炼化企业大数据应用研究
来源:用户上传
作者:宋扬
[摘 要] 石油化工企业内部积累了海量生产经营、生产运行、能源消耗、安全环保等业务数据。这些分散和孤立的数据被加工和利用的程度较低，缺少数据的统一存储与管理。大数据技术推广将增强对炼化企业历史数据和实时数据的挖掘、分析和利用，实现系统集中处理和各业务层面的数据共享，提升数据价值。
[关键词] 大数据;数据共享;数据挖掘
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2020. 05. 041
[中图分类号] F270.7 [文献标识码] A [文章编号] 1673 - 0194（2020）05- 0091- 02
1 什么是大数据
1.1 大数据的主要特征
近些年，由于计算机、物联网等信息化技术以及传感技术的发展，现代生活中出现了“一切皆可数据化”的思维，数据的产生方式由“人机”“机物”的二元世界向着融合社会资源、信息系统以及物理资源的三元世界转变，数据规模呈膨胀式发展，信息技术快速发展、数据存储和处理成本大幅下降，催生了大数据时代的来临。大数据的主要特征我们可以概况为4V+1C，分别代表了Variety（多样化）、Volume（海量化）、Velocity（快速性）、Value（价值化）以及Complexity（复杂性）。
1.2 大数据的定义
2015年8月国务院下发的《促进大数据发展行动纲要》中强调：“大数据是以容量大（Volume）、类型多（Variety）、存取速度快（Velocity）、应用价值高（Value）为主要特征的数据集合，正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析，从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务产业。”
1.3 大数据的核心技术
大数据技术是继云计算之后全球最新兴起的一项重大IT技术。大数据的核心技术包括基于Hadoop的大数据基础平台、HDFS分布式文件系统、YARN资源管理系统、SPARK大数据处理引擎、Storm大数据分布式实时计算系统以及R语言等数据分析应用技术等。具体分类见表1。
如表1所述，其中Hadoop的大数据基础平台、SPARK大数据处理引擎、Storm大数据分布式实时计算系统是当前最重要的三大数据分布式计算系统。Hadoop常用于离线的复杂的大数据处理，SPARK常用于离线的快速的大数据处理，Storm常用于在线的实时的大数据处理。
2 炼化企业大数据需求
2.1 专业化、精细化管理的需要
炼化企业在生产技术管理、生产运行成本管理、设备检维修成本管理等专业化领域需要进一步挖掘专业数据的价值，通过数据模型支持专业化管理水平提升。历史数据的大量积累，以往多是通过人工经验进行分析应用，没有充分挖掘数据价值，需要通过数据分析手段，进一步挖掘数据间的关系，用以指导业务精细化管理。
2.2 挖掘数据价值、提高生产效益的需要
在外部经济的大环境下，需要进一步提升企业经营效益，低成本发展已经成为必由之路，需要运用信息化技术，为企业的生产和经营管理提供“抓手”，持续提高企业竞争力。目前在生产分析、生产操作、设备运行等环节的大数据应用均取得了阶段性进展，可以为企业装置安全平稳运行、精细化生产提供科学指导。在国内部分炼厂已经展开基于工业大数据应用的智能炼厂试点建设、研究及实践。见表2。
3 炼化企业的大数据应用
3.1 数据分析完善设备预测性检修
在设备运行分析和资产预知性维修等方面，机组、阀门等控制设备的常规性维护手段多为设备定期检修或故障后维修。难以避免的存在“过修”和“失修”现象，如果在设备正常运转条件下，大数据平台能够分析出潜在的故障和原因，实现预知性维修，将能有效减少维修成本，降低非计划停工风险。
3.1.1 实时采集数据
实时采集各地区炼厂的设备运维及资产数据。大量连续数据通过密集分布的传感器及无线通讯网络向数据采集点传送数据，数据最终传送到运营中心的数据分析部门。
3.1.2 数据算法分析
数据分析部门利用预知性算法进行大数据分析，提前发现设备资产漏洞。数据分析管理员对动态数据进行大数据分析，通过设备资产的历史数据及实时数据的分析结果可以得出设备运行状况的发展趋势，确定问题发生位置及发生根源，并同时通知设备维护团队进行维护数据校验。
3.1.3 运营中心作用
运营中心基于大数据分析生成维护及修正计划，并将文件多点发送至各级管理层，同时启动配件请购计划。运营中心可以优化未来的预期模型为制定长期计划奠定基础，维护团队可基于月度或日计划并优化工作优先级，资产维护团队洞察资产性能并了解维护执行情况，实现对工作环境的安全性分析和实时洞察。
3.2 数据分析优化生产提升效益
通过选择炼化装置关注的关键产品作为控制目标，利用MES系统中装置历史生产数据，通过大数据分析方法建立质量、收率与影响因素的预测模型，当预测到关键产品的质量不合格时，则通过最小的操作调整，在最短时间内使得产品质量调整合格。当预测到关键产品的质量合格时，则通过寻找效益目标函数的最优值，为各班组快速提供最佳操作方案指导，促进整体操作水平提升，同时为优化产品质量、结构及提高高附加值产品的产量提供了有效支撑。预警预测分析针对催化裂化装置，选择MES系统中装置的关键工艺点位数据，依据其报警次数与报警重要性，筛选出关键报警点，并结合各点位的历史生产数据，对每个报警点位单独建立预测模型，提前形成对异常工况的预警机制，辅助操作人员及时进行判断和预警。分析关键报警位点的根原因，在关键报警发生时辅助操作人员准确处理。
收集MES系统中催化裂化装置历史生产数据、质量检验数据，利用大数据技术并结合机理模型，建立与装置生产密切相关的质量预测模型，结合当前生产工 况实时预测产品质量，对产品质量进行预把控，并结合工艺卡片给出质检需求的合理建议，为质检决策提供支持。
4 智能炼厂的发展趋势
随着炼化企业信息化建设不断推进，未来的智能炼厂发展趋势是利用大数据与机器学习等技术，将多维度数据进行整合与挖掘，建立生产预测预警模型，对生产装置中工艺状态、操作情况等进行预测;同时对预警事件进行原因分析，评估预警 事件的风险等级;并根据业务规则提供对应的处置方案，使生产运行由传统的事后管控向事前管控方式进行转变。
实现自动化设备运行状态监控、设备预知维护、故障诊断、维护计划优化、备品备件优化、检维修现场监控及工作协同，即从设备出现问题或预计出现问题、检维修、到设备恢复正常运行的闭环管理，支持安全生产、高效生产。
机理模型与大数据分析模型相结合，基于历史数据库、实时数据，对数据进行有效性筛选，找出输入数据和输出数据的关联性，并建立预测模型。结合生產要求，计算不同类别目标参数的最优值，并给出推荐的操作参数。
转载注明来源:https://www.xzbu.com/3/view-15142180.htm
