前言：寻找写作灵感？中文期刊网用心挑选的海洋油气设备管理研讨，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
1深海设备管理要求预测性维修
深海设施具有运行环境复杂、不可预见因素多的特点，对设施状态进行分析和预测是一项挑战。以海底设施的防腐为例，由于阴极保护的更换成本和维修费用较高，深海阴极保护的服役期更长，但与此同时，其工作环境也更为复杂。深海的水压、温度、水流、溶解氧活性等指标都与浅海不同，不同的深海地区，环境指标也截然不同。某一个地区的深海腐蚀模型，在另一地区可能完全失效。深海阴极保护的工作状态对于这些环境指标又十分敏感。有学者推荐在安装阴极保护前，应先进行原位试验。但即使这样，也不能保证阴极保护的工作状态符合预期。传统的检测主要针对已经发生的腐蚀，在线监测大多只提供阴极保护的电流、电位等实时数据，很难据此对腐蚀状况进行预测性分析。目前，油气生产企业中，设备管理系统（EAM）已经与设备状态监测数据以及生产数据充分结合，但监测数据主要用于设备现状观察，属于单一尺度的监测。图1为目前典型的MES系统与EAM（Maximo）集成的架构图，从中可以看出，MES系统向Maximo系统提供的预测性信息十分有限。
2“基于大数据的多尺度状态监测”在海洋设施管理中的应用
基于大数据的监测技术是近年来的学术热点。这种技术在一定程度上可以避免对复杂系统进行机理分析，随着时频分析理论以及BP神经网络等大数据建模方法的成熟，从海量数据中多尺度、深层次挖掘出来的知识和参数越来越具有可靠性，非常适合海底腐蚀等复杂系统的研究与预测。材料学与监测技术的发展，也提供了大量可供选择的监测设备。海洋设备多为复杂的系统，由多个子系统构成，如钻井平台一般由40多个子系统构成，包括燃油系统、探测系统、钻井水液系统、钻井机油系统等。海底设施所处的环境，也受昼夜温度、气候、季节等自然周期的影响。不同监测设施的数据采集周期也不尽相同。因此，海洋油气设施相关的大数据往往具有多尺度的特性。从大数据系统的输出数据，即设备状态来看，一般具有随时间推移不断非线性劣化的特点。因此可以利用小波变换、希尔伯特黄变换等时频分析方法，研究输入数据和输出数据在不同时间尺度下的关系，找到最具有“知识含量”的数据处理方式，提高数据利用的效果和效率。
引入大数据技术后的设备管理流程应为闭环结构，如图2所示。在复杂生产设施安装到位之后，即可通过预先安装的监测探头采集相关数据，并根据数据量与相关故障模型的成熟度，选合适的大数据处理工具，建立基准模型。对于无成熟故障模型的系统，可选用神经网络模型、支持向量机等进行基准建模。在此种情况下，监测数据成为建模的基础，在数据输入、误差识别、多尺度分析的过程中，系统不断自学习，基准模型不断完善，并与实时数据相互验证。一旦模型成熟，即可形成预测规则，利用实时数据对设备状态进行预测，生成更为可靠合理的检维修计划。大数据系统生成的各种参数也可以作为未来同类设备的管理依据，并对现有模型进行修正。仍以海底腐蚀为例。虽然影响全浸区腐蚀的因素众多且相互作用十分复杂，但除微生物之外，几乎所有因素都是可测量的，而微生物也与水流、盐度、温度、PH值等自然因素密切相关，可视为上述因素的因变量。由于大数据技术的基础是海量实时数据，所以不需要研究微生物与其它参数的具体关系，也可将此因变量的作用纳入到系统中，这是其它理论预测工具无法做到的。
在数据充足且无成熟模型的情况下，可采用BP神经网络算法模型，这也是近年来，在腐蚀研究领域中表现较好的模型。神经网络模型是模拟人类大脑工作方式的计算机模型，利用“神经元”式的分布式架构，实现数据的分布式储存和非线性并行协同处理。神经网络系统一般由输入层、隐含层和输出层构成。在腐蚀预测中，可将阴极保护的电位电流数据、水流、溶解氧、温度、PH值等作为输入值，将腐蚀数据作为输出值。以神经网络系统的输出值与实际腐蚀监测值相比产生的误差作为系统自学习的基础，再经多尺度分析等步骤，不断优化系统，最终形成与实际监测数据相比较为准确的腐蚀预测模型。此腐蚀模型将成为设备检维修、防腐方案评估，未来同类设备防腐设计的基础。
3“大数据监测技术”在国外石油设备管理中的应用
石油行业最先采用大数据技术的是上游勘探领域，随着计算成本和数据传输成本的降低与监测技术的发展，设备管理领域也开始尝试性地采用大数据监测模型，并取得非常好的效果。例如美国休斯敦的专业钻探公司PacificDrilling是一家专门从事2000米以上深水作业的公司。其运营的平台大多离岸较远，零部件从订购到运抵平台一般需四个月，检维修计划稍有偏差，则会造成维修费用浪费或者停产损失。2012年以来，其开始采用大数据监测技术，对每个平台的上千个零部件进行实时监测与状态预测。例如，仅动力系统就要采集关键部件的振幅、温度、转速、油压等数据。然后根据状态预测订购备件，安排维修，节省了大量的维修费用，同时保证了作业的连续性。下表是国外相关案例中，采用大数据监测技术的实施经验。
4采用“大数据监测技术”须解决的问题
从目前的管理现状来看，应用大数据监测技术仍存在一定瓶颈。首先是硬件方面。在我国，计算成本下降很快，数据传输成本下降较慢，但是随着网络基础设施的快速完善，在我国大多数油气产区，数据传输的瓶颈将得以突破。对于深海作业区，则可采用本地化计算的解决方案。其次是软件方面，虽然大数据处理的软件产品已经很丰富，但是针对油气行业易用且效果好的解决方案仍然比较缺乏。大数据产品的开发，需要跨学科多部门专家的协作，只有在业务专家的指引下，才能从数据和信息的海洋中提取“知识”。而在具体实施的过程中，从模型的建立，参数的选择，探头的安装，数据的采集，到系统的优化调试，每一个环节都需要计算机专家和业务专家的通力协作。而业务与数据的结合，也将成为企业信息化管理的努力方向。
作者：王兵 单位：中海石油（中国）有限公司开发生产部
