原油储库设备完整性管理技术研究

武传芳

（大庆油田信息技术公司，黑龙江 大庆 163000）

1 背景介绍

原油储库属于国家一级防火防爆重点场所，纵观油田企业发生的各类重大事故，设备设施故障是导致事故发生的主要因素。目前原油储库设备、工艺都实现了现代化，但原油储库设备完整性建设依然没有达到现代化、标准化的要求，缺乏对油库内设备的全生命周期管理，设备依然使用传统的管理模式，过度依赖管理人员的经验，导致原油储库运行成本增加，管理成本高于国内正常水平。油库内各类设备的检修计划定制不够科学，无法实现对资源的合理分配，设备使用效率较低。目前输油泵机组故障主要依赖人员巡检及专家经验，无法及时准确的给出故障预警。

为解决以上问题，基于数据采集、数据存储与管理、数据分析与挖掘技术，研发设备完整性管理平台，实现了油库设备的全生命周期管理、输油泵机组的故障预警以及综合数据统计分析，改进优化了业务处理流程，实现设备管理传统事故应对式到预防性管理的转变，辅助管理者决策。

2 总体架构

原油储库设备完整性管理平台采用5层架构模式：

应用层：分为设备设施全生命周期管理和系统管理两大部分。设备设施全生命周期管理分为设备设施数据管理、输油泵机组故障预警管理、维护保养管理和综合数据统计分析4部分内容，系统管理分为用户管理、角色管理、组织机构管理和权限管理4部分内容。采用统一的门户入口。

服务层：提供数据管理服务、预测模型服务、系统安全服务、业务流程服务、数据报表服务、消息服务、数据接口服务、基础组件等服务。提供公共核心服务供应用层调用。

数据层：负责应用系统的数据提供，汇集A5、设备动态数据库和项目库的数据资源，建立数据共享资源池，为平台提供信息共享服务。

基础设施层：采用统一的计算资源池、存储资源池，使用现有的存储资源、系统及网络资源。

系统架构图如图1所示。

3 技术方案

基于springboot+mybatis架构，研发一套适用于油库设备全生命周期管理的原油储库设备完整性管理平台，实现油库设备的全生命周期管理、设备预测性维护以及数据综合分析，辅助管理者决策。平台包括数据管理、维修保养管理、输油泵机组故障预警、综合数据统计分析和系统管理5部分功能。

（1）数据管理。基于数据集成技术，实现对油库设备（包括输油泵、压风机、储油罐、加热炉、锅炉、流量计、体积管、工艺管道、起重机械、压力容器等）基础信息的管理。

（2）维护保养管理。基于流程引擎、任务调度技术，实现油库设备如输油泵、压风机、储油罐、加热炉、锅炉、工艺管道的日常维护、检维修、设备更换、设备报废、设备转移等共20多个信息管理功能，实现特种设备的定期检查包括起重机械日常使用状况记录、起重机械运行故障和事故记录、起重机械安全检查记录等共6个信息管理功能，实现输油泵、压风机等设备维修、保养流程如计划上报、电子工单派发、工单接转、工单审批等流程的无纸化办公。

输油泵、压风机的维修，分为自修、内修和外修3种类型，保养分为一保、二保、三保三种类型，其中自修和一保工作流程类似，由大队内部进行维保；内修和周边油库的二保、三保类似，由大队提交泵修队，泵修队进行维修保养派工，然后交由分公司资产管理部进行审核，审核通过后，泵修队进行维修保养；外修和偏远油库的二保、三保类似，由大队提交ERP，ERP审批通过后，大队进行送修单维护，之后送修单中指定的油田内外部单位开始进行维保。所有维修保养工作完成后，都要进行现场确认，录入维修时间、维修负责人以及更换部件等信息。流程节点中相应负责人可通过待办任务进行工单接转、工单审批。

（3）输油机组故障预警。基于多源异构数据融合、数据分析、数据建模等技术，对泵、电机的历史数据、维修保养数据进行数据分析与特征优选，建立基于多参数机器学习故障识别模型，实现输油机组的故障预警诊断。本项目对长输泵、热油泵、输油泵、电机等输油泵机组设备的振动、温度、压力等实时数据进行数据分析，通过无监督聚类机器学习建立故障诊断模型，实现了对输油泵机组的实时在线分析诊断，有效避免人为经验决策以及不能及时发现故障而造成的损失，为相关管理人员及时采取措施避免经济损失、保障安全生产提供了有力技术支撑。

①数据处理。数据处理的第一步是数据清洗，也是保证后续结果正确的重要一环。若不能保证数据的正确性，则可能得到错误的结果，比如因小数点错误而造成数据放大10倍、百倍甚至更大等。在数据量较大的项目中，数据清洗时间可达整个数据分析过程的一半或以上。对收集的项目数据进行分析，发现原始数据存在的空值、乱序、缺失值、时间错位等问题，需要通过进行清洗、处理才能进一步将各个特征数据进行整合集成，为下一步进行特征提取、数据分析做好数据准备。数据处理分为空值缺失值处理、时间错位处理和异常值处理三种方式。

空值缺失值处理：通过分析数据规律，发现缺失数据前后数值差别不大，如果用前面的值填补上缺失值符合数据实际变化规律。

时间错位处理：通过数据分析发现在实际数据采样过程中，每个传感器上传数据的时间并不能完全对齐，这样在特征合并时不能直接对同一个时间点进行对齐合并，因此采用不同点位数据时间进行最小化差值对齐，即两个点位时间差值在一定范围内，认为是同一时间点采集的数据。对时间对齐后中间差值的数据，采用插值的方式进行填补处理。插值也分好多种：比如拉格朗日插值，分段插值，样条插值。本项目采用样条插值法进行填充。

异常值处理：异常值可能是因为测量仪器干扰或故障造成，此种异常值应该剔除，而对于由实际运行工艺参数变化导致的较大变化，此时不应该当做异常值。分析异常值规律后发现其主要呈现单突变特征，因此对呈现此种特征的数据进行剔除即可。

②特征提取。通过对泵、电机等动设备健康监测手段分析，建立以振动特征分析为主、其他特征辅助进行综合分析的特征故障诊断模式。通过大量的文献与相关领域的调研分析，泵、电机等动设备本身的运行参数数据、温度数据、振动数据特征，都能较好的反映设备运行对设备进行故障诊断的显著特征。

③数据分析。绘制时间序列散点图进行直观数据分析，通过变量之间相关性分析，定量计算变量相关性，去除同类别相关性高的特征变量、减少变量个数，降低特征维度，优选不同类别具有较大差异特征进行综合分析。量化两个时间序列之间的相关性可以从很多方向着手。基于信号类型，对信号作出的假设，以及想要从数据中寻找何种同步性数据的目标，来决定使用哪种相关性测量方法。相关性测量方法包括Pearson相关，时间滞后互相关（TLCC）以及加窗的TLCC，动态时间扭曲（DTW）和瞬时相位同步等。

考虑到计算时效性简便性同时兼顾准确性，我们采用Pearson相关系数计算法来计算各个特征变量之间的相关性，从而进一步降低数据维度，具体计算公式如下所示：

④模型预测。通过对输油泵机组温度压力、振动特征、波形特征等进行聚类分析，进一步优选判别设备故障的特征参数，进而不断优化训练出故障诊断预测模型，根据模型可对设备运行状态进行故障预测判断。聚类分析是一种不需要任何先验知识条件就能将样本进行自动分类的多元统计模式识别方法，它是一个无监督的观察式学习过程。该方法特别适用于无法获得故障数据样本或故障数据样本获取相对困难情况下的故障模式识别问题。K-means聚类是源于信号处理的一种向量量化方法，现在则更多地作为一种聚类分析方法流行于数据挖掘领域。K-means聚类算法的目的是：把n个点划分到k个聚类中，使得每个点都属于离它最近的均值(此即聚类中心)对应的聚类中，以此作为聚类的标准。

⑤故障预警。将输油泵机组的实时数据输入模型进行分析，判断可能存在的故障，给出相应的预警信息。a.设备与实时库参数关联。建立设备与实时库参数的关联关系。b.实时数据获取。根据设备在实时库中参数名称，实时获取设备参数值：泵前x轴振动、泵前y轴振动、泵前z轴振动、泵后x轴振动、泵后y轴振动、泵后z轴振动、泵前温度、泵后温度。c.故障预测。将获取到的设备实时参数输入模型，进行预测。d.预警结果展示。将每个设备的预警结果在页面上进行展示。

综合数据统计分析。综合分析油库设备基础数据、动态数据、保养维护数据和风险防范数据，形成一系列完整的报表和图表，展示供应商评价、零部件厂商及使用寿命评价、设备维修保养质量评价等信息，在维修保养质量、设备供应商选择、部件供应商选择方面辅助管理者决策。

其中设备供应商、部件供应商评价的实现思路如下：基于设备、部件的维修保养数据，分析使用单位的所有设备（部件）自投用日期以来，发生的所有故障信息；并从设备（部件）生产厂家角度出发，以图形化的形式展示每个生产厂家自所选日期以来在该单位投用的设备（部件）数量，以及这些设备（部件）发生的故障次数，展示自所选日期以来每个厂家生产的并投用到该单位的设备（部件）的故障率。

部件寿命评价的实现思路如下：分析设备维修保养记录以及部件更换记录，以图形化形式展示每个厂家生产部件的所属设备信息，以及部件投用日期、报废日期等信息，展示每个厂家生产部件的使用寿命，辅助领导决策。

4 应用效果

原油储库设备完整性管理平台已在多个油库进行了有效应用，实现了油库设备全生命周期中各类基础信息、特种设备定期检查、日常启用前安全检查，以及维修、保养、转移、变更、报废等信息的在线管理，提高了设备的完整性管理水平，降低了设备管理成本及人员劳动强度；实现了输油泵机组故障自动预警，并结合维保策略，实现设备管理传统事故应对式到预防性管理的转变，有效减少设备管理过程中的盲目性和随机性；实现了设备维修保养统计分析，以及设备供应商、部件供应商以及部件使用寿命的评价，在维修保养质量、供应商选择方面辅助管理者决策。