【案例】大数据技术为燕山石化打造智能工厂

发布时间：2017-11-25 作者：佚名

关键字：大数据智能工厂

收藏好文推荐打印

目前在中国石化北京燕山分公司（下称燕山石化）制定月度维护计划的依据主要是设备管理人员的经验，现场设备运行过程中表现出来的故障现象，以及公司规定的强制保养项目。

背景

目前在中国石化北京燕山分公司（下称燕山石化）制定月度维护计划的依据主要是设备管理人员的经验，现场设备运行过程中表现出来的故障现象，以及公司规定的强制保养项目。但是人为经验是有局限性的，是缺乏继承性的，这就导致了燕山石化的维护计划不能够完全满足设备安全可靠运行的要求，“过修”和“失修”情况并存。如何制定更加科学合理的检修维护计划，减少对人为经验的依赖，是燕山石化急需要解决的问题。

问题思考

燕山石化的设备上安装了各种传感器，随时随地记录压力、流量、温度等状态数据。燕山石化可以通过对其状态数据的分析和挖掘，寻找状态数据和设备异常之间的联系。当设备出现运行异常时，通过状态数据在设备发生故障之前就能够捕捉到征兆，为提前安排停车检修争取到更长的时间。

用户需求

为了大幅减少甚至杜绝“过修”和“失修”的情况，燕山石化需要一个设备全生命周期预知维修系统（下面简称系统），能够利用设备运行状态数据，通过数据分析、数据挖掘等技术制定科学合理的检修维护计划，使维护计划满足设备安全可靠运行的要求。当设备出现运行异常情况时，系统需要能够做到提前发现设备故障，提前进行生产计划调整和物资准备，从而减少非计划停车时间，来保障不会出现数额巨大的经济损失，以稳定燕山石化的经济效益。

挑战

建设这样一个系统的主要挑战在于“提前”两字。要实现”提前“，系统要做到：对设备生产数据全方位、高频率的采集以及对采集到数据的深度挖掘和实时监控。为了全方位、高频率地采集数据，采集策略设计如下：

大型机组主要在线采集轴瓦位移的时域波形数据和温度数据，数据采集周期为3-5秒；

机泵以在线或离线方式采集振动速度或加速度数据和温度数据，在线监测方式的数据采集周期为1小时，离线监测方式的数据采集周期为1-7天；

系统从实时数据库系统中获取设备所对应的工艺参数，包括压力、温度、流量、液位、介质组分等等，数据采集周期为1-5秒。

依据该数据采集策略和中石化集团的设备总量，预计数据规模可以达到1-5PB/年。这对系统的数据处理能力是很大的挑战。

解决方案

因为传统的关系型数据库已经无法处理如此大规模的数据，所以该项目引入了大数据平台作为数据获取、转换和计算平台。大数据平台部署在5台服务器组成的集群上，包括内存计算、分布式NoSQL分布式数据库和流处理模块，在服务/工具层提供数据挖掘实时流处理，系统架构如下图所示。

系统在利用该大数据平台运行下面的应用：

1.基于规则的故障诊断：基于规则的故障诊断利用了经典诊断分析技术和专家系统理论，通过对所获取的数据进行故障征兆提取，再依据诊断规则，自动输出设备将要或已经发生的故障情况以及处理措施；

2.基于案例的故障诊断：基于案例的故障诊断功能在系统中构建了案例模型，并且从企业历史故障记录中提炼总结了若干故障案例作为原案例保存在大数据平台中，设备当前运行状态作为目标案例实时与原案例进行相似度计算，当相似度达到预设值时，就会对所采集到的数据进行分析预测，系统自动给出设备所处的状态类别和参数达到报警的时间。

3.劣化趋势预测功能：引入了自适应报警的概念，通过自适应报警算法模型进行计算，系统能够针对每个设备的每个测点给出符合当前工况的报警阈值；

4.部件剩余寿命预测功能：利用设备启停和历史部件更换信息以及设备故障诊断和预测结果，系统通过计算得到部件的剩余寿命并对小于预设值的部件进行报警提醒。

实施效果

利用大数据平台，系统实现了：

1. 对数据的实时分析计算，使设备故障诊断和趋势预测等功能的延迟控制在5秒之内，完全满足了客户对实时性的要求；

2. 通过数据分析发现一些看似无关的数据实则对设备故障产生着实在影响。于是通过做好工艺参数控制，利用大数据分析自动生成的检修维护计划，保证了设备维护更有针对性，减少了“过修”和“失修”现象。

通过大数据平台为燕山石化带来的全生命周期预知维修系统。可以发现大数据分析最有价值之处在于能够在设备出现故障隐患时就发现设备的潜在故障，大大减少了生成装置的非计划停车，从经济方面和安全方面为企业带来了巨大的价值。下图为系统自动给出的故障诊断结论：

与过去的人为管理经验相比较，此系统大大减小了局限性，同时有效减少在设备的故障报修方面出现的延迟与误判。同时，如果将此系统用在其他大型工厂、设备间等，也能有效减少“过修”与“失修”现象，维持高效科学的整体管理。