述統(tǒng)計量指標值對應(yīng)的狀態(tài)信息為報警信息。
[0054] 第三種方法為：采用貢獻圖的方法計算出化工裝備運行系統(tǒng)的各相關(guān)變量的貢獻 率，根據(jù)所述貢獻率分離出報警原因變量，并根據(jù)報警原因變量的歷史變化范圍判斷對應(yīng) 的所述工藝偏差為偏高或偏低。
[0055] 步驟103):對所述報警信息進行故障診斷和溯源，獲得故障發(fā)生的原因以及相應(yīng) 地補救措施。
[0056] 在步驟101中，涉及到危險與可操作性分析，在危險與可操作性分析報告的基礎(chǔ) 上分析參數(shù)偏差的直接原因并提出相應(yīng)的建議措施。其中，具體步驟包括：
[0057] 建立危險與可操作性分析知識庫，提供危險與可操作性分析的查詢、添加、修改、 刪除和導出等功能；
[0058] 在報警發(fā)生后查詢危險與可操作性分析知識庫，為現(xiàn)場工作人員提供報警發(fā)生的 可能原因、后果以及相應(yīng)的安全措施等信息。
[0059] 在故障診斷的基礎(chǔ)上進一步進行深度故障溯源分析，找出故障發(fā)生的根原因。具 體包括：
[0060] 針對當前報警信息建立故障傳播模型，模型中得到各種故障路徑并計算相關(guān)根本 原因發(fā)生的概率，以提供最可能根原因、故障傳播下級節(jié)點參數(shù)的信息。
[0061] 為現(xiàn)場人員提供簡要的故障根本原因信息和解決根本原因的應(yīng)對措施。
[0062] 進一步地，本發(fā)明提出了一種化工裝備長周期運行安全風險雷達監(jiān)測方法之二。 如圖2所示，在圖1的基礎(chǔ)上，還包括：
[0063] 步驟104):所述實時狀態(tài)數(shù)據(jù)通過支持向量機參數(shù)預測模型，預測化工過程潛在 風險和變化趨勢；其中，所述支持向量機參數(shù)預測模型是通過已知化工裝備運行過程的狀 態(tài)數(shù)據(jù)建立訓練數(shù)據(jù)集，進行支持向量機學習建立的。
[0064] 為了進一步監(jiān)測化工過程潛在風險與變化趨勢，可繼續(xù)執(zhí)行上述步驟104,利用歷 史數(shù)據(jù)建立訓練數(shù)據(jù)集，進行支持向量機學習，建立支持向量機參數(shù)預測模型，實時預測未 來5min的參數(shù)值，監(jiān)測化工過程潛在風險與變化趨勢，合理規(guī)避不利風險事件。
[0065] 對應(yīng)地，為實現(xiàn)上述目的，本發(fā)明提供了一種化工裝備長周期運行安全風險雷達 監(jiān)測裝置之一，如圖4所示。包括：
[0066] 數(shù)據(jù)采集單元401，用于獲取化工裝備運行的實時狀態(tài)數(shù)據(jù)，對化工裝備中的各 系統(tǒng)進行危險與可操作性分析，確定工藝偏差，并從所述實時狀態(tài)數(shù)據(jù)中篩選出待監(jiān)測數(shù) 據(jù)；
[0067] 故障識別單元402,用于對所述待監(jiān)測數(shù)據(jù)進行故障識別，獲得報警信息；
[0068] 診斷溯源單元403,用于對所述報警信息進行故障診斷和溯源，獲得故障發(fā)生的原 因以及相應(yīng)地補救措施。
[0069] 進一步地，如圖5所示，為本發(fā)明提出了一種化工裝備長周期運行安全風險雷達 監(jiān)測裝置框圖之二。在圖4的基礎(chǔ)上，還包括：
[0070] 預測單元404,用于所述實時狀態(tài)數(shù)據(jù)通過支持向量機參數(shù)預測模型，預測化工過 程潛在風險和變化趨勢；其中，所述支持向量機參數(shù)預測模型是通過已知化工裝備運行過 程的狀態(tài)數(shù)據(jù)建立訓練數(shù)據(jù)集，進行支持向量機學習建立的。
[0071] 本技術(shù)方案通過對化工過程各系統(tǒng)中存在的異常工況進行危險與可操作性分析， 篩選出所需數(shù)據(jù)進行離群點監(jiān)測及早期預警，通過故障診斷-溯源模塊，找出故障發(fā)生的 根原因，并建立預測模型，實時追蹤，進行在線預測，為企業(yè)和公眾提供有效可信的信息，幫 助其合理規(guī)避不利風險事件，
[0072] 下面將結(jié)合一個具體實施例對上述化工過程異常工況風險雷達監(jiān)測方法進行說 明，然而值得注意的是，該具體實施例僅是為了更好地說明本發(fā)明，并不構(gòu)成對本發(fā)明的不 當限定。
[0073] 在本例中，以化工過程催化裂化分餾系統(tǒng)為研究對象，結(jié)合企業(yè)DCS系統(tǒng)和MES系 統(tǒng)，采用0PC技術(shù)，開展數(shù)據(jù)采集拓撲結(jié)構(gòu)以及與物聯(lián)網(wǎng)絡(luò)接口研究，獲取裝置運行的實時 狀態(tài)數(shù)據(jù)，并將數(shù)據(jù)實時存儲到SQL數(shù)據(jù)庫中。
[0074] 通過對分餾系統(tǒng)進行危險與可操作性分析，找出各分析節(jié)點，確定工藝偏差，從而 篩選出所需要的數(shù)據(jù)進行監(jiān)測，進行化工過程異常工況的故障診斷。具體分析步驟如下：
[0075] 通過危險與可操作性分析篩選出所需要的監(jiān)測數(shù)據(jù)之后，采用數(shù)據(jù)挖掘技術(shù)PCA 方法，對獲取到的歷史數(shù)據(jù)進行訓練，計算綜合指標控制限及當前參數(shù)的綜合指標，整個計 算過程通過C#平臺實現(xiàn)，得出T2控制限值為15. 7203,Q控制限值為4. 3668,通過將當前參 數(shù)的綜合指標與控制限比較判斷是否出現(xiàn)異常工況，從而實現(xiàn)超限報警，通過實時監(jiān)測，該 方法的準確率為100%，部分監(jiān)測結(jié)果如表1。
[0076]表1
[0077]
[0078] 識別出報警信息之后，進行故障診斷和溯源，在危險與可操作性分析報告的基礎(chǔ) 上分析參數(shù)偏差的直接原因并提出相應(yīng)的建議措施。在故障診斷的基礎(chǔ)上進一步進行深度 故障溯源分析，找出故障發(fā)生的根原因。
[0079] 如圖6所示，為本實施例故障溯源結(jié)果顯示界面示意圖。因FIC3201參數(shù)偏高，所 以FIC3201偏高即為根原因變量，故障傳播下級節(jié)點參數(shù)為TIC1201，圖中分別給出了報警 信息、故障溯源預測路徑、預測的后果及相應(yīng)的建議措施，為現(xiàn)場人員提供簡要的故障根原 因信息和解決根原因的應(yīng)對措施。
[0080] 為了進一步監(jiān)測化工過程潛在風險與變化趨勢，利用歷史數(shù)據(jù)建立訓練數(shù)據(jù)集， 進行支持向量機學習，建立支持向量機參數(shù)預測模型，參數(shù)預測界面如圖7所示，實時預測 未來5min的參數(shù)值，本例中預測了故障傳播下級節(jié)點回煉油罐液位TIC1201，實際值與預 測值對比如表2。
[0081] 表 2
[0082]
[0083]
[0084] 通過對比可以求出平均誤差率僅為0. 006%，通過支持向量機預測可有效監(jiān)控化 工過程潛在風險與變化趨勢，合理規(guī)避不利風險事件。
[0085] 基于上述的診斷結(jié)果，將相同的故障數(shù)據(jù)使用人工神經(jīng)網(wǎng)絡(luò)的方法進行故障診 斷，診斷結(jié)果對比如下表3所示：
[0086] 表3
[0087]
[0088] 由上述表3可以看出，采用該風險雷達異常工況監(jiān)測方法可以準確地診斷出異常 工況并準確預測其變化趨勢，提高了化工過程異常工況診斷的成功率，充分說明了化工過 程異常工況風險雷達監(jiān)測方法用于化工過程故障診斷的可行性。
[0089] 以上所述的【具體實施方式】，對本發(fā)明的目的、技術(shù)方案和有益效果進行了進一步 詳細說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的【具體實施方式】而已，并不用于限定本發(fā)明 的保護范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應(yīng)包含 在本發(fā)明的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種化工裝備長周期運行安全風險雷達監(jiān)測方法，其特征在于，包括： 獲取化工裝備運行的實時狀態(tài)數(shù)據(jù)，對化工裝備的各系統(tǒng)進行危險與可操作性分析， 確定工藝偏差，并從所述實時狀態(tài)數(shù)據(jù)中篩選出待監(jiān)測數(shù)據(jù)； 對所述待監(jiān)測數(shù)據(jù)進行故障識別，獲得報警信息； 對所述報警信息進行故障診斷和溯源，獲得故障發(fā)生的原因以及相應(yīng)地補救措施。2. 如權(quán)利要求1所述的方法，其特征在于，還包括： 所述實時狀態(tài)數(shù)據(jù)通過支持向量機參數(shù)預測模型，預測化工過程潛在風險和變化趨 勢；其中，所述支持向量機參數(shù)預測模型是通過已知化工裝備運行過程的狀態(tài)數(shù)據(jù)建立訓 練數(shù)據(jù)集，進行支持向量機學習建立的。3. 如權(quán)利要求1或2所述的方法，其特征在于，所述故障識別的步驟包括： 對所述待監(jiān)測數(shù)據(jù)的狀態(tài)值和閾值進行實時比對，實現(xiàn)閾值報警。4. 如權(quán)利要求1或2所述的方法，其特征在于，所述故障識別的步驟包括： 采用動態(tài)主成分分析方法，基于正?；ぱb備運行工況下的訓練模型，構(gòu)建動態(tài)主成 分分析模型，求得正常工況下系統(tǒng)的控制限； 實時計算化工裝備運行系統(tǒng)的統(tǒng)計量指標值，若統(tǒng)計量指標值超出所述控制限，所述 統(tǒng)計量指標值對應(yīng)的狀態(tài)信息為報警信息。5. 如權(quán)利要求1或2所述的方法，其特征在于，所述故障識別的步驟包括： 采用貢獻圖的方法計算出化工裝備運行系統(tǒng)的各相關(guān)變量的貢獻率，根據(jù)所述貢獻率 分離出報警原因變量，并根據(jù)報警原因變量的歷史變化范圍判斷對應(yīng)的所述工藝偏差為偏 高或偏低。6. -種化工裝備長周期運行安全風險雷達監(jiān)測裝置，其特征在于，包括： 數(shù)據(jù)采集單元，用于獲取化工裝備運行的實時狀態(tài)數(shù)據(jù)，對化工裝備的各系統(tǒng)進行危 險與可操作性分析，確定工藝偏差，并從所述實時狀態(tài)數(shù)據(jù)中篩選出待監(jiān)測數(shù)據(jù)； 故障識別單元，用于對所述待監(jiān)測數(shù)據(jù)進行故障識別，獲得報警信息； 診斷溯源單元，用于對所述報警信息進行故障診斷和溯源，獲得故障發(fā)生的原因以及 相應(yīng)地補救措施。7. 如權(quán)利要求6所述的裝置，其特征在于，還包括： 預測單元，用于所述實時狀態(tài)數(shù)據(jù)通過支持向量機參數(shù)預測模型，預測化工過程潛在 風險和變化趨勢；其中，所述支持向量機參數(shù)預測模型是通過已知化工裝備運行過程的狀 態(tài)數(shù)據(jù)建立訓練數(shù)據(jù)集，進行支持向量機學習建立的。8. 如權(quán)利要求6或7所述的裝置，其特征在于，所述故障識別單元包括： 閾值識別模塊，用于對所述待監(jiān)測數(shù)據(jù)的狀態(tài)值和閾值進行實時比對，實現(xiàn)閾值報警。9. 如權(quán)利要求6或7所述的裝置，其特征在于，所述故障識別單元包括： 控制限確定模塊，用于采用動態(tài)主成分分析方法，基于正?；ぱb備運行工況下的訓 練模型，構(gòu)建動態(tài)主成分分析模型，求得正常工況下系統(tǒng)的控制限； 動態(tài)主成分識別模塊，用于實時計算化工裝備運行系統(tǒng)的統(tǒng)計量指標值，若統(tǒng)計量指 標值超出所述控制限，所述統(tǒng)計量指標值對應(yīng)的狀態(tài)信息為報警信息。10. 如權(quán)利要求6或7所述的裝置，其特征在于，所述故障識別單元包括： 貢獻圖識別模塊，用于采用貢獻圖的方法計算出化工裝備運行系統(tǒng)的各相關(guān)變量的貢 獻率，根據(jù)所述貢獻率分離出報警原因變量，并根據(jù)報警原因變量的歷史變化范圍判斷對 應(yīng)的所述工藝偏差為偏高或偏低。
【專利摘要】本發(fā)明涉及一種化工裝備長周期運行安全風險雷達監(jiān)測方法及裝置，其中，方法包括：獲取化工裝備運行的實時狀態(tài)數(shù)據(jù)，對化工裝備的各系統(tǒng)進行危險與可操作性分析，確定工藝偏差，并從所述實時狀態(tài)數(shù)據(jù)中篩選出待監(jiān)測數(shù)據(jù)；對所述待監(jiān)測數(shù)據(jù)進行故障識別，獲得報警信息；對所述報警信息進行故障診斷和溯源，獲得故障發(fā)生的原因以及相應(yīng)地補救措施。
【IPC分類】G06K9/62
【公開號】CN105389595
【申請?zhí)枴緾N201510870640
【發(fā)明人】胡瑾秋, 張來斌, 蔡爽, 張鑫
【申請人】中國石油大學(北京)
【公開日】2016年3月9日
【申請日】2015年12月2日