基于大数据分析的油气生产设备故障多维分析与预测.docVIP

基于大数据分析的油气生产设备故障多维分析与预测 　　[摘 要]文章通过将油气生产设备的故障数据、配套物联网采集的故障期工况数据、设备维修保养记录数据等进行多维组合，通过Hadoop大数据分析技术，对设备的故障率进行分析，生成全面的设备质量参考数据；并依据故障率分析结果与实时工况数据进行大数据模型比对分析，实现设备的实时故障预测。通过对输入的多维数据进行整合，结合大数据技术在海量数据分析的优势，实现了对油气生产领域设备全方位的质量信息评估，并可据此采取针对性的质量改进与预防性措施，提升油气生产的安全性和经营效益。 　　[关键词]多维分析；故障预测；大数据；油气生产设备 　　[DOI]10.13939/j.cnki.zgsc.2017.12.243 　　1 引 言 　　油气生产行业所采用的各类数字化设备较多，随着行业的竞争加剧，如何减少设备故障引起的停产时间，如何优化采购降低设备故障率，如何提前对故障做出预测以提前应对，是石油企业所亟须思考和解决的问题。 　　随着工业自动化技术、物联网技术、大数据技术在油气生产行业的开始应用，为解决上述问题提供了全新的思路。运用大数据技术，可高速有效分析多维度的设备实时运行数据，并结合其他静态和动态信息，对设备的故障进行分析和预测，分析结果为生产、经营和QHSE服务，实现技术手段和管理模式的革新，实现科学决策、卓越运营与安全生产，最终达到可持续的业务增长。例如茂名石化探索如何在不改变已知原料属性下，实现在重整装置上提高汽油收率最高和汽油辛烷值最高的生产目标。为解决这个问题，采用大数据分析技术，收集了重整装置近三年的MES、HSE、实时数据库、腐蚀数据、ITCC、机泵监测数据、气象信息等数据，通过Hadoop建模，对重整原料历史数据进行主成分聚类分析，形成了典型的原料操作样本库，并据此快速确定每种原料类别下的最优操作方案。技术人员对近4600个批次的石油原料进行了分析建模，组成了操作样本库。通过该方法计算优化工艺操作参数，可使汽油收率从89.88%提高到90.10%，是大数据在油气生产行业应用的成功例子。 　　本文拟通过将油气生产设备故障数据、配套物联网采集的工况数据、维修保养记录数据及工业自动化数据组合应用于设备故障大数据分析，实现对设备的综合故障率分析与故障预测，从而为设备采购的最高性价比提供数据支撑，也为预防性维修维护提供决策支持，提升生产运行的安全性和企业经营效益。 　　2 大数据分析技术的运用 　　油气生产行业设备数据数量大，并发处理要求较高，对数据存储、处理、分析的巨大压力，要解决海量数据处理的问题就需要引入大数据技术。 　　Hadoop是目前最流行和功能最强大的一个软件计算平台，可以很容易地开发和运行处理油气生产过程中的海量数据的分析模型。其核心部分主要包括―HDFS（Hadoop Distributed File System）和基于MapReduce机制的并行算法实现。Hadoop提供的分布式文件系统HDFS是建立在大型集群上可靠存储大数据集的文件系统，具有强容错性、流式数据访问与大数据集、硬件和操作系统的异构性的优势。而MapReduce是一种简化的分布式程序设计模型，用于处理和生成大量数据集。通过该模型，程序自动分布到一个由普通机器组成的超大机群上并发执行。MapReduce通过把对数据集的大规模操作分发给网络上的每个节点来实现可靠性，每个节点会周期性地把完成的工作和状态信息返回给主节点，实现大数据的并发处理。 　　Hadoop的上述优点尤其适合于油气生产行业的海量数据分析应用。 　　3 设备故障率多维分析 　　设备故障率是评估设备性能优劣的一个重要指标。顾名思义，是设备故障运行与正常运行的比率。通过统计的方法可以计算特定个体、特定型号、特定类型或特定厂商的设备的故障信息，对设备时间质量进行评估和横纵向对比。 　　在油气生产中，设备的故障记录信息是故障率分析的依据，但因为实际运行中各个井站、矿区的运行情况不同也影响了设备发生故障的情况，因此还需要引入配套物联网采集的工况数据，以及日常的维修保养情况记录数据，将这些信息进行进一步组合，在Hadoop大数据分析中建模挖掘，得出更精确的设备综合故障率结果。 　　本文采用的多维故障率分析，基于3个大类的数据： 　　（1）设备故障信息：包括设备厂商信息、设备类型、设备型号、设备寿命、运行时间、故障类型、故障次数、故障时长、故障恢复时长等； 　　（2）物联网采集的工况数据：油气生产设备产量、流量、振动、位移，以及运行环境温度、湿度、处理物质腐蚀性等； 　　（3）维修保养记录数据：保养级别、保养时间、更换配件比、维修时间、维修级别等数据。 　　在Hadoop中，根据3类数据的权重、优先级，以及每个数据项的