主要内容：设备的安全稳定运行是石化企业实现安全稳定生产的重要因素。大机组等动设备结构 复杂、故障形式多样，传统的以设备或测点为对象的监测技术应用难以满足不断增长 的安全保障要求。特别是单一的参数指标不能全面体现设备故障特征，导致设备故障 不能提前预警预测，即便出现异常也不能快速定位，亟需研究新的预警预测诊断技 术，实现大机组等动设备异常状态的预警预测，异常状态下的快速分析定位。文章结合企业遇到的问题，基于工业大数据分析技术，提出了一种用于大机组等动设备运行 状态预警预测的解决方案。通过采用数据驱动的建模方法建立设备运行状态特征模 型，并通过历史数据进行学习训练，实现了基于大数据分析技术的运行状态的预警预 测，并结合应用案例说明了该方案的实施效果。从应用实践情况看，该技术实施周期 短、实用性强，可在一定程度上解决企业大机组等动设备运行管控中存在的难题。 

关键词：工业大数据 设备预警预测 关联分析

近年来，我国石化企业在保障安全生产运行 方面做了大量工作，但在安全生产隐患排查和分 析中，仍没有更多的选择，主要依靠过往经验和 专业知识。因此，对结果的分析和认定难免有较 大的主观因素和局限性。由于缺少有效的分析工 具和对事故规律的认知，无法真正实现从源头上 对事故发生进行有效遏制。因此，强化安全生产 的科技创新，研究和采用新技术，增强安全生产 综合防御能力就成为了一种追求。 

对石油化工企业而言，设备运行的安全是一 切生产经营活动的重要前提。虽然“五位一体” 的特护工作让设备运行得到了有力保障，设备状 态监测系统的投用，也在一定程度上提高了大机 组等动设备的运行管理水平，但实际工作中仍存 在以下问题：一是不能事前预警。目前的在线监 测系统都是越限报警，且都是单参数的高低限报 警，无法有效发现和捕捉事故苗头，不能做到事 前预防。二是缺少异常事故定位分析手段。一旦 设备出现故障，只能是依靠人工根据表现出的症 状进行分析和故障定位。由于缺少灵活的分析工 具，再加上不同专业之间的责任定位不够严格、 清晰，因此也造成事故分析周期长、异常定位困 难，最终导致事故根原因定性难度大。三是故障 历史知识积累缺失。由于历史故障信息不能有效传承和在线复现，导致重复性故障时有发生。 

工业大数据就是利用高效的数据分析工具和 运算手段，对工业系统中产生的各类数据进行处理，从而释放工业大数据价值[1-2]，实现对复杂工 业系统的健康状态检测、预测和系统性管理，为 工业企业带来更快速、更高效和更深层次的洞察 力提供了可能[3]。本文采用工业大数据分析理念 和技术，提出了一种石化设备预警预测方案，并 进行了应用实践探索。

1 工业大数据技术 

1.1 工业大数据 

工业大数据是工业数据的总称，包括信息化 数据、物联网数据以及跨界数据，是工业互联网 的核心要素[4-5]。工业大数据除了具有各类大数据 所共有的海量性、多样性、高速性和易变性的4V 特点外 [6]，由于过程工业生产具有设备大型化， 生产连续程度高，各参数之间存在复杂的机理关系等特点，因此工业大数据还具有高维度、强非 线性、样本分布不均、低信噪比等特点[7]。 

工业大数据的主要来源有三大类：一是生产 经营管理类信息系统。随着生产计划优化系统、企 业资源计划（ERP）、生产执行系统（MES）等多 年的投用，积累了大量的生产经营管理类信息；二 是生产运行过程中实时采集到的反映生产运行、设 备状态、产品质量控制等方面生产运行状态数据；第三类是与企业相关的外部数据。如同行业企业对 标数据、环境评价数据、市场预测分析数据等。 

工业大数据特点：一是数据持续采集，时间特性显著；二是数据实时性高，要求并发能力强；三是数据类别多，结构化和非结构化共存；四是数据关联性强，与生产工艺密切相关。正是因为 工业大数据这些独有的特点，其分析方法和挖掘 手段有别于传统大数据。对于石化行业，应用互 联网大数据、商务大数据的分析技术和方法已无 法满足应用需要，需要不断探索和创新技术方案。 

工业大数据技术是使工业大数据中蕴含的价 值得以挖掘和展现的一系列技术与方法，主要包 括数据存储技术、数据处理技术、数据分析技术 等[6]。大数据分析技术是运用不同方法以发现数 据的隐藏模式、未知相关性和其他有用信息的过 程[4]。主要目的是帮助决策者更进一步了解数据， 发现数据的规律，以便科学决策，提升生产效率。

1.2 工业大数据应用现状及应用建议 

工业大数据的典型应用包括产品创新、产品/ 过程故障诊断与预测、工业生产线物联网分析、工 业企业供应链优化和产品精准营销等诸多方面[3]。 

当前，大数据案例仍主要集中在商务或互联 网大数据方面，真正适合工业领域的大数据分析 解决方案并不多，或探入度不够。一些基于精确 数学模型的应用虽然被冠名为工业大数据分析应 用，但其技术方案实质上还是针对商务大数据的， 且存在实施周期长、效果不理想、可复制性差等 问题，也缺少对工业大数据分析的应用场景和应 用理论研究。

在石油化工领域，工业大数据应用尚处于起 步阶段。由于行业的特殊性，石化工业大数据分 析不仅难度大，而且对分析结果的质量要求也非 常高，因此目前工业大数据应用也还存在诸多制 约因素。一是对复杂过程系统或设备，由于现阶 段机理模型还不能在精确性方面给出 100% 的保 证，所以工业大数据分析工程应用不宜采用机理 建模技术，作为前瞻性技术研究不在本文讨论范 围。二是采用“数据＋状态模型”模式，其中状 态模型是利用实体系统数据所建立的反映实体系 统状态特征的数学模型。三是当前工业过程知识 大多来自于人的实际经验，目前工业过程领域机 器学习还不具备智能性，工业大数据分析的作用 还需依靠“人”的经验对分析结果进行确认、分 辨。四是建议研发“大数据分析工具”，以低成本满足用户快速定制化应用需求，尽量避免一个研 究对象建设一个应用系统[4]。

由于石化生产运行过程控制复杂，一些未知 的风险和不确定性因素，给生产管控和运行决策 带来了极大的困扰。因此，过程监测和故障诊断 应用就显得尤为重要。但由于故障发生的原因和 机理过于复杂，传统的分析方法和手段已很难给 出满意的答案。结合大数据分析技术中的降维处 理、聚类分析、相关性分析和预测分析等方法， 王子为[8]提出了一种基于大数据的石油化工旋转 机械的无量纲故障诊断解决方案，数据挖掘采用 了 Apriori 算法，依据关联规则，列出故障规则 表，增强了石化旋转机械设备故障的判断效果。

2 基于工业大数据的设备预警预测技术

2.1 应用技术分析

基于大数据的故障预警与预测分析是利用已 有的海量数据，借助各种推理技术，预测设备的 健康状态。主要的故障预测算法有 3 种，包括基 于模型的故障预测技术、基于概率统计的故障预 测技术、基于数据驱动的故障预测技术 [4]。基于 模型的预测算法由于受限于复杂动态系统，难以 建立精确的数学模型，因而实际应用和效果受到 了很大限制。基于概率统计的预测方法主要包括 时间序列预测法、回归预测法等，前者对短期预 测效果比较好，而后者要求样本数量要足够大[4]。 

基于数据驱动的预测算法主要用于故障可能是多 种因素引发的，难以确定采用何种预测模型或者 机理模型的情况。它以采集的数据为基础，通过 各种数据处理方法挖掘其中隐含的信息进行预测， 成为一种比较实用的故障预测方法。对这 3 种预 测方法进行比较，现阶段对石化设备和生产过程 进行故障预测，容易被企业接受并较快取得应用 成效的是基于数据驱动的故障预测算法。早期应 用于航空领域和核电领域的PHM技术、Aspen公 司面向未来的流程资产优化软件Mtell都是采取类 似的技术和方法。 

基于数据驱动的设备预警预测技术是利用基 于数据的、具有自学习机制的模型，而不是基于 工艺机理模型来实现预测预警的方法，是当前人 工智能（AI）的前沿技术。利用设备历史数据建 立一个反映设备运行状态的模型（特征模型），进 而应用该模型进行设备健康的离线评估或在线实 时预警预测。该系统具有高效挖掘、分析和学习 能力，能够发现事故前兆，并给出故障查找方向， 帮助技术人员及时对潜在的问题进行深入分析， 提前采取措施。 

设备预警预测技术的实现方式有离线模式和 在线模式。离线模式下，技术人员对已发生的故 障进行分析；在线模式下则可以实现异常状态的 “先知先觉”，并给技术人员提供判断方向。通过 对生产过程、设备进行“号脉”，发现不稳定状态 或故障前兆，并指出“病因”方向，帮助技术人 员快速定位。

2.2 关键技术与算法

目前，大数据分析算法很多，各具特色，但 由于不同行业之间的工业数据特点和结构的差异 性，还没有一种算法能够适应所有行业。按功能 划分，大数据分析算法可大致分为降维分析、分 类与聚类分析、相关性分析和预测分析等几大类。其中，基于数据预测类分析是一种从功能上定义 的广义概念，如生产过程的优化、产品质量和产 率的预算、生产过程及设备的故障诊断等。最常 用的预测分析方法就是应用各种神经网络算法以 及其与各种优化算法的结合。目前，应用相对成 熟的神经网络有BP神经网络、GRNN神经网络、 RBF神经网络等。 

神经网络具有以下优点：理论上能够逼近任 意非线性映射、善于处理多输入输出问题、能够 进行并行分布式处理、自学习与自适应能力强、 可同时处理多种定性和定量的数据。本文所使用 的主要算法就是RBF径向基函数神经网络。RBF 网络特点是非线性，有很好的适应性、高收敛速 度，在非线性逼近、时间序列分析、数据分类、 模式识别、信息处理、图像处理、系统建模、控 制和故障诊断等方面有广泛应用前景。 

RBF网络是一种三层前向网络。输入层到隐 含层是非线性变换，隐含层到输出层是线性变换。用RBF作为隐单元的“基”构成隐藏层空间，将 输入直接映射到隐藏层空间，确定RBF的中心点 是关键，隐含层到输出层的权可作为调节参数。图1为RBF径向基神经元模型。

图 1 RBF 径向基神经元模型

图 2 RBF 神经网络的机构

径向基函数网络有两层：隐单元层和线性单 元层，图2为径向基函数网络的结构图。 

RBF 网络是一种典型的局部逼近神经网络， 在函数逼近时的权值调整采用梯度下降法时，要 注意局部极小和收敛速度慢问题，在函数逼近、分类计算和学习速度等方面优于BP网络。为此，选择RBF神经网络作为预测模型进行应用。 

3 设备运行管理解决方案与案例分析

3.1 设备运行管理需求

某企业有 A 类机组 153 台，2017 年发生故 障 8 次，故障率 0.053‰。针对机组开展了“五 位一体”特级维护工作，并借助状态监测系统 （S8000）进行监控和分析。对往复机组和透平开 展针对性定期工作，如定期检查气囊压力、速送 阀活动试验等。同时，还对机组润滑油定期分析。 

通过在线监测、设备状态监测等系统进行故 障检测，虽然在一定程度上提高了大机组等动设备运行的管理水平，降低了计划停工的次数，但 仍然不能解决事前预警、科学进行异常事故定位 分析、运行维护成本高等多方面的问题。为此， 企业每年在维护大机组等动设备运行方面需投入 大量的人力物力，但问题依然无法有效解决，重 复性故障时有发生。

3.2 解决方案 

针对上述问题，基于工业大数据理念，综合 运用文中叙述的算法，制定了设备预警预测解决 方案，并进行了项目试点实施。方案通过设备本 身的传感器进行数据采集，进而对传感器历史数 据进行特征挖掘，采用关联模型、主成分特征模 型等方法建立各系统的特征模型，进而建立一系 列的基于数据特征的监测知识库，当发现新的数 据特征及事件时继续进行学习和更新特征模型， 从而达到对实时传感器数据进行模式识别与预警 的目的。图3、图4为该解决方案的系统架构和流 程架构。该解决方案还可以把单个机组放大成一 套生产装置或者是一个流体管网，进行状态预测、 过程优化、产品质量管控和管网优化。 

基于上述解决方案，搭建了系统分析平台。具 体使用过程中分为在线预警模式和离线事故分析模 式，分别如图5和图6所示。基本功能包括：①设 备数据预处理；②设备的状态特征提取；③特 征建模；④利用特征模型进行设备状态的实时预 警监测；⑤动态自适应优化特征模型。

简单来说就是两步：第一步，基于历史大数 据建立对象的特征模型。把设备的历史数据导入 该系统，系统在自学的基础上自动进行特征分析， 找出设备常态下的运行特征并建立特征模型。第 二步，基于特征模型开展异常特征监测。把实时 数据接入该系统，开展健康评估和故障诊断与预 测。当出现异常运行特征后可提前报警，并提醒 技术人员该异常特征需要关注的几个重点参数， 由技术人员进行分析查找异常原因。 

图 3 解决方案的系统架构

图 4 解决方案的流程架构

图 5 在线预警模式

图 6 离线事故分析模式

4 应用效果与分析 

4.1 案例一 主要说明利用该平台进行设备故障的快速定位与分析。

1）事故描述 

裂解装置某压缩机组在某晚 20:40 左右发生 停车事故。主操人员第一时间通过查看 DCS 系 统，获得了停车信号。技术人员凭操作经验对事 故原因进行了分析，初步认定：压缩机主密封气 温度、压力降低，导致主密封气出现带液现象， 造成压缩机密封气主泄露量增大，引发联锁停车， 非压缩机本身原因。 

2）大数据分析结论 利用系统对设备工艺参数的历史数据进行关 联分析发现，当日 15:03 就已开始连续出现不同 于常态的特征（表明已有异常发生），直至20:39 设备停车。结果表明，若该平台在线运行，可提 前5个小时发现异常预警。 

进一步分析发现，压缩机的进气温度、抽气 温度、抽气压力等工艺参数在压缩机停机前有明 显变化，初步判定这些变化是由蒸汽系统变化引 起的。在停车事故发生前的一段时间内，二次密 封气供给压力持续偏低，LP非驱动端主泄漏流量 一直处于非正常波动状态，可判断此次事故是与 低压缸主泄漏变化有关，排除设备本身故障。 

高压聚乙烯装置往复式压缩机（201、202）运 行工况复杂，事故易发，不易监测。某段时间往 复式压缩机发生停车事故，经技术人员事后分析， 确定为压缩机的二段出口压力超高导致联锁停车。 

利用该解决方案对事故发生前后的历史数据 进行分析，还原了事故过程。发现在停车前 8 天 已出现预警，通过预警特征分析，可以发现一次 机一段出口温度、压力，二、三段入口压力以及 增压机二段入口压力等参数均有明显变化。

进一 步分析发现一次机二段入口压力后续的两次增大 是造成停车的主要原因。进一步分析可知，系统在7月4日上午9:00就 出现了预警特征，7月7日上午10:00现场监控系统 发出报警信号，设备于7月12号20:40分发生停车 事故。如果在7月4日– 7日报警发生前的72小时内 采取相应措施，就有可能有效避免此次停车事故。

4.2 特点分析 

该方案具有以下特点：①使用简单。方案为 技术人员提供了易于使用的分析工具，离线分析 可以快速得出结果，在线监控可以准确实现故障 预警。②部署便捷。方案规避了建立机理模型或 统计模型，实施周期短。③应用场景多。只要有 实时数据的地方都可以找到应用场景，可以针对 单台设备，也可以针对集群设备、生产过程、流 体管网。④参数预估。提供了一种代替软仪表的参数计算手段。⑤知识积累。通过对异常特征的 标注，可以实现知识的在线复现。但方案仍然存 在对数据要求高，模型建立前期需要先进行数据 清洗，而且业务人员要高度参与，才能最终分析 出准确的结果等不足之处。 

5 结语

针对石化企业动设备运行安全隐患主要依靠 人工排查的问题，提出了基于大数据分析技术进 行预警预测的技术解决方案并进行了探索性验证， 并在生产装置过程优化、产品质量和平稳率预测， 以及流体管网和参数定量预测方面进行了推广， 具有一定可行性。本次研究实践也旨在进一步推 进大数据技术在石化企业全领域的应用。