大数据技术在加氢高压换热器腐蚀预警系统中的应用

大数据技术在加氢高压换热器腐蚀预警系统中的应用

文摘：高压换热器是炼油厂加氢装置的重要设备。高压换热器由于连续的盐腐蚀和泄漏，必须对其运行状况进行评价。传统的高压换热器运行状态评价方*****实现了加氢高压换热器腐蚀预警，提高了企业的生产管理能力，为机组安全稳定运行提供了保障。

关键词: 高压换热器清洗

近年来，石油化工产业向大规模、自动化、智能化、低能耗方向发展。但一旦生产系统发生故障，轻则导致整个设备或系统运行瘫痪，影响企业正常生产和经济效益;重则造成人员伤亡，给企业带来负面影响..因此，如何实现石油化工生产过程和运行设备的实时监测和状态评价，消除潜在故障，防止重大事故的发生，已成为目前石油化工领域亟待解决的问题之一。

在传统的石油化工生产过程中，采用了一些常用的监控器材，监控生产过程，保证安全生产，但他们大多是传统的工业控制系统，在标志阶段只发生已发生生产故障报警阈值，而不是失败或失败，异常生产过程中，报警预测的早期阶段。

随着科学技术的进步，特别是计算机和信息管理技术的飞速发展，石油化工生产设备中越来越多的变量可以被测量、处理和监测。在此背景下，设计并实现了一套基于大数据的加氢高压换热器运行状态评价系统。通过收集历史数据，充分挖掘过程数据中隐藏的信息，分析生产过程的运行，通过运行状态评价达到辅助故障预警的目的，建立监控模型。

1、大数据分析的基本理论是比尔德博士于1971年提出的用解析冗余代替硬件冗余的理论。 随着检测滤波器和广义似然比的发展，运行状态评估的理论和应用得到了迅速的发展。

工业经营状态评估方法分为三类：基于数学模型的方法，基于过程的知识的方法，以及数据驱动的方法国家..近年来，现代工业一直朝着大规模、复杂性的方向发展。在当今的大型系统中，一方面，基于数学模型的方法不能获得复杂机理模型的每一个细节;另一方面，基于过程知识的监测方法需要大量复杂而先进的专业知识和长期积累的经验，这远远超出了一般工程师的知识，因此难以操作。数据驱动的方法不依赖于精确的数学模型，只依靠工业生产中获得的历史数据来建立监测模型，进而得到大量的关注。目前，大多数企业每天生产和存储更多的操作、设备和过程监控数据。这些数据分为在正常条件下和特定故障条件下收集的数据，包含了过程的各个方面，为数据驱动的运行状态评估方法提供了依据。

目前主要有三种运行基于状态数据驱动的评估方法：基于分析的统计方法基于信号分析和基于知识的定量数据分析方法。其中，基于统计分析是：基于基于主成分分析基础上的评估技术和PLS(投影完整的潜在结构)的运行状态评估技术的工作状态(主成分分析)控制图的运行状态评估技术。信号分析的方法，主要是基于：基于小波变换，操作状态的评价的方法变换S]操作状态评价方法。不要求定量的基于知识的方法进行定量的数学模型，利用人工智能技术，实现工作状态的评估，也有基于人工神经网络四国的典型方法，基于支持向量机和方法基于模糊逻辑Q.虽然人工神经网络来实现在许多领域有着良好的应用效果，但在石油化工领域，面对多维的数据，以及培训等方面的问题较少的单一类型的故障数据，基于统计分析方法优于神经网络。

2、高压换热器运行状态评估

基于大数据技术的加氢高压换热器运行状态评价方法主要从模型开发和系统构建两个方面入手。

(1)模型开发：主要基于统计分析找出系统参数在稳定状态下的分布情况，并将需要评估的时间点与健康模型进行逐一比较，最后根据运行状态评估算法估算系统的健康评分;(2)系统建设：主要搭建数据分析环节，满足数据的采集、存储、分析和显示，解决大工业数据量和周期运行的问题。

2.1大数据大数据主要基于统计方法模式发展状况评估模型。运行状态评估之前，所需的数据，由于人为造成的行动，并在工业场景的问题无关的尺寸数据传感器的数量工业噪声数据来解决。在运行状态评估，需要解决现有的数学模型输出指标不直观的，它没有考虑到时间相关的数据等问题。

2.1.1针对人为操作和其它点故障引起的传感器数据波动，采用基于滑动窗口检测的噪声间隔自动检测算法对故障间隔进行自动诊断，并与日志文件进行比较，区分噪声间隔和实际故障间隔。

首先利用滑动窗口算法进行故障间隔检测，如图1所示，对于每个检测长度的间隔，在一段时间之前和之后分别取一个 i2和13的参考区间，并计算出11，l2和 l3的统计指标。 最后，比较 ll 与12,13的比值，记录异常间隔之后的整个窗口向后滑动 l1步。 在利用滑动间隔检测异常间隔后，通过运行日志和运行日志联合分析，确定泄漏引起的异常间隔和人为操作引起的异常间隔。

删除噪声数据，从而避免噪声数据对后续建模的影响。

2.1.2皮尔逊系数的参数选择算法用于高维数据采集传感器，大量使用Pearson相关系数的参数选择算法来选择与故障模型作为输入相关联的尺寸无关的参数和故障问题。皮尔逊系数描述两个随机变量的相关度，值从-1到1，两个随机变量的相关系数更接近-1或1表示更大的相关性，即，接近0表明较少的相关性，式描述如下：

P(x，)=5rx-a(Y-a)1axa系统确定与泄漏故障直接相关的换热器喷嘴压力、温度和瞬时流量的三维关键参数，计算其余119维数据和关键参数的皮尔逊相关系数的绝对值，根据断层的大小排列相关系数的绝对值，取相关系数的绝对值之和，取这些参数的前90%作为相关参数，最终得到与断层密切相关的22个维参数。

2.1.3主成分分析的运行状态评估算法该算法首先基于主成分分析对模型输入进行分解，并通过HtellingT’和Q统计检验方法进行健康诊断。但仅使用统计检验方法存在两个缺点：(1)HotellingP和Q是两个独立的指标，当两个指标出现“一高一低”时，无法直接断定系统健康状况;

(2)酒店T2和Q只考察了系统指标在给定时间的分布情况，没有及时考虑系统变化。结合健康指数波动值和历史健康价值水平，提出健康诊断算法和整体算法流程..

主成分分析(PCA)又称主成分分析，是过程工业控制系统故障检测与诊断的主要方法。

主成分分析的主要思想是将高维空间转化为低维空间，尽可能地保留高维信息。假设当前数据集X包含M维和N个时间点的观测值，它们按矩降表示如下。

通过对矩阵 p 进行变换，虚夏将矩阵 x 线性地转换为得分矩阵 t，如下所示:

在分数矩阵T中，T的列向量是分数向量，也称为主分量：P称为载荷矩降，P的列向量称为载荷向量。通过x的协方差矩下降特征分解可以得到载荷矩阵。假设样本矩阵X的协方差矩阵为：

COV = - x“的自协方差矩阵，x是可以得到的协方差矩阵的分解样本的平方矩阵，其中，所述特征向量NP：

“P.和相应的特征值a，a”a.特征分解如下：

P pip... p 是负载矩阵 p，p 是单位正交矩阵，它包含以下公式：

PP F=1所以得分瞬间下降不难T：

在T = XP允许误差的情况下，以一维的主成分得分矩阵替代维得分矩阵T米，以获得X的主要成分，这取决于主分量的数目保持在累积偏差的在被占部分总方差的百分比保留。在PCA，累积方差贡献率的特征值的样本协方差矩阵来计算，以下式：CPW()= 100(ZA./ZA)如下最终扭矩减小X可被分解为两个部分：

X=X+e，其中X的主成分矩阵，e为X的噪声矩阵，主成分和噪声矩阵计算如下：

x=2pA=rp”

数据集 x 主成分分析后，数据模型的数据分布由 ei4a ip 获得。 在统计学中，通过建立统计指标的假设检验，判断当前过程是否符合模型数据分布。 在 pca 的假设检验中，我们通常使用两个统计数据 hotelling 和 q 来检验假设。

其中，hdelingt2统计量表示每个数据在变化趋势和振幅上与模型的实际偏差程度。通过计算主子空间中测试数据的投影偏差程度可以得出结论：Q表示当时数据到待测模型空间的距离，并且可以通过计算待测试数据在剩余空间中的投影符合度，其值越大，当前测试数据越不符合主元模型。

HotelingT时刻i的观测数据“统计数字是计算如下：

=lA‘7=PA1?

式中：A为主成分第一特征值构成的对角矩阵，P为主成分的负载荷矩阵，X为标准化后的输入。

计算观测数据 x 在 i 时刻的 q 统计量的公式是:

对于每个观测点数据，通过计算Hotlingr和Q值，可以定量地表示观测点与主模型的偏差程度和与主模型的变化趋势，也可以表示主模型与主模型的变化幅度的偏差程度。

R.基于主成分分析，霍特林Q检验，并得到每个时间点的指标，不被视为一个潜在的不一致性问题的历史数据和多重指标。对于上述问题，该算法统计HotelingT2和Q计算出以便进一步处理。首先，该算法将HolellingT“值和从d Q值地图，+ x)至d，100]，对于任何时间，健康值地图上计算如下：

S、 式中[100-x，x≤100-m8()=o。。So0-w()=w-21-eww，write-0.5}:am为健康阈值，healb()=a·hi(g)+(1-a his(x，)，式中：healuh(x)为最终得分，his(x)为当前观察时间的健康值，his(x1)为上一观察时间的健康值，a为权重系数。

经过平滑策略后，系统的健康评分趋于“出现异常快速衰减，异常缓解慢速恢复”

U.这种情况有助于现场工作人员对系统的状态保持谨慎。

2.2大数据的大数据架构体系的建设。显示子系统架构的数据的查询和分析子系统被分成数据采集子系统的存储，数据的调度。其中所述数据采集源存储子系统负责获取和持久性数据;数据分析子系统调度器模块实现大核心数据，它主要负责基于原始数据分析系统的操作状态的评价;显示子系统负责读取数据的分析结果，提出了现场工作人员的评估提供了一个视觉系统。

2.2.1数据采集与存储子系统

(1)数据采集模块: 该模块的主要功能是定期从各种异构数据库中读取数据。 该模块将多行数据与时间关键字合并，并通过 http 请求将传感器收集数据发送到代理服务器。

(2)Hbase代理模块：该模块提供RESTfulHTTP接口，为其他模块操作Hbase并进行身份验证。编写Hase时，Hlbase模块将通过sigmoid函数平滑写数Hotelling和Q值，分别计算映射值，通过加权得到综合映射值..综合映射值的计算公式如下：

G(X)= A.G =(X)+(1-A)去(x)的计算健康，算法还考虑到健康状态天偏差值的影响，计算如下：

his(x)=g(x)-x·WD:x为当前时间的输入值，WD为过去一天健康状况的标准差，心脏为权重系数。

为了使健康状况的评价更加谨慎，增加了健康价值的平滑策略，公式如下:

对HIS(x-1)，HIS(x)>H IS(x1)进行预处理，以符合平台数据格式规范..读取Hhase数据时，Hbase代理模块直接向Hbase请求数据结果..

(3)Hlase数据库：Hbase的是分布式的，面向列的数据库。 Hbase的使用存储在列中的数据，按时间戳存储，能有效地处理大数据氢化时间存储，参数指标和更多的功能。

2.2.2数据调度分析子系统

(1)分析模块：基于大数据模型，将数据处理过程抽象为数据预处理和清洗、健康模型生成和健康数据评分计算三项任务。每个计算任务都是以Hbase为数据源来实现相应的大数据模型。

(2)调度模块：对于原始数据定期收集并依次进行预处理，保健评分计算任务，并根据生产的需要，执行健康模型生成计算任务，系统更新状况模型。

2.2.3数据显示查询子系统数据显示查询子系统主要负责获取下模块的数据并显示健康状态。数据显示子系统包括数据显示模块，主要基于Hbase读取系统在特定时间的运行状况，实现可视化显示。

3、 工业应用和经济分析

3.1加氢高压热交换器工业应用腐蚀预警系统研制完成后，开始在编号为的柴油加氢装置上运行。中石化2017年3月2次。系统向编号发出腐蚀警报。2017年5月17日2台柴油加氢装置。通过对系统腐蚀评价模型的分析，确定故障时间和位置，并提醒企业提前处理。在2017年5月23日，设备I泄漏，非常接近估计的时间。泄漏设备拆卸时发现泄漏部位，腐蚀类型与评价结果一致..

预警系统主要由在卡计划器腐蚀的停机时间和缓解方面的减少的直接经济利益的经济分析。

在减少计划外停机时间方面，每年减少计划外停机时间可产生500万元左右的经济效益;在减少换热器腐蚀、节约设备更新成本方面，预计换热器的使用寿命可由1.2年提高到4f，更新成本一个保养周期可节省约800万元MB

结论: (1)针对高压换热器故障预警问题，探讨了自供电异常区间的滑动窗检测算法: 针对石化系统传感器数量多、参数维数高的特点，提出了一种基于关联系数选择的关键参数特征选择方法。

(2)利用基于PCA的统计检验方法对系统的健康状况进行评价，针对传统统计检验方法的评价标准不一致，未考虑健康数据事件的相关性，开发了一套可操作的状态评估算法，能够更直观、全面地估计系统的健康状况。

(3)基于大数据技术，高压换热器评估的工作状态，具有更大的优势，比传统的方法，可以是卫生系统的更准确，它具有积极的意义故障警告，从而减少事故发生率，提高该系统的经济效益和社会效益。