前言：尋找寫作靈感？中文期刊網用心挑選的海洋油氣設備管理研討，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。

1深海設備管理要求預測性維修

深海設施具有運行環境復雜、不可預見因素多的特點，對設施狀態進行分析和預測是一項挑戰。以海底設施的防腐為例，由于陰極保護的更換成本和維修費用較高，深海陰極保護的服役期更長，但與此同時，其工作環境也更為復雜。深海的水壓、溫度、水流、溶解氧活性等指標都與淺海不同，不同的深海地區，環境指標也截然不同。某一個地區的深海腐蝕模型，在另一地區可能完全失效。深海陰極保護的工作狀態對于這些環境指標又十分敏感。有學者推薦在安裝陰極保護前，應先進行原位試驗。但即使這樣，也不能保證陰極保護的工作狀態符合預期。傳統的檢測主要針對已經發生的腐蝕，在線監測大多只提供陰極保護的電流、電位等實時數據，很難據此對腐蝕狀況進行預測性分析。目前，油氣生產企業中，設備管理系統（EAM）已經與設備狀態監測數據以及生產數據充分結合，但監測數據主要用于設備現狀觀察，屬于單一尺度的監測。圖1為目前典型的MES系統與EAM（Maximo）集成的架構圖，從中可以看出，MES系統向Maximo系統提供的預測性信息十分有限。

2“基于大數據的多尺度狀態監測”在海洋設施管理中的應用

基于大數據的監測技術是近年來的學術熱點。這種技術在一定程度上可以避免對復雜系統進行機理分析，隨著時頻分析理論以及BP神經網絡等大數據建模方法的成熟，從海量數據中多尺度、深層次挖掘出來的知識和參數越來越具有可靠性，非常適合海底腐蝕等復雜系統的研究與預測。材料學與監測技術的發展，也提供了大量可供選擇的監測設備。海洋設備多為復雜的系統，由多個子系統構成，如鉆井平臺一般由40多個子系統構成，包括燃油系統、探測系統、鉆井水液系統、鉆井機油系統等。海底設施所處的環境，也受晝夜溫度、氣候、季節等自然周期的影響。不同監測設施的數據采集周期也不盡相同。因此，海洋油氣設施相關的大數據往往具有多尺度的特性。從大數據系統的輸出數據，即設備狀態來看，一般具有隨時間推移不斷非線性劣化的特點。因此可以利用小波變換、希爾伯特黃變換等時頻分析方法，研究輸入數據和輸出數據在不同時間尺度下的關系，找到最具有“知識含量”的數據處理方式，提高數據利用的效果和效率。

引入大數據技術后的設備管理流程應為閉環結構，如圖2所示。在復雜生產設施安裝到位之后，即可通過預先安裝的監測探頭采集相關數據，并根據數據量與相關故障模型的成熟度，選合適的大數據處理工具，建立基準模型。對于無成熟故障模型的系統，可選用神經網絡模型、支持向量機等進行基準建模。在此種情況下，監測數據成為建模的基礎，在數據輸入、誤差識別、多尺度分析的過程中，系統不斷自學習，基準模型不斷完善，并與實時數據相互驗證。一旦模型成熟，即可形成預測規則，利用實時數據對設備狀態進行預測，生成更為可靠合理的檢維修計劃。大數據系統生成的各種參數也可以作為未來同類設備的管理依據，并對現有模型進行修正。仍以海底腐蝕為例。雖然影響全浸區腐蝕的因素眾多且相互作用十分復雜，但除微生物之外，幾乎所有因素都是可測量的，而微生物也與水流、鹽度、溫度、PH值等自然因素密切相關，可視為上述因素的因變量。由于大數據技術的基礎是海量實時數據，所以不需要研究微生物與其它參數的具體關系，也可將此因變量的作用納入到系統中，這是其它理論預測工具無法做到的。

在數據充足且無成熟模型的情況下，可采用BP神經網絡算法模型，這也是近年來，在腐蝕研究領域中表現較好的模型。神經網絡模型是模擬人類大腦工作方式的計算機模型，利用“神經元”式的分布式架構，實現數據的分布式儲存和非線性并行協同處理。神經網絡系統一般由輸入層、隱含層和輸出層構成。在腐蝕預測中，可將陰極保護的電位電流數據、水流、溶解氧、溫度、PH值等作為輸入值，將腐蝕數據作為輸出值。以神經網絡系統的輸出值與實際腐蝕監測值相比產生的誤差作為系統自學習的基礎，再經多尺度分析等步驟，不斷優化系統，最終形成與實際監測數據相比較為準確的腐蝕預測模型。此腐蝕模型將成為設備檢維修、防腐方案評估，未來同類設備防腐設計的基礎。

3“大數據監測技術”在國外石油設備管理中的應用

石油行業最先采用大數據技術的是上游勘探領域，隨著計算成本和數據傳輸成本的降低與監測技術的發展，設備管理領域也開始嘗試性地采用大數據監測模型，并取得非常好的效果。例如美國休斯敦的專業鉆探公司PacificDrilling是一家專門從事2000米以上深水作業的公司。其運營的平臺大多離岸較遠，零部件從訂購到運抵平臺一般需四個月，檢維修計劃稍有偏差，則會造成維修費用浪費或者停產損失。2012年以來，其開始采用大數據監測技術，對每個平臺的上千個零部件進行實時監測與狀態預測。例如，僅動力系統就要采集關鍵部件的振幅、溫度、轉速、油壓等數據。然后根據狀態預測訂購備件，安排維修，節省了大量的維修費用，同時保證了作業的連續性。下表是國外相關案例中，采用大數據監測技術的實施經驗。

4采用“大數據監測技術”須解決的問題

從目前的管理現狀來看，應用大數據監測技術仍存在一定瓶頸。首先是硬件方面。在我國，計算成本下降很快，數據傳輸成本下降較慢，但是隨著網絡基礎設施的快速完善，在我國大多數油氣產區，數據傳輸的瓶頸將得以突破。對于深海作業區，則可采用本地化計算的解決方案。其次是軟件方面，雖然大數據處理的軟件產品已經很豐富，但是針對油氣行業易用且效果好的解決方案仍然比較缺乏。大數據產品的開發，需要跨學科多部門專家的協作，只有在業務專家的指引下，才能從數據和信息的海洋中提取“知識”。而在具體實施的過程中，從模型的建立，參數的選擇，探頭的安裝，數據的采集，到系統的優化調試，每一個環節都需要計算機專家和業務專家的通力協作。而業務與數據的結合，也將成為企業信息化管理的努力方向。

作者：王兵 單位：中海石油（中國）有限公司開發生產部