1　方案背景

近年來(lái)，基于實(shí)時(shí)數據采集技術(shù)、工業(yè)庫存儲技術(shù)、可視化數據展示、安全管理技術(shù)于一體的KingSCADA系統在中石油采油三廠(chǎng)已經(jīng)實(shí)現了大規模的推廣，面對現場(chǎng)復雜的工藝流程及多變的運行方式，每天形成的成千上萬(wàn)條報警數據記錄中，多數為正常生產(chǎn)運行過(guò)程中因周邊環(huán)境、工藝變更而引起的無(wú)效報警?，F場(chǎng)設備數量巨大，沒(méi)有一種有效的手段可以及時(shí)地發(fā)現停機、故障的設備。長(cháng)此以往，其對諸多生產(chǎn)部門(mén)對生產(chǎn)過(guò)程管理的高效運維造成了不便的影響。因此，獲取可靠與有效的實(shí)時(shí)報警數據與歷史報警記錄以及設備運轉停機提示功能迫在眉睫。

2　方案架構

如圖1所示，本項目功能架構劃分為數據層、平臺層、應用層、展示層四層內容，主要依托于平臺提供項目所需的報警優(yōu)化應用。

圖1 報警優(yōu)化項目功能架構圖

本項目網(wǎng)絡(luò )部署架構設計，軟件應用以在作業(yè)區部署單個(gè)作業(yè)區應用為例，主要區分為油田現場(chǎng)、服務(wù)端應用、作業(yè)區中心站監控、移動(dòng)端應用四個(gè)部分。如圖2所示。

基于作業(yè)區現場(chǎng)成熟應用的SCADA平臺，KH工業(yè)庫、MySQL關(guān)系庫、流媒體視頻監控應用等，本次在服務(wù)端應用側安裝KF3.6平臺軟件，利用其計算模塊KC、Web模塊KP，和SCADA平臺的數據交互，對現場(chǎng)報警信息進(jìn)行優(yōu)化，同時(shí)能夠將關(guān)鍵報警信息推送至移動(dòng)端應用進(jìn)行查看。

圖2 報警優(yōu)化項目網(wǎng)絡(luò )部署架構圖

3　實(shí)施內容

3.1　單變量報警閾值優(yōu)化

目前油田上的參數報警主要為高低限制的報警，我們可以通過(guò)Python算法實(shí)現報警閾值的自適應調整模型、動(dòng)態(tài)閾值；通過(guò)對生產(chǎn)運行參數過(guò)往一段時(shí)間內的數據進(jìn)行統計分析，調整報警閾值，以適應當前該參數的生產(chǎn)運行環(huán)境。

主要使用統計學(xué)方法確認數據分布，尋找最合適的報警限值，從而實(shí)現現場(chǎng)運行參數的精準報警，避免出現大量無(wú)效報警的情況。

3.2　多變量復合報警

多變量復合報警算法模型主要分為以下3類(lèi)：

（1）報警數據的聚類(lèi)分析模型

報警數據的聚類(lèi)分析，用離差平方和法計算聚類(lèi)距離，以平方誤差準則判定相似度，實(shí)現關(guān)聯(lián)報警分組。把關(guān)聯(lián)報警組內優(yōu)先級最高的作為代表報警，抑制組內其他報警，這樣可以減少報警數量，有效處理報警泛濫。

（2）報警變量之間的關(guān)聯(lián)分析模型

報警參數之間的關(guān)聯(lián)性分析，主要目的是找出關(guān)聯(lián)參數變量，以降低報警數量。由于故障的傳播需要一定的時(shí)間，相互關(guān)聯(lián)的報警參數之間通常會(huì )存在一個(gè)延遲時(shí)間。該延遲能夠使相關(guān)性系數變小，進(jìn)而掩蓋了變量間存在的這種相關(guān)性。

（3）多變量報警模型

采用機器學(xué)習方法對常見(jiàn)故障/報警模式進(jìn)行模式分類(lèi)，每類(lèi)有多個(gè)監控參數作為數據維度。設備故障報警時(shí)，只有多個(gè)變量同時(shí)滿(mǎn)足相應條件才能產(chǎn)生報警信息，一定程度上提高報警準確性。

3.3　抽油機異常停機報警

抽油機異常停機報警，通過(guò)Python算法中K——均值聚類(lèi)、向量機分類(lèi)模型，根據抽油機運行歷史數據驗證算法判斷抽油機運行狀態(tài)準確性，接入SCADA系統中抽油機實(shí)時(shí)數據，對抽油機運行狀態(tài)判斷，結合井場(chǎng)視頻雙重確認。

3.4　泵狀態(tài)變化報警

泵狀態(tài)變化報警，主要針對現場(chǎng)的外輸泵和注水泵兩類(lèi)，判斷過(guò)程和抽油機異常停機報警類(lèi)似，根據泵運行歷史數據驗證算法判斷泵狀態(tài)變化準確性，接入KS側泵運行實(shí)時(shí)數據，進(jìn)行泵運行狀態(tài)判斷，判斷結果存儲至關(guān)系庫。

應用算法序列的相關(guān)系數和時(shí)間序列延遲相關(guān)分析算法詳細描述如下：

（1）序列的相關(guān)系數

相關(guān)系數可以看成是一種剔除了兩個(gè)變量量綱影響、標準化后的特殊協(xié)方差。相關(guān)系數也可以反映兩個(gè)變量變化時(shí)是同向還是反向，如果同向變化就為正，反向變化就為負。又由于它是標準化后的協(xié)方差，消除了兩個(gè)變量變化幅度的影響，只是單純反應兩個(gè)變量每單位變化時(shí)的相似程度。

（2）時(shí)間序列延遲相關(guān)分析

時(shí)間序列延遲相關(guān)算法是時(shí)間序列數據挖掘的重要研究?jì)热?，目前已?jīng)在股票市場(chǎng)、氣候分析等領(lǐng)域得到應用。具體說(shuō)來(lái)，對于兩個(gè)時(shí)間序列 和 進(jìn)行計算分析，找到兩個(gè)序列延遲相關(guān)性最大時(shí)的延遲時(shí)間，延遲相關(guān)是指兩個(gè)時(shí)間序列的最大相似度不是發(fā)生在t=0的時(shí)刻，而是t=s的時(shí)刻，此時(shí)s就是延遲的大小。

3.5　報警推送

依靠微信端相關(guān)連接信息與油田即時(shí)通建立連接，連接信息支持用戶(hù)更改編輯。

接收器選擇需要接收信息的報警推送人員，發(fā)送格式設置選擇相應的發(fā)送內容。

在過(guò)濾器根據報警發(fā)生級別和報警發(fā)生站點(diǎn)配置相應的過(guò)濾條件，實(shí)現定義周期內報警未處理報警升級，推送給下一級的相應人員；間隔周期內報警未處理重復推送報警信息進(jìn)行提醒。

3.6　報警閉環(huán)管理

報警閉環(huán)管理，主要針對已經(jīng)處理完成的歷史報警信息，進(jìn)行完整的信息追溯，選擇需要查看的報警流程，結合現場(chǎng)報警升級和報警處理流程，詳細展示各節點(diǎn)操作的處理人、處理時(shí)間，處理狀態(tài)，處理情況等信息。

4　核心價(jià)值

該系統核心技術(shù)是基于實(shí)時(shí)數據監控與生產(chǎn)預警報警的模型化與全集成自動(dòng)化的管理模式。面對現場(chǎng)復雜的工藝流程及多變的運行方式，結合Python算法通過(guò)優(yōu)化系統報警，不但解決了報警參數確認與修正因過(guò)度依賴(lài)經(jīng)驗而出現的較高誤報率問(wèn)題，而且通過(guò)利用采集優(yōu)化、工業(yè)庫實(shí)時(shí)存儲、數據壓縮傳輸、綜合數據分析等技術(shù)在總結工藝過(guò)程運行規律的同時(shí)進(jìn)一步實(shí)現了更為科學(xué)的報警參數在線(xiàn)配置與自恢復功能。實(shí)現了精準報警，降低70%報警數量，降低了現場(chǎng)工作人員的工作強度。同時(shí)也實(shí)現了對油田重點(diǎn)設備運行情況的實(shí)時(shí)監測，當設備發(fā)生故障或者停機時(shí)可快速結合現場(chǎng)視頻在系統中彈窗顯示。

平臺實(shí)現行業(yè)內“全組態(tài)”技術(shù)，無(wú)需專(zhuān)業(yè)程序員，廣泛的工業(yè)人通過(guò)簡(jiǎn)單的培訓即可根據需求自主開(kāi)發(fā)的解決方案。實(shí)現行業(yè)內“模型”技術(shù)（數據模型、計算模型、圖形模型），工程開(kāi)發(fā)和維護的工作量顛覆式降低到原來(lái)的30%~70%，真正做到了隨需而變。系統可無(wú)縫融合Python、C++、JS等高級語(yǔ)言編寫(xiě)的算法，實(shí)現化整為零。

摘自《自動(dòng)化博覽》2021年3月刊