基于多尺度建模的煉油化工過程報警根源分析

胡瑾秋， 蔡　爽， 張來斌

(中國石油大學(xué) 機(jī)械與儲運工程學(xué)院， 北京 102249)

煉油化工生產(chǎn)過程從原料到產(chǎn)品的生產(chǎn)需要經(jīng)過許多工序和復(fù)雜的加工單元，通過多次反應(yīng)或分離完成。其流程復(fù)雜，工藝條件苛刻，常伴有高溫、高壓、低溫、真空、大流量、高轉(zhuǎn)速等極端條件，在煉油廠區(qū)，若某單一設(shè)備或工藝過程出現(xiàn)故障，極易借助系統(tǒng)單元之間的相互依存、相互制約關(guān)系，觸發(fā)連鎖效應(yīng)，由一種擾動或故障經(jīng)過一段時間傳播，從一個地域空間傳播至另一個更廣闊的地域空間，引起衍生事故，帶來難以估量的社會與環(huán)境風(fēng)險，引發(fā)一系列故障鏈直至引起事故或災(zāi)難。為了及時找出故障原因以有效抑制故障傳播，保證生產(chǎn)過程安全及產(chǎn)品質(zhì)量，國內(nèi)外學(xué)者對煉油化工過程報警根源分析方法進(jìn)行了一系列的研究。

報警泛濫是工業(yè)過程報警系統(tǒng)中存在的主要問題之一。對過程變量報警根源進(jìn)行分析，可及時抑制異常擾動的進(jìn)一步傳播以減少報警泛濫現(xiàn)象的發(fā)生。為了辨識煉油化工過程的擾動傳播根源，基于過程知識建立過程拓?fù)淠Ｐ陀兄谶M(jìn)一步分析報警根源，如多層流模型(Multilevel flow model，MFM)[1]，因果模型(Cause-effect model，CE)[2]，符號有向圖(Signed directed graph，SDG)[3]等。Dahlstrand[1]采用多層流方法表達(dá)過程變量間的因果關(guān)系。Wan等[2]將CE模型引入到一個邏輯和系統(tǒng)化的報警系統(tǒng)設(shè)計方法中。符號有向圖是因果圖的一種，對過程變量間的因果關(guān)系和故障傳播路徑提供了簡單和圖形化描述，并且可以在缺乏詳細(xì)過程知識的條件下根據(jù)經(jīng)驗或基本定律來建立符號有向圖模型[4-7]。知識建模方法簡單實用，易于理解，但嚴(yán)重依賴于過程知識不包括定量信息；此外，模型容易受人的主觀判斷影響[8]。數(shù)據(jù)驅(qū)動方法如時滯關(guān)聯(lián)分析[9]，信息理論方法(傳遞熵，直接傳遞熵)[10-11]，貝葉斯網(wǎng)絡(luò)模型(Bayesian network，BN)[12]等，也可用于實現(xiàn)報警根源的辨識，以便從根本上抑制滋擾報警和報警泛濫現(xiàn)象的出現(xiàn)。關(guān)聯(lián)性并不一定代表因果性，但如果引入時間延遲，可找出兩時間序列間關(guān)聯(lián)系數(shù)的最大值，其對應(yīng)的時間關(guān)系可以近似地反映因果關(guān)系?；ハ嚓P(guān)函數(shù)(Cross-correlation function，CCF)[9]可用于估計兩報警序列間的時間延遲，通過兩序列間的時滯和關(guān)聯(lián)系數(shù)，生成對應(yīng)的因果矩陣和關(guān)聯(lián)系數(shù)矩陣，結(jié)合一致性檢驗和拓?fù)浼僭O(shè)，可以構(gòu)建因果網(wǎng)絡(luò)[13]。但互相關(guān)函數(shù)會產(chǎn)生大量冗余時滯干擾分析結(jié)果，有時由該數(shù)據(jù)驅(qū)動方法建立的擾動傳播路徑可能與實際過程不符。因此有必要結(jié)合過程知識檢驗傳播路徑的合理性。Bauer等[11]和Gao等[14]采用信息理論計算兩變量間的傳遞熵，從本質(zhì)上反映了信息傳遞所帶來的因果性。Duan等[10]提出直接傳遞熵概念來檢測兩變量間是否有一個直接的物質(zhì)流或信息流，以提高因果圖的準(zhǔn)確性。Gao等[15]提出基于解析結(jié)構(gòu)模型的信息融合方法，通過構(gòu)建連接矩陣和可達(dá)矩陣構(gòu)建因果網(wǎng)絡(luò)，實現(xiàn)報警根源的辨識。概率符號有向圖[16]是一種基于實現(xiàn)最大系統(tǒng)可信度的報警信號挑選方法，該符號有向圖的建立使過程變量間的因果關(guān)系可視化。數(shù)據(jù)驅(qū)動方法可定量分析過程變量間存在的因果關(guān)系，但對于分析變量的挑選依然常常根據(jù)主觀經(jīng)驗，對于一些復(fù)雜的大型系統(tǒng)，常涉及大量監(jiān)控變量，主觀挑選模型變量可能遺漏某些重要原因變量，以致無法推繹出引發(fā)報警的擾動根源。

因此筆者采用多尺度建模的方法，通過對煉油化工生產(chǎn)系統(tǒng)的空間尺度進(jìn)行劃分，針對不同的風(fēng)險過程，分析不同尺度下的過程風(fēng)險表征指標(biāo)，建立多尺度下的煉油化工過程報警根源分析模型，并對不同尺度下的模型進(jìn)行應(yīng)用對比分析，從而選擇合適的尺度進(jìn)行建模，保證煉油化工過程報警根源分析的準(zhǔn)確性。

1　時滯分析方法基本原理

時滯分析方法可分析不同過程變量間的時滯和關(guān)聯(lián)關(guān)系，從而推斷他們固有的因果關(guān)系。

時滯分析方法采用互相關(guān)函數(shù)[9]計算過程變量間考慮時延性的關(guān)聯(lián)函數(shù)值。對于兩過程變量xi和xj的離散時間序列數(shù)據(jù)，定義互相關(guān)函數(shù)φxi,xj(k)為

(1)

n為過程變量個數(shù)，過程變量xi和xj的時間序列長度為N，其均值為μxi和μxj，標(biāo)準(zhǔn)差為σxi和σxj，xig表示標(biāo)準(zhǔn)化后的變量xi在第g個時刻的變量值，φxi,xj(k)為具有時間意義的k的單值函數(shù)。

定義φxi,xj(k)的最大值φmax和最小值φmin為

(2)

記φmax對應(yīng)的k為kmax，φmin對應(yīng)的k為kmin，xi、xj間的時滯λi,j表示為

(3)

時滯λi,j用于確定傳播方向。若λi,j>0，實際傳播方向為xi→xj；反之，傳播方向為xj→xi。

兩時間序列關(guān)聯(lián)系數(shù)ρi,j記為

(4)

因關(guān)聯(lián)系數(shù)由統(tǒng)計方法計算得到，每2個時間序列可得一確定值，但若關(guān)聯(lián)系數(shù)過小，考慮兩變量間的關(guān)聯(lián)性將沒有意義。因此有必要設(shè)置合適的閾值對關(guān)聯(lián)系數(shù)的顯著性水平進(jìn)行檢驗。筆者采用如下的假設(shè)檢驗方法，通過式(5)計算閾值(ρth(N))[9]，若|ρi,j|<ρth(N)，表明關(guān)聯(lián)系數(shù)未通過顯著性檢驗，此時考慮兩變量間的關(guān)聯(lián)性將沒有意義。ρi,j的正負(fù)反映了變量間的關(guān)聯(lián)關(guān)系。若ρi,j>0，兩變量具有正相關(guān)關(guān)系，即xi的增加可能引起xj的增加。反之，若ρi,j<0, 兩變量具有負(fù)相關(guān)關(guān)系。

ρth(N)=1.85N-0.41+2.37N-0.53

(5)

然而，若φmax和φmin的大小接近，兩變量的因果關(guān)系將變得模糊，方向性難以確定。為了辨識φmax和φmin的差異性，定義方向性指數(shù)(ψ)如式(6)：

(6)

通過式(7)計算方向性指數(shù)閾值(σψ(N))[9]，若ψ≥σψ(N)，表明兩變量具有顯著的因果關(guān)系。

σψ(N)=0.46N-0.16

(7)

2　煉油化工過程報警根源分析方法

報警系統(tǒng)作為復(fù)雜煉油化工過程的重要組成部分，可有效監(jiān)控過程的運行狀態(tài)。報警系統(tǒng)設(shè)置是否合理直接影響生產(chǎn)過程的運行。當(dāng)過程設(shè)備異常運行時，將以聲光形式觸發(fā)報警。收到報警后，操作者將結(jié)合過程知識調(diào)查故障原因并采取必要措施阻止異常的進(jìn)一步惡化，使設(shè)備恢復(fù)到正常運行范圍。如今，工業(yè)過程報警系統(tǒng)的實際問題是報警數(shù)過多。實際上，操作者每1 h可能面臨數(shù)以百計的報警，大量的報警干擾操作者的判斷，使他們浪費大量時間處理次要報警而忽視關(guān)鍵報警。因此，需要一個合理的策略進(jìn)行報警根源分析，及時辨識擾動根源，避免異常風(fēng)險的進(jìn)一步發(fā)展。

提出一種煉油化工過程報警根源分析方法，通過對煉油化工生產(chǎn)系統(tǒng)的空間尺度進(jìn)行劃分，針對不同的風(fēng)險過程，分析不同尺度下的過程風(fēng)險表征指標(biāo)，從而通過時滯分析并結(jié)合過程知識構(gòu)建擾動傳播因果圖，最后提出一種報警根源搜索方法辨識最可能的擾動傳播路徑以找出報警的根本原因。

2.1　煉油化工生產(chǎn)系統(tǒng)的空間尺度劃分

煉油廠區(qū)包含多套生產(chǎn)裝置，如煉油廠主要由煉油過程和輔助設(shè)備兩大部分組成，經(jīng)過多個物理及化學(xué)的煉油過程將原油煉制成各種石油產(chǎn)品。

煉油生產(chǎn)裝置按生產(chǎn)目的可分為原油分離裝置、重油輕質(zhì)化裝置、油品改質(zhì)及油品精制裝置、油品調(diào)合裝置、氣體加工裝置、制氫裝置等。由于生產(chǎn)方案不同，煉油廠中所包含的煉油過程的種類和規(guī)模大小各不相同，或者說復(fù)雜程度都有所不同。一般來說，規(guī)模大的煉油廠其復(fù)雜程度更高。此外，輔助設(shè)施是維持煉油廠正常運轉(zhuǎn)和生產(chǎn)所必需的，主要的輔助設(shè)施有：供電系統(tǒng)、供水系統(tǒng)、供水蒸氣系統(tǒng)、原油和產(chǎn)品儲運系統(tǒng)、三廢處理系統(tǒng)等。這里的研究不考慮輔助設(shè)施。

煉油化工生產(chǎn)系統(tǒng)的空間尺度可定義為煉油化工生產(chǎn)系統(tǒng)空間范圍的大小。這里的空間范圍是指在一定尺度的系統(tǒng)中進(jìn)行風(fēng)險分析的范圍。根據(jù)煉油化工生產(chǎn)系統(tǒng)的規(guī)模大小，將空間尺度分為大尺度、中尺度和小尺度3種類型。

其中，大尺度主要包括生產(chǎn)裝置級及比其空間范圍更大的煉油化工生產(chǎn)系統(tǒng)。其研究區(qū)域的范圍小至單個生產(chǎn)裝置(如常減壓裝置、催化裂化裝置等)，大至整個煉油廠區(qū)。

中尺度則主要指單元級。其研究區(qū)域的范圍為生產(chǎn)裝置中的某一單元。

傳統(tǒng)分析中，單元的定義為整體中自為一組或自成系統(tǒng)的獨立單位。在安全生產(chǎn)風(fēng)險管理中，為了保證風(fēng)險辨識的科學(xué)性、系統(tǒng)性、合理性和可操作性而將研究對象整體按照某種規(guī)則劃分為相對獨立的部分。因此，這里的單元是指將某個生產(chǎn)裝置按照其生產(chǎn)功能劃分的各個相對獨立的部分。如催化裂化裝置可劃分為反應(yīng)再生單元、分餾單元、吸收穩(wěn)定單元等。

小尺度主要是指設(shè)備級，其研究區(qū)域的范圍為某一過程設(shè)備，這里的設(shè)備包括各種塔器、反應(yīng)器、換熱器、各類儲罐等，如提升管反應(yīng)器、分餾塔、回?zé)捰凸薜取?/p>

具體的尺度劃分如表1所示。

表1　煉油化工生產(chǎn)系統(tǒng)空間尺度劃分Table 1　Spatial scale division of refinery production system

2.2　多尺度風(fēng)險表征指標(biāo)辨識

隨著煉油化工過程工藝、技術(shù)的提高和裝置大型化發(fā)展，保證過程的安全、平穩(wěn)、長周期運行成為煉油化工企業(yè)日常管理的重點，也是實現(xiàn)煉油企業(yè)效益最大化的有效途徑。因此，為避免發(fā)生各類非計劃停車、泄漏、火災(zāi)、爆炸等事故，需對煉油化工過程風(fēng)險及其風(fēng)險表征指標(biāo)進(jìn)行辨識研究，以便準(zhǔn)確、及時的對煉油化工過程風(fēng)險進(jìn)行狀態(tài)監(jiān)測及報警根源診斷，有效抑制異常擾動的進(jìn)一步傳播。

通過統(tǒng)計現(xiàn)場煉油化工過程采集的監(jiān)控變量數(shù)據(jù)，可根據(jù)某一風(fēng)險發(fā)展過程中一段時間內(nèi)各變量的報警數(shù)量及其擾動變化趨勢，辨識不同尺度下與風(fēng)險發(fā)展密切相關(guān)的監(jiān)控變量作為過程風(fēng)險表征指標(biāo)。這里的多尺度風(fēng)險表征指標(biāo)辨識方法主要包括如下兩個步驟：

(1)統(tǒng)計某煉油化工企業(yè)近兩年事故記錄中每次某一風(fēng)險發(fā)展過程前后的一段時間內(nèi)不同尺度下各監(jiān)控變量的報警數(shù)量，因報警數(shù)的多少反映了風(fēng)險發(fā)生時對該變量的影響大小，因此，這里根據(jù)專家經(jīng)驗選取多次統(tǒng)計數(shù)據(jù)的平均報警數(shù)多于5個的變量作為待選的風(fēng)險表征指標(biāo)。

(2)因受風(fēng)險影響較大的變量必然會產(chǎn)生明顯的擾動，可根據(jù)其擾動變化趨勢的大小進(jìn)一步確定過程風(fēng)險表征指標(biāo)。這里采用最小二乘線性擬合方法對上述不同尺度下的待選風(fēng)險表征指標(biāo)在每次風(fēng)險發(fā)展過程中一段時間內(nèi)的數(shù)據(jù)進(jìn)行擬合，并以所求斜率的平均值作為該變量的擾動變化率，其絕對值的大小可近似反映變量的擾動變化趨勢，若擾動變化率的絕對值過小，說明該變量并未產(chǎn)生大的波動，即無法較好的表征風(fēng)險發(fā)展過程。因此若擾動變化率的絕對值小于某一閾值(根據(jù)專家經(jīng)驗設(shè)置)時，不使用相應(yīng)的變量作為沖塔風(fēng)險表征指標(biāo)。

其中，擾動變化率定義如下：

定義1：對于某一過程變量xi，考慮以時刻κ為中心，選擇時間間隔為[κ-m,κ+m] (時間序列長度為2m+1)的變量xi的時間序列進(jìn)行最小二乘線性擬合如式(8)，所求斜率ai的大小作為變量xi的擾動變化率。

令xig=aitg+bi,g=κ-m,…,κ,…,κ+m,i= 1,…,n，n為過程變量個數(shù)，xig為標(biāo)準(zhǔn)化后的變量xi在第g個時刻的變量值，最小二乘線性擬合公式如式(8)：

(8)

對變量xi的標(biāo)準(zhǔn)化公式如式(9)：

(9)

通過上述步驟，即可確定不同尺度下的過程風(fēng)險表征指標(biāo)。

2.3　因果圖的建立

采用時滯分析方法分析不同過程變量間的時滯和關(guān)聯(lián)關(guān)系，可推斷他們固有的因果關(guān)系，該方法適用于運行相對平穩(wěn)的化工過程[9]。時滯分析的基本假設(shè)是最先引起擾動產(chǎn)生的變量是將風(fēng)險引入整個過程的根原因。擾動變量不同于異常報警變量。最早出現(xiàn)的報警變量是在故障影響下最先超出預(yù)設(shè)操作范圍的變量，但它不一定是最早的擾動，也不一定是引發(fā)報警的根本原因。因此，當(dāng)報警出現(xiàn)時，有必要通過分析擾動傳播路徑辨識報警根源從而消除報警。

變量間的時滯信息和因果關(guān)系可以通過時滯分析方法來獲得，從而構(gòu)造出兩個上三角矩陣。時滯矩陣反映了受擾動影響的兩變量間在時間發(fā)展上的先后關(guān)系。其中元素的正負(fù)反映變量間的因果關(guān)系。最初受到擾動的變量是后續(xù)變量發(fā)生擾動的原因。關(guān)聯(lián)系數(shù)矩陣中元素的正負(fù)反映了變量間的正負(fù)相關(guān)關(guān)系。時滯矩陣L和關(guān)聯(lián)系數(shù)矩陣P有下面的形式：

(10)

(11)

兩過程變量間時滯λi,j和關(guān)聯(lián)系數(shù)記ρi,j分別由式(3)及式(4)求得，并根據(jù)式(6)計算兩變量的方向性指數(shù)ψi,j，根據(jù)式(5)計算關(guān)聯(lián)顯著性閾值ρth(N)，通過式(7)計算方向性指數(shù)閾值σψ(N)，若|ρi,j|<ρth(N)或ψi,j<σψ(N)，ρi,j和λi,j在式(10)和式(11)中將設(shè)為0。

基于這些特征，通過時滯分析建立過程擾動傳播因果圖，如圖1所示。因果圖由有向弧和代表過程變量xi(i=1,2,…6) 的節(jié)點組成。若λi,j>0，有向弧由xi指向xj，即由上級原因變量指向下級結(jié)果變量，反之，則傳播方向相反。虛線弧表示兩變量負(fù)相關(guān)，即ρi,j<0，實線弧表示兩變量正相關(guān)，即ρi,j>0。

圖1　擾動傳播因果圖Fig.1　Disturbance propagation causality diagramxi(i=1,2,…6) represents the ith process variable node;The dotted line indicates a negative correlation between two variables;The solid line indicates a positive correlation between two variables

但互相關(guān)函數(shù)會產(chǎn)生大量冗余時滯干擾分析結(jié)果。有時由該數(shù)據(jù)驅(qū)動方法建立的擾動傳播路徑可能與實際過程不符。因此有必要結(jié)合過程知識檢驗傳播路徑的合理性，對因果圖進(jìn)行修正。

2.4　報警根源搜索方法

當(dāng)一個報警出現(xiàn)時，報警可能不僅受到相鄰變量的影響，也受到傳播路徑中其他變量的影響。若變量值超出預(yù)設(shè)控制限，將觸發(fā)相應(yīng)報警。但是該報警不一定是最早產(chǎn)生的擾動，也不一定是系統(tǒng)異常的根本原因。在過程中的其它變量受到擾動前發(fā)生擾動的變量，受到故障的影響最為直接，故障通過該變量在過程中不斷傳播進(jìn)而影響其他變量導(dǎo)致報警的產(chǎn)生。因此找出最初擾動、確定報警的根本原因，操作人員可迅速采取有效措施處理報警。這里提出一種報警根源搜索方法，包括如下4個步驟：

步驟1：相同的報警可能由不同傳播路徑中產(chǎn)生的擾動引起。為了辨識報警的根本原因，當(dāng)一個變量xj發(fā)生報警時，將其作為下級變量，根據(jù)2.3節(jié)所提方法建立因果圖，據(jù)此搜索與該變量直接相連的所有上級變量xi(i=1，2，…，I，I為上級變量個數(shù))，例如，圖1中的x3報警，可搜索到其2個上級變量x2和x5。

步驟2：若變量xj在κ時刻發(fā)生報警，通過式(8)和式(9)計算xj各相關(guān)上級變量xi的擾動變化率ai，其值大小可近似反映下級變量受各相關(guān)上級變量擾動的影響大小。

步驟3：比較各相關(guān)上級變量的擾動變化率ai的絕對值大小，將ai絕對值最大值對應(yīng)的上級變量作為其上級原因變量。上級變量的擾動變化率ai的絕對值越大，其對下級變量的影響越大，因此，通過ai絕對值的大小可以比較下級變量受各相關(guān)上級變量擾動的影響大小，將ai絕對值的最大值對應(yīng)的上級變量作為其上級原因變量。若所求擾動變化率的絕對值過小，說明該變量的時間序列數(shù)據(jù)趨于平穩(wěn)，并未產(chǎn)生大的擾動傳播至下級變量，因此，根據(jù)專家經(jīng)驗及歷史數(shù)據(jù)統(tǒng)計，若ai的絕對值小于閾值C，將不考慮該上級變量。

步驟4：重復(fù)步驟2和步驟3，將搜索到的最后一個上級變量作為報警的根本原因。這里有必要確定ai所對應(yīng)的上級變量變化趨勢是否與變量間的正負(fù)相關(guān)關(guān)系一致。也就是說，若兩變量負(fù)相關(guān)，一個變量的變化率為正，另一個應(yīng)該為負(fù)；若兩變量正相關(guān)，一個變量的變化率為正，另一個也應(yīng)該為正。因此，若對應(yīng)于ai的上級變量變化趨勢與他們之間的正負(fù)相關(guān)關(guān)系一致，擾動可能由該上級變量向下級變量傳播；若不一致，根據(jù)ai值的大小依次考慮其他上級變量是否滿足要求，并重復(fù)步驟2和步驟3，將搜索到的最后一個上級變量作為報警的根本原因。

3　煉油化工過程報警根源分析方法步驟

煉油化工過程報警根源分析方法流程圖如圖2所示，具體方法步驟如下：

步驟1：對煉油化工生產(chǎn)系統(tǒng)的空間尺度進(jìn)行劃分，劃分標(biāo)準(zhǔn)見2.1節(jié)；

步驟2：采用2.2節(jié)所提方法辨識不同尺度下與風(fēng)險發(fā)展密切相關(guān)的監(jiān)控變量作為過程風(fēng)險表征指標(biāo)；

步驟3：采用時滯分析方法建立過程風(fēng)險擾動傳播因果圖，并結(jié)合過程知識檢驗傳播路徑的合理性，對因果圖進(jìn)行修正，具體方法見2.3節(jié)；

步驟4：當(dāng)某一過程變量發(fā)生報警時，采用所提報警根源搜索方法辨識報警的根本原因，具體方法見2.4節(jié)。

圖2　煉油化工過程報警根源分析方法流程圖Fig.2　Diagram of alarm root cause analysis in refinery process

4　案例分析

催化裂化裝置是將重質(zhì)油轉(zhuǎn)化為輕質(zhì)油的關(guān)鍵裝置，其運行狀態(tài)不僅關(guān)系到整個廠區(qū)的安全，同時也決定了產(chǎn)品的收率。由于催化裂化裝置是煉油廠最主要和最關(guān)鍵的裝置，保持其安全平穩(wěn)長周期運行是提高催化裂化裝置的經(jīng)濟(jì)效益、避免各類非計劃停車、泄漏、火災(zāi)、爆炸等事故的關(guān)鍵所在。從催化裂化裝置運行情況來看，隨著摻渣比的提高，原料重質(zhì)化，劣質(zhì)化，反應(yīng)再生系統(tǒng)、分餾系統(tǒng)結(jié)焦、分餾塔沖塔、催化劑跑損、膨脹節(jié)開裂、油漿泵磨損、儀表故障以及人為操作事故等都是導(dǎo)致催化裂化裝置無法安全平穩(wěn)運行的主要因素。分餾單元是催化裂化生產(chǎn)裝置的一部分，分餾過程運行相對平穩(wěn)，是一個非常復(fù)雜的物理變化過程。自反應(yīng)器頂部來的高溫油氣進(jìn)入分餾塔人字擋板底部，與人字擋板頂部返回的的循環(huán)油漿逆流接觸，油氣自下而上被冷卻洗滌，經(jīng)分餾后得到的富氣、粗汽油、輕循環(huán)油、重循環(huán)油及油漿。沖塔故障是分餾過程中經(jīng)常發(fā)生的現(xiàn)象之一。當(dāng)汽液相負(fù)荷過大時，氣體通過塔板的壓降增大，會使降液管中液面高度增加，液相負(fù)荷增加時，出口堰上液面高度增加，當(dāng)液體充滿整個降液管時，上下塔板液體連成一片，分餾完全破壞，導(dǎo)致沖塔的發(fā)生，嚴(yán)重影響產(chǎn)品質(zhì)量。造成分餾塔沖塔的原因有很多，如塔盤掀翻或損壞；塔盤有臟物堵塞浮閥或升氣孔；有臟物沉淀在塔板上，使溢流堰過低，液層過薄；塔盤結(jié)鹽；換熱器故障，取熱不能滿足，導(dǎo)致回流溫度高引起沖塔；各種機(jī)泵故障，如一中回流泵、回?zé)捰捅?、頂循泵等故障，機(jī)泵故障由帶水會不上量(即泵抽空)及各種設(shè)備自身問題引起，包括腐蝕、磨損、機(jī)封泄漏、入口有雜物損壞葉輪、電機(jī)故障等。為了保證產(chǎn)品質(zhì)量，避免沖塔故障的發(fā)生，這里對分餾塔沖塔風(fēng)險過程報警根源分析進(jìn)行多尺度建模研究，并對不同尺度下的模型進(jìn)行應(yīng)用對比分析，從而選擇合適的尺度進(jìn)行建模以保證過程風(fēng)險報警根源分析的準(zhǔn)確性。

4.1　尺度劃分及多尺度沖塔風(fēng)險表征指標(biāo)辨識

就分餾塔沖塔風(fēng)險而言，可主要從分餾塔本身及整個分餾單元兩個尺度進(jìn)行考慮，即設(shè)備級小尺度和單元級中尺度兩個尺度。

分餾單元本身屬中尺度研究范圍，其研究區(qū)域為催化裂化生產(chǎn)裝置中的分餾單元如圖3所示，主要包括分餾塔、分餾塔頂油氣分離器、回?zé)捰凸蕖⒃嫌途彌_罐、輕柴油汽提塔及油漿外甩器。對分餾單元的沖塔風(fēng)險表征指標(biāo)進(jìn)行辨識，某石油化工企業(yè)催化裂化分餾單元的主要監(jiān)控變量如表2所示。

表2　分餾單元主要監(jiān)控變量Table 2　Main monitoring variables of fractional distillation unit

通過統(tǒng)計某石油化工企業(yè)現(xiàn)場催化裂化過程采集的監(jiān)控變量數(shù)據(jù)(采樣間隔為5 s)，可根據(jù)分餾塔沖塔風(fēng)險發(fā)展過程中一段時間內(nèi)各變量的報警數(shù)量及其擾動變化趨勢，辨識不同尺度下與風(fēng)險發(fā)展密切相關(guān)的監(jiān)控變量，作為過程風(fēng)險表征指標(biāo)。

統(tǒng)計該企業(yè)近2年事故記錄中每次分餾塔風(fēng)險發(fā)展過程前、后的10 min內(nèi)不同尺度下各監(jiān)控變量的報警數(shù)量，如表3所示，因報警數(shù)的多少反映了風(fēng)險發(fā)生時對該變量的影響大小，因此，這里根據(jù)專家經(jīng)驗選取多次統(tǒng)計數(shù)據(jù)的平均報警數(shù)多于5個的變量作為待選的風(fēng)險表征指標(biāo)，如表3所示。

圖3　催化裂化分餾單元Fig.3　Fractional distillation unit

表3　待選風(fēng)險表征指標(biāo)Table 3　Possible risk indicators

因受風(fēng)險影響較大的變量必然會產(chǎn)生明顯的擾動，可根據(jù)其擾動變化趨勢的大小進(jìn)一步確定過程風(fēng)險表征指標(biāo)。這里采用最小二乘線性擬合方法對上述不同尺度下的待選風(fēng)險表征指標(biāo)在每次風(fēng)險發(fā)展過程中前、后10 min內(nèi)(采樣間隔為5 s)的數(shù)據(jù)進(jìn)行擬合，并以所求斜率絕對值的平均值作為該變量的擾動變化率(計算如式(8))，如表3所示，其大小可近似反映變量的擾動變化趨勢，若擾動變化率過小，說明該變量并未產(chǎn)生大的波動，即無法較好的表征風(fēng)險發(fā)展過程。因此若擾動變化率小于某一閾值(這里根據(jù)專家經(jīng)驗設(shè)為1.5×10-3)時，不使用相應(yīng)的變量作為沖塔風(fēng)險表征指標(biāo)。

通過上述步驟，即可確定單元級中尺度下的沖塔風(fēng)險表征指標(biāo)，如表4所示。

表4　小尺度及中尺度沖塔風(fēng)險表征指標(biāo)Table 4　Risk indicators of small scale and mesoscale

分餾塔本身屬小尺度研究范圍，若僅從小尺度考慮時，沖塔風(fēng)險表征指標(biāo)包括表4中的分餾塔頂壓力、分餾塔塔底液位、分餾塔塔頂溫度、分餾塔塔底攪拌蒸汽流量、分餾塔底溫度、人字擋板上溫度、重柴油側(cè)線餾出口溫度及輕柴油側(cè)線餾出口溫度。

4.2　分餾塔沖塔風(fēng)險因果圖的建立

表4列出了小尺度及中尺度的沖塔風(fēng)險表征指標(biāo)，基于互相關(guān)函數(shù)計算并結(jié)合過程知識建立沖塔風(fēng)險因果圖。

4.2.1中尺度沖塔風(fēng)險因果圖的建立

首先，通過式(1)計算過程風(fēng)險表征變量間考慮時延性的關(guān)聯(lián)函數(shù)值，并通過式(2)和式(3)得到過程變量間時滯以確定風(fēng)險傳播方向。通過式(4)可確定兩變量間的時延關(guān)聯(lián)系數(shù)，如果關(guān)聯(lián)系數(shù)沒有通過顯著性檢驗式(5)，兩變量間的關(guān)聯(lián)性將沒有意義。此外，通過式(6)式(7)進(jìn)一步確定兩變量因果關(guān)系的顯著性，從而構(gòu)造出時滯矩陣L和關(guān)聯(lián)系數(shù)矩陣P：

過程變量個數(shù)n為18，時間序列長度N為300?；跁r滯矩陣L和關(guān)聯(lián)系數(shù)矩陣P，建立沖塔風(fēng)險過程擾動傳播因果圖，并結(jié)合過程知識檢驗傳播路徑的合理性，對因果圖進(jìn)行修正，結(jié)果如圖4 所示。

圖4　中尺度沖塔風(fēng)險過程擾動傳播因果圖Fig.4　Cause and effect diagram of risk disturbancepropagation in mesoscalexi(i=1,2,…18) represents the ith process variable node corresponding to the risk indicators of mesoscale in Table 4 respectively The dotted lines indicate a negative correlation between two variables;The solid lines indicate a positive correlation between two variables

4.2.2小尺度沖塔風(fēng)險因果圖的建立

根據(jù)設(shè)備級小尺度的沖塔風(fēng)險表征指標(biāo)，如表4 所示，同理，基于互相關(guān)函數(shù)計算并結(jié)合過程知識建立小尺度沖塔風(fēng)險過程擾動傳播因果圖，如圖5所示。

圖5　小尺度沖塔風(fēng)險過程擾動傳播因果圖Fig.5　Cause and effect diagram of riskdisturbance propagation in small scalexi represents the ith process variable node corresponding to the risk indicators of small scale in Table 4 respectively The dotted lines indicate a negative correlation between two variables;The solid lines indicate a positive correlation between two variables

4.3　分餾塔沖塔風(fēng)險報警根源搜索

以發(fā)生在某石油化工企業(yè)的分餾塔沖塔事件為例，采用所提報警根源搜索方法進(jìn)行分析。2016年7月24日，某石油化工企業(yè)催化裂化分餾塔發(fā)生沖塔，經(jīng)現(xiàn)場人員調(diào)查分析，沖塔發(fā)生原因為一中回流泵故障，引起一中回流量過低，使得分餾塔塔頂溫度升高，重柴油側(cè)線餾出口溫度升高，從而引起塔底液位發(fā)生低報警。

4.3.1中尺度沖塔風(fēng)險報警根源搜索

下面首先基于單元級中尺度的沖塔風(fēng)險過程擾動傳播因果圖，進(jìn)行報警根源搜索分析，如圖6所示。

圖6　中尺度沖塔風(fēng)險過程報警根源搜索圖Fig.6　The searching map for alarm root cause ofthe risk process in mesoscalexi(i=1,2,…18) represents the ith process variable node corresponding to the risk indicators of mesoscale in Table 4 respectively The dotted lines indicate a negative correlation between two variables;The solid lines indicate a positive correlation between two variables

步驟1：因分餾塔塔底液位(x7)發(fā)生報警，所以將其作為下級變量，根據(jù)因果圖搜索與其直接相連的所有上級變量包括油漿下返塔流量(x6)、油漿上返塔流量(x3)、重柴油側(cè)線餾出口溫度(x5)和分餾塔塔頂溫度(x16)。

步驟2：根據(jù)式(8)可得這些上級變量的擾動變化率如表5所示。

步驟3：通過比較各相關(guān)上級變量的擾動變化率

的絕對值，其最大值為3.5×10-3，對應(yīng)x16，大于閾值C(這里根據(jù)專家經(jīng)驗設(shè)為1.5×10-3)，將上級變量x16作為其可能的上級原因變量。

步驟4：進(jìn)一步確定該上級變量x16的變化趨勢是否與兩變量x7和x16間的正負(fù)相關(guān)關(guān)系一致。從圖中可辨識出x7與x16負(fù)相關(guān)，因分餾塔塔底液位(x7)降低發(fā)生低報警，且所求x16的變化率為正，即分餾塔塔頂溫度升高，與兩變量間的正負(fù)相關(guān)關(guān)系一致，因此將上級變量分餾塔塔頂溫度(x16)作為上級原因變量。繼續(xù)搜索x16的上級變量包括一中回流量(x9)、分餾塔頂壓力(x14)、分餾塔頂循環(huán)油流量(x12)和分餾塔塔底攪拌蒸汽流量(x4)，根據(jù)式(8)可得這些上級變量的擾動變化率如表5所示，通過比較各相關(guān)上級變量的擾動變化率的絕對值，其最大值為3.3×10-3，對應(yīng)x9，大于閾值C=1.5×10-3，因x16與x9負(fù)相關(guān)，所求x9的變化率為負(fù)，x16的變化率為正，與變量間的正負(fù)相關(guān)關(guān)系一致，因此將上級變量一中回流量(x9)作為上級原因變量，因x9無上級變量，所以一中回流量過低即為報警的根本原因，而一中回流量過低是由一中回流泵故障引起，該結(jié)論與現(xiàn)場人員調(diào)查分析所得的沖塔發(fā)生原因一中回流泵故障一致。

表5　各上級變量的擾動變化率Table 5　The disturbance rate of each parent variable

4.3.2小尺度沖塔風(fēng)險報警根源搜索

下面基于設(shè)備級小尺度的沖塔風(fēng)險過程擾動傳播因果圖，進(jìn)行報警根源搜索分析，如圖7所示。

步驟1：因分餾塔塔底液位(x7)發(fā)生報警，所以將其作為下級變量，根據(jù)因果圖搜索與其直接相連的所有上級變量包括重柴油側(cè)線餾出口溫度(x5)和分餾塔塔頂溫度(x16)。

步驟2：根據(jù)式(8)可得這些上級變量的擾動變化率如表6所示：

步驟3：通過比較各相關(guān)上級變量的擾動變化率的絕對值，其最大值為3.5×10-3，對應(yīng)x16，大于閾值C=1.5×10-3，將上級變量x16作為其可能的上級原因變量。

圖7　小尺度沖塔風(fēng)險過程擾動傳播因果圖Fig.7　The searching map for alarm root cause ofthe risk process in small scalexi represents the ith process variable node corresponding to the risk indicators of small scale in Table 4 respectively The dotted lines indicate a negative correlation between two variables;The solid lines indicate a positive correlation between two variables

表6　各上級變量的擾動變化率Table 6　The disturbance rate of each parent variable

步驟4：從圖中可辨識出x7與x16負(fù)相關(guān)，因分餾塔塔底液位(x7)降低發(fā)生低報警，且所求x16的變化率為正，即分餾塔塔頂溫度升高，與變量間的正負(fù)相關(guān)關(guān)系一致，因此將上級變量分餾塔塔頂溫度(x16)作為上級原因變量，繼續(xù)搜索x16的上級變量包括分餾塔頂壓力(x14)和分餾塔塔底攪拌蒸汽流量(x4)，根據(jù)式(8)可得這些上級變量的擾動變化率如表6所示，通過比較各相關(guān)上級變量的擾動變化率的絕對值，其最大值為1.4，小于閾值C=1.5×10-3，因此該最大值對應(yīng)的上級變量分餾塔塔底攪拌蒸汽流量(x4)不再被考慮，搜索終止，所以分餾塔塔頂溫度(x16)過高即為報警的根本原因，該結(jié)論與現(xiàn)場人員調(diào)查分析所得的沖塔發(fā)生原因一中回流泵故障并不一致，即從設(shè)備級小尺度上進(jìn)行分析并未辨識出引發(fā)報警的根本原因。

5　結(jié)　論

通過對煉油化工生產(chǎn)系統(tǒng)的空間尺度進(jìn)行劃分，采用多尺度建模的方法，針對分餾塔沖塔風(fēng)險過程，分析其不同尺度下的過程風(fēng)險表征指標(biāo)，建立多尺度下的沖塔風(fēng)險報警根源分析模型，并對不同尺度下的模型進(jìn)行應(yīng)用對比分析，從而選擇合適的尺度進(jìn)行建模，保證煉油化工過程報警根源分析的準(zhǔn)確性。

對于過程風(fēng)險報警根源分析而言，需對整個風(fēng)險單元進(jìn)行分析，僅考慮與風(fēng)險直接相關(guān)的設(shè)備可能遺漏某些重要原因變量，以致無法推繹出引發(fā)報警的擾動根源。

對于煉油化工過程風(fēng)險狀態(tài)監(jiān)測及故障診斷而言，選擇合適的尺度進(jìn)行建模分析，同樣有助于保證過程風(fēng)險狀態(tài)監(jiān)測及故障診斷的準(zhǔn)確性。

對于存在反饋控制的復(fù)雜過程，可能會出現(xiàn)閉環(huán)問題，未來將進(jìn)一步研究存在閉環(huán)問題的煉油化工過程報警根源分析。

[1] DAHLSTRAND F. Consequence analysis theory for alarm analysis[J]. Knowledge-Based Systems, 2002, 15(1): 27-36.

[2] WAN Y, YANG F, Lü N, et al. Statistical root cause analysis of novel faults based on digraph models[J]. Chemical Engineering Research and Design, 2013, 91(1): 87-99.

[3] YANG F, SIRISH L S, XIAO D. 2010 Conference on Control and Fault-Tolerant Systems (SysTol)[C]//France：IEEE, 2010： 387-392.

[4] MAURYA M R, RENGASWAMY R, VENKATASUBRAMANIAN V. A systematic framework for the development and analysis of signed digraphs for chemical processes 1 Algorithms and analysis[J]. Industrial & Engineering Chemistry Research, 2003, 42(20): 4789-4810.

[5] MAURYA M R, RENGASWAMY R, VENKATASUBRAMANIAN V. A systematic framework for the development and analysis of signed digraphs for chemical processes 2 Control loops and flow sheet analysis[J]. Industrial & Engineering Chemistry Research, 2003, 42(20): 4811-4827.

[6] 李安峰， 夏濤， 張貝克， 等. 化工過程SDG建模方法[J].系統(tǒng)仿真學(xué)報， 2003, 15(10): 1364-1368. (LI Anfeng, XIA Tao, ZHANG Beike, et al. SDG modeling approach for chemical engineering process[J]. Journal of System Simulation, 2003, 15(10): 1364-1368.)

[7] 王偉， 于達(dá)仁， 趙輝， 等. 基于符號有向圖模型的故障診斷方法[J].動力工程學(xué)報， 2007, 27(5): 736-741. (WANG Wei, YU Daren, ZHAO Hui, et al. Fault diagnosis method based on sign directed graph models[J]. Journal of Power Engineering, 2007, 27(5): 736-741.)

[8] 朱群雄， 高慧慧， 劉菲菲， 等. 過程工業(yè)報警系統(tǒng)研究進(jìn)展[J].計算機(jī)與應(yīng)用化學(xué)， 2014, 31(2): 129-134. (ZHU Qunxiong, GAO Huihui, LIU Feifei, et al. Research progress of alarm systems in the process industries[J]. Computers and Applied Chemistry, 2014, 31(2): 129-134.)

[9] BAUER M, THORNHILL N F. A practical method for identifying the propagation path of plant-wide disturbances[J].Journal of Process Control, 2008, 18(7): 707-719.

[10] DUAN P, YANG F, CHEN T, et al. American Control Conference (ACC)[C]//Canada： IEEE, 2012： 3522-3527.

[11] BAUER M, COX J W, CAVENESS M H, et al. Finding the direction of disturbance propagation in a chemical process using transfer entropy[J].IEEE Transactions on Control Systems Technology, 2007, 15(1): 12-21.

[12] ABELE L, ANIC M, GUTMANN T, et al. Combining knowledge modeling and machine learning for alarm root cause analysis[J].IFAC Proceedings Volumes, 2013, 46(9): 1843-1848.

[13] HAN L, GAO H, XU Y, et al. Combining FAP, MAP and correlation analysis for multivariate alarm thresholds optimization in industrial process[J].Journal of Loss Prevention in the Process Industries, 2016, 40: 471-478.

[14] GAO J, TULSYAN A, YANG F, et al. A transfer entropy method to quantify causality in stochastic nonlinear systems[J].IFAC Proceedings Volumes, 2016, 49(7): 454-459.

[15] GAO H, XU Y, GU X, et al. Systematic rationalization approach for multivariate correlated alarms based on interpretive structural modeling and Likert scale[J].Chinese Journal of Chemical Engineering, 2015, 23(12): 1987-1996.

[16] PENG D, GU X, XU Y, et al. Integrating probabilistic signed digraph and reliability analysis for alarm signal optimization in chemical plant[J].Journal of Loss Prevention in the Process Industries, 2015, 33: 279-288.