康 喜,黄海宇,卜静非,郭德科,朱国华

(中国石油西南油气田公司,四川 成都 610000)

1 背 景

某天然气净化厂硫磺回收装置由于工艺需要,配置有2台多级离心式鼓风机,向反应炉输送压缩空气,该设备是硫磺回收装置唯一大型机动设备,直接关系到装置的稳定运行,对工厂整体运行十分重要。该设备工作负荷大,运行周期长,出现多次因工况指标异常(电流、振动等)被迫停机切换备用设备的情况。后期机动设备在线状态监测系统项目实施后,在每台风机安装了5个温度、振动一体化探头,用于监测设备的温度及振动情况,并设定了报警阈值。

但是仍然存在两方面问题:一方面,故障的分析判断需要综合仪表、电气、设备、工艺及操作人员共同开展,各专业差异及个体专业技术水平的差异,让开展综合判断问题的难度较大,比如:可能是工艺上后端用气量突然增加,可能是阀门误动作,可能是电气故障,可能是风机设备轴承故障等多种原因,出现的报警无法针对性地为故障原因追根溯源。另一方面,该诊断监测系统的报警,仅仅能反映出振动、温度超标,无法判断出现超标的真正原因。现有开展的诊断技术偏重于振动信号分析,忽视了工艺等其他因素对诊断结果的辅助诊断作用,特别是随着机动设备负荷/流量变化引起振动变化的定量关联规律尚未完全掌握清楚,深度神经网络算法等大数据故障分析手段没有充分利用。

2 存在问题

2020年10月,硫磺回收装置的风机B曾发生异常联锁事件,其主要原因是风机电流值过低触发联锁下限,发生计划外停机。电流发展过程如图1所示。

图1 主风机电流异常联锁

当时展开了风机联锁的调查,但没有查找出具体原因,只能暂时认定风机设备故障,因此期望利用人工智能技术、大数据技术,通过对风机设备特性、现场检测数据情况、工况对电流影响等方面进行分析,以设备自身、设备管理员、专家系统等三个方面对造成风机联锁的各种原因进行讨论,汇总归类,绘制了因果关系(见图2)。

图2 因果关系图

通过因果分析图发现专家系统中的透彻研究、扩大经验范围等因素短时间很难改变;但通过设备管理员结合工艺工况,收集足够多的历史数据,利用神经网络模型对历史数据进行训练学习,生成智能预测曲线,对设备故障进行预测分析,并由相关性引申出故障概率较大的几种可能原因,此方法变得实际可行。因此决定探索建立一种基于人工智能技术的异常电流波动预警模型,实现对风机故障的智能预测分析。

3 大数据预测分析模型建立及可行性分析

3.1 目标设定

探索和建立一种基于神经网络算法的设备分析模型,充分利用设备设置的内部振动传感器以及DCS系统数据,对硫磺回收装置主风机建立适应设备个体差异、适应动态工况、判定问题相对简单的振动异常分析模型,实现对设备振动异常早期风险预警提示,达到降低设备管理员工的工作强度,提高分析精度,提前做出预判的目的。通过模型的建立综合不同初始输入条件下,发现出现报警及故障的根源,给出不同概率下的可能性。深度神经网络系统的模型如图3所示。

图3 深度神经网络系统模型

3.2 可行性分析

分析数据主要依赖工厂现有的振动监测系统、DCS工艺操作实时运行参数,目前风机实现了在线数据振动监测,DCS工艺操作实时运行参数也比较充分,具备比较完善的数据条件,适合建立智能化分析模型。通过实时或定期地获取设备运行过程中振动、温度、位移等数据,可预测数据变化趋势、诊断设备故障、判断故障原因,同时还可以对设备的历史故障数据、故障类型、故障原因、故障频率进行可靠性分析,预测下次发生故障的时间和可能性,帮助技术人员提前防范。因此探索一种实时在线、考虑设备个体差异、工况动态变化、分析过程简单的神经网络模型是可行的。

3.2.1 提出方案

影响风机电流的因素分析主要有三个大方面:一是风机自身因素,例如:风机有刚性摩擦、风机电机故障;二是外部设备因素,例如:原料气过滤器堵塞、放空排气阀开度控制不精准、外输排气阀开度控制不精准;三是工艺条件因素,例如:工艺装置酸气量异常波动、装置压力异常波动、酸气阀开度控制不精准。现选择通过专家开展故障分析和人工智能开展故障分析两种方法进行比选。

3.2.2 专家与人工智能方案比选

1)通过专家开展故障分析方案

传统故障分析方式主要依赖专家经验,由于是新建工厂,采用了较多新技术流程设备,而且没有现成的机动设备故障经验案例可以借鉴,同时对故障判断是个系统庞大的综合过程,涉及的专业多,各个专业的专家的经验水平不同,可能对于整体故障的排查和判断很难准确定位,因此这种方案的难度大,人为因素和不可控因素众多。依赖专业经验开展故障分析流程如图4所示。

图4 通过专家经验推定故障源流程图

2)通过人工智能和大数据方法开展故障预测分析方案

基于神经网络系统和大数据分析,对已有数据进行训练整合,将产生一条设备运行工况的预测曲线,预测曲线基于以往正常运行工况下的反复训练,数据可靠,当实际工况与预测曲线有偏差时,便可准确给出设备故障可能相关性指标指向。通过人工智能开展故障分析流程如图5所示。

图5 通过数据方法推定故障源流程图

3.3 选取最佳方案

传统故障分析方式主要依赖专家经验,由于专业技术人员的水平参差不齐,对设备故障的分析判断很难做到准确无误,而通过数据分析手段,完全依赖数据进行设备故障判定及故障溯源,可以避免人员经验不足,以数据的视角看待故障过程可能源头,为后续人工分析提供有利依据,因此选取大数据分析工具作为最佳方案。

4 模型建立及设计

4.1 总体设计

该测试探索模型具体要求及实施思路是通过DCS历史数据库获取风机设备的全部工艺工况历史数据,期望将DCS生产工艺数据和风机电流数据进行联动分析,通过离线方式分别学习两台设备的历史数据,对故障风机进行建模,建模后采用数据实验平台的神经网络工具进行训练测试。模型的建立需要收集与风机相关的DCS工艺历史数据,将动态生产工况和同时间点振动数据进行匹配。匹配后优选神经网络算法,利用神经网络工具,优选算法模型参数(例如神经元数,网络层级等)建立起分析模型。

4.2 模型原理

模型是将设备历史数据进行学习,剔除出现故障和无用数据,通过大数据神经网络系统模拟出设备未来一段时期的运行曲线,然后与实际运行曲线进行实时比对,当实际运行曲线偏离预测曲线值较多时,可认为设备即将发生异常,异常可能包括设备自身故障,也可能包括仪表、阀门、电路、工艺变化等原因造成的设备异常。过程如图6所示,通过两条线趋势分离来判断设备的早期异常。具体风机分析模型,需设定偏离报警值,报警值阈值需结合预测精度,进行具体确定。

图6 异常判定过程示意图

5 大数据故障分析

5.1 获取数据

首先从控制系统导出了硫磺回收风机B的历史数据,历史数据不仅有风机B本身的运行参数(电流值),还包括了风机上下游相关的工艺参数(如压差、流量、压力、温度、调节阀反馈位置等),共计11类运行数据。对于历史数据中的空值、错误值或故障代码,需要进行逐项筛查,尽量复原数据原有的情况,出现多个故障代码的数值只能进行删除处理,以免影响数据模型整体的精度。其模型建立所用到的数据指标如表1所示。

表1 数据指标

5.2 模型训练和预测

将预处理好的历史数据导入智能分析平台,进行人工神经网络模型的建模、训练,通过风机B的工艺参数对电流波动情况进行预测。接下来即可进行训练学习,当训练完成后会得到数据训练相关参数和情况。风机B神经网络训练预测曲线如图7所示。

图7 风机B神经网络训练预测曲线(局部放大图)

图7中包含2条曲线,一条为实际生产值,一条为模型预测正常值。模型预测曲线在6个影响要素(原料气过滤器压降、原料气流量、放空阀开度、出风机压力、原料气流量阀开度,出风机温度)共同影响下对电流的学习曲线,即仅提供6个影响要素,模型自主推算出的电流值。

5.3 原因分析

通过预测分析曲线,可以发现:

(1)数据早于联锁发生,提前出现波动幅度提高的现象;

(2)风机电流值与预测值吻合度较高,可认为风机自身未出现明显异常;

(3)风机电流在联锁过程中自身状态良好属于受迫异常波动(完全是外部条件造成的)。

结合联锁发生时的实际情况,虽然电流异常联锁发生在10月28日,但早在10月7日之后,风机电流就表现出明显波动放大情况。因此需要分析电流异常时期,什么指标对电流波动有明显先导影响,找到造成电流放大的深层原因。通过分析风机B电流波动稳定期间各影响指标贡献度和异常放大期间各影响指标贡献度如图8、图9所示,可以看出:原料气流量阀开度(GT-101B)贡献度由0.173上升至0.706,提升308%;原料气过滤器压降(PDT-101B)贡献度由0.567上升至0.827,提升46%。因此以上两个指标指向设备可能是导致风机电流异常,进而联锁的根本原因。通过引起电流大幅波动原因分析,可以得到以下最终分析结论:

图8 风机B电流波动稳定期间各影响指标贡献度

图9 风机B电流波动异常放大期间各影响指标贡献度

(1)工艺需求波动加大,导致风机输出功率大幅波动,导致风机电流在波动到下限位置触发联锁;

(2)原料气流量阀自整定参数设置问题,造成调节阀鲁棒性下降,特定情况下出现阀位振荡,进而引起风机电流振荡,触发联锁;

(3)原料气过滤器轻微堵塞,造成特定情况下风量喘振,引起控制阀组无法稳定控制,进而引起风机电流波动,引发联锁。

6 结 论

本研究内容首先通过神经网络模型建立、预测,明确了风机自身在联锁过程中是否存在异常;在排除风机自身故障后,通过相关性分析,指出了几种故障的可能性,通过与现场实际进行分析、验证,明确了联锁根本原因并进行有效处置。经过验证神经网络预测准确性高,具有较高的可信度,预测功能切实有效。由于模型学习数据针对特定设备,因此模型适用范围仅限于该工厂硫磺回收装置主风机。目前模型仅能离线使用,需要拷贝DCS历史工艺数据和风机电流数据,才能进行分析。模型数据必须时间对齐,才能发挥作用。当模型预测值与实际电流检测值发生趋势分离时,才能判定风机出现了早期的异常。

用于检测风机异常的人工智能模型能够有效清除设备个体差异以及工况波动对设备电流指标影响,有效监测设备自身异常(同样适用于风机电流的原因主要包括不平衡、不对中、松动及轴承故障),减少了设备检测人员的工作强度,提高了故障分析的准确性,甚至提供了一定时间提前量的预警能力。工厂风机每年花费较多的委外检修费用,如果使用大数据神经网络预测模型,可减少委外检修频率,每年可以节约检修资金及人工、材料费用约6万元。若通过大数据预测分析发现早期设备故障征兆,进而避免设备故障造成工厂停产事故,可挽回停产带来的损失至少400万元/天,有着巨大的经济效益。