一、前言

石化行業對國民經濟的穩定運行關系重大，其設施建設投資巨大，設備系統的技術復雜，重要的設備數量達到上萬臺套。這些設備的可靠性保障著石化企業裝置的安全性和經濟性。隨著大數據技術的發展，如何從設備運行的大量數據中提取有效信息，幫助運維人員提高運維效率，并最終實現設備的可靠性管理，成為石化行業關于智慧工廠的主要研究方向之一。

二、現狀

目前，石油化工行業設備運行狀態監測主要依賴于傳統的DCS單個監測點、上下限報警，以及利用人工來對設備運行狀態進行長期地、頻繁地跟蹤，既做不到準確可靠，又無法滿足對設備故障監測的時效性，從而無法完全保證裝置機組長時間的正常運行，存在機組非計劃停機的隱患。

對于設備故障本身來說，對于長期連續運行的機組及其輔助設備大多數的故障，它其實是一個長期緩慢的惡化過程，利用傳統的、單點的監測已經無法滿足設備實時的、故障提前預知的要求。

1、DCS監控的盲點

當今的石化行業各類自動化控制系統（如DCS系統等）日益普及，極大提升了企業運行管理的實時性與可靠性。然而大多數廠的DCS系統都側重于壓縮機、泵、汽機、鍋爐等核心設備，完成機組基本的運行、控制功能，其監控的對象是各設備過程變量的實時值，缺乏對設備運行狀況變化的分析與預測功能。DCS系統對設備異常的響應多依賴于DCS中預先設置的報警上下限（LL/L/H/HH）及對應連鎖控制機制。在防止重大故障的同時，往往已造成設備或機組的緊急停車。而在石化行業，即使是正常的停機，經濟損失仍然相當可觀。

同時，DCS中各測點的高低限設置和連鎖機制的配置等工作，高度依賴于DCS供應商和用戶的工程能力。在工程實施和系統運行期間產生的各種人工疏漏和程序缺陷，即使通過嚴格測試也無法完全避免。

隨著石化行業對于裝置運行可靠性及設備穩定性要求的日益提高，目前DCS傳統的報警方式越來越不能滿足行業發展的要求。因此，石化行業希望在不增加額外傳感器等硬件的條件下，利用已有的海量數據，通過大數據分析技術，來為設備運行維護提供具有前置性的和前瞻性的保護措施，及預測性運維（PdM - Predictive Maintenance）。

2、設備運維活動金字塔

裝置設備的運維活動通常可分為以下幾個層級：

第一級：以設備可靠性為中心的維護活動（最上層）。

第二級：預測性運維：不僅基于設備測點的現場反饋，并且利用各種大數據技術，對于各測量數據進行分析，發現設備運行的潛在問題，并進行預測，幫助用戶進行相關的運維排產計劃。

第三級：以設備條件為基礎的運維：即生產區域內的定檢/巡檢。

第四級：周期性運維檢修：即發電廠以年為單位的大修小修。按一定周期，進行運維活動，雖然有一定的計劃性，但由于不同的設備使用壽命及運維周期均不相同，該層級的運維活動效率不是太高。

第五級：事后維護（最底層）：即設備發生故障后，才進行相應的維護活動，效率低下。一旦設備發生故障，除了可能停機造成經濟損失外，也存在重大的安全隱患。

目前石化企業的運維活動主要處于第五級至第三級之間（被動維護/預防性維護）。如何利用現有設備測點提供的各種數據，結合先進的大數據技術，提高企業的運維活動效率，提高設備的可靠性，去除安全隱患，是整個石化行業面臨的重要命題。

三、PRISM系統介紹

針對石化行業設備運維的發展需求，施耐德電氣可為用戶提供基于PRISM軟件平臺的設備運行故障監控及預警系統。該系統利用PRISM特有的大數據分析技術（APR技術），把設備的實時運行數據同其特有運行模式進行比對，發現系統行為的細微差異，從而對設備可能存在的問題進行提前預警，幫助用戶實現設備的預測性運維（PdM）。

1、PRISM系統特點

PRISM系統的主要特點包括：

1）大數據建模及閾值設定的報警機制 – APR Model and Threshold Config.

不同于以往的各種機理模型，PRISM系統利用大數據分析技術（APR技術），根據設備運行的歷史數據，建立相關的設備模型。通過對比實時運行數據和設備模型的差異（delta = real_time_value – model_predicte_value）及相關的閾值設定，進行報警。該報警信息將大大提前于傳統DCS（或PLC）系統的上下限報警機制，從而為運維工程師的實時決策提供更多的信息，并為分析問題、解決問題贏得更多的時間。

2）設備故障分析 – Fault Diagnostics

設備運行時可能存在各種問題，而測點的信號變化的不同組合，則能反映導致設備故障的不同原因。如汽機的軸溫升高問題（見下表）。

PRISM系統可為使用人員提供Fault Diagnostics功能，即根據觀測到的不同測點的信號變化，幫助用戶分析可能導致故障的具體原因，并根據每個測點值變化的大小，計算各種故障原因的可能性，從而幫助用戶快速鎖定潛在設備問題。

3）同類設備的可靠性評級 – Asset Health Rating of Similar Equipments

不同測點反映設備故障問題的嚴重性各不相同。在PRISM中，運維工程師可根據需要，結合設備特性，為同類定義相關測點的權重，形成該類設備的權重測點表單（weighted point value metrics）。利用該預定義的表單，同時監測多臺相似設備（如多臺水泵、多臺換熱器等），并對一定時間內該類設備的可靠性進行評級，從而幫助用戶了解同類設備的不同運行情況及健康程度。

4）網頁發布及報警管理 – Web Server and Alarm Management

PRISM可提供網頁服務器，即用戶可通過瀏覽器訪問PRISM服務器，并進行相關的操作。

同時，用戶可以利用網頁，有效的管理PRISM的各類報警，大大提高新系統的使用效率。

2、PRISM系統架構

PRISM系統的架構如下圖所示。

各不同節點的主要作用見下表。

四、企業應用案例

全球范圍內，眾多大型公司已經選擇PRISM作為其設備運行故障預警系統的軟件平臺。以下是幾個典型的PRISM應用案例分享。

1、案例研究：法國液化空氣集團

成立于1902年的法國液化空氣集團，是世界上最大的工業氣體和醫療氣體以及相關服務的供應商，2005年的銷售額達到104億歐元。法液空向眾多的行業提供氧氣、氮氣、氫氣和其它氣體及相關的服務，目前，在七十多個國家擁有約三萬六千名員工。在福布斯2005年的世界500強中，法國液化空氣集團排名第354 位，穩踞氣體行業榜首。

2014年，根據法液空研發部門的調研報告，造成其ASU裝置非計劃停車的主要原因為動設備的機械故障。針對該情況，法液空與2015年，實施一期4套裝置的PRISM試點應用。在一期應用中，法液空主要通過SaaS方式，即將數據傳至施耐德美國的PRISM監控中心，由中心的設備專家進行遠程監控，并定期提交設備診斷報告，收效顯著。2016年，法液空繼續開展二期應用，針對16套AUS裝置。通過集團軟件采購的方式，購買corporate license，并組建專門的設備團隊，實現對于裝置核心設備的監控。

下圖為某ASU裝置主壓縮機的PRISM預警。如圖所示，在DCS系統發現設備異常前，PRISM提前約1個月時間就對#2級壓縮機的振動進行了預警，為現場的運維爭取了寶貴的時間。

2、案例研究：美國愛克斯龍電力公司

愛克斯龍電力公司是美國最大的核能發電商，擁有世界第三大的核電規模，運行著14個核電站，總計23個核反應堆。公司擁有超過34,700MW的清潔低碳電力生產能力，約占全美總的核電生產能力的20%。

愛克斯龍電力公司的工程人員意識到公司需要一套解決方案，幫助他們做出更好的知情決策，提升工廠運行可靠性，提前發現問題所在。這一方案要能針對潛在設備故障提供早期設別能力，以幫助他們阻止工廠的各種氣體和液體的泄漏，提升工廠的核與放射性安全。愛克斯龍電力公司確定使用先進的模式匹配軟件能幫助減少停機時間，降低25%的計劃外收入損失，而且無需增加員工負擔或是聘用新的員工。

愛克斯龍電力公司基于PRiSM開發了500個不同的模型，僅僅在實施PRiSM設備性能監控軟件的兩個月期間，就避免了540,000美元的故障損失。

案例一，PRiSM軟件確認有一個冷凝水泵的軸承潤滑油溫度超出了模型所定義的正常范圍，這是由于連接器組裝錯誤造成的，如果繼續運行很快就會導致機械故障。如果這個問題沒有被發現，這一連接器會同時導致馬達和泵的受損，而替換它們將會需要四至六周的時間。涉及到的替換成本，加急費用以及加班費用總計會在700,000美元左右，這一發生的概率在0.70左右，即可能發生的成本在490,000美元。

第二個確認的重要報警是一個循環水溫度控制器故障。發生在主渦輪軸承的一個微小的階躍變化向渦輪振動模型發出報警，振動程度本身并不足以在任何普通的工廠監控系統(DCS或SCADA)中引發報警。這一階躍變化是由發電機氫氣溫度的變化所導致，氫氣是由氫冷器進行冷卻，氫冷器的冷卻水來自循環冷卻水系統。循環水溫度的大幅波動，極易導致渦輪停機事故。這一由軟件發現的異常情況可能幫助阻止了一次渦輪停機，從而防止了反應堆的停機和工廠效益受損。主渦輪的停機會導致長達24小時的中止發電，折合約600,000美元，以0.050的故障發生可能性來計算，這一次報警的潛在收益達到30,000美元。

第三個案例是一次反應堆給水泵(RFP)潤滑油冷卻系統溫度控制器故障。當時一個核電裝置正從一次由變壓器故障誘發的電壓瞬變中恢復運行，這一故障造成一些系統被隔離并瞬時失去電力。在瞬變之后不久，所有三個泵的軸承模型就進入報警模式。工廠注意到在隨后的幾天里其中一個控制器并未從初始的瞬變中回復正常，而是明顯進入了循環報警模式。在PRiSM模型給維護人員發出報警后，工廠確認這一給水泵(RFP)潤滑油冷卻系統溫度控制器已經發生故障，并通過人工實現溫度穩定控制直到失效的控制器被替換。在最嚴重的情況下，這一故障會導致軸承由于快速過熱而損壞，從而造成給水泵故障。故障的損失大約在100,000美元，發生可能性系數為0.10。同時在24小時內損失33%的發電能力，約合200,000美元，以0.050的可能性系數計算，約為20,000美元。

3、案例研究：美國南方電力公司

美國南方電力公司（Southern Company）是一家位于美國南方的電力控股公司。是世界排名第十六大電力公司，在美國排名第四。通過在阿拉巴馬、佐治亞、佛羅里達和密西西比四個州下屬的電力公司，其擁有的總發電量已經超過4萬2千兆瓦，用戶總數達到430萬。南方電力公司的電力覆蓋面積總和約有31萬平方公里，輸電線總長度4萬3千多公里。

南方電力公司采用Avantis PRiSM系統共建立了2200組設備模型，包含了所有主要的設備如：燃氣輪機、蒸汽輪機、變壓器、各類泵設備等，監控它的所有天然氣和燃煤發電機組總計76個單元。

僅在2013年，通過應用PRiSM，南方電力公司在性能和效率上的收益就達到4,500,000美元

案例一，鍋爐給水泵(BFP)連接件墊圈問題。通過給水泵的振動模型，發現多個軸承的振動步伐在上升，但尚未達到監控傳感器設定的報警值，但模型顯示振動并非偶發現象而是呈不斷上升趨勢。在給設備維護人員發出報警后，現場檢查發現，該給水泵的一個連接件墊圈即將失效。通過及時更換避免了高達260,000美元的損失。

案例二，渦輪軸承油溫異常問題。在渦輪啟動前期，尚處于盤車裝置工作期間（轉子轉速小于12PRM），PRiSM模型發現了軸承油溫度高于常規值，在通知操作人員后，對冷卻裝置做出了調整以降低溫度，避免了軸承的損傷和進一步的擴散。

案例三，低壓透平L-0葉片損傷問題。機組在一次停機重啟后，PRiSM模型發現了其中一個低壓透平的振動異常（但幅度遠小于控制系統的報警值），在工程師收到相關報警后，通過對振動數據進行的分析，認為機組需要停機檢修。在檢修中發現透平的下半部分導流襯套的螺栓脫落導致襯套與轉子的L-0葉片發生接觸，造成葉片損傷。如果未能及時發現，將會造成對多級葉片損傷甚至葉片脫落，損失不可估量。這次提前預警避免了高達4,100,000美元的損失。

以上這些來自不同用戶的真實案例顯示了在設備性能監控系統中運用模式識別技術，為迫近的故障提供早期警告，支持了電廠設備可靠性管理過程的應用。沒有模式匹配功能，這一能力可能就無法實現。 PRiSM軟件自動完成對海量儀表數據的詳細分析和識別，將超出正常范圍的高價值報警數據通知相關人員，允許工廠工程師花費更少的時間發現潛在問題，擁有更多時間來主動進行維護規劃，提升設備的可靠性。

五、小結

基于PRISM的設備運行故障預警及監控系統，并不會取代工程師或是人工決策，而是幫助工程師和其它工廠人員更有效地工作。有了PRISM軟件的幫助，運維工程師可以分析從傳感器來的成千上萬的實時數據，為運維人員的及時決策提供更多的信息，從而實現各類設備更高的可靠性、可用性和生產能力。

另外，PRISM平臺可作為設備運行預警系統，可無縫的植入裝置現有的可靠性管理流程中。由于PRISM預測技術提供的早期報警通知，工廠員工可以有更多時間做出主動決策，不再被動等待問題發生。裝置人員能夠為需要較長到貨周期的零部件提前下單，在裝置間合理分配負荷，為計劃維修合理安排時間。PRISM預測性分析工具也能夠提供各類診斷信息，比如對于異常的原因分析，是否源自傳感器故障、無效數據、環境因素、機械問題或是其他可能的因素。

以下是上線PRISM系統可為用戶帶來的典型效益：

? 減少裝置非計劃停車時間

? 降低設備的運維成本

? 提高資產利用率

? 防止設備故障

? 發現低效資產

? 延長設備生命周期

? 提高裝置生產能力