李丽年，吴巍，李晓卫

(中海油能源发展装备技术有限公司设计研发中心，天津 300452)

1 引言

1.1 研究的背景与意义

仪表设备数据的可靠性和仪表设备的可维护性关系着石油化工生产设备的安全运行。研究控制系统和智能仪表设备数据分析和诊断评估系统，通过对设备数据的分析与评估，增加预防性、预测性维护管理方式，优化设备的管理模式，减轻人工操作压力，为企业节约设备维护成本，降低设备出现故障的概率。

研究开发一套控制系统和智能仪表设备数据分析和诊断评估管理系统，致力于控制系统硬件、软件以及智能仪表设备的智能化管理，对系统信息进行综合展示，精准监控仪表阀门运行数据，实时监控仪表阀门的运行状态，实现对控制系统和智能仪表设备的预防预测性维护管理。探索中国海油上游业务数字化转型、智能化发展的新路径，优化管理模式、大力促进我国海洋石油化工领域的发展。

1.2 相关理论概述及国内外研究现状

1965年费根鲍姆研制出历史第一个专家系统，名字为DENDRAL。1985年美国航天局研究出了监视航天器专家系统[1]。REFDES专家系统用于诊断火箭发射的故障。国内清华大学的王曦等完成了基于故障树对旋转机械构建立专家知识库。

20世纪90年代发展以来，设备故障诊断不断地与其他技术结合，应用了多种学科领域的技术，使设备故障诊断研究的边界逐渐模糊，将故障诊断技术测试、监测、诊断等相关技术结合，逐步融于一体。

2 控制系统和智能仪表设备数据分析和诊断评估相关技术理论

2.1 HART协议与EDDL技术

2.1.1 HART协议

(1) HART协议可以应用到任何有数字现场仪表的场合，有强大的通讯技术，扩展性能强，与现场智能仪表进行双向的数字通信。

(2) HART物理层规范。选用双绞同轴电缆作为信号的传输介质，信号的传输效果好、距离远。

(3) HART协议数据链路层规范。数据链层的数据建立、维护、终结等通讯功能应用HART帧的格式。利用冗余检错码信息发送信息，消除数据传输过程的线路噪音等干扰，确保数据准确的传送[2]。

(4) HART帧格式。所有应用HART协议传输数据的设备，数据都以帧的形式传播[3]。将用户数据和地址信息封装作为HART协议帧的内容。

(5) HART协议应用层规范。应用HART的命令集技术，所有站都受主站指挥，可以做到在主站发出命令，从站作出响应。

2.1.2 EDDL技术

(1) EDDL技术的工作原理。EDDL是HART协议中对设备信息详细描述的一种语言。HART、FF和PROF IBUS现场总线设备信息通过EDDL技术汇总到主系统，EDDL技术包含EDDL文件和EDD解释程序[4]。

(2) EDDL文件解析。将EDDL文件编译成二进制代码，把DD文件交给最终用户。用户在带有DDS接口的组态软件中导入DD文件，转化成图形界面，应用METHOD方法进行设备配置[5]。

2.2 混合诊断模型

2.2.1 专家系统

专家系统是一种计算机程序，模拟人类应用知识和处理问题的方法，采用人工智能技术基于各个领域人类专家已掌握的知识和处理问题的经验利用计算机来处理问题，分如下四部分；(1)知识获取系统：获取人类专家的知识，将所获取的知识添加到已有的知识库中；(2)知识库：将新获取的知识与已有的经验以数字化的形式存储起来；(3)推理机制：基于现有的知识和经验，设定应用情况和规则进行推理，进行实验验证；(4)输入输出系统：把当前的实际情况输入到专家库系统中，结合专家库中的知识和处理问题的方法输出结果给使用者。

2.2.2 人工神经网络

人工神经网络基于人体神经网络的结构，模仿人类的学习方式，具备良好的自学能力，问题处理能力和高容错性能，有深度智能化的特征。

人工神经网络具有如下特征：(1)非线性：自然界中存在着较多的非线性关系，就如同我们大脑一样，其活动方式是抑制或激活神经元；(2)非常定性：基于神经网络自学习、自适应、自组织能力的特征，神经网络一直是不断变化，处于迭代之中；(3)非局限性：人工神经网络是各种神经元相互作用，彼此连接的特征，是一套具有整体性的系统；(4)非凸性：人工神经网络中有大量的极值数据，可以使系统平稳运行。

3 基于专家系统与ELMAN神经网络的智能仪表设备数据分析和诊断模型

3.1 专家系统与神经网络混合诊断简述

专家系统的核心是模拟人类的逻辑推理思维，在对知识收集转化、存储、推理机设计、知识库维护等过程花费时间较长，人工神经网络可以对事情做出准确判断，应用专家系统是的逻辑演绎，和神经网络的集体计算，发现两者结合可以更好的解决问题。

3.2 专家系统与神经网络混合诊断模型

神经网络对于专家系统的优化：(1)专家系统对知识库里没有的问题可通过神经网络有自主学习能力进行判断，丰富知识库；(2)专家系统可以借助神经网络的自主学习能力，基于该领域专家处理问题的过程对神经网络进行训练，使输出结果接近真实数据；(3)专家系统的串行化识推理，此过程会导致“匹配冲突”、无穷递归等。可以应用各个神经网络相互作用，并行推理来完成，提高速率。

专家系统对于神经网络的优化：(1)神经网络不具备对实际情况积累的经验，需要通过专家系统经验获取多元化知识，对数据判断更准确；(2)神经网络表达方式复杂，缺乏透明性，专家系统把神经网络数字化的知识用文字表达出来，让人更好理解；(3)神经网络的训练的全过程中需要技术人员进行监督，通过融合专家系统帮助神经网络进行训练，整个过程不需要技术人员的监督。

基于控制系统和智能仪表设备数据分析和诊断评估的经验，能够给出更准确的诊断结果[6]。混合诊断模型如图1所示。

图1 混合诊断模型

3.3 Elman神经网络算法

3.3.1 Elman神经网络原理简介

基于BP神经网络增加一层承接层作为Elman神经网络，BP神经网络包含：输入层、隐含层、承接层和输出层[7]。数据先进入层计算，计算后的数据进入隐含层，隐含层的数据反馈给承接层，作为延时算子，可动态记忆网络，承接层可以自动输入起到延迟和搓出的功能。数学模型如下式所示：

式中：x为隐含层数据；u为输入数据；xc为反馈数据；y为输出层数据。w1、w2、w3均为各层之间的权值；g(·)为计算输出层结果；f(·)为隐含层的传递函数。

3.3.2 Elman神经网络诊断模型建立

本文中首先对采集数据进行分析，根据分析结果做出仪表故障诊断，整个系统的诊断流程如图2所示，模型1应用混合诊断方式，模型2应用专家系统诊断。监测系统数学模型1中将采集到的数据每隔30 s上传一次，选取50个数据进入输入层，反复试验把神经元设置成6个，承接层和隐含层节点数相同，输出预测的参数值与实时参数进行诊断。

图2 诊断流程图

4 控制系统和智能仪表设备数据分析和诊断评估系统实现

4.1 系统总体设计

控制系统和智能仪表设备数据分析和诊断评估系统为B/S结构的软件系统，将系统的主程序部署到现场的PC机上，应用WEB 服务进行统一管理，基于OPC、数据库等数据接口可以与第三方进行信息交互。系统的主框架如图3所示。

4.2 系统功能

4.2.1 控制系统设备管理模块

控制器：名称、型号、版本信息、下属IO卡件信息、负荷状况、内存、通讯状态、健康状况；

IO卡件：IO 卡件名称、类型、对应控制器、所在槽位、点数使用情况，IO 卡件的诊断信息详细的描述当前 IO 卡件的健康状况、IO卡件健康指数、IO卡件健康报表、IO卡件备用通道管理；

工程师站：基本信息、系统版本；

工控网络：网络负载、网络带宽、网络速度、网络状态；

4.2.2 控制系统软件组态模块

控制系统组态信息展示(组态整体组成、组态点数、组态各点位详情信息等)、组态变化情况跟踪及记录追溯、组态备份管理；控制系统因果逻辑实时展示、因果逻辑分析及优化管理功能。

4.2.3 控制系统综合评估模块

根据中控系统当前的系统状态、故障信息、版本信息等静态数据以及实时状态数据对该系统进行整体评分并根据知识库提出控制系统整体优化管理方法功能。

4.2.4 智能仪表报警诊断模块

该模块展示智能仪表报警信息、报警等级、报警描述及诊断分析信息等；建立智能仪表故障诊断知识库；展示智能仪表报警周期性统计信息及历史记录信息；对智能仪表的报警信息进行故障趋势分析；具备智能仪表维护保养事件记录信息功能。

4.2.5 智能仪表台帐管理模块

智能仪表名称、型号、版本、安装时间、归属系统&控制器&IO卡件、健康指数、组态配置情况，同时可实现对组态信息修改功能包括：(1)组态变更：展示智能仪表组态修改记录并支持组态参数对比；(2)组态批量传输：支持将同类型的组态信息进行批量传输；(3)设备综合展示：按照各类型进行统计展示；支持设备资料无纸化管理。

4.2.6 智能仪表综合管理模块

本功能通过智能算法对智能仪表进行健康综合评估；提供智能仪表的KPI分析报告；具备装置停工期间回路测试及阀门类仪表行程测试功能。

4.2.7 预测性维护模块

本模块是系统的重要组成部分，预测性维护是基于混合诊断模型建立设备故障模型智能算法，通过收集仪表设备的失效数据、维修数据建立专家数据库，将所采集到的设备数据与专家数据库进行比对，推算预测出设备下一个循环周期内的失效时间、可能性故障、维修部位，提早合理安排维修人员的工作事项，提升仪表运行效率以及优化人员的工时效率，延长设备的使用寿命。

4.2.8 日志管理模块

该模块的主要功能包括：显示日志信息、条件查找、查看日志详细信息、对日志进行排序、更新日志、打印预览日志信息。

4.2.9 用户管理模块

本模块负责管理软件的所用用户，包括用户名、密码、操作级别、操作权限和用户状态。

4.3 性能要求

(1)可用性：系统具备简单操作特点，通过充分的沟通深度挖掘不同方面系统用户的简洁化系统实现；(2)容错性：系统具备容错、数据恢复与稳定运行的能力；(3)系统支持近3年控制系统组态数据的分析和存储；(4)相关服务所占内存不超过16G，数据库所占容量不超过2T；(5)高可移植性，部署对操作系统无要求，系统安装包可以自动生成；(6)易扩展性，系统易于扩展和升级，更好地满足用户需求；(7)安全性：系统提供有效数据安全机制，通过数据库备份的功能实现数据安全存储。

5 结语

本文主要介绍控制系统和智能仪表设备数据分析和诊断评估研究所应用到的相关技术及系统实现。阐述HART现场总线技术、专家系统与人工神经网络算法的混合诊断模型，对海上油田仪表设备数据读取采集、分析、优化，评估诊断。

控制系统和智能仪表设备数据分析和诊断评估系统还需进一步完善系统数据，对重要仪表的监控将更全面高效。采用智能诊断的思维，提取特征参数判断阀门卡涩和泄漏情况，并以降低阀门的故障特性，提高预防性主动维修，实现生产装置重要仪表和调节阀智能监控项目全方位覆盖。