CN111061191B - 一种基于分布式的油气储罐远程运维方法 - Google Patents

Abstract

本发明提供了工业互联网领域的一种基于分布式的油气储罐远程运维系统及方法，系统包括一上位机、复数个固定数据监测终端组、至少一多传感移动巡检机器人以及一服务器；上位机与服务器连接；固定数据监测终端组包括一温度传感器、一湿度传感器、一压力传感器、一液位传感器以及一流量传感器；温度传感器、湿度传感器、压力传感器、液位传感器以及流量传感器均分别与上位机连接；多传感移动巡检机器人设有一无线通信模块、一视觉传感器以及一气体传感器；无线通信模块的一端与上位机连接，另一端与所述视觉传感器以及气体传感器连接。本发明的优点在于：实现对油气储罐进行远程运维，极大的提升了油气储罐保障的安全性和效率。

Description

一种基于分布式的油气储罐远程运维方法

技术领域

本发明涉及工业互联网领域，特别指一种基于分布式的油气储罐远程运维系统及方法。

背景技术

石油化工厂是石化行业重要的组成部分之一，连接着原油、炼油厂以及成品油供应终端，是保持我国能源可持续性供给的重要节点，其安全、稳定以及高效的运行，直接影响我国石油化工企业的整体效益和国民经济发展的后勤保障能力。由于石油化工厂规模大，危化品储存量大，油气储罐的安全隐患十分突出，而油气储罐是石油化工厂最重要的装备之一，易出现损伤、开裂等故障，一旦出现故障将直接产生大量的介质外泄，将给经济、环境以及人员造成影响，而且恢复过程较为困难和复杂。因此，油气储罐的稳定运行和快速维护是整个石油化工厂安全性的根本保障。

针对油气储罐的安全保障，传统上采取定期人工巡检和独立安全检测警报装置相结合的安全管理方式，但是存在如下问题：1、随着石油化工厂的蓬勃发展，面积的日益扩大，关键技术装备日益复杂、设备大型化、精密化，油气储罐的类型和数量急剧增加，使得传统的方式的安全性和效率已不能满足当下的需求，导致安全保障能力薄弱；2、传统的检测设备间相对独立、通用性较差，很难实现复杂的诊断任务，分布式远程运维技术水平不高。

因此，如何提供一种基于分布式的油气储罐远程运维系统及方法，实现对油气储罐进行远程运维，提升油气储罐保障的安全性和效率，成为一个亟待解决的问题。

发明内容

本发明要解决的技术问题，在于提供一种基于分布式的油气储罐远程运维系统及方法，实现对油气储罐进行远程运维，提升油气储罐保障的安全性和效率。

一方面，本发明提供了一种基于分布式的油气储罐远程运维系统，包括一上位机、复数个固定数据监测终端组、至少一多传感移动巡检机器人以及一服务器；所述上位机的一端与服务器连接，另一端与所述固定数据监测终端组以及多传感移动巡检机器人连接；

所述固定数据监测终端组包括一温度传感器、一湿度传感器、一压力传感器、一液位传感器以及一流量传感器；所述温度传感器、湿度传感器、压力传感器、液位传感器以及流量传感器均分别与上位机连接；

所述多传感移动巡检机器人设有一无线通信模块、一视觉传感器以及一气体传感器；所述无线通信模块的一端与上位机连接，另一端与所述视觉传感器以及气体传感器连接。

进一步地，所述无线通信模块为2G通信模块、3G通信模块、4G通信模块、5G通信模块、WIFI通信模块、LORA通信模块或者NBIOT通信模块。

另一方面，本发明提供了一种基于分布式的油气储罐远程运维方法，所述方法需使用上述的运维系统，包括如下步骤：

步骤S10、上位机通过各固定数据监测终端组以及多传感移动巡检机器人并行采集油气储罐的监测数据，并将所述监测数据分布式存储至服务器；

步骤S20、对采集的所述监测数据进行参数优化以及特征提取后，输入分类器进行训练，并生成训练结果发送给多传感移动巡检机器人用于离线故障诊断；

步骤S30、利用模糊系统对所述监测数据进行在线故障诊断；

步骤S40、基于所述离线故障诊断以及在线故障诊断的诊断数据创建故障诊断信息模型；

步骤S50、利用所述故障诊断信息模型对油气储罐进行预测性维护以及风险分级管控。

进一步地，所述监测数据包括温度、湿度、压力、液位、进油量、出油量、排水量、气体信号以及图像信号。

进一步地，所述步骤S20具体包括：

步骤S21、利用交叉网格验证法、粒子群算法或者遗传算法对采集的所述监测数据进行数据残缺补全、无效数据剔除以及归一化处理的参数优化；

步骤S22、对参数优化后的所述监测数据进行时域统计值、频率统计值、时频统计值、状态因子IMFs、乘积函数PFs、特征熵Entropy以及小波分量值的特征提取；

步骤S23、将提取的特征输入支持向量机或者人工神经网络的分类器进行训练生成训练结果；

步骤S24、对所述训练结果进行验证，验证通过，则进入步骤S25；验证不通过，则进入步骤S23；

步骤S25、将所述训练结果发送给多传感移动巡检机器人用于离线故障诊断。

进一步地，所述步骤S30具体为：

从模糊系统的模糊化接口将所述监测数据输入至模糊推理机，模糊推理机利用模糊规则库的规则对监测数据进行故障诊断后，通过清晰化接口输出故障诊断数据。

进一步地，所述步骤S40具体为：

基于所述离线故障诊断以及在线故障诊断的诊断数据，创建包括诊断对象类别、输入参数、输出参数、数值大小、分类器类别以及故障类型的故障诊断信息模型，用于对故障诊断方法、故障诊断过程、数据结构及表征、输入输出映射进行信息化建模；

所述诊断对象类别、输入参数、输出参数、数值大小、分类器类别以及故障类型均由复数个元语定义的属性进行描述。

进一步地，所述步骤S50具体为：

利用所述故障诊断信息模型对监测数据进行故障诊断，对诊断出的故障进行分类，并利用失效与非失效的历史监测数据，估算存在各类型故障的油气储罐的剩余寿命，并基于所述剩余寿命调整各油气储罐的预防维护时间序列；

利用所述故障诊断信息模型对监测数据进行故障诊断生成诊断结果，并基于所述诊断结果对油气储罐各类风险进行量化分析、态势分析以及预测预警。

进一步地，所述失效与非失效的历史监测数据具体为：

为各类型的监测数据均分别设定一阈值区间，若历史监测数据的取值处于所述阈值区间内，则为非失效；取值处于所述阈值区间外，则为失效。

本发明的优点在于：

1、通过将所述上位机采集的监测数据分布式存储至服务器，进而通过所述服务器读取监测数据即可对油气储罐的故障进行诊断，即实现对油气储罐进行远程运维；通过对油气储罐的故障进行离线故障诊断以及在线故障诊断，并创建所述创建故障诊断信息模型，进而进行预测性维护以及风险分级管控，极大的提升了油气储罐保障的安全性和效率。

2、通过所述固定数据监测终端组以及多传感移动巡检机器人采集监测数据，实现油气储罐监测数据的并行采集，且极大的提高了检测点的覆盖度。

3、通过对油气储罐进行离线故障诊断以及在线故障诊断，充分发挥系统离线运行快速性和在线处理的实时性，保证故障诊断的效率和准确性。

4、利用失效与非失效的历史监测数据，估算存在各类型故障的油气储罐的剩余寿命，并基于所述剩余寿命调整各油气储罐的预防维护时间序列，极大的保证了预测精度，并降低了维护成本。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1是本发明一种基于分布式的油气储罐远程运维系统的结构示意图。

图2是本发明一种基于分布式的油气储罐远程运维方法的流程图。

图3是本发明模糊系统的结构示意图。

图4是本发明的应用示意图。

具体实施方式

请参照图1至图4所示，本发明一种基于分布式的油气储罐远程运维系统的较佳实施例，包括一上位机、复数个固定数据监测终端组、至少一多传感移动巡检机器人以及一服务器；所述上位机的一端与服务器连接，另一端与所述固定数据监测终端组以及多传感移动巡检机器人连接；通过所述固定数据监测终端组以及多传感移动巡检机器人可以构建立体化、无盲区的油气储罐监测；

所述固定数据监测终端组包括一温度传感器、一湿度传感器、一压力传感器、一液位传感器以及一流量传感器；所述温度传感器、湿度传感器、压力传感器、液位传感器以及流量传感器均分别与上位机连接；所述固定数据监测终端组与上位机采用有线连接，根据数据源的特点使用有线加无线的通信方式保证了实时性的要求；

所述多传感移动巡检机器人设有一无线通信模块、一视觉传感器以及一气体传感器；所述无线通信模块的一端与上位机连接，另一端与所述视觉传感器以及气体传感器连接。

所述无线通信模块为2G通信模块、3G通信模块、4G通信模块、5G通信模块、WIFI通信模块、LORA通信模块或者NBIOT通信模块。

本发明一种基于分布式的油气储罐远程运维方法的较佳实施例，包括如下步骤：

步骤S10、上位机通过各固定数据监测终端组以及多传感移动巡检机器人并行采集油气储罐的监测数据，并将所述监测数据分布式存储至服务器；

步骤S20、对采集的所述监测数据进行参数优化以及特征提取后，输入分类器进行训练，并生成训练结果发送给多传感移动巡检机器人用于离线故障诊断；

步骤S30、利用模糊系统对所述监测数据进行在线故障诊断，用于弥补离线故障诊断的不足；

步骤S40、基于所述离线故障诊断以及在线故障诊断的诊断数据创建故障诊断信息模型；

步骤S50、利用所述故障诊断信息模型对油气储罐进行预测性维护以及风险分级管控。预测性维护可降低设备维护成本，提高设备利用率，减少事故发生，无人值守场站将会进一步增多。

风险分级管控包括风险事件模拟、风险量化以及安全措施实施三个步骤。

风险事件模拟：模拟关键技术装备运行过程中存在的各类故障事件。风险量化：利用风险分析模型实现各类风险的科学辨识、量化分级管理。安全措施实施：基于风险量化结果启动相应预警与应急预案。

通过分析风险分级管控的市场需求和模拟关键技术装备实验过程中存在的各类风险事件，基于石化行业的人员信息、设备信息、环境信息、管理信息等动态情况进行数据采集与分析，利用相应的专业风险分析模型，按照点(如重大危险源等)、线(如工艺装置等)、面(如工厂区域等)三维一体的风险分级管控思想，实现各类风险的科学辨识、量化分级和分级管理，具备对石化行业中各类风险量化分析、态势分析、预测预警的综合管控能力。

所述监测数据包括温度、湿度、压力、液位、进油量、出油量、排水量、气体信号以及图像信号。例如罐内介质温度、罐内介质液位、罐周围可燃气体或蒸气浓度、罐内压力、常压储油罐及直接相关设备(阀、泵、仪表等) 泄漏情况、储油罐内腐蚀速率、储油罐整体宏观情况(图像比对监测)、储油罐周围杂草、易燃物等情况。

所述步骤S20具体包括：

步骤S21、利用交叉网格验证法、粒子群算法或者遗传算法对采集的所述监测数据进行数据残缺补全、无效数据剔除以及归一化处理的参数优化；

步骤S22、对参数优化后的所述监测数据进行时域统计值、频率统计值、时频统计值、状态因子IMFs、乘积函数PFs、特征熵Entropy以及小波分量值的特征提取；

步骤S23、将提取的特征输入支持向量机或者人工神经网络的分类器进行训练生成训练结果；

步骤S24、利用监测数据对所述训练结果进行验证，验证通过，则进入步骤S25；验证不通过，则进入步骤S23；

步骤S25、将所述训练结果发送给多传感移动巡检机器人用于离线故障诊断。

所述步骤S30具体为：

从模糊系统的模糊化接口将所述监测数据输入至模糊推理机，模糊推理机利用模糊规则库的规则对监测数据进行故障诊断后，通过清晰化接口输出故障诊断数据。模糊故障诊断是一种按照人类自然思维过程进行的诊断方法，尤其适用于测量数据少且无法获得精确模型的诊断问题。

输入模糊推理机的数据可以是单目标或者多目标参数，模糊化接口把输入的数据映射为该值对于其所处域上模糊集的隶属度函数，隶属度函数可选择梯形型、三角形型、高斯分布型等，模糊规则库由一系列模糊语义规则和事实组成，为模糊推理机提供推理依据，模糊规则依赖设计人员对系统的知识经验，建立的规则应具备“完整性”，保证模糊系统的质量，常用模糊推理方法有最大最小推理和最大乘积推理，清晰化是去模糊化的步骤，将模糊推理结果与实际对象进行映射，一般可采用面积重心法和平均值最大法。

采用直接推理模糊故障诊断，其思想是利用模糊关系矩阵R将故障与症状联系起来，然后利用模糊关系方程由症状和模糊关系矩阵求出故障。令X 和Y表示模糊系统诊断参数输入和故障类型输出的量化集合：

X＝(x₁,x₂,…,x_i),Y＝(y₁,y₂,…,y_i)，其中x_i,y_i∈[0,1]；

首先对故障集合X中的故障数据x_i做评判，然后确定故障类型y_i的隶属度r_ij∈[0，1]，表征x_i与y_i的关系强度，得到第k个故障x_k的单故障集：

r_ij＝(r_k1,r_k2,…,r_kn)；

则m个故障评价集合构造一个总的评价模糊矩阵：

模糊关系方程为：X·R＝Y；其中.表示内积运算，采用模糊评判模型 M(∨,∧)，y_i可表示为Y_j＝(x₁,r_1j)∨(x₂,r_2j)∨…∨(x_m,r_mj)，其中∨，∧分别表示取最小和最大的运算。

如果已知R和Y，求X，则：

其中φ为空集，表示故障现象与故障原因之间没有关系，最后利用最大隶属度原则就可以确定故障类型。

所述步骤S40具体为：

基于所述离线故障诊断以及在线故障诊断的诊断数据，创建包括诊断对象类别、输入参数、输出参数、数值大小、分类器类别以及故障类型的故障诊断信息模型，用于对故障诊断方法、故障诊断过程、数据结构及表征、输入输出映射进行信息化建模，保证故障诊断的统一性，提高诊断效率以及结论的准确性；

所述诊断对象类别、输入参数、输出参数、数值大小、分类器类别以及故障类型均由复数个元语定义的属性进行描述，通过元语的逻辑组合生成不同的故障诊断信息模型。

所述步骤S50具体为：

利用所述故障诊断信息模型对监测数据进行故障诊断，对诊断出的故障进行分类，并利用失效与非失效的历史监测数据，估算存在各类型故障的油气储罐的剩余寿命，并基于所述剩余寿命调整各油气储罐的预防维护时间序列；

利用所述故障诊断信息模型对监测数据进行故障诊断生成诊断结果，并基于所述诊断结果对油气储罐各类风险进行量化分析、态势分析以及预测预警。

所述失效与非失效的历史监测数据具体为：

为各类型的监测数据均分别设定一阈值区间，若历史监测数据的取值处于所述阈值区间内，则为非失效；取值处于所述阈值区间外，则为失效。

综上所述，本发明的优点在于：

1、通过将所述上位机采集的监测数据分布式存储至服务器，进而通过所述服务器读取监测数据即可对油气储罐的故障进行诊断，即实现对油气储罐进行远程运维；通过对油气储罐的故障进行离线故障诊断以及在线故障诊断，并创建所述创建故障诊断信息模型，进而进行预测性维护以及风险分级管控，极大的提升了油气储罐保障的安全性和效率。

2、通过所述固定数据监测终端组以及多传感移动巡检机器人采集监测数据，实现油气储罐监测数据的并行采集，且极大的提高了检测点的覆盖度。

3、通过对油气储罐进行离线故障诊断以及在线故障诊断，充分发挥系统离线运行快速性和在线处理的实时性，保证故障诊断的效率和准确性。

4、利用失效与非失效的历史监测数据，估算存在各类型故障的油气储罐的剩余寿命，并基于所述剩余寿命调整各油气储罐的预防维护时间序列，极大的保证了预测精度，并降低了维护成本。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (6)

1.一种基于分布式的油气储罐远程运维方法，其特征在于：所述方法需使用如下一种基于分布式的油气储罐远程运维系统，包括一上位机、复数个固定数据监测终端组、至少一多传感移动巡检机器人以及一服务器；所述上位机的一端与服务器连接，另一端与所述固定数据监测终端组以及多传感移动巡检机器人连接；

所述固定数据监测终端组包括一温度传感器、一湿度传感器、一压力传感器、一液位传感器以及一流量传感器；所述温度传感器、湿度传感器、压力传感器、液位传感器以及流量传感器均分别与上位机连接；

所述多传感移动巡检机器人设有一无线通信模块、一视觉传感器以及一气体传感器；所述无线通信模块的一端与上位机连接，另一端与所述视觉传感器以及气体传感器连接；

所述无线通信模块为2G通信模块、3G通信模块、4G通信模块、5G通信模块、WIFI通信模块、LORA通信模块或者NBIOT通信模块；

所述方法包括如下步骤：

步骤S10、上位机通过各固定数据监测终端组以及多传感移动巡检机器人并行采集油气储罐的监测数据，并将所述监测数据分布式存储至服务器；

步骤S20、对采集的所述监测数据进行参数优化以及特征提取后，输入分类器进行训练，并生成训练结果发送给多传感移动巡检机器人用于离线故障诊断；

步骤S30、利用模糊系统对所述监测数据进行在线故障诊断；

步骤S40、基于所述离线故障诊断以及在线故障诊断的诊断数据创建故障诊断信息模型；

步骤S50、利用所述故障诊断信息模型对油气储罐进行预测性维护以及风险分级管控；

所述步骤S20具体包括：

步骤S21、利用交叉网格验证法、粒子群算法或者遗传算法对采集的所述监测数据进行数据残缺补全、无效数据剔除以及归一化处理的参数优化；

步骤S22、对参数优化后的所述监测数据进行时域统计值、频率统计值、时频统计值、状态因子IMFs、乘积函数PFs、特征熵Entropy以及小波分量值的特征提取；

步骤S23、将提取的特征输入支持向量机或者人工神经网络的分类器进行训练生成训练结果；

步骤S24、对所述训练结果进行验证，验证通过，则进入步骤S25；验证不通过，则进入步骤S23；

步骤S25、将所述训练结果发送给多传感移动巡检机器人用于离线故障诊断。

2.如权利要求1所述的一种基于分布式的油气储罐远程运维方法，其特征在于：所述监测数据包括温度、湿度、压力、液位、进油量、出油量、排水量、气体信号以及图像信号。

3.如权利要求1所述的一种基于分布式的油气储罐远程运维方法，其特征在于：所述步骤S30具体为：

从模糊系统的模糊化接口将所述监测数据输入至模糊推理机，模糊推理机利用模糊规则库的规则对监测数据进行故障诊断后，通过清晰化接口输出故障诊断数据。

4.如权利要求1所述的一种基于分布式的油气储罐远程运维方法，其特征在于：所述步骤S40具体为：

基于所述离线故障诊断以及在线故障诊断的诊断数据，创建包括诊断对象类别、输入参数、输出参数、数值大小、分类器类别以及故障类型的故障诊断信息模型，用于对故障诊断方法、故障诊断过程、数据结构及表征、输入输出映射进行信息化建模；

所述诊断对象类别、输入参数、输出参数、数值大小、分类器类别以及故障类型均由复数个元语定义的属性进行描述。

5.如权利要求1所述的一种基于分布式的油气储罐远程运维方法，其特征在于：所述步骤S50具体为：

利用所述故障诊断信息模型对监测数据进行故障诊断，对诊断出的故障进行分类，并利用失效与非失效的历史监测数据，估算存在各类型故障的油气储罐的剩余寿命，并基于所述剩余寿命调整各油气储罐的预防维护时间序列；

利用所述故障诊断信息模型对监测数据进行故障诊断生成诊断结果，并基于所述诊断结果对油气储罐各类风险进行量化分析、态势分析以及预测预警。

6.如权利要求5所述的一种基于分布式的油气储罐远程运维方法，其特征在于：所述失效与非失效的历史监测数据具体为：

为各类型的监测数据均分别设定一阈值区间，若历史监测数据的取值处于所述阈值区间内，则为非失效；取值处于所述阈值区间外，则为失效。

Images