牛启光，苏耀东

(中国石化股份有限公司 齐鲁分公司，山东 淄博 255400)

大数据是在数据获取、存储、管理、分析等方面大幅超出传统数据库软件能力范围的数据集合，具有海量的数据规模[1]、快速的数据流转、多样的数据类型和价值密度低四大特征[2]。大数据在商业互联网领域应用广泛，但在工业互联网领域，特别是石油化工等行业，如何将海量的实时数据加以分析利用，为企业生产创造价值，是石化信息管理部门关注的重点。

某石化公司已经建立了全面覆盖的实时数据库平台。经过长时间稳定运行，存储和积累了大量生产过程数据、设备状态监测数据和质量化验分析数据等。但对工业数据的利用深度不够，这些数据所蕴含的信息和价值没有被充分挖掘，尚未转化为企业有效的战略资源。通过建立企业级大数据分析平台，利用大数据分析生产平稳率、设备运行状态和质量预测等，旨在提高企业安全生产运行率、故障预警能力。

1 工业大数据应用主要内容

根据该公司信息系统应用特点，结合工业互联网应用，探索采用“数据+平台+应用”的架构，建立企业级大数据分析平台，实现两种功能模式： 一种是在线模式，可实现生产异常状态的“先知先觉”，提前给技术人员提供运行状态的走向，帮助快速定位；一种是离线模式，提供数据分析工具，帮助技术人员分析已发生的异常情况，找出问题产生的原因。该公司通过大数据平台主要构建了动设备智能预警分析模型和加氢裂化装置生产过程大数据分析模型。

2 动设备智能预警分析模型

2.1 构建范围

该公司作为大型炼化企业，拥有A级转动机组184台，为充分发挥大数据技术优势，着重选择数据采集条件好的40套关键机组构建智能预警模型。

建立了能够反映机组运行状态的特征模型，实现在线实时状态监控和故障预警。采用人工智能中的监督式学习方式[3]对状态模型进行训练。其中监督式学习是人工智能中机器学习一个分类。通过给定的训练数据集进行自我学习，并产生相关函数；当有新的数据时，可以根据函数预测结果。训练集包括输入和输出，即特征和目标。通过标注和模型训练，对报警信息进行合理化分析和预警辅助决策，构建设备异常状况预警模型，在故障发生前推送预警信息，预防因重大机组故障造成的非计划停车。

2.2 技术方案

预警监测是一种专门预测系统或设备是否偏离其预定轨迹运行时间点的工程方法。在工业领域用于设备或生产过程的运行稳定性监测、设备故障预警以及指导装备的预防性维护。采用数据驱动，利用基于数据的并具有监督式学习机制的模型来实现[4]。具体实现方法： 利用设备的历史监测数据进行高效的数据关联特征挖掘和识别，通过参数间关联变化的特征准确地捕捉设备的异常变化状态，并对设备进行智能化状态评估、运行预警等，提高生产装置运行周期。

2.3 实现方法

智能预警分析模型实现方法如下：

1)确定数据源。数据是智能预警系统功能实现的基础，数据质量决定系统分析结果准确性。40套机组分布范围广，且每个厂区都有自己的DCS，数据源质量参差不齐。为保证分析结果准确性，采用建立专用实时数据库的方式，实现各机组检测数据的采集，以保证数据采集周期和时间的一致性。

选取建模对象及能反映对象运行状态的历史数据，选取的时间最好在半年以上，周期5秒 /次。采用半年时间的数据，基本可以囊括所有的设备运行状态，5秒/次的时间周期也不会遗漏现场发生的问题。

智能预警系统实时数据库Infoplus.21采用OPC的方式采集数据。通过建立数据信息服务，使用统一的数据接口适配器等手段，实现智能预警系统软件与实时数据库数据通信。

2)选择模型参数。选择能够反映设备运行状态的关键参数为原则，按照参数在机组的监测位置和功能，分设备参数和工艺参数。设备参数为机组本身的监测参数，工艺参数则可与设备参数模型进行比对，分析同时间段内模型特征分布，明确机组运行状态变化是否与工艺参数变化有关。

3)数据预处理。预处理是系统对采集到的机组历史数据进行数据质量检测，保证模型数据源质量的必要手段。原则是保证数据准确性、完整性、一致性和有效性，采集时间一致且数据均为浮点数。数据格式整理则是规范数值格式、数据格式和文档格式，保证数据中不含空值、文本或特殊字符。系统提供线性回归、均值等方式剔除数据中非法字符和数值，实现数据清洗功能。通过聚类等算法实现数据各参数的权重评估，分析各参数间关联性和参与度，保证建模数据满足系统需求。

4)搭建模型。使用建模工具完成数据上传、模型参数设置、模型训练等工作。

a)数据上传。压缩机数据预处理完成后，通过系统功能添加“设备管理”向导，设置系统建模。按照向导，依次完成设备参数设置、训练数据选择、训练数据清洗、训练数据上传的操作，完成模型基本信息配置。根据用户使用习惯配置模型参数相关信息，作为模型的唯一标识，如流水线号、设备名称、设备编号等。如果文件中存在非法数据，系统会给出三种清洗方式线性回归、均值、零值，可任选一种清洗完成后再上传数据。

b)模型参数设置。数据上传完成后，通过系统“软件设备”添加参数设置向导，设置建模参数。分别完成训练参数的权重分析、权重分析结果、名称设置、参数设置4个步骤的配置，完成设备参数设定。利用权重分析功能完成系统对数据文件中每个参数的重要程度评估，可初步判断各参数之间的相关性。系统训练参数名称设置要与用户使用习惯保持一致。训练参数设置内容包括最大值、最小值、报警阈值、训练精度参数、是否进行建模等。

c)模型训练。压缩机组模型参数设置完成后，系统自动进行模型训练，提取建模数据特征，完成压缩机组建模工作。

5)特征挖掘与模式识别[5]。通过特征值展示数据挖掘及模式识别结果，以占比图、分布总图、区域密度等形式展示。

特征模式识别是对设备历史运行状态分析及评估的具体必要手段。用户通过对各个展示界面分析、识别，可确定建模对象在该时间段内的运行状态，辨识正常、异常状态，快速定位异常状态引发的原因和预警特征，评估历史运行状态。

a)通过特征、类组占比图，可以分析出每个特征、类组占比情况及各类组详细数据情况。

b)通过区段特征、类组密度图，可分析压缩机组模型每个区段内的类组密度统计情况，从而确定各时间区段内设备运行状态变化情况，进行故障快速定位。

6)数据监测。通过实时监测，分析模型的实时特征状态、异常特征状态、无效特征状态、实时数据类组分布图，实现对机组预警特征的抓取和识别，达到设备状态预警预测的目的。

7)模型再训练。通过分析实时特征数据人工标注所属设备状态，通过再训练可实现系统自主学习，不断丰富模型特征库，完善系统智能预警机制。

8)建立集中管控平台。集中管理系统模型及监测状态，包括预报警信息统计、设备预报警状态评估、不同装置操作员评估、预报警数量及优先级评估等功能。

3 加氢裂化装置生产过程大数据分析模型

充分利用加氢裂化装置已有数据，通过大数据挖掘与分析、处理，针对装置生产操作系列问题，开发基于大数据的装置操作分析工具，出具生产操作平稳率影响分析、产品质量操作影响分析报告。

3.1 模型架构

通过采集装置生产过程的操作变量、质量等数据，应用传递熵、贝叶斯网络等相关机器学习算法开发分析模型、分析工具，分析操作平稳率及产品质量的影响因素。主要内容包括： 操作平稳率影响分析、产品质量影响分析、平稳率影响分析模型、质量影响分析模型、基础数据采集等，加氢裂化装置生产过程大数据分析模型架构如图1所示。

图1 加氢裂化装置生产过程大数据分析模型架构示意

系统采集生产实时数据、化验分析数据、装置投入产出等数据，同时考虑各异构数据源之间集成。在实时数据库和关系数据库的集成上，考虑数据的同步性、一致性及接口的稳定性等。在与实验室信息系统(LIMS)数据集成的过程中，需要考虑LIMS数据、实时数据库与系统自身数据库之间的数据一致性以及LIMS多样性所带来的接口稳定性问题。

3.2 主要技术路线

3.2.1生产操作平稳率分析

针对引起生产平稳率波动原因，通过建立加氢裂化工艺平稳率相关性分析模型，进行定量、定性分析，生产操作平稳率分析技术架构如图2所示。利用大数据技术，分析生产的高维、海量数据，通过算法模型揭示操作波动的原因，并以分析结果为导向，给出定向、有效的改善建议。在平稳率分析方面采用了收敛交叉映射等算法[6]来检测变量之间因果关系，从装置操作大数据中提取因果关系信息，建立影响关键操作变量的因果关系链路图[7]。当装置出现异常时，技术人员对可能引起异常的变量进行因果分析，判断造成平稳率异常的原因。

3.2.2产品质量分析

针对产品质量影响因素众多，采用传递熵算法[8]，通过计算变量之间的信息量传递而得到操作变量与质量数据之间的因果关系，并计算影响权重值，帮助操作员分析产品质量异常的原因，给出操作建议。与此同时，将影响产品质量的因素分析结果与平稳率分析结果相结合，可以进一步为提高产品质量合格率提供操作指导，产品质量分析技术架构如图3所示。

图2 生产操作平稳率分析技术架构示意

图3 产品质量分析技术架构示意

4 应用成效与效益计算

4.1 应用成效

采用工业大数据分析，成效有以下两方面：

1)实现了机组在线运行状态监控、异常问题快速定位以及故障状态提前预警，为机组异常原因分析及预知性维修提供强有力的数据支撑，可有效提升该公司大机组运行管理的技术水平。对造成平稳性异常的关键因素分析挖掘，并提供改进方法，帮助技术人员在装置操作平稳率和产品质量出现异常波动时，快速定位异常操作原因、做出精确调整，从而可显著提高装置运行平稳率、降低产品不合格率。

2)通过神经网络等人工智能技术建立样本数据与质量特征或性能指标的关联关系[9]，通过不断丰富样本数据实现自学习，使数据模型得到优化和丰富。针对数据本身的特性进行高维度关联性分析[10]以快速挖掘数据中的特征模式，适应性强，可满足设备健康体检、故障预警预测、工艺过程优化、工艺参数精准预测和产品质量管控等多场景应用需求，对于机理模型难以解决的问题，工业大数据分析提供了创新性的解决方案。

4.2 效益计算

动设备预警分析模型和生产过程大数据分析模型应用于该公司40台关键机组上，实现机组状态的实时监控、故障的提前预警。2019年该公司塑料厂高压装置压缩机组非计划故障停机，系统发出预警信号，较其他监控系统发生故障报警信号提前了8 d，由于提前采取相应措施，降低了停机带来的经济损失。

2019年6月，在加氢裂化装置分馏塔塔顶温度出现异常波动以及液化气、C5指标出现异常超标时，帮助技术人员快速分析异常原因，并提供了操作指导，有效保证了装置的稳定运行和产品质量稳定。根据车间2019年技术月报，加氢裂化装置2019年累积进料1.5 Mt，累积能耗约855 MJ/t。实施加氢裂化大数据分析后，能耗降低了0.8%，节省蒸汽约3.2 kt/a，提高经济效益约人民币28万元/年。

实现了加氢裂化装置石脑油终馏点质量实时预测，其中石脑油折算收率预估提高了0.16%。根据装置加工能力约1.4 Mt/a计算，预估增加效益约22万元/年。同时精确的软测量可为操作员提供实时参考，可适当降低化验频次，降低化验人员工作量。

5 结束语

在设备管理方面，利用数据预警技术，建立大数据设备和工艺模型，实时发现设备运行的不稳定状态，帮助技术人员分析已发生的故障，找出故障原因，对未发生异常的设备，给予预警，帮助技术人员快速定位，提高了公司设备管理水平。

在生产工艺管理方面，通过对加氢裂化装置、第四常减压装置实时数据进行大数据分析，帮助技术人员在装置操作平稳性和产品质量出现异常波动时，能快速定位异常操作原因、做出精确调整，为生产装置的安全运行提供了保障。