欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

化工装置公用工程异常工况识别:用孤立森林给蒸汽和用电建基线

上邦数据团队2026-11-06阅读 约 9 分钟
化工企业公用工程(蒸汽、循环水、电、压缩空气)的浪费往往藏在报表里。本文给出一套可落地的做法:先用历史表计数据建立能耗基线,再用孤立森林做无监督异常扫描,把偏离正常区间的工况自动挑出来。结合某 200 人精细化工车间的实测,蒸汽单耗异常天数从每月 17 天降到 4 天。文中含完整 Python 步骤与避坑清单。
化工企业把蒸汽、循环水、压缩空气和电力的消耗管起来,先把'正常长什么样'定义清楚,比直接买一套能源管理系统更划算。做法是先用三到六个月的分钟级表计数据给每个装置建一条能耗基线,再用孤立森林这类无监督模型每天扫描偏离基线的异常工况,把'跑冒滴漏、设备效率下滑、班次操作差异'从几十张报表里捞出来。一个 200 人规模的精细化工车间,用这套方法上线九个星期,蒸汽单耗的异常天数从每月 17 天降到 4 天,半年回本。最容易踩的坑是表计口径不统一和基线窗口选在检修期,这两件事不做对,模型只会把正常波动当成事故。

为什么先做基线,而不是直接上能源管理系统

多数化工企业的第一反应是采购一套能源管理系统(EMS),把表计全部接入、做可视化大屏。但我们在多个项目里看到,大屏上线三个月后仍在回答一个更基础的问题:这台再沸器的蒸汽消耗到底多少算正常?没有基线,异常无从谈起。基线本质上是装置在'稳态、满负荷、无检修'条件下的能耗指纹,它既是异常判定的标尺,也是后续节能改造的对照基准。对 200 人规模、装置不超过十套的精细化工企业,用半年内的表计数据自己在数据库里建基线,投入只是一个熟手工程师两周时间,远小于一套 EMS 的采购与实施成本。
把问题拆开看,EMS 解决的是'看得到',而基线解决的是'看不看得懂'。一台再沸器单耗从 0.9 吨蒸汽每批次升到 1.3 吨,如果只有大屏没有基线,操作员会以为只是当班投料多了;有了基线,系统会在当天就标红。这个'当天标红'的能力,才是能耗治理真正产生收益的地方。我们一般建议企业先花六到八周把基线跑通、异常日报跑顺,再决定是否扩容到全厂 EMS,这样每一分投入都有对应的异常处置闭环兜底。

数据采集:先解决口径,再谈算法

公用工程数据来自蒸汽流量计、电表、水表与压缩空气流量,常见陷阱是同一物料多个表计口径不一致。例如蒸汽既有质量流量计又有孔板差压,单位一个是吨、一个是标准立方米,直接相加会得到毫无意义的汇总。我们建议先把所有表计归一化为统一单位,并按装置、按班次打标签。借助制造执行系统(MES)采集的公用工程数据,可以把蒸汽、电、水的消耗与具体工单、批次绑定,使基线具备'同产品、同工艺'的可比性,而不是把不同产品的能耗混在一起求平均。
标签体系的另一半是'工况标签'。同一套装置在开车、稳态、清洗、检修四种状态下的能耗形态完全不同,如果不打标签,模型会把检修期的极低消耗当成异常、把开车期的极高消耗也当成异常,噪声会淹没真信号。我们在项目实施中的经验是:先用生产日历和 DCS 启停信号自动打工况标签,再让人每周抽检修正,三个月后人工修正比例能从 30% 降到 5% 以内。这一步看似繁琐,却是后面所有异常判定可信的前提。

基线建模与异常扫描的可复现步骤

下面用 Python 演示核心流程。数据假设已整理为按小时采样的表,列为 device(装置)、steam_t(蒸汽吨)、power_kwh(电度)、hour(时段)、is_maint(是否检修)。我们用 scikit-learn 的 IsolationForest 做无监督异常检测,它不需要标注'哪天是异常',只学习正常样本的密度,把偏离密度的点判为异常。
import pandas as pd
from sklearn.ensemble import IsolationForest

# df 已含列: device, steam_t, power_kwh, hour, is_maint
df = df[df['is_maint'] == 0]                 # 排除检修期, 否则基线被污染
feat = df[['steam_t', 'power_kwh', 'hour']].copy()

model = IsolationForest(n_estimators=200, contamination=0.05, random_state=42)
model.fit(feat)
df['score'] = model.decision_function(feat)    # 越大越正常
df['abnormal'] = model.predict(feat) == -1     # -1 表示离群

# 按装置和月份聚合异常天数
df['ym'] = df['ts'].dt.to_period('M')
alert = df[df['abnormal']].groupby(['device', 'ym']).size()
print(alert)
contamination=0.05 表示模型预期约 5% 的样本是异常,这个值不要拍脑袋,应结合历史人工确认过的异常比例校准。我们建议先用三个月数据训练,再用一个月数据人工核对模型输出的异常是否属实,把 contamination 调到'人工确认异常占比'附近,再正式上线日报。另外,把 hour 作为特征加入,是为了让模型理解'白班和夜班本来能耗就不同',否则它会把正常的班次差异误判为异常。

把异常变成可执行的处置清单

模型每天吐出一张异常清单只是开始,关键是将它转成巡检工能看懂、能处理的动作。我们与一家企业把异常按'装置 + 异常指标 + 偏离幅度 + 建议排查项'四列导出,并沉淀到企业知识库,使同类异常第二次出现时自动关联历史处置记录。下面是上线前必须确认的检查项。
① 基线窗口是否排除了检修、开停车与极端天气,否则正常波动被误判为异常;
② 表计单位是否统一,蒸汽吨与标方、电度与千瓦必须归一;
③ contamination 是否用历史人工确认异常比例校准,而非默认值;
④ 异常推送是否绑定到具体装置责任人与班次,避免'人人看到、无人处理';
⑤ 每月回看误报,把确认的误报样本加入排除规则或重新训练。

误报与漏报的权衡:为什么从无监督起步

能耗异常检测里,漏报的代价(持续浪费)通常高于误报的代价(多一次巡检)。因此初期我们宁可 contamination 设得略高,让模型'宁可错杀',把可疑工况先捞出来给人看,再逐步收紧。等积累了两三百条人工确认的异常样本后,再考虑切换到有监督模型做更精准的判定。但切换的前提是前面这套'人工确认—反馈—重训'的闭环已经跑顺,否则有监督模型会因为标注噪声而表现更差。这也是我们坚持先无监督、再评估是否升级的原因。

一个脱敏实测:200 人精细化工车间的九个星期

某华东精细化工企业,约 200 人,六套反应与精馏装置,此前蒸汽单耗靠月度盘点,异常要等月底报表才能发现。我们按上述流程:第 1-2 周做表计归一与标签,第 3-5 周建基线并校准 contamination,第 6 周起出日报,第 9 周把异常清单接入巡检工单。结果:蒸汽单耗的异常天数从每月平均 17 天降到 4 天,定位到一处再沸器疏水阀内漏(此前被当作正常蒸汽消耗),半年节省的蒸汽费用覆盖了全部实施投入。这个收益口径保守,仅计入已确认的一项内漏整改,未夸大其他潜在节能量。
说明:案例数据来自项目实施记录,企业名称已脱敏;节能收益因装置与地区差异浮动,本文数字仅作方法可行性的参考,不构成节能量承诺。文中方法遵循 ISO 50001 能源管理体系关于'基于数据识别能源绩效改进机会'的要求。

参考来源

ISO 50001:2018 能源管理体系 要求及使用指南 - 国际标准化组织(ISO)
scikit-learn IsolationForest 用户文档 - scikit-learn.org
相关标签:化工能耗异常检测孤立森林公用工程能效管理

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案