基于工业互联网架构的偏差统计模型在石化行业应用综述

侯晓峰

（中海石油化学股份有限公司，海南 东方 572633）

0 引言

目前国内大型石化企业基本上已完成实时数据库、MES系统等本地化的信息系统建设，实时数据库系统作为企业生产管理的基础存储了大量的生产过程数据，其对生产运营具有非常高的应用价值，面对宝贵的数据资源，在未来建设工业互联网平台过程中如何保护和利用已有的信息资源，如何搭建符合石化行业特点的互联网平台是未来工业互联网建设必须考虑和兼顾的问题。

作为重资产的石化行业，未来建设的工业互联网平台与众多互联网企业、消费级物联网、离散制造物联网存在很大的差异，其顶层设计必须根据石化行业特点和管理需求、利用已有的成熟算法和模型、基于现有的海量数据等进行平台搭建和功能实现。

未来工业互联网的建设，单纯的实现软件功能并非工业互联网的最终目标。行业内各企业的生产管理水平参差不齐，工业互联网实现软件平台化将带来更多的是整个行业管理思路的可复制化、行业内部的资源可配置化，这是行业产生效益的源泉。因此，通过工业互联网平台推广行业内优秀的管理思路、科学的计算规则和先进的算法模型，将相关成熟的软件系统云端化、服务化以便为石化行业的生产运营发挥更大的价值。

1 架构设计和应用

1.1 系统架构

根据工业互联网总体架构的规划，基于产品化的工业互联网平台，在PaaS层之上实现指标偏差管理模型和功能。

图1 工业互联网总体架构Fig.1 Overall architecture of industrial Internet

工业互联网 SaaS层提供了APP开发的服务支撑能力，通过快速迭代实现工业应用的持续集成、持续交付。工业应用通过网关实现对后端实时数据库服务的调用和构建相关功能模块的实现业务能力共享，并通过平台网关统一为企业提供业务及技术支撑。

在IaaS层将搭建实时数据服务，该服务把各企业已有的生产过程、资产架构等业务数据，通过应用架构服务的方式提供给 PaaS和 SaaS层APP使用。鉴于业务现状分析的种种特点，不能机械地按照工业互联网的分层把实时数据归集到边缘计算层去进行数据采集处理，须针对企业的网络现状、系统的平滑过渡以及对已有资源的投资，采用微服务的方式率先进行数据的转接是最佳的实现方式。

1.2 实时数据服务

以国内应用最为广泛的实时数据库系统 PI系统为例，海量的历史数据接入到工业互联网系统进行建模分析需要打通数据渠道。PI数据一般通过三种方式进行获取，包括 SDK调用、Web Service和 PI SQL Das（PI SQL Data Access Server），通过分别对上述三种方式进行了深入的刨析，最终确定采用PI SQL DAS的方式。

1.2.1 SDK调用

PI系统提供了完善的SDK开发程序包，通过其API的调用，可以高效获取和利用PI系统里面的数据，但目前该开发包仅支持Windows平台进行开发，支持 C#等编程语言，要求 Dot Net Framework 4.62以上版本的支持。该方式不能支持跨平台，从OSI Soft长远的技术路线RoadMap上来看，在未来的一段时间也没有明确支持跨平台.Net Core Framework的计划，因此该技术路线不适合在PaaS平台上使用。

1.2.2 Web Service

通过开发Restful的Web Service调用接口是实现数据互联互通的方式之一。Web Service自带跨平台和跨语言的特征，可以实现 Linux和Windows平台之间互操作，也可以被java、C#等语言调用。但是由于 Web Service基于 XML（Extensible Markup Language）扩展型可标记语言和Soap（Simple Object Access Protocol）简单对象存取协议，数据通过文本的方式进行描述，相对于比特化的二进制传输方式，XML序列化造成了数据膨胀，加大了传输的数据量，降低了数据传输效率。

针对偏差统计的大数据模型而言，传输的数据量较大，经测试，采用Web Service方式的数据传输，效率仅相当于二进制方式的30%～60%，因此Web Service方式亦不适合本应用的需求。

1.2.3 PI SQL DAS

PI SQL Data Access Server是PI系统原厂提供的数据接口服务，其系统可靠性和效率均得到极大的保证。同时，通过OleDB、ODBC和JDBC的接口，可支持跨平台和多种语言的访问，其数据访问效率仅次于SDK方式，因此首选该方式实现实时数据的访问。

实时数据服务采用在IaaS层的虚拟主机上安装PI SQL Data Access Server（简称PI SQL DAS），通过https通道与PI JDBC客户端进行通讯，使PaaS层具有为上层应用提供跨平台实时数据访问服务的能力。

PI SQL DAS有独立部署和中间件部署的两种架构，为了有效地支持跨平台和 Linux操作系统，接口服务器采用中间件的技术架构进行部署。各基地的传感器数据实时传输到PI Server进行存储，然后通过企业内网连接到工业互联网平台的DAS数据访问服务器，通过转换将 PI API/SDK接口获取的数据通过 OLE DB接口协议对外提供，工业互联网平台APP获取各自所需数据实现业务功能。

1.3 指标偏差服务

指标偏差统计模型是用R语言进行搭建的，R语言是用于统计分析，图形表示和报告的编程语言和软件环境。未来指标偏差模型将单独运行于容器之中，采用微服务的方式对SaaS层的应用提供计算和结果。

系统调用R语言有两种方式，一种是Rserve的方式，这是一个基于TCP/IP的服务器，通过二进制协议传输数据，可以提供远程连接，使得客户端语言能够调用R；另一种是通过Java/R Interface接口，调用R的动态链接库从而利用R中的函数。

本应用采用第一种方式，实现模型与R运行环境的松耦合，指标偏差模型依赖于底层的PaaS平台服务、R Serve计算引擎和实时数据服务，通过指标偏差统计模型向上提供工艺参数、设备参数等的偏差计算微服务接口。

2 偏差统计模型

在石化行业通常的工艺管理中，通过平稳考核和上下限监控可以发现并校正短期内的参数偏差，对于尚未超出报警值的缓慢趋势变化缺乏有效的监控手段，而从统计过程控制（SPC，Statistical Process Control）来看，这种参数的偏差正是一种有效的反馈信息，可以帮助企业在早期及时发现系统性因素出现的征兆，预防问题的发生，帮助企业真正作到“事前”预防和控制。与以往采用人工调取长时间的趋势图来进行参数偏差辨别的方式相比，本应用功能采用了先进的计算机算法进行统计分析，结果可靠客观，有效的杜绝了眼睛识别的误差，降低了工作强度提高劳动生产率。

指标偏差统计是一个依据SPC的思想实现的借助数理统计方法的进行过程控制的分析，根据规则确定众数、正常值范围，计算两条蓝线之间所有观测值的标准差，根据莱特准则，以黑线为中心，上下各扩展得到两条绿色水平线（以下简称绿线），对绿线之间的工艺参数值进行时间趋势项的拟合（基于最小二乘法），来预测工艺参数有整体上升、下降或不变趋势。

如下图所示是一个工艺参数半年的运行数据曲线，可以看到中间的大波动是处于停车状态，通过算法的处理可以有效排除掉这些异常工况的数据。

通过统计学的方法对实时数据库中存储的海量过程历史数据进行分析，从而找出发生偏差的指标参数供工艺、设备、仪表人员进行进一步的深入分析，查找偏差的原因，及时发现隐患。

图2 实时数据的正常值区间Fig.2 Normal range of real time data

图3 模型异常偏差结果Fig.3 Model abnormal deviation results

3 工业APP

工业互联网APP（以下简称工业APP）是工业互联网的基础上应用，承载了工业领域特定的知识和经验，是工业技术软件化的重要成果，通过 APP实现软件为生产赋能、赋值、赋智的作用。

偏差统计大数据模型的APP的业务逻辑在模型中实现，APP进一步实现人机的交互，相关业务流程设计如图4所示。

图4 工业APP业务流程Fig.4 Business process of industrial app

通过配置设置需要模型监控的位号组，系统定期进行大数据分析计算，结果通过邮件方式通知业务人员进行处理，系统提供自动报告生成及导出的功能，对分析结果进行在线分析和评估、处置措施等，最终形成闭环管理。

4 结论

结合石化行业特点和管理需求，基于成熟的工业云平台，设计和开发工艺指标偏差统计模型及相关功能，实现其微服务化和平台化的部署。本文验证了工厂本地实时数据库与工业云结合的技术方案的可行性。解决了企业在工业互联网建设过程中的相关技术难题，打通了云平台和企业实时数据库的生产、工艺、设备数据链路，并为石化行业工业互联网的建设、本地化生产应用系统往云平台的迁移提供了可借鉴的样板。