工业大数据智能预测预警系统典型案例
-数据驱动、智能护航
通过数据建模对工况异常进行监测是流程行业一直在探索的领域,传统监测模型是以机理技术为基础的确定性异常监测模型,将人的经验进行固化,总结建立规则模板和事件模型,并根据运行状况不断调整参数优化模型,该类模型算法明确、监测目的明确,针对性强,预警准确率高,但是模型的建立依赖于人的经验和离线人工数据分析,而且在流程工业生产过程中,往往同时进行着物理反应、化学反应、生物反应,过程的内部机理十分复杂,有些可以用机理模型描述,但更多工况和异常难以用常规工具建立精确的数学模型,也很难求解。
随着国家经济发展由高速度向高质量转变、“绿水青山就是金山银山”的理念深入人心,炼化企业的安全环保工作成为企业生存与发展的生命线,而催化裂化装置又是炼化企业的典型代表装置,生产过程化学反应多、高温高压设备多,生产过程波动较大,是企业重点关注的装置之一。20xx年,名道恒通与中石化某炼化企业合作,共同在催化裂化装置开展工业大数据+机器学习的智能预测预警试点工作。
在该试点项目中,名道恒通基于机器学习和大数据技术建立智能模型,综合考虑装置单元的多个状态数据,根据装置参数的物理关系和历史数据自动建立并自我修正工作状态数据的概率分布模型,自动识别异常工况,该方法不依赖于人的经验,覆盖范围广,能够发现未知异常。试点项目一共创建了“主反原料带水”、“副反原料带水”、“一再尾燃”、“增压机停机”、“二再碳堆积”、“主原料中断”、“副原料中断”、“烟机异常振动”等8个智能模型,投用后先后发现一再尾燃异常、二再碳堆积仪表故障等异常工况,提醒技术人员提前采取措施,降低了事故风险概率。
智能模型就像一位能够不断学习和固定经验的“专家”24小时坚守岗位,为生产全天候值班,为企业安全环保工作实时护航。
该智能模型是工业大数据在炼化行业的第一次成功落地应用,获得企业客户肯定,并成功入选中石化2021年度信息和数字化50个典型案例。