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，基于實時數據采集技術、工業庫存儲技術、可視化數據展示、安全管理技術于一體的KingSCADA系統在中石油采油三廠已經實現了大規模的推廣，面對現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據記錄中，多數為正常生產運行過程中因周邊環境、工藝變更而引起的無效報警。現場設備數量巨大，沒有一種有效的手段可以及時地發現停機、故障的設備。長此以往，其對諸多生產部門對生產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化應用。

圖1 報警優化項目功能架構圖

本項目網絡部署架構設計，軟件應用以在作業區部署單個作業區應用為例，主要區分為油田現場、服務端應用、作業區中心站監控、移動端應用四個部分。如圖2所示。

基于作業區現場成熟應用的SCADA平臺，KH工業庫、MySQL關系庫、流媒體視頻監控應用等，本次在服務端應用側安裝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，對現場報警信息進行優化，同時能夠將關鍵報警信息推送至移動端應用進行查看。

圖2 報警優化項目網絡部署架構圖

3　實施內容

3.1　單變量報警閾值優化

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Python算法實現報警閾值的自適應調整模型、動態閾值；通過對生產運行參數過往一段時間內的數據進行統計分析，調整報警閾值，以適應當前該參數的生產運行環境。

主要使用統計學方法確認數據分布，尋找最合適的報警限值，從而實現現場運行參數的精準報警，避免出現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）報警數據的聚類分析模型

報警數據的聚類分析，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，實現關聯報警分組。把關聯報警組內優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）報警變量之間的關聯分析模型

報警參數之間的關聯性分析，主要目的是找出關聯參數變量，以降低報警數量。由于故障的傳播需要一定的時間，相互關聯的報警參數之間通常會存在一個延遲時間。該延遲能夠使相關性系數變小，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，每類有多個監控參數作為數據維度。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，根據抽油機運行歷史數據驗證算法判斷抽油機運行狀態準確性，接入SCADA系統中抽油機實時數據，對抽油機運行狀態判斷，結合井場視頻雙重確認。

3.4　泵狀態變化報警

泵狀態變化報警，主要針對現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，根據泵運行歷史數據驗證算法判斷泵狀態變化準確性，接入KS側泵運行實時數據，進行泵運行狀態判斷，判斷結果存儲至關系庫。

應用算法序列的相關系數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

相關系數可以看成是一種剔除了兩個變量量綱影響、標準化后的特殊協方差。相關系數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據挖掘的重要研究內容，目前已經在股票市場、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，發送格式設置選擇相應的發送內容。

在過濾器根據報警發生級別和報警發生站點配置相應的過濾條件，實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行提醒。

3.6　報警閉環管理

報警閉環管理，主要針對已經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，結合現場報警升級和報警處理流程，詳細展示各節點操作的處理人、處理時間，處理狀態，處理情況等信息。

4　核心價值

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

平臺實現行業內“全組態”技術，無需專業程序員，廣泛的工業人通過簡單的培訓即可根據需求自主開發的解決方案。實現行業內“模型”技術（數據模型、計算模型、圖形模型），工程開發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。系統可無縫融合Python、C++、JS等高級語言編寫的算法，實現化整為零。

摘自《自動化博覽》2021年3月刊