(jī)B的工藝參數(shù)對(duì)電流波動(dòng)情況進(jìn)行預(yù)測(cè)。接下來即可進(jìn)行訓(xùn)練學(xué)習(xí),當(dāng)訓(xùn)練完成后會(huì)得到數(shù)據(jù)訓(xùn)練相關(guān)參數(shù)和情況。風(fēng)機(jī)B神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測(cè)曲線如圖7所示。

圖7 風(fēng)機(jī)B神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測(cè)曲線(局部放大圖)

圖7中包含2條曲線,一條為實(shí)際生產(chǎn)值,一條為模型預(yù)測(cè)正常值。模型預(yù)測(cè)曲線在6個(gè)影響要素(原料氣過濾器壓降、原料氣流量、放空閥開度、出風(fēng)機(jī)壓力、原料氣流量閥開度,出風(fēng)機(jī)溫度)共同影響下對(duì)電流的學(xué)習(xí)曲線,即僅提供6個(gè)影響要素,模型自主推算出的電流值。

5.3 原因分析

通過預(yù)測(cè)分析曲線,可以發(fā)現(xiàn):

(1)數(shù)據(jù)早于聯(lián)鎖發(fā)生,提前出現(xiàn)波動(dòng)幅度提高的現(xiàn)象;

(2)風(fēng)機(jī)電流值與預(yù)測(cè)值吻合度較高,可認(rèn)為風(fēng)機(jī)自身未出現(xiàn)明顯異常;

(3)風(fēng)機(jī)電流在聯(lián)鎖過程中自身狀態(tài)良好屬于受迫異常波動(dòng)(完全是外部條件造成的)。

結(jié)合聯(lián)鎖發(fā)生時(shí)的實(shí)際情況,雖然電流異常聯(lián)鎖發(fā)生在10月28日,但早在10月7日之后,風(fēng)機(jī)電流就表現(xiàn)出明顯波動(dòng)放大情況。因此需要分析電流異常時(shí)期,什么指標(biāo)對(duì)電流波動(dòng)有明顯先導(dǎo)影響,找到造成電流放大的深層原因。通過分析風(fēng)機(jī)B電流波動(dòng)穩(wěn)定期間各影響指標(biāo)貢獻(xiàn)度和異常放大期間各影響指標(biāo)貢獻(xiàn)度如圖8、圖9所示,可以看出:原料氣流量閥開度(GT-101B)貢獻(xiàn)度由0.173上升至0.706,提升308%;原料氣過濾器壓降(PDT-101B)貢獻(xiàn)度由0.567上升至0.827,提升46%。因此以上兩個(gè)指標(biāo)指向設(shè)備可能是導(dǎo)致風(fēng)機(jī)電流異常,進(jìn)而聯(lián)鎖的根本原因。通過引起電流大幅波動(dòng)原因分析,可以得到以下最終分析結(jié)論:

圖8 風(fēng)機(jī)B電流波動(dòng)穩(wěn)定期間各影響指標(biāo)貢獻(xiàn)度

圖9 風(fēng)機(jī)B電流波動(dòng)異常放大期間各影響指標(biāo)貢獻(xiàn)度

(1)工藝需求波動(dòng)加大,導(dǎo)致風(fēng)機(jī)輸出功率大幅波動(dòng),導(dǎo)致風(fēng)機(jī)電流在波動(dòng)到下限位置觸發(fā)聯(lián)鎖;

(2)原料氣流量閥自整定參數(shù)設(shè)置問題,造成調(diào)節(jié)閥魯棒性下降,特定情況下出現(xiàn)閥位振蕩,進(jìn)而引起風(fēng)機(jī)電流振蕩,觸發(fā)聯(lián)鎖;

(3)原料氣過濾器輕微堵塞,造成特定情況下風(fēng)量喘振,引起控制閥組無法穩(wěn)定控制,進(jìn)而引起風(fēng)機(jī)電流波動(dòng),引發(fā)聯(lián)鎖。

6 結(jié) 論

本研究?jī)?nèi)容首先通過神經(jīng)網(wǎng)絡(luò)模型建立、預(yù)測(cè),明確了風(fēng)機(jī)自身在聯(lián)鎖過程中是否存在異常;在排除風(fēng)機(jī)自身故障后,通過相關(guān)性分析,指出了幾種故障的可能性,通過與現(xiàn)場(chǎng)實(shí)際進(jìn)行分析、驗(yàn)證,明確了聯(lián)鎖根本原因并進(jìn)行有效處置。經(jīng)過驗(yàn)證神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性高,具有較高的可信度,預(yù)測(cè)功能切實(shí)有效。由于模型學(xué)習(xí)數(shù)據(jù)針對(duì)特定設(shè)備,因此模型適用范圍僅限于該工廠硫磺回收裝置主風(fēng)機(jī)。目前模型僅能離線使用,需要拷貝DCS歷史工藝數(shù)據(jù)和風(fēng)機(jī)電流數(shù)據(jù),才能進(jìn)行分析。模型數(shù)據(jù)必須時(shí)間對(duì)齊,才能發(fā)揮作用。當(dāng)模型預(yù)測(cè)值與實(shí)際電流檢測(cè)值發(fā)生趨勢(shì)分離時(shí),才能判定風(fēng)機(jī)出現(xiàn)了早期的異常。

用于檢測(cè)風(fēng)機(jī)異常的人工智能模型能夠有效清除設(shè)備個(gè)體差異以及工況波動(dòng)對(duì)設(shè)備電流指標(biāo)影響,有效監(jiān)測(cè)設(shè)備自身異常(同樣適用于風(fēng)機(jī)電流的原因主要包括不平衡、不對(duì)中、松動(dòng)及軸承故障),減少了設(shè)備檢測(cè)人員的工作強(qiáng)度,提高了故障分析的準(zhǔn)確性,甚至提供了一定時(shí)間提前量的預(yù)警能力。工廠風(fēng)機(jī)每年花費(fèi)較多的委外檢修費(fèi)用,如果使用大數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,可減少委外檢修頻率,每年可以節(jié)約檢修資金及人工、材料費(fèi)用約6萬元。若通過大數(shù)據(jù)預(yù)測(cè)分析發(fā)現(xiàn)早期設(shè)備故障征兆,進(jìn)而避免設(shè)備故障造成工廠停產(chǎn)事故,可挽回停產(chǎn)帶來的損失至少400萬元/天,有著巨大的經(jīng)濟(jì)效益。