久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

 1　方案背景

近年來，基于實時數(shù)據(jù)采集技術、工業(yè)庫存儲技術、可視化數(shù)據(jù)展示、安全管理技術于一體的KingSCADA系統(tǒng)在中石油采油三廠已經(jīng)實現(xiàn)了大規(guī)模的推廣，面對現(xiàn)場復雜的工藝流程及多變的運行方式，每天形成的成千上萬條報警數(shù)據(jù)記錄中，多數(shù)為正常生產(chǎn)運行過程中因周邊環(huán)境、工藝變更而引起的無效報警。現(xiàn)場設備數(shù)量巨大，沒有一種有效的手段可以及時地發(fā)現(xiàn)停機、故障的設備。長此以往，其對諸多生產(chǎn)部門對生產(chǎn)過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時報警數(shù)據(jù)與歷史報警記錄以及設備運轉(zhuǎn)停機提示功能迫在眉睫。

2　方案架構(gòu)

如圖1所示，本項目功能架構(gòu)劃分為數(shù)據(jù)層、平臺層、應用層、展示層四層內(nèi)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(gòu)圖

本項目網(wǎng)絡部署架構(gòu)設計，軟件應用以在作業(yè)區(qū)部署單個作業(yè)區(qū)應用為例，主要區(qū)分為油田現(xiàn)場、服務端應用、作業(yè)區(qū)中心站監(jiān)控、移動端應用四個部分。如圖2所示。

基于作業(yè)區(qū)現(xiàn)場成熟應用的SCADA平臺，KH工業(yè)庫、MySQL關系庫、流媒體視頻監(jiān)控應用等，本次在服務端應用側(cè)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(shù)據(jù)交互，對現(xiàn)場報警信息進行優(yōu)化，同時能夠?qū)㈥P鍵報警信息推送至移動端應用進行查看。

圖2 報警優(yōu)化項目網(wǎng)絡部署架構(gòu)圖

3　實施內(nèi)容

3.1　單變量報警閾值優(yōu)化

目前油田上的參數(shù)報警主要為高低限制的報警，我們可以通過Python算法實現(xiàn)報警閾值的自適應調(diào)整模型、動態(tài)閾值；通過對生產(chǎn)運行參數(shù)過往一段時間內(nèi)的數(shù)據(jù)進行統(tǒng)計分析，調(diào)整報警閾值，以適應當前該參數(shù)的生產(chǎn)運行環(huán)境。

主要使用統(tǒng)計學方法確認數(shù)據(jù)分布，尋找最合適的報警限值，從而實現(xiàn)現(xiàn)場運行參數(shù)的精準報警，避免出現(xiàn)大量無效報警的情況。

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：

（1）報警數(shù)據(jù)的聚類分析模型

報警數(shù)據(jù)的聚類分析，用離差平方和法計算聚類距離，以平方誤差準則判定相似度，實現(xiàn)關聯(lián)報警分組。把關聯(lián)報警組內(nèi)優(yōu)先級最高的作為代表報警，抑制組內(nèi)其他報警，這樣可以減少報警數(shù)量，有效處理報警泛濫。

（2）報警變量之間的關聯(lián)分析模型

報警參數(shù)之間的關聯(lián)性分析，主要目的是找出關聯(lián)參數(shù)變量，以降低報警數(shù)量。由于故障的傳播需要一定的時間，相互關聯(lián)的報警參數(shù)之間通常會存在一個延遲時間。該延遲能夠使相關性系數(shù)變小，進而掩蓋了變量間存在的這種相關性。

（3）多變量報警模型

采用機器學習方法對常見故障/報警模式進行模式分類，每類有多個監(jiān)控參數(shù)作為數(shù)據(jù)維度。設備故障報警時，只有多個變量同時滿足相應條件才能產(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Python算法中K——均值聚類、向量機分類模型，根據(jù)抽油機運行歷史數(shù)據(jù)驗證算法判斷抽油機運行狀態(tài)準確性，接入SCADA系統(tǒng)中抽油機實時數(shù)據(jù)，對抽油機運行狀態(tài)判斷，結(jié)合井場視頻雙重確認。

3.4　泵狀態(tài)變化報警

泵狀態(tài)變化報警，主要針對現(xiàn)場的外輸泵和注水泵兩類，判斷過程和抽油機異常停機報警類似，根據(jù)泵運行歷史數(shù)據(jù)驗證算法判斷泵狀態(tài)變化準確性，接入KS側(cè)泵運行實時數(shù)據(jù)，進行泵運行狀態(tài)判斷，判斷結(jié)果存儲至關系庫。

應用算法序列的相關系數(shù)和時間序列延遲相關分析算法詳細描述如下：

（1）序列的相關系數(shù)

相關系數(shù)可以看成是一種剔除了兩個變量量綱影響、標準化后的特殊協(xié)方差。相關系數(shù)也可以反映兩個變量變化時是同向還是反向，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，消除了兩個變量變化幅度的影響，只是單純反應兩個變量每單位變化時的相似程度。

（2）時間序列延遲相關分析

時間序列延遲相關算法是時間序列數(shù)據(jù)挖掘的重要研究內(nèi)容，目前已經(jīng)在股票市場、氣候分析等領域得到應用。具體說來，對于兩個時間序列 和 進行計算分析，找到兩個序列延遲相關性最大時的延遲時間，延遲相關是指兩個時間序列的最大相似度不是發(fā)生在t=0的時刻，而是t=s的時刻，此時s就是延遲的大小。

3.5　報警推送

依靠微信端相關連接信息與油田即時通建立連接，連接信息支持用戶更改編輯。

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(nèi)容。

在過濾器根據(jù)報警發(fā)生級別和報警發(fā)生站點配置相應的過濾條件，實現(xiàn)定義周期內(nèi)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(nèi)報警未處理重復推送報警信息進行提醒。

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，進行完整的信息追溯，選擇需要查看的報警流程，結(jié)合現(xiàn)場報警升級和報警處理流程，詳細展示各節(jié)點操作的處理人、處理時間，處理狀態(tài)，處理情況等信息。

4　核心價值

該系統(tǒng)核心技術是基于實時數(shù)據(jù)監(jiān)控與生產(chǎn)預警報警的模型化與全集成自動化的管理模式。面對現(xiàn)場復雜的工藝流程及多變的運行方式，結(jié)合Python算法通過優(yōu)化系統(tǒng)報警，不但解決了報警參數(shù)確認與修正因過度依賴經(jīng)驗而出現(xiàn)的較高誤報率問題，而且通過利用采集優(yōu)化、工業(yè)庫實時存儲、數(shù)據(jù)壓縮傳輸、綜合數(shù)據(jù)分析等技術在總結(jié)工藝過程運行規(guī)律的同時進一步實現(xiàn)了更為科學的報警參數(shù)在線配置與自恢復功能。實現(xiàn)了精準報警，降低70%報警數(shù)量，降低了現(xiàn)場工作人員的工作強度。同時也實現(xiàn)了對油田重點設備運行情況的實時監(jiān)測，當設備發(fā)生故障或者停機時可快速結(jié)合現(xiàn)場視頻在系統(tǒng)中彈窗顯示。

平臺實現(xiàn)行業(yè)內(nèi)“全組態(tài)”技術，無需專業(yè)程序員，廣泛的工業(yè)人通過簡單的培訓即可根據(jù)需求自主開發(fā)的解決方案。實現(xiàn)行業(yè)內(nèi)“模型”技術（數(shù)據(jù)模型、計算模型、圖形模型），工程開發(fā)和維護的工作量顛覆式降低到原來的30%~70%，真正做到了隨需而變。系統(tǒng)可無縫融合Python、C++、JS等高級語言編寫的算法，實現(xiàn)化整為零。

摘自《自動化博覽》2021年3月刊