炼化企业作为典型流程制造模式,生产过程极其复杂,具有原料物性复杂、生产工艺复杂、生产装备复杂和安全环境要求高等特点。炼化企业工业大数据应用的难点是打通企业数据采集、集成、管理、分析和应用的产业链条,采用数据驱动业务的数据思维方式来进行生产过程管理和创新业务活动。该研究基于机泵、机组状态监测实时数据库建立故障特征信息数据库,采用大数据分析技术深度挖掘关键设备的数据潜在价值,创建故障诊断机理模型,集设备状态监测、设备状态预测预警、维修决策支持和维修活动于一体,是一种领先的维修方式。把设备应对性维修转变为预测性维护,在设备预测预警管理上开辟了一条全新思路。
1.设备预防性维修信息化系统
整合设备相关信息系统业务流与数据流,实现与多系统间的集成,消除信息孤岛,提升技术和管理人员的工作效率及相关信息资源的利用率是炼化企业生产信息平台建设需求。在充分研究炼化企业现有生产信息平台架构下,预防性维修管理系统平台从设备维护管理角度出发,以企业设备台帐为基础数据,以设备管理为基础、以安全生产为中心,体现了预防性维修和预见性维修为主,处处强调安全,加强成本核算的管理思想,使设备管理做到业务流程合理化、绩效监控动态化和管理改善持续化。设备预防性维修信息化系统的技术价值主要体现在以下方面:(1)系统的Web化。通过设备预防性维修系统跨平台的、在基于Web的设备管理系统的支持下,企业可以通过网络对资产进行管理,查询所需数据、报表等信息,或远程诊断设备故障。(2)科学的维修决策。预防性维护系统平台将预防性维护与预测性维护相结合,预防性维护是根据预先确定的维护计划定期检查和维护设备;预测性维护是监测设备的状态,例如,设备点检可以获取一些设备状态数据,分析设备或备件的劣化情况,在预定条件下自动报警或生成维修任务,发出维修工单,对设备进行维修。(3)最大程度的应用集成化。设备预防性维修朝着应用集成的发展将使其与ERP系统、OA系统、各子系统(如巡检系统、维修系统、生产系统等)和现场监控系统 (如DCS、PLC、状态监控系统等)实现最大的应用集成。
2.大数据分析技术应用
该研究针对炼化企业生产设备的现状,建立设备预测性维修信息系统原型:运用大数据挖掘技术,对大型机组、机泵进行设备数据集成,建立数据仓库,同时通过设备预测性维修模型进行设备状态评估、设备状态预测与报警。该研究主要包括以下内容:
(1)设备预测性维修数据库
设备运行数据和设备维护数据是设备预防性维修数据库的基础。设备运行数据主要包括设备运行记录、设备维护数据和设备检测数据、定点测厚数据、审批管理、仪表调教管理、腐蚀检测数据等。设备维护资料主要包括设备特性、设备图纸、设备检修资料、设备启停资料、工艺流程数据等,分布于DCS、MES、ERP等各个信息系统中。按照数据分类制定数据标准,建立设备预测性维修数据库。
(2)设备状态监测研究
在数据库基础上,依据状态检测手段的不同,分成许多种设备工况监视手段:振动监测、温度监测、压力监测、油液分析监测等。各类设备工况通过设备预测性维修信息系统整合起来,按照设备编码,集成统一展示。
(3)设备故障科学分析诊断
该研究以某炼化企业中的高压加氢裂化装置的关键动设备在线监测系统实时采集的数据或离线检测系统采集的历史数据,建立关键动设备预知性维修的模型。对动设备的运行状态的有效评价和状态趋势管理,有效指导动设备的运行管理与监控、优化维修维护等,提高设备安稳长满优运行的效能。
将振动设备的振动参数、设备运行工况参数以及装置工艺流程的参数融合,建立进一步优化对动设备的操作。整合历史运行数据、故障数据等,指导制定动设备运行维护措施、检维修方案,分析设备能效,总体提升动设备业务管理水平。
(4)设备故障特征预警预测
当系统设备的当前运行状态发生变化,偏离正常数据分布规律时,系统自动识别并持续监控,当设备状态持续恶化并越过预警监测线时,系统自动向系统设备状态发出潜在故障的预警并通过网页、邮件、移动应用等多种方式进行推送,通知相关人员。
(5)大数据深度学习建模
根据以上分析,确立了大数据深度学习建模的路线。收集数据的历史事件数据与直到当前时刻的状态监测历史数据,对于所获取的历史状态数据进行预处理得到规范化数据,并对其采取大数据方法进行分析。
(6)大数据分析架构
大数据挖掘平台的核心是数据访问和计算过程。随着数据量的不断增长,计算信息平台在计算时必须考虑分布式大规模数据存储,数据分析和处理任务通过并行程序在大量计算节点上进行划分和执行。在结构的外层,第一步是分析成本结构数据,即利用数据融合技术对异构的、不确定的、不完整的、多源的大数据进行预处理;其次,对复杂的、动态的数据进行预处理和挖掘,通过局部学习和模型融合,可以获得具有普遍性的设备故障全局知识,最后根据反馈信息调整模型及其参数。分析体系结构中的大数据技术在数据与信息平台的连接中起着重要的作用。设备大数据预测维护平台应实现信息共享和隐私保护,大数据应用知识的获取可为数据挖掘工作提供参考。
3.设备预测性维修模型研究
根据预测维修系统结构框架,预测维修活动的工作过程划分为数据获取、健康状态评估、维修决策和实施3个阶段。
(1)机泵预测性维修模型研究
选择机泵的在线监测或离线监测系统采集的振动监测数据,建立对应泵的轴承故障特征频率的数据库。建立泵组运行状态的历史数据库。定期或实时采集泵组的振动参数,包括振动的加速度、速度的有效值及位移的峰值;加速度、速度及位移的波形数据。建立有一定体量的泵组运行的工况数据、工艺流程数据,如温度压力等。
建立关键泵预警的数学模型:本研究以关键机泵为研究对象之一,根据生产现场的机泵运行情况,机泵的数据模型方案拟定两种:振动烈度趋势预警模型和轴承4个频率特征的发展趋势预警模型。
(2)机组预测性维修模型研究
机组预测维修以预防喘振为研究方向,通过采集分析压缩机入口温度,结合LIMS检测的分子量数据,预测设备运行状态趋势,通过调整前端工艺条件,防止设备喘振等异常状况。当入口流量Q减小到某一值时,出现喘振。这个最小流量值Qmin与很多因素有关。喘振主要与出口压力P、入口压力P1、入口流量Q、入口温度T、分子量M、工作转速存在复杂的关系。
确定在线数据获取的数据的来源:首先确定,在线数据的获取来源由以下几个部分:来源一,大机组的在线式振动信号的数据采集系统。在线数据采集系统建议数据采集的采样频率≥2.5KHz,刷新时间≤2秒。来源二,与DCS或PLC建立实时通讯,将机组工况参数和装置工艺流程的参数与机组的振动参数同步融合,建立数据存储及数据管理机制。
数据挖掘,建立模型:通过对多参数融合体数据挖掘,寻找有价值的、类似于工况发生变换的关联因素。找出工艺流程参数的变化对大机组安全运行工况的影响,建立机组安全运行范围和高效运行范围。
采用开环方案测试模型:对于各类工况参数变化的多参数融合体,建立数学模型的测试,当测试模型具备工业运行条件时,再进行闭环测试。
4.结束语
基于大数据的设备预测性维修平台研究是针对炼化企业应用大数据技术提升设备生产运行管理能力。通过基于大数据技术的设备预测性维护管理平台的运行,可以大大提升故障预测能力,降低设备整个生命周期内的费用,有助于优化能源利用,提升生产本质安全。大数据是支撑智能制造最为核心、最为重要的一项技术,早日实现“关键核心技术自主把控,把创新主动权、发展权牢牢掌握在自己手中”打造设备设施完整性管理信息化产业链中重要的一环。
摘要:针对炼化企业设备预测性维修的应用需求,运用大数据挖掘技术改变关键设备应对性维护现状,通过搭建关键设备预测性维修信息系统原型,对设备进行数据集成,建立数据仓库,创建故障诊断机理模型。该研究通过精确控制设备生产过程中故障因子进行的事前预警预测技术手段提高了设备运行的安全性、维修性和可靠性,把设备应对性维修转变为预测性维护,在设备预测预警管理上开辟了一条全新思路,提升企业的本质安全管控水平。
关键词:设备预测性维修信息系统原型,大数据挖掘,炼化企业,预测性维护
参考文献
[1] 赵崇志.大数据是未来油田最核心竞争力[J].国企管理,2016,(10).
[2] 孙国萍.基于数据挖掘技术的电信客户维系系统设计与实现[J].厦门大学,2014.
[3] 倪昀炜.大数据时代动环集中运维管理浅析[J].信息技术,2015,(11):144-146,151.
[4] 罗敏明.流程企业智能制造实践与探讨[J].石油化工建设,2016,38(01):16-18+69.