模型預警
關注創建者：天洑軟件 創建時間：2023-09-28
模型預警的實例教程
DTEmpower是由天洑軟件自主研發的一款通用的智能數據建模軟件，致力于幫助工程師及工科專業學生，利用工業領域中的仿真、試驗、測量等各類數據進行挖掘分析，建立高質量的數據模型，實現快速設計評估、實時仿真預測、系統參數預警、設備狀態監測等工程應用。軟件內置有圖形化、零編碼的數據分析建模環境，圍繞數據清理、特征生成、敏感性分析和模型訓練等環節提供豐富的AI算法，提供從模型搭建到模型管理應用的一站式解決方案，學習門檻低、模型質量高，零基礎用戶也能快速挖掘得到優秀的數據模型。
案例描述
在本節中，將介紹DTEmpower在實際工程案例中的具體應用。該案例來源于某電廠化學水處理系統反滲透過程，反滲透是采用膜法液體分離技術，利用膜兩側的壓力差為動力，使溶液中的溶劑透過反滲透膜分離出來。本案例利用反滲透進水母管壓力、一段入口流量、一段壓差、一段產水流量、一段濃水流量等參數訓練得出反滲透二段壓差智能預警模型。其部分算例數據如圖1所示。
圖1 部分
原始數據
操作流程
1）新建項目
雙擊打開DTEmpower軟件，即可進入到如圖2所示的界面。
展開 圖 5 在AIPOD中一鍵導入DT模型，耦合建模，進行優化
PHM擴展工具箱，搭配預警模型運行模塊，實現早期預警
DTEmpower 是一個開放式的數據建模平臺，提供了針對不同場景的定制工具箱，針對設備預警場景的PHM擴展工具箱正是其中之一。PHM擴展工具箱在DTEmpower強大的數據建模能力的基礎之上，提供了一套針對時間序列的智能預警算法，可以輕松固化專家的判斷邏輯，從參數的波動、變化趨勢，以及參數和預示模型預測值的相對偏差等多方面對參數進行健康度評估。PHM工具箱目前提供有單參數預警、組合參數預警兩大控件，此外DTEmpower還提供一個配套的預警模型運行模塊DTEmpower Run（簡稱DTRun）。
DTEmpower訓練得到的預警模型可以直接導入DTRun，DTRun可實時接收傳感器數據，調用DT模型進行數據分析，返回分析結果，實現在線預警。
圖 6 識別時間序列中的異常，并給出異常原因，輔助用戶快速處置
圖 7 DTRun中調用DT模型對實時數據進行分析，實現在線預警
軟件優化，運行更穩定，使用更便捷
“占用資源高，軟件易崩潰”是眾多軟件產品面臨的一個重要問題。DTEmpower采用多進程架構，主進程負責人機交互和任務管理，所有的模型訓練任務都運行在獨立的進程中，保證主進程的穩定運行；主進程實時監測各任務進程的運行情況，及時關閉異常進程，釋放系統資源。DTEmpower V2.0對該架構進行了大量細節優化，軟件運行穩定性得到了極大提升。
展開 其中，智慧運行模塊開發了包括凝結水系統、制粉系統、鍋爐補給水系統、機組MFT保護系統在內的各類巡盤監視模型和狀態監測評估模型共計365個，各類巡盤監視模型在上述系統出現潛在異常時提前預警，同時對設備或系統運行的安全指標、經濟指標完成實時監測和評價，在保證上述系統運行本質安全的前提上，實現系統最大化經濟運行與自動巡航運行。
*凝結水系統全工況智慧運行模型
以凝結水系統全工況智慧運行模型應用為例，2023年3月4日16時27分30秒，發生A凝結水泵的上軸承X振動高的情況；運行凝泵健康度模型已提前發出指標低提示，并精準發現是由A凝結水泵振動引起的此次警報；現場運行人員于16時28分通過DCS畫面的振動高報警才發現此事，模型預警時刻比DCS畫面提早約1min左右。
2023年3月7日10時17分，發生D低溫省煤器輕微泄漏的情況。模型精準發現是由D低溫省煤器泄漏引起的此次警報，10時16分10秒，D低溫省煤器健康度降為0，在之前健康度已出現下降的趨勢，泄漏情況隨之變得嚴重；15時，現場運行人員巡檢時發現D低溫省煤器出現泄露情況，并通過現場設備DCS曲線圖進行確認，模型在巡航過程中提前5h預警。
李鵬竹部長表示，借助天洑軟件，京能十堰熱電主要實現了四個服務。第一，智能預警，將傳統的單點預警轉向多點趨勢預警，實現了異常的及時發現；第二，故障診斷，運用數據建模與機理建模相結合的模型，實現對設備的智能感知；第三，健康評估，從采集的高頻振動信號和工藝參數中，提取有價值的故障特征，實現設備的健康評估；第四，智慧運行、優化控制，通過將生產側的模型和運營側的模型相結合，打造了一個“模型+”的智慧運行體系。
展開 通過建立煉化裝置運行狀態監測平臺、遠程故障診斷模型、設備預測性維護模型，延長裝置使用壽命節約維護成本；通過建立煉化工藝流程模擬優化模型、延遲焦化模型、裂化重整模型等，提高石油煉化生產效率；通過建立原油供應鏈均衡協調模型、成本和風險分析模型、生產計劃和管理調度模型等，實現上、下、游產業鏈協同；通過建立危險監測和預警模型，火災爆炸現場診斷模型、應急管理調度模型等，實現科學安全管理構建。比如，燕山石化通過建立模型，對煉化裝置流量控制閥進行模型預警和分析，實現預測性維護，據預測可以降低無效維修50%以上，創造直接經濟效益近5000萬元。
二是加強底層數據分析。基于企業已部署的各類設備，形成面向石油化工行業的數據標準、指標體系、數據治理方法和工具，通過深入挖掘數據價值實現企業數據的資產化、服務化、業務化。主要方法包括圍繞組織、設備、資產、供應商、客戶等管理對象制定多元數據采集、存儲、融合、應用規范；提高邊緣數據采集能力，利用多種采集手段，打通石油開采、運輸、煉化、銷售全鏈條的數據通道，實現對設備、人員、管理的全面感知；通過機器學習和深度學習算法，提升設備、生產、管理的自動化水平，賦能企業生產經營管理。比如，中油工業互聯網平臺通過機器學習和知識圖譜技術，將設備歷史故障、維修信息、工況數據，與故障診斷知識庫等進行分析，結合專家診斷和遠程維修指導，預計可以實現50%以上的設備故障問題遠程解決。
三是固化安全體系防線。構建從控制安全、基礎設施安全到應用安全的石化行業工業互聯網安全體系和標準規范。如在邊緣側研發制造智能傳感器，實現生產設備安全生命周期的實時監測、遠程故障診斷和預測性防護措施；開發自主可控的儀表系統，實現面向工藝過程、儀表參數、泄露監測等數據的在線監測；打造工業仿真模擬軟件，實現針對火災、爆炸、泄漏、腐蝕等危險場景的模擬演練預警。
展開 利用BIM建模軟件建立工程項目不同專業、不同用途的模型，如建筑模型、結構模型、機電模型、性能分析模型、安全預警模型等。
2
熟悉模型應用
熟練運用BIM模型對工程項目不同階段的不同任務進行分析、模擬及優化，如設計模擬、性能分析、方案優化、碰撞模擬等。同時在BIM IT應用人員的支持下，掌握軟件、硬件等網絡數據信息能力。
3
掌握模型來源
一個項目，非自己或團隊參與的BIM模型，而是從其他建筑師、工程師或分包商那里獲得的，細致程度是不一樣的。
展開 
模型預警的最新內容
低溫環境</strong>：-20℃工況下，座椅需在5分鐘內升溫至15℃以上</li><li><strong>材料耐久</strong>：采用多物理場耦合加速老化艙，同步模擬85℃高溫、95%RH高濕及340nm紫外線輻射，將傳統6個月測試周期壓縮至2周</li></ul><h1>結語</h1><p>當機械臂的定位誤差小于頭發絲直徑的1/5，當壓力傳感器的分辨率達到皮膚觸覺感知的1/10，當AI預測模型將疲勞風險預警時間提前至分鐘級
本案例利用反滲透進水母管壓力、一段入口流量、一段壓差、一段產水流量、一段濃水流量等參數訓練得出反滲透二段壓差智能預警模型。其部分算例數據如圖1所示。
如中小流域防洪、城市防汛防澇綜合解決方案，能基于一系列AI感知設備及系統平臺，實時監測水情全要素，針對洪水、暴雨、城區內澇等各災種，構建數字孿生場景下的推演預警模型。對雨量、水位、流量、淹沒影響等水安全要素進行精準預報，從而及時把預警信息直達工作一線和相關群眾，提前處置和轉移。
二、城市管網“聽診器”如何布設
千尋位置通過在排水管網系統交叉布設液位計實現液位監測，對城市管網運行狀態實時全面的在線監測，為防汛排澇預警模型提供基礎數據支撐；應用雷達水位計和遙測終端機對河道水位進行在線監測，實時獲取河道水位信息，在汛期對河道水位過高可能導致的城市內澇現象進行報警、預測預警與分析，為防汛指揮調度提供基礎數據；布設4臺在線雨量計，進行雨量情況監測，提供降雨情況數據，同時接入氣象部門的雨量數據
*凝結水系統全工況智慧運行模型
以凝結水系統全工況智慧運行模型應用為例，2023年3月4日16時27分30秒，發生A凝結水泵的上軸承X振動高的情況；運行凝泵健康度模型已提前發出指標低提示，并精準發現是由A凝結水泵振動引起的此次警報；現場運行人員于16時28分通過DCS畫面的振動高報警才發現此事，模型預警時刻比DCS畫面提早約1min左右。
復雜山區泥石流環境下高鐵安全運營的預警模型[J]. 南京理工大學學報, 2020, 44(4):8-13.
[3]周銘. 不同形態泥石流地聲與次聲特性比較研究[D]. 廣西大學, 2014.
[4]Chou H T, Cheung Y L, Zhang S C.
比如，燕山石化通過建立模型，對煉化裝置流量控制閥進行模型預警和分析，實現預測性維護，據預測可以降低無效維修50%以上，創造直接經濟效益近5000萬元。
二是加強底層數據分析。基于企業已部署的各類設備，形成面向石油化工行業的數據標準、指標體系、數據治理方法和工具，通過深入挖掘數據價值實現企業數據的資產化、服務化、業務化。
PHM工具箱目前提供有單參數預警、組合參數預警兩大控件，此外DTEmpower還提供一個配套的預警模型運行模塊DTEmpower Run（簡稱DTRun）。
DTEmpower訓練得到的預警模型可以直接導入DTRun，DTRun可實時接收傳感器數據，調用DT模型進行數據分析，返回分析結果，實現在線預警。
b）圍繞風險超前預警，重點針對負荷調整、異常處置等典型操作，開發智能操作導航技術；選擇典型裝置和代表性工藝，開發裝置動態風險監測預警技術和過程控制系統高效運行一體化技術，開發高危工藝裝置安全生產風險預警模型，實現精準預測、智能預警和超前預警。
2017年—2019年，北京市立項了“北京市泥石流溝精細調查與評價”項目，利用無人機傾斜攝影技術對北京市密云區、房山區等10個區縣的泥石流溝開展了分辨率優于0.05 m 傾斜航拍和三維建模工作，全方位掌握泥石流溝谷發育特征，科學評價其危險性和風險性，建立北京市泥石流溝預警模型，為科學精準防治地災災害，優化預警系統奠定基礎。
