智能的数据分析

故障诊断数据的评估分析

作者:Emanuel Trunzer 文章来源:PROCESS《流程工业》 点击数:10 发布时间:2019-09-02
流程工业领域中的数据是一些异构数据源的数据,因此大数据分析的应用十分复杂。流程工业领域中的大数据常常缺少安全可靠的统计基础。因此,Sidap项目的目标就是找出一种不仅能够分析某个检测点的检测数据,还能评估分析本地和跨地域的多个检测点数据的方法。
智能的数据分析

流程工业中的检测点数量常常可以高达数十万个,控制阀的数量也多得非常惊人。因此,为了实现流程设备预测性的维护保养就必须创造足够的、安全可靠的数据统计基础。但事实恰恰相反,在实践中获取有关故障以及故障原因的数据并不是一件简单的事情。

智能的数据分析

为什么控制阀如此重要?因为控制阀几乎是唯一一种主动干预流程工艺过程的执行器。它是流程工业过程的核心,在提高流程设备生产效率方面十分重要。首先,控制阀一旦出现故障就是致命的,因为它经常出现在临界的工作点处。其次,它可以提供有关流程工艺过程的重要信息。

在使用这些阀门之前,操作人员都要对其进行严格检查。“我们在研发中心对控制阀进行检验,例如检查控制阀允许的泄漏量或者最多的开关循环次数等。但在流程工艺过程的生产实践中,控制阀受到的载荷其实更加复杂,它要承受不同的温度和压力负荷,还要承受不同的流量冲击,其中就包括了多相流的流量负荷,例如带有固体颗粒物的气流冲击,这就像是对控制阀进行喷丸清砂一样。也正是由于不同的流程工艺和媒体介质,要想创建一个在全球流程设备运营商都实用的控制阀损毁模型相当困难。”Samson公司的Stefan Unland先生说道。但是,准确的信息可以帮助流程设备操作者确定延长检测周期或者是否调整流程设备的操作方式,控制阀生产厂家也可以在进一步的研发工作中利用这些信息。

缺少的数据基础

尽管有大量的信息,但要获得正确的信息是比较困难的。因为这些数据并不总是具有足够的统计学意义。而预防性的流程设备维护保养工作则在最大限度内减少停机故障。传感器检测到的有效数据并不是正确的数据,它们不能对这些数据进行标准化处理。而迄今为止还没有对这些数据的正确性进行自动评估分析的方法。

在Sidap研发项目开始之后,这种情况就发生了改变。Sidap研发项目的参与者包括慕尼黑技术大学自动化和信息系统系的学者、像拜耳、科思创和赢创公司这样的企业,以及Krohne、Sick公司这样的现场总线仪器设备供应商,还有Gefasoft、IBM这样的IT技术公司。研发项目的名称Sidap是德文“流程工艺企业中大量数据的数据集成、数据分析和数据评估的可扩展集成方案”一词的缩写。借助于数据分析,我们可以从大量的数据中找到迄今为止一直未知的相互关系以及减少检测仪表和流程设备的故障。

格式统一的异构数据源

Sidap项目开发了一种由数据驱动并面向服务的集成架构。这一集成架构包含了不同格式的各种数据源。其最终目的是为化工生产设备带来新的监控方案,例如更加智能的控制阀故障诊断方法,以便能够实现预测性的维护保养。

“该项目的一个重点发现是有时阀门不能与流程工艺过程中的负荷情况有直接的对应关系。”Unland先生说道。例如在蒸汽加热热交换器中,检测设备在输出侧检测热交换介质的实际温度值,但温度调节的控制阀则常常安装在热交换器的介质输入侧。这就很难将控制阀受到的负荷与当前可用的过程数据相互关联起来。因此,在Sidap项目中选用的是带有其他传感器的控制阀,其热交换器输入、输出端各增加了一个压力传感器和一个温度传感器。

应用的可能性

Sidap项目还开发了一种数字化的模拟模式,即将不同的分析评估数据整合到一种数据格式的模式,这里的数据包括有关流程工艺过程的信息数据以及传感器提供的辅助数据和从控制阀中得出的故障诊断数据等。“可以用来采集误差补偿数据、零点漂移补偿数据、供气泄露和控制阀特性检测的智能化数据采集已经有大约15年的历史。在它们所采集到的信息中可以得出比偏差识别更有意义的流程设备故障分析的早期预警信息,只是这些信息一直没有利用起来。另外,如果我们详细地记录了每一次的故障损失情况,那么就可以更好地理解发生故障的机理了。”Unland先生
说道。

建立数字化模型

在以上基础上开发出来的实践案例可以避免流程设备意外停机、提高流程设备的可用性和工作运行的可靠性,从而提高企业的竞争力。

所有控制阀的数据都按照NAMUR开放式架构NOA的解决方案经第二条数据通道发送到主控系统中去,在那里完成这些数据的分析评判。这种方法主要有以下两大优点:

不会对现已安装的仪器仪表、检测设备带来不利的负作用;

以过程为主导。

在关键性的流程工艺过程中,企业使用的都是性能可靠的元器件,因此控制阀本身并不经常出现故障。“Sidap项目中使用的控制阀都是在非常苛刻的流程工艺过程中使用的,这样我们至少有机会、有可能在研发过程中看到控制阀出现故障。” Unland先生说。

如果流程设备检测点检测到的数据总是错误的,那么将无法提供可靠的统计学数据基础。在研发项目中通过定期的维护保养将控制阀传感器误报数据的情况减少到了最低。

误报数据和信息的情况也使得诊断分析建模的工作变得十分困难。此时操作员对不良事件发生的预判和了解发挥了很大的帮助作用。除了考虑故障诊断分析模拟本身以外,还需要用已经确认的故障情况来验证模型,以便得到性能可靠的数字化模型。

统一的数据模型

Sidap项目已经表明,除了底层数据的异构性和分散式储存问题之外,当前流程设备控制系统的封闭式环境也是数据驱动分析的一个难题。开发统一的能够反映技术装备设计过程数据的数据模型以及使用第二个控制跨层次的数据通道来汇总数据等方法都是可行的解决方案。另外,为了能够收集到更加广泛的数据,Unland先生鼓励流程设备运营商们使用Sidap项目开发的功能,以匿名的方式将自己的数据发送回来。

由于在一个流程工业生产基地的设备中有许多控制阀,因此可以通过工作环境的比较识别类似的阀门。相似控制阀提供的数据可以组合起来,为数字化建模提供足够数量的数据。只有建立了数字化的故障诊断分析模拟,才能充分挖掘出预测性维护保养的全部潜力。对此,Unland先生提出了一个从工程设计到流程设备使用运行再到维护保养和技术服务为止的整体性应用方案。他说:“我们要建立一个统一的、流程设备整个寿命周期的故障诊断分析模型。而只有与流程设备运营商一起合作才能得到。”

分离式的数据库

如果不同流程设备运营商和不同仪器仪表生产厂家都以匿名方式提供了自己的数据库数据,并在故障诊断分析时应用这些数据,就会大大增加研发工作的工作量,也会出现许多错误。另外,仪器仪表生产厂家在故障诊断分析中的技术、知识时也要引入到数字化故障诊断分析模型中加以应用。Unland先生坚信,大量的数据比较和专家们的丰富经验和学识能够开发出最佳的数字化故障诊断分析模型,也能够更好地预测阀门的故障。