石油石化行业针对旋转设备的预测性维护解决方案简述PPT课件下载推荐.pptx

石油石化行业针对旋转设备的预测性维护解决方案简述PPT课件下载推荐.pptx

《石油石化行业针对旋转设备的预测性维护解决方案简述PPT课件下载推荐.pptx》由会员分享，可在线阅读，更多相关《石油石化行业针对旋转设备的预测性维护解决方案简述PPT课件下载推荐.pptx（41页珍藏版）》请在冰豆网上搜索。

测量方式、参数等；

源系统，数据类型；

其它支撑数据基准测井数据：

测量方式、测量结果（油气比、含油量、出水量等）实时生产数据：

传感器数据（电流、温度、压力、负载等）、传感器统计数据等,外部设备,外部系统,历史数据,数据适配器,消息队列,计算&

合并,预测分析,决策管理,仪表盘&

报表,模型引擎,数据存储,预定义方案内容,主数据,安装+配置,PMQ的逻辑功能架构,7,PMQforRE主要针对大型旋转设备进行异常模式（停机、故障）发生概率的预测性判断，帮助企业未雨绸缪，降低成本，确保生产,针对石油石化、矿山、运输、水电等广泛且严重依赖旋转生产设备的制造型企业典型的旋转设备包括：

泵（电潜泵）、发动机、涡轮增压设备、传送设备以及相关附属设备等主要价值：

降低成本、降低风险、增加产量、提升质量主要关注对象：

负责生产的管理层团队生产运维团队设备维护团队,业务范围及价值典型场景,场景共性特征：

电力驱动涉及负载、阻力的变化涉及温度变化、电流变化、压力变化等场景1：

钻井平台上电潜泵设备的故障预警与维护场景2：

涡轮电机、涡轮发动机的预测性维护场景3：

输油管道输油泵的预测性维护场景4：

矿山大型电机设备的故障预警与维护,管理者：

全面、准确评估重要资产的的工作情况,技术分析人员：

评估关键设备的实时性能,现场维护人员：

为维护人员提供详细的资产信息,PMQforRE预先针对电潜泵预测性维护定义了包括数据模型、调度流程、分析模型、展示界面在内的全部所需资产,预先定义的Schema和DataStore预先定义的主数据/元数据模型预先定义的事件数据模型：

原始传感器数据、聚集传感器数据、测井数据、维护数据,数据模型调度流程,预定义的IIB流程用以处理事件数据的输入，包括实时数据的输入预定义的Adapter用以触发数据保存、判断决策和EAM工单开具预定义的流程以触发模型训练和模型评分,分析模型已经提供完整的分析模型，可复用，可扩展训练模型：

基于所有泵体的聚集传感器数据、测井数据和维护数据来训练模型，输出为6个模式和相应的停机和故障概率评分模型：

基于单个泵体的聚集传感器数据和变化率数据，测井数据和泵体基本信息，输出为当前模式、改变时间点预测以及相应的停机和故障概率展示界面针对管理团队的管理者驾驶舱针对运维团队的分析界面针对现场维护团队的工作界面,PMQDataMart,PMQIIB-ASF,MasterDataLoad,EventDataLoad,Orchestration,CustomFlowsusingASF,MAXIMO,Master/MetaDataFiles,OperationalDataFiles,PMQEventDataFiles,1,3,2,5,6,8,9,PMQBI,FrameworkModel,6,6,5,5,Dashboards,LoadingMasterfiles,Loadingeventfiles,Masterdataload,4,7Eventdataload,Training&

ScoringInvocations,ADMInvocation,Training&

Scoringresultcsvfiles,10Persist,Recommendation,MAXIMOWORequest,应用PMQ的完整过程,第一步：

数据准备（主数据与设计数据）,泵设计数据泵曲线数据（pumpcurvedata）,井曲线数据（wellcurvedata）,最佳效率点数据（bestefficiencypointdata）,上冲断层数据（upthrustdata）,下冲断层数据（downthrustdata）,第一步：

数据准备（事件数据）,数据源自动化检测数据基于定义好的时间段合并处理传感器数据。

默认的时间段是是4个小时，数据包括远程收集的数据，如泵吸入压力、电机温度、电流，和马达频率。

基于合并数据的窗口，“平均值”和“变化率（RateOfChange）”是模型计算需要的关键数据。

“Status”字段显示设备是否运行或停机。

井测试数据数据包含来自预测的井的测试信息，这些数据与关键资产设备相关联。

数据包含的测量内容，包括：

产油量、产气量、含水、气油比、产水量。

维修数据数据包含的维护事件的信息，包括故障。

对于故障事件，通过“PRIMARY_REASON”字段的文本中包含“failure”来识别。

最小数据要求,PIPAVG泵吸入口压力平均值PIPROC吸入口压力变化率MTRTAVG马达平均温度MTRTROC马达温度变化率OutputFreq_AVG输出频率平均值OutputFreq_ROC输出频率变化率AmpAVG电流平均值,AmpROC电流变化率OIL_RATE产油量GAS_RATE产气量WATER_RATE产水量GAS_OIL_RATIO气油比WATER_CUT含水率,第二步：

模型准备（模型设计原理）,模型设计目标：

利用传感器数据检测和区分具有独特性的设备运行模式模型训练的工作：

从数据中识别出模型，并且自动把的特征进行总结，将历史设备运转状态数据分类成多种Mode（类似于状态的聚集）每一种Mode表示：

设备停车的倾向性设备故障失败的倾向性模型评分的工作：

模型评分会判断设备当前的数据应属于哪一个mode，而且mode的转换发生在什么时候？

最近的设备模式决定了将要执行的操作基于设备模式所代表是停车或者失败的倾向性概率，定义了相应的建议性操作,模型设计原理,第二步：

模型准备（模型训练）,模型训练的输入输入来自各种设备/泵的数据聚集处理后的传感器数据（averageandrate-of-changevalues）PumpIntakePressureMotorTemperatureAmperageOutputfrequencyStatus（Running/Stopped）井测试数据OilRateGasRateWaterrateGasOilratioWaterCutTestType历史维护数据,第二步：

模型准备（模型训练）,模型训练的输出,输出数据followingvaluesforeachmodeidentified运行模式（Mode）信息模式的编号ModeID停车概率StoppageProbability失败概率FailureProbability,用于评分的模型文件,第二步：

模型准备（模型训练）,模型训练的工作流,数据源,离散的基于时间序列的信号数据,维护/故障信息,井测试数据,改变点发现,信息快照,聚类计算,异常数据计算,快照信息整理,模式Mode,模式总结/整理,模式与失败、停车概率,第二步：

模型准备（模型评分）,模型评分的输入输入针对某一个特定泵的数据聚合计算后的数据（averageandrate-of-changevalues）PumpIntakePressureMotorTemperatureAmperageOutputfrequency井测试数据WelltestdataOilRateGasRateWaterrateGasOilratioWaterCutTestType输入参数（fromIIB）PumpName,LastChangepointTime,第二步：

模型准备（模型评分）,模型评分的输出,输出针对某一个特定泵体所有的被识别出来的改变点的相关信息Operatingmodeinformation改变点发生时间（ChangepointTime）模式ID（ModeID）停车概率（StoppageProbability）（基于训练输出）失败概率（FailureProbability）（基于蓄念输出）,第二步：

模型准备（模型评分）,模型评分的工作流,离散时