CN115238929A - 一种石油炼化体系预测性维护方法及系统 - Google Patents

Abstract

本申请涉及一种石油炼化体系预测性维护方法及系统，其中方法包括：获取监测变量；分析监测变量中每个测点中数据参数与同测点预设的标准参数a的重合率G(x)，x为待异常判断测点中的数据参数；根据G(x)计算x所在的测点的异常测点概率值L(x,a)，L(x,a)的计算公式为：L(x,a)=2^‑G(x)/Y(a)；L(x,a)的取值范围是[0,1]，L(x,a)取值越接近于1，x所在的测点为异常测点的概率越大；Y(a)的表达式为：Y(a)=2ln(a‑1)+γ‑2(a‑1)/a，γ为欧拉常数；基于L(x,a)，当x所在的测点为异常测点时，确定异常测点中的异常参数；根据预设的预测性模型，诊断异常参数对应的设备故障原因；配置预设的设备故障诊断规则，提取设备故障原因对应的行动措施建议。本申请实现设备预测性维修工作，避免停机生产损失，降低维修成本。

Description

一种石油炼化体系预测性维护方法及系统

技术领域

本申请涉及石油炼化体系的技术领域，尤其是涉及一种石油炼化体系预测性维护方法及系统。

背景技术

石油炼制工业是把原油通过石油炼制过程加工为各种石油产品的工业。石油炼制中的主要生产装置通常会采用风机、压缩机、电机、泵等。

上述生产装置在运行中可能会出现各种问题，如机组振动严重、旋转不平衡失速、储罐渗漏、管道腐蚀、轴承损坏等设备异常工况和失效风险，而目前对于设备异常工况的维护方式一般为被动维护、周期性维护和预防性维护。

目前的维护方式需要将设备停机才能进行维修，而且过度依赖个人经验，因此维修过程中设备非计划停机的情况严重，存在维修维护成本高的缺陷。

发明内容

为了利用大数据对设备进行预测指导性调试，以实现设备预测性维修工作，避免停机生产损失，降低维修成本，本申请提供一种石油炼化体系预测性维护方法及系统。

第一方面，本申请提供一种石油炼化体系预测性维护方法，采用如下的技术方案：

一种石油炼化体系预测性维护方法，包括：

获取监测变量，所述监测变量包括不同测点的压力F、温度T、流量Q、液位H、振动X、功率P数据参数；

分析所述监测变量中每个测点中所述数据参数与同测点预设的标准参数a的重合率G(x)，x为待异常判断测点中的数据参数；

根据G(x)计算x所在的测点的异常测点概率值L(x,a)，判断x所在的测点是否为异常测点，所述异常测点概率值L(x,a)的计算公式为：

L(x,a)=2^-G(x)/Y(a)；

所述异常测点概率值L(x,a)的计算公式中L(x,a)的取值范围是[0,1]，所述L(x,a)取值越接近于1，x所在的测点为异常测点的概率越大；

Y(a)的表达式为：

Y(a)=2ln(a-1)+γ-2(a-1)/a，γ为欧拉常数；

基于所述异常测点概率值L(x,a)，当x所在的测点为异常测点时，确定异常测点中的异常参数；

根据预设的预测性模型，诊断所述异常参数对应的设备故障原因；

配置预设的设备故障诊断规则，提取所述设备故障原因对应的行动措施建议。

通过采用上述技术方案，设备运行时可能存在各种故障，而监测变量中数据参数变化的情况并实现不同组合，能反映出测点是否为异常，以及分析出异常测点中导致设备故障的不同原因。从L(x,a)的计算公式可以看出，如果数据参数与同测点预设的标准参数a的重合率G(x)→0, 则L(x,a)→1，即该测点是异常测点的概率是100%，如果重合率G(x)→a−1, 则L(x,a)→0，即该测点不是异常测点，如果重合率G(x)→Y(a), 则L(x,a)→0.5，即该测点是异常测点的概率是50%，进而为使用人员提供设备故障诊断辅助分析功能，即根据监测到的不同测点的数据参数变化，帮助用户分析可能导致故障的具体原因，对设备进行预测指导性调试，以实现设备预测性维修工作，避免停机生产损失，降低维修成本。

可选的，所述根据预设的预测性模型，诊断所述异常参数对应的设备故障原因后，包括：

获取异常测点中每个异常参数对应的G(x)；

基于异常参数对应的G(x)的数值大小，排序各异常参数对应的设备故障原因的可能性，形成设备故障可能性排序表。

通过采用上述技术方案，根据异常测点中各异常参数对应的G(x)的数值大小，计算异常测点中各种故障原因发生的可能性，从而帮助用户快速锁定潜在的设备问题。

可选的，所述配置预设的设备故障诊断规则，提取设备故障原因对应的行动措施建议中，包括：

基于异常参数对应的G(x)的数值大小，划分异常参数的故障等级；

根据所述故障等级，配置预设的设备故障诊断规则中的故障诊断等级分区；

从所配置的故障诊断等级分区中，提取与设备故障原因对应的行动措施建议。

通过采用上述技术方案，将对应的G(x)数值大的异常参数划分为高故障等级，反之则划分为低故障等级，进而根据故障等级直接从对应的故障诊断等级分区中调取行动措施建议，提高调取行动措施建议的准确性和效率。

可选的，所述配置预设的设备故障诊断规则，提取设备故障原因对应的行动措施建议后，包括：

接受维修请求，所述维修请求携带维修设备故障的维修人员信息和维修开始时间；

响应用于反馈设备故障维修完成的反馈信号，记录维修完成时间；

计算设备故障维修的维修时长，形成维修记录并录入维修人员信息中。

通过采用上述技术方案，主机记录对设备故障原因进行维修的维修人员信息，并将维修时长进行计算和记录，以便对不同维修人员的维修过程进行记录分析。

可选的，所述响应用于反馈设备故障维修完成的反馈信号，记录维修完成时间后，包括：

获取实际维修信息，所述实际维修信息包括用于设备故障维修的维修行动措施；

计算设备故障原因的维修行动措施与行动措施建议的匹配率，判断匹配率是否处于预设的建议范围内；

若判断为是，则累加行动措施建议的使用次数；

若判断为否，则将维修行动措施新增至设备故障诊断规则中，形成新增行动措施建议。

通过采用上述技术方案，主机根据维修人员实际维修的维修行动措施与行动措施建议比对，以判断维修人员是否运用行动措施建议，从而提高行动措施建议的建议准确度。

可选的，所述若判断为是，则累加行动措施建议的使用次数后，包括：

计算所有行动措施建议的使用频次，形成行动措施使用率；

降序排序行动措施使用率，形成用于优先提取行动措施建议的提取优先级信息；

将提取优先级信息录入设备故障诊断规则的各行动措施建议中。

通过采用上述技术方案，主机将使用频次较高的行动措施建议设定较为优先的提取级别，以便在提取行动措施建议时能够优先提取行动措施使用率较高的建议，从而提高建议准确度。

可选的，所述计算设备故障维修的维修时长，形成维修记录并录入维修人员信息中后，包括：

提取每个维修人员信息所用设备故障维修的维修时长；

根据同类别设备故障维修的维修时长，升序排序维修时长及维修时长相应的维修人员信息，形成维修效率表；

按照预设的限制比例，限制维修效率表中处于限制比例的维修人员信息的维修权限。

通过采用上述技术方案，主机根据不同类别的设备故障原因，将维修人员信息按维修时长由短到长进行排序，从而限制维修用时较长的人员进行维修，提升维修的效率。

第二方面，本申请提供一种石油炼化体系预测性维护系统，采用如下的技术方案：

一种石油炼化体系预测性维护系统，包括：

获取模块，用于获取监测变量，所述监测变量包括不同测点的压力F、温度T、流量Q、液位H、振动X、功率P数据参数；

分析模块，用于分析所述监测变量中每个测点中所述数据参数与同测点预设的标准参数a的重合率G(x)，x为待异常判断测点中的数据参数；

判断模块，用于根据G(x)计算x所在的测点的异常测点概率值L(x,a)，判断x所在的测点是否为异常测点，所述异常测点概率值L(x,a)的计算公式为：

L(x,a)=2-G(x)/Y(a)；

所述异常测点概率值L(x,a)的计算公式中L(x,a)的取值范围是[0,1]，所述L(x,a)取值越接近于1，x所在的测点为异常测点的概率越大；

Y(a)的表达式为：

Y(a)=2ln(a-1)+γ-2(a-1)/a，γ为欧拉常数；

确定模块，用于基于所述异常测点概率值L(x,a)，当x所在的测点为异常测点时，确定异常测点中的异常参数；

诊断模块，用于根据预设的预测性模型，诊断所述异常参数对应的设备故障原因；

提取模块，用于配置预设的设备故障诊断规则，提取所述设备故障原因对应的行动措施建议。

通过采用上述技术方案，设备运行时可能存在各种故障，而监测变量中数据参数变化的情况并实现不同组合，能反映出测点是否为异常，以及分析出异常测点中导致设备故障的不同原因。从L(x,a)的计算公式可以看出，如果数据参数与同测点预设的标准参数a的重合率G(x)→0, 则L(x,a)→1，即该测点是异常测点的概率是100%，如果重合率G(x)→a−1, 则L(x,a)→0，即该测点不是异常测点，如果重合率G(x)→Y(a), 则L(x,a)→0.5，即该测点是异常测点的概率是50%，进而为使用人员提供设备故障诊断辅助分析功能，即根据监测到的不同测点的数据参数变化，帮助用户分析可能导致故障的具体原因，对设备进行预测指导性调试，以实现设备预测性维修工作，避免停机生产损失，降低维修成本。

第三方面，本申请提供一种计算机设备，采用如下技术方案：包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上述任一种石油炼化体系预测性维护方法的计算机程序。

第四方面，本申请提供一种计算机可读存储介质，采用如下技术方案：存储有能够被处理器加载并执行上述任一种石油炼化体系预测性维护方法的计算机程序。

综上所述，本申请包括以下至少一种有益技术效果：

· 根据监测到的不同测点的数据参数变化，帮助用户分析可能导致故障的具体原因，对设备进行预测指导性调试，以实现设备预测性维修工作，避免停机生产损失，降低维修成本。

附图说明

图1是本申请实施例中石油炼化体系预测性维护方法的流程图。

图2是本申请实施例中排序设备故障原因可行性步骤的流程图。

图3是本申请实施例中提取行动措施建议步骤的流程图。

图4是本申请实施例中形成维修记录步骤的流程图。

图5是本申请实施例中提高行动措施建议准确度步骤的流程图。

图6是本申请实施例中设定行动措施建议优先级步骤的流程图。

图7是本申请实施例中限制维修权限步骤的流程图。

图8是本申请实施例中石油炼化体系预测性维护系统的模块框图。

附图标记说明：1、获取模块；2、分析模块；3、判断模块；4、确定模块；5、诊断模块；6、提取模块。

具体实施方式

本申请实施例公开一种石油炼化体系预测性维护方法。该方法基于以下步骤：

1)设备建模：为了建立一个设备的模型，需要收集与处理用于建立设备运行剖面曲线并标注设备的运行情况的历史数据。当设备的实测状态与运行预测状态发生偏差时，则可以建立基于偏差的报警。利用PRiSM回溯功能（Playback）可对建立的设备运行状态进行“测试”，以便校验模型是否匹配良好。

在建立模型与测试模型之后，就可以把工程部署到PRiSM服务器端。PRiSM的建模过程是高效的与快速的，它特别考虑到利用先进的数学算法来建立设备模型。理论上，PRiSM需要很短的时间就可以依据数年的历史数据来建立模型。建模的过程也是通过人机交互引导一步步地、非常简单地建立模型。

1)分析工具：PRiSM包括各种先进的统计和基于模型的比较应用，可以驱动对PRiSM算法结果的深刻洞察。PRiSM不是只提供数据输入然后提供报警输出的一个黑盒应用。用户其实是可以洞察整个应用程序数据的，其中包括查看原始训练用数据、模型的结果、模型数据过滤器的过滤效果、报警效果、报警过滤器效果等能力。

PRiSM的统计应用利用可视化技术来阐释数据，因此不需要数据科学家和设备专家来解读结果。例如，在几次鼠标点击间，用户可以查看某个资产的模型偏差趋势，并查看该模型各个数据信号的趋势。这提供了滚动模型偏差趋势的能力，同时模型中的每个信号对模型的影响在底部图上是实时更新的。这有助于用户快速识别异常状态的主要影响因素。

（3）故障诊断：PRiSM故障诊断应用是一个集成了已知故障条件的预先配置好的数据库。当模型发生报警时，该数据库就会被启动。如果PRiSM模型的故障信息与故障诊断数据库中的故障信息相匹配时，那么软件就会通过PRiSM客户端报告该已知的故障条件，考虑到一个故障可能出现多重故障特征，并报告故障特征匹配的概率。

此外，用户也可以在故障诊断数据库中对设备故障进行配置，简单明了的自定义操作步骤给用户带来两个明显的好处：1)总结故障诊断成功经验，能够量身定制用户现场设备的故障库和诊断规则；2)随着历史故障案例积累越来越多，PRiSM诊断故障原因/匹配故障类型的准确性也将随之提升，从而帮助维修工程师和管理人员更高效地决策。

（4）报警管理 ：PRiSM Web是一个先进的基于Web的报警管理、通知服务与分析的应用，用于用户访问与分析模型结果。在PRiSM Web中显示的信息可以面向各个用户进行定制，来提供针对需关注的重点问题的多种的可视化界面与趋势界面。

软件支持基于工厂、系统、设施、组件与任何您期望的组织方式按层级来组织设备。报警功能的目录可以收缩至层级的最高级，用户可以非常容易地通过各种方式深入到单个信号的报警信息。用户可以对报警以及可能的问题进行分析，然后恰当地处理报警。

每个报警事件的详细内容中都会有一个链接，点击该链接按钮即可链接到该设备在指定时间间隔内的趋势。如果用户需要，可以调整该事件间隔。链接到的趋势显示了报警时数值、报警上下限以及报警时间。基于Web的报警与警告确认组件提供报警确认与增加行动计划注释的选项。

（5）通知管理：PRiSM包括一个先进的通知引擎，可以集成企业的SMTP服务器来提供电子邮件、文本通知。该通知可以完全定制，以囊括所需的通知对象和信息。如果有需要，通知还可以被设定为在模型报警、任何信号等级报警、和每个报警阈值来触发。基于报警级别，也有可能将通知升级到不同的用户群，如管理层、系统管理员、数据分析员、工厂用户等。

维修人员借助PRiSM系统中的分析工具、故障诊断、通知服务等功能可有效建立预警响应流程。在PRiSM系统通知或用户定期检查预警信息后，用户可在PRiSM系统中创建案例或在EAM系统中新建工单，并分派至现场维修人员执行检查、维修等操作。

其中，PRiSM系统中的案例可方便追踪故障劣化趋势，记录更新报警信息，不同专业分工协作。待现场维修工作完成后，根据反馈信息用户评估案例，并关闭PRiSM系统案例或EAM中的工单，如有备件消耗须在EAM工单中跟踪。PRiSM系统案例评估过程能够促进不同团队之间更多的知识共享，积累故障诊断规则，更新优化PRiSM模型，易于将来及时解决类似问题。

在一个实施例中，参照图1，提供了一种石油炼化体系预测性维护方法，该方法具体包括以下步骤：

S10、获取监测变量。

具体来说，监测变量包括不同测点的压力F、温度T、流量Q、液位H、振动X、功率P数据参数。其中，工作人员预先根据不同的运行设备设定监测点位，并在每个点位组合设定监测器用于探测数据参数，运行设备包括常用的压缩机、泵、燃气轮机等。

S20、分析监测变量中每个测点中数据参数与同测点预设的标准参数a的重合率G(x)。

具体来说，x为待异常判断测点中的数据参数。举例说明，A测点中x包括压力F、温度T、流量Q，将压力F、温度T、流量Q分别与同测点预设的标准参数比对重合率，以得到G(F)=j，G(T)=k，G(Q)=l。

S30、根据G(x)计算x所在的测点的异常测点概率值L(x,a)，判断x所在的测点是否为异常测点。

其中，由于设备运行时可能存在各种问题，而监测变量变化的不同组合，能反映导致设备故障的不同原因。同测点中的单一数据参数与预设的标准参数重合率低并未表明设备故障，可能只是存在不稳定，因此需要将同测点中所有标准参数进行组合，以得到准确的结果。

具体来说，异常测点概率值L(x,a)的计算公式为：

L(x,a)=2-G(x)/Y(a)；

其中，异常测点概率值L(x,a)的计算公式中L(x,a)的取值范围是[0,1]，L(x,a)取值越接近于1，x所在的测点为异常测点的概率越大。

其中，Y(a)的表达式为：

Y(a)=2ln(a-1)+γ-2(a-1)/a，γ为欧拉常数。

举例说明，从L(x,a)的计算公式可以看出，如果数据参数与同测点预设的标准参数a的重合率G(x)→0，说明该测点的数据参数与预设的标准参数完全未重合，则L(x,a)→1，即该测点是异常测点的概率是100%。如果重合率G(x)→a−1, 说明该测点的数据参数与预设的标准参数完全重合，则L(x,a)→0，即该测点不是异常测点，如果重合率G(x)→Y(a),则L(x,a)→0.5，即该测点是异常测点的概率是50%。

S40、基于异常测点概率值L(x,a)，当x所在的测点为异常测点时，确定异常测点中的异常参数。

具体来说，当确定测点异常时，便可将该测点中的所有数据参数进行提取，同时确定数据参数中与标准参数的重合率异常的数据为异常参数。

S50、根据预设的预测性模型，诊断异常参数对应的设备故障原因。

在一个实施例中，参照图2，为了帮助用户快速锁定潜在的设备问题，在S50之后，还可以包括以下步骤：

S51、获取异常测点中每个异常参数对应的G(x)。

S52、基于异常参数对应的G(x)的数值大小，排序各异常参数对应的设备故障原因的可能性，形成设备故障可能性排序表。

具体来说，根据异常测点中各异常参数对应的G(x)的数值大小，计算异常测点中各种故障原因发生的可能性，从而帮助用户快速锁定潜在的设备问题。

在一个实施例中，参照图1，石油炼化体系预测性维护方法还包括以下步骤：

S60、配置预设的设备故障诊断规则，提取设备故障原因对应的行动措施建议。

在一个实施例中，参照图3，S60还可以包括以下子步骤：

S601、基于异常参数对应的G(x)的数值大小，划分异常参数的故障等级。

具体来说，根据G(x)的数值大小，异常参数的故障等级划分为初、中、高三个等级，其中初、中、高三个等级依次对应G(x)的数值由大到小的参数。

S602、根据所述故障等级，配置预设的设备故障诊断规则中的故障诊断等级分区。

S603、从所配置的故障诊断等级分区中，提取与设备故障原因对应的行动措施建议。

具体来说，将对应的G(x)数值大的异常参数划分为高故障等级，反之则划分为低故障等级，进而根据故障等级直接从对应的故障诊断等级分区中调取行动措施建议，提高调取行动措施建议的准确性和效率。

在一个实施例中，参照图4，为了对不同维修人员的维修过程进行记录分析，在S60后，还可以包括以下步骤：

S61、接受维修请求。

具体来说，维修请求携带维修设备故障的维修人员信息和维修开始时间。其中，维修人员信息包括维修人员的姓名、岗级等，维修开始时间记为T1。

S62、响应用于反馈设备故障维修完成的反馈信号，记录维修完成时间。

其中，当维修人员完成维修时，能够通过维修人员手持的输入终端，如手机等电子设备，向主机控制器发出反馈信号。当主机控制器接收到反馈信号时，记录此刻的时间并设为维修完成时间，维修完成时间记为T2。

S63、计算设备故障维修的维修时长，形成维修记录并录入维修人员信息中。

具体来说，主机记录对设备故障原因进行维修的维修人员信息，并将维修时长进行计算和记录，以便对不同维修人员的维修过程进行记录分析。其中，维修时长为T2-T1计算得到。

在一个实施例中，参照图5，为了提高行动措施建议的建议准确度，在S62后，还可以包括以下步骤：

S621、获取实际维修信息。

其中，实际维修信息包括用于设备故障维修的维修行动措施。具体来说，维修人员在维修结束时，通过输入终端编辑或选择已设的维修行动措施，并形成实际维修信息发送至主机。

S622、计算设备故障原因的维修行动措施与行动措施建议的匹配率，判断匹配率是否处于预设的建议范围内。

其中，主机能够分析判断维修人员编辑的维修行动措施与行动措施建议的字段重复率，进而得到维修行动措施与行动措施建议的匹配率。

若判断为是，则跳转至S623；

S623、累加行动措施建议的使用次数。

若判断为否，则S624；

S624、将维修行动措施新增至设备故障诊断规则中，形成新增行动措施建议。

具体来说，主机根据维修人员实际维修的维修行动措施与行动措施建议比对，以判断维修人员是否运用行动措施建议，从而提高行动措施建议的建议准确度。

在一个实施例中，参照图6，为了提高建议准确度，S623之后，还可以包括以下步骤：

S6231、计算所有行动措施建议的使用频次，形成行动措施使用率。

S6232、降序排序行动措施使用率，形成用于优先提取行动措施建议的提取优先级信息。

S6233、将提取优先级信息录入设备故障诊断规则的各行动措施建议中。

具体来说，主机将使用频次较高的行动措施建议设定较为优先的提取级别，以便在提取行动措施建议时能够优先提取行动措施使用率较高的建议，从而提高建议准确度。

在一个实施例中，参照图7，为了提升维修的效率，在S63之后，还可以包括以下步骤：

S631、提取每个维修人员信息所用设备故障维修的维修时长。

S632、根据同类别设备故障维修的维修时长，升序排序维修时长及维修时长相应的维修人员信息，形成维修效率表。

S633、按照预设的限制比例，限制维修效率表中处于限制比例的维修人员信息的维修权限。

具体来说，主机根据不同类别的设备故障原因，将维修人员信息按维修时长由短到长进行排序，从而限制维修用时较长的人员进行维修，提升维修的效率。

本申请实施例一种石油炼化体系预测性维护方法的实施原理为：设备运行时可能存在各种故障，而监测变量中数据参数变化的情况并实现不同组合，能反映出测点是否为异常，以及分析出异常测点中导致设备故障的不同原因。

从L(x,a)的计算公式可以看出，如果数据参数与同测点预设的标准参数a的重合率G(x)→0, 则L(x,a)→1，即该测点是异常测点的概率是100%，如果重合率G(x)→a−1, 则L(x,a)→0，即该测点不是异常测点，如果重合率G(x)→Y(a), 则L(x,a)→0.5，即该测点是异常测点的概率是50%，进而为使用人员提供设备故障诊断辅助分析功能，即根据监测到的不同测点的数据参数变化，帮助用户分析可能导致故障的具体原因，对设备进行预测指导性调试，以实现设备预测性维修工作，避免停机生产损失，降低维修成本。

在一个实施例中，参照图8，基于上述石油炼化体系预测性维护方法，提供了一种石油炼化体系预测性维护系统，该系统包括以下模块：

获取模块1，获取模块1用于获取监测变量，监测变量包括不同测点的压力F、温度T、流量Q、液位H、振动X、功率P数据参数。

分析模块2，分析模块2用于分析监测变量中每个测点中数据参数与同测点预设的标准参数a的重合率G(x)，x为待异常判断测点中的数据参数。

判断模块3，判断模块3用于根据G(x)计算x所在的测点的异常测点概率值L(x,a)，判断x所在的测点是否为异常测点。异常测点概率值L(x,a)的计算公式为：

L(x,a)=2-G(x)/Y(a)；

异常测点概率值L(x,a)的计算公式中L(x,a)的取值范围是[0,1]，L(x,a)取值越接近于1，x所在的测点为异常测点的概率越大；

Y(a)的表达式为：

Y(a)=2ln(a-1)+γ-2(a-1)/a，γ为欧拉常数。

确定模块4，确定模块4用于基于所述异常测点概率值L(x,a)，当x所在的测点为异常测点时，确定异常测点中的异常参数。

诊断模块5，诊断模块5用于根据预设的预测性模型，诊断异常参数对应的设备故障原因。

提取模块6，提取模块6用于配置预设的设备故障诊断规则，提取设备故障原因对应的行动措施建议。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述石油炼化体系预测性维护方法的步骤。此处石油炼化体系预测性维护方法的步骤可以是上述各个实施例的石油炼化体系预测性维护方法中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其存储有能够被处理器加载并执行如上述石油炼化体系预测性维护方法的计算机程序，该计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上实施例仅用以说明本发明的技术方案，而非对发明的保护范围进行限制。显然，所描述的实施例仅仅是本发明部分实施例，而不是全部实施例。基于这些实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明，本领域普通技术人员依然可以在不冲突的情况下，不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整，从而得到不同的、本质未脱离本发明的构思的其他技术方案，这些技术方案也同样属于本发明所要保护的范围。

Claims (10)

1.一种石油炼化体系预测性维护方法，其特征在于，包括：

获取监测变量，所述监测变量包括不同测点的压力F、温度T、流量Q、液位H、振动X、功率P数据参数；

分析所述监测变量中每个测点中所述数据参数与同测点预设的标准参数a的重合率G(x)，x为待异常判断测点中的数据参数；

根据G(x)计算x所在的测点的异常测点概率值L(x,a)，判断x所在的测点是否为异常测点，所述异常测点概率值L(x,a)的计算公式为：

L(x,a)=2^-G(x)/Y(a)；

所述异常测点概率值L(x,a)的计算公式中L(x,a)的取值范围是[0,1]，所述L(x,a)取值越接近于1，x所在的测点为异常测点的概率越大；

Y(a)的表达式为：

Y(a)=2ln(a-1)+γ-2(a-1)/a，γ为欧拉常数；

基于所述异常测点概率值L(x,a)，当x所在的测点为异常测点时，确定异常测点中的异常参数；

根据预设的预测性模型，诊断所述异常参数对应的设备故障原因；

配置预设的设备故障诊断规则，提取所述设备故障原因对应的行动措施建议。

2.根据权利要求1所述的一种石油炼化体系预测性维护方法，其特征在于，所述根据预设的预测性模型，诊断所述异常参数对应的设备故障原因后，包括：

获取异常测点中每个异常参数对应的G(x)；

基于异常参数对应的G(x)的数值大小，排序各异常参数对应的设备故障原因的可能性，形成设备故障可能性排序表。

3.根据权利要求2所述的一种石油炼化体系预测性维护方法，其特征在于，所述配置预设的设备故障诊断规则，提取设备故障原因对应的行动措施建议中，包括：

基于异常参数对应的G(x)的数值大小，划分异常参数的故障等级；

根据所述故障等级，配置预设的设备故障诊断规则中的故障诊断等级分区；

从所配置的故障诊断等级分区中，提取与设备故障原因对应的行动措施建议。

4.根据权利要求1所述的一种石油炼化体系预测性维护方法，其特征在于，所述配置预设的设备故障诊断规则，提取设备故障原因对应的行动措施建议后，包括：

接受维修请求，所述维修请求携带维修设备故障的维修人员信息和维修开始时间；

响应用于反馈设备故障维修完成的反馈信号，记录维修完成时间；

计算设备故障维修的维修时长，形成维修记录并录入维修人员信息中。

5.根据权利要求4所述的一种石油炼化体系预测性维护方法，其特征在于，所述响应用于反馈设备故障维修完成的反馈信号，记录维修完成时间后，包括：

获取实际维修信息，所述实际维修信息包括用于设备故障维修的维修行动措施；

计算设备故障原因的维修行动措施与行动措施建议的匹配率，判断匹配率是否处于预设的建议范围内；

若判断为是，则累加行动措施建议的使用次数；

若判断为否，则将维修行动措施新增至设备故障诊断规则中，形成新增行动措施建议。

6.根据权利要求5所述的一种石油炼化体系预测性维护方法，其特征在于，所述若判断为是，则累加行动措施建议的使用次数后，包括：

计算所有行动措施建议的使用频次，形成行动措施使用率；

降序排序行动措施使用率，形成用于优先提取行动措施建议的提取优先级信息；

将提取优先级信息录入设备故障诊断规则的各行动措施建议中。

7.根据权利要求4所述的一种石油炼化体系预测性维护方法，其特征在于，所述计算设备故障维修的维修时长，形成维修记录并录入维修人员信息中后，包括：

提取每个维修人员信息所用设备故障维修的维修时长；

根据同类别设备故障维修的维修时长，升序排序维修时长及维修时长相应的维修人员信息，形成维修效率表；

按照预设的限制比例，限制维修效率表中处于限制比例的维修人员信息的维修权限。

8.一种石油炼化体系预测性维护系统，其特征在于，包括：

获取模块(1)，用于获取监测变量，所述监测变量包括不同测点的压力F、温度T、流量Q、液位H、振动X、功率P数据参数；

分析模块(2)，用于分析所述监测变量中每个测点中所述数据参数与同测点预设的标准参数a的重合率G(x)，x为待异常判断测点中的数据参数；

判断模块(3)，用于根据G(x)计算x所在的测点的异常测点概率值L(x,a)，判断x所在的测点是否为异常测点，所述异常测点概率值L(x,a)的计算公式为：

L(x,a)=2^-G(x)/Y(a)；

所述异常测点概率值L(x,a)的计算公式中L(x,a)的取值范围是[0,1]，所述L(x,a)取值越接近于1，x所在的测点为异常测点的概率越大；

Y(a)的表达式为：

Y(a)=2ln(a-1)+γ-2(a-1)/a，γ为欧拉常数；

确定模块(4)，用于基于所述异常测点概率值L(x,a)，当x所在的测点为异常测点时，确定异常测点中的异常参数；

诊断模块(5)，用于根据预设的预测性模型，诊断所述异常参数对应的设备故障原因；

提取模块(6)，用于配置预设的设备故障诊断规则，提取所述设备故障原因对应的行动措施建议。

9.一种计算机设备，其特征在于：包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。

10.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。

Images