CN101989087A - 工业化加工渣油的在线实时故障监测与诊断的系统装置 - Google Patents

Abstract

本发明涉及一种工业化加工渣油的在线实时故障监测与诊断的系统装置，具有数据采集、数据滤波、传感器有效性分析、报警管理(工艺监测、预报警、报警统计)、设备监测、专家知识管理、故障“剧情”智能自解释与可视化显示等功能，并能提供交接班、操作日志、工作台历、工艺卡片等日常管理功能。推理引擎子系统是核心部分，包括工艺监测引擎和设备监测引擎，负责绝大部分的推理工作，主要由SDG、主元分析、模糊逻辑、数学解析模型和专家规则库构成。工艺监测模块使用各种推理算法融合的混合算法引擎，得到故障传播的相容通路，经过专家规则的过滤作用，去掉伪相容通路，得到最终诊断结果。

Description

工业化加工渣油的在线实时故障监测与诊断的系统装置

技术领域

本发明涉及一种用于延迟焦化装置工艺过程实时监测、辅助安全操作的系统。

背景技术

延迟焦化是一项用于加工渣油，特别是劣质减压渣油的成熟的炼油工艺技术。延迟焦化装置的投资低，能加工各种高硫、高沥青质的减压渣油，其原料范围甚至可以包括沥青和油砂。延迟焦化装置一直是加工劣质渣油的首选工艺装置。随着生产日趋高度集成化、复杂化、连续化，自动化程度越来越高，在延迟焦化生产装置上应用了集散控制系统(DCS，Distributed Control System)。在大大提高生产控制精度，减轻操作员的劳动强度，保证生产装置稳定运行的同时，DCS系统要求的操作条件越来越严格，向现场操作人员和工艺人员都提出了更高的要求。由于目前延迟焦化装置的DCS报警仅能给出简单的报警信息，无法提供深层次的故障原因，一旦出现传感器漂移、设备失效、工艺波动或误操作等原因导致的复杂故障，操作员难以及时准确判断，甚至可能做出错误决策，轻则影响产品质量、生产调度计划，重则会出现生产事故，造成人员伤亡和巨大的经济损失。

因此，从海量的生产数据中挖掘出有效的信息，为操作人员提供对装置运行状态准确及时的分析，防止事故的发生，是确保延迟焦化装置安全运行的重要环节。

上述过程的核心技术是对工业过程的故障诊断。目前，国际上故障诊断技术的研究主要以定性仿真、神经网络、模糊数学和数据融合等方法为主，同时结合专家系统的理论。定性仿真方法，是关于建立当系统的结构、参数和状态不完全已知条件下的数学模型(称为定性数学模型)和求取定性数学模型的近似解、行为预测或趋势展望的应用问题及方法。神经网络模拟人脑神经网络的方式来处理信息，以其非线性映射能力为工程界提供了一条有潜力的解决问题的途径；模糊理论的出现解决了不确定性问题；这些工具的成功运用，解决了传统的诊断技术不能解决的问题，给诊断领域的发展带来了新的活力。但是，在实际应用中，需要将多种诊断方法有机地结合在一起，这样可以发挥出各种诊断方法的优势，弥补单一诊断方一法的不足，因此，对于复杂的过程工业系统宜采用基于定性定量集成智能诊断策略。目前，国内外尚没有一种专门针对延迟焦化装置生产过程的侧重于过程故障诊断的安全运行指导系统公开报道。

发明内容

本发明为了解决上述技术问题，提供一种工业化加工渣油的在线实时故障监测与诊断的系统装置，基于符号有向图(SDG)与多种定量故障诊断技术，在基于SDG的高速多功能推理“引擎”基础上，开发工业化在线实时定性定量故障诊断系统，实现数据采集、数据滤波、SDG建模、模型管理、故障诊断、故障“剧情”智能自解释与可视化显示等功能。

本发明的另一个目的是，提供一种工业化加工渣油的在线实时故障监测与诊断的系统，可以准确判断深层次的故障原因，提高延迟焦化装置的安全性能。

本发明的再一个目的在于，提供一种工业化加工渣油的在线实时故障监测与诊断的系统，可去除错误信息，选择有效信息，避免操作人员面对海量数据难以作出正确的判断，防止事故的发生。

本发明的再一个目的在于，针对延迟焦化装置不同层面的用户，从工艺安全角度，满足他们的实际需求。

一种工业化加工渣油的在线实时故障监测与诊断的系统装置，采用延迟焦化装置进行炼油，并在延迟焦化装置上安装DCS系统，连接实际流程，采集来自生产现场的实时数据。在中控室配置服务器，安装并运行实时数据库和延迟焦化安全运行指导系统，其中，所述DCS系统，实时数据库服务器和安全运行指导系统通过局域网依次相连，所述安全运行指导系统通过公共网络与客户端相连接，所述延迟焦化安全运行指导系统的核心是推理引擎子系统，所述引擎子系统包括工艺监测模块和设备监测模块，负责在线故障的推理分析工作，由SDG，主元分析，模糊逻辑，数学解析模型和专家知识库构成，具有数据采集、数据滤波、传感器有效性分析、报警管理(工艺监测、预报警、报警统计)、设备监测、专家知识管理、故障“剧情”智能自解释与可视化显示等功能，并能提供交接班、操作日志、工作台历、工艺卡片等日常管理功能。

软件分别采用C/S和B/S架构实现，分为服务器端和客户端两部分，其数据传输及功能结构分别如附图1所示。其中，C/S架构侧重于整个装置的监测功能，而B/S架构由于其使用的便捷性，主要侧重于日常管理功能。

所述工艺监测模块使用定性仿真、神经网络、模糊数学和数据融合的混合推理算法引擎，得到故障传播的相容通路，经过专家知识库的过滤作用，去掉伪相容通路，得到最终诊断结果；同时，利用SDG的双向推理能力，结合风险发生的严重等级、频率等级，进行事故的后果评估；利用SDG-HAZOP的原理进行推理模型的检验与验证(V&V)，实现解决方案的提出以及方案的再论证。最后，对风险的发生概率和严重度进行计算，得出各个可能性风险的排队序列。

所述设备监测模块使用一系列精确的解析模型获取反映设备状态的关键参数。

推理引擎子系统的输出是以一定规则编辑的逻辑代码，该代码不能直接反馈到人机界面，需要专家知识库的支持。所述专家知识库包括异常工况经验库、设备知识库、物性知识库、控制系统知识库和传感器知识库，为推理引擎提供历史事故经验、设备失效知识、物性参数、常见控制器失效模式和传感器失灵模式等相关知识与规则。将在异常处理过程中得到的新知识与规则，动态加入到专家知识库中，提高其准确性和效率。推理引擎子系统得到分析结果的逻辑编码后，在专家系统知识库中去匹配相应的解释，解释的内容以自然化的语言被保存到内存数据库中，提供给客户端模块调用，辅助操作人员了解装置运行的动态。

所述系统装置可以连接实际流程、仿真流程，将二者之一作为操作对象。使用工业化实时数据库产品StrongDAS采集现场数据，以便适应对多种控制系统的连接。从现场DCS、PSSP仿真软件或Matlab仿真来的数据，首先进入StrongDAS实时数据库。实时数据库负责储存实时数据，是整个系统的数据中心，为其它各个子系统提供数据的读/写服务。

实时数据库的实时数据经过滤波后，首先进行传感器有效性分析，识别出传感器故障造成的错误信号，传感器有效性分析主要使用基于最大敏感度结构化残差(Structured Residual Approach with Maximum Sensitivity，SRAMS)的方法对常见传感器故障(如固定偏差、漂移、彻底失灵(即传感器读数不变)和精度下降等)进行探测、识别与估计。再由异常工况识别子系统识别当前是否处于异常工况，一旦发现有异常，迅速启动推理引擎子系统。所述异常工况识别子系统靠监测标志设备状态，生产质量的关键点，采用与人工神经网络推理结果相结合的方法来识别异常工况。

本发明的成果可以针对各种复杂的工况进行故障诊断，将为延迟焦化装置的“安全、稳定、长周期、满负荷”提供技术支撑，同时还可在安全操作管理新技术、新方法方面取得创新成果。

附图说明

图1为系统总体框架结构，其中，(A)为服务器端数据传输及功能结构，(B)为客户端端数据传输及功能结构；

图2为硬件分布图；

图3为故障传播路径浏览图；

图4为系统功能运行示意图；

图5为系统运行主界面。

具体实施方式

一种工业化加工渣油的在线实时故障监测与诊断的系统装置，采用延迟焦化装置进行炼油，并在延迟焦化装置上安装DCS系统，连接实际流程，采集来自生产现场的实时数据。在中控室配置服务器，安装并运行实时数据库和延迟焦化安全运行指导系统，其中，所述DCS系统，实时数据库服务器和安全运行指导系统通过局域网依次相连，所述安全运行指导系统通过公共网络与客户端相连接，所述延迟焦化安全运行指导系统的核心是推理引擎子系统，所述引擎子系统包括工艺监测模块和设备监测模块，负责在线故障的推理分析工作，由SDG，主元分析，模糊逻辑，数学解析模型和专家知识库构成，具有数据采集、数据滤波、传感器有效性分析、报警管理(工艺监测、预报警、报警统计)、设备监测、专家知识管理、故障“剧情”智能自解释与可视化显示等功能，并能提供交接班、操作日志、工作台历、工艺卡片等日常管理功能。

软件分别采用C/S和B/S架构实现，分为服务器端和客户端两部分，其数据传输及功能结构分别如附图1所示。其中，C/S架构侧重于整个装置的监测功能，而B/S架构由于其使用的便捷性，主要侧重于日常管理功能。

所述工艺监测模块使用定性仿真、神经网络、模糊数学和数据融合的混合推理算法引擎，得到故障传播的相容通路，经过专家知识库的过滤作用，去掉伪相容通路，得到最终诊断结果；同时，利用SDG的双向推理能力，结合风险发生的严重等级、频率等级，进行事故的后果评估；利用SDG-HAZOP的原理进行推理模型的检验与验证(V&V)，实现解决方案的提出以及方案的再论证。最后，对风险的发生概率和严重度进行计算，得出各个可能性风险的排队序列。

所述设备监测模块使用一系列精确的解析模型获取反映设备状态的关键参数。

推理引擎子系统的输出是以一定规则编辑的逻辑代码，该代码不能直接反馈到人机界面，需要专家知识库的支持。所述专家知识库包括异常工况经验库、设备知识库、物性知识库、控制系统知识库和传感器知识库，为推理引擎提供历史事故经验、设备失效知识、物性参数、常见控制器失效模式和传感器失灵模式等相关知识与规则。将在异常处理过程中得到的新知识与规则，动态加入到专家知识库中，提高其准确性和效率。推理引擎子系统得到分析结果的逻辑编码后，在专家系统知识库中去匹配相应的解释，解释的内容以自然化的语言被保存到内存数据库中，提供给客户端模块调用，辅助操作人员了解装置运行的动态。

所述系统装置可以连接实际流程、仿真流程，将二者之一作为操作对象。使用工业化实时数据库产品StrongDAS采集现场数据，以便适应对多种控制系统的连接。从现场DCS、PSSP仿真软件或Matlab仿真来的数据，首先进入StrongDAS实时数据库。实时数据库负责储存实时数据，是整个系统的数据中心，为其它各个子系统提供数据的读/写服务。

实时数据库的实时数据经过滤波后，首先进行传感器有效性分析，识别出传感器故障造成的错误信号，传感器有效性分析主要使用基于最大敏感度结构化残差(Structured Residual Approach with Maximum Sensitivity，SRAMS)的方法对常见传感器故障(如固定偏差、漂移、彻底失灵(即传感器读数不变)和精度下降等)进行探测、识别与估计。再由异常工况识别子系统识别当前是否处于异常工况，一旦发现有异常，迅速启动推理引擎子系统。所述异常工况识别子系统靠监测标志设备状态，生产质量的关键点，采用与人工神经网络推理结果相结合的方法来识别异常工况。

客户端的GUI子系统是人机界面部分，负责所有的数据显示、声光报警、报表生成和人员对本系统的相关操作。除了对监测工艺对象进行建模组态，浏览实时推理的结果，对专家知识库进行编辑，还可以实现车间的日常管理工作。

硬件环境：

硬件结构如图2所示。在中控室配置一台服务器，通过网线与DCS的OPC服务器相连，安装并运行StrongDAS实时数据库、“延迟焦化安全运行指导系统”服务器版，采集来自生产现场的实时数据，实时推理分析当前工艺的状态，保存并发布，供客户机查看。C/S版的客户机需安装客户端，B/S版的客户机通过IE浏览器直接查看。

系统应用：

1、启动系统：连接硬件，启动各个子系统，打开服务器端程序。

2、权限：根据输入的用户，检测或选择不同的身份进入系统。

3、组态建模：

该部分主要完成各种推理算法的建模，使建立的模型准确的反映延迟焦化装置的工艺特征。

3.1传感器有效性分析组态

建立不同的传感器有效性分析模型，输入模型的特征信息，选择模型包含的监测点。

3.2人工神经网络(ANN)建模组态

对于不同工况，用一定周期的稳态实时数据训练网络，训练网络在各种已知工况状态下的权值和偏差。训练时，网络的输入是故障样本，输出是推理得到的工况编号。

3.3主元分析(PCA)建模组态

建立不同的PCA模型，输入模型的特征信息，选择模型包含的监测点。

3.4SDG建模组态

以图形化的方式建立SDG模型。对于异常工况分析而言，存在两类节点：变量节点与原因后果节点。

前者代表流程工业中所关注的重要的工艺参数(或变量)，如压力、流量等。考虑到有些仪表既不可观测也不可控制，但对反映某些问题也比较关键，而有的参数如组分含量等信息则需要质检人员的定时分析，因此，在模型中有三类变量节点：可观测节点、虚拟节点和分析节点。可观测节点即从DCS控制系统可读取的数据；虚拟节点是可以应用别的可观测节点通过数学或逻辑运算得出的节点；分析节点可由操作人员根据定时的质量分析数据来录入。针对原因后果节点，可分别设置发生异常的原因和由该异常引起的不利后果。

3.5设备性能分析组态

针对不同类型的设备，输入其相应解析模型需要的参数，如设备基本参数，物料的物性等。

4、SDG-HAZOP

在SDG模型中，用户选择拉偏点，选择好偏离属性，然后进行推理。对于基于SDG的危险与可操作分析(HAZOP)，有两种推理方式：

①常规推理

对所有的拉偏点进行推理，推理结果为所有可能的路径。

②定制推理

用户可以选择推理路径要经过的节点，即“定制节点”。只有包含“定制节点”的路径，才是最后要得到的路径。

对推理得到的故障传播路径，用户可以在SDG模型中浏览，如图3。

5、实时监测

连接DCS，系统开始实时监测。此处可查看以下的实时监测结果：

1)DCS实时报警数据

2)异常传感器

3)工艺运行状态

4)设备运行状态

5)工艺参数预报警

6、工作台历

将传统纸质化的日常管理功能电子化：

1)班组交接班

将纸质化的班组交接变为电子化。

2)计划任务

当前班组接班时，首先根据生产需求制定本班组的工作计划。本班组的未完成计划部分直接跳到下一个班组作为“遗留任务。”

3)操作日志

对当前班上比较重要的工艺操作做记录。

4)工作任务单

对重要的工作任务，以电子化形式申报、审批。

7、知识管理

1)工艺卡片

对工艺操作规程、管理制度等，实现电子化管理，用户可在线查看。

2)事故预案

对装置的事故预案电子化管理，并将其作为工艺监测的知识库，监测到事故发生时，自动调用相关事故预案给操作人员以提示。

3)专家规则管理

管理整个系统中用到的专家规则。

Claims (10)

1.一种工业化加工渣油的在线实时故障监测与诊断的系统装置，采用延迟焦化装置进行炼油，并在延迟焦化装置上安装DCS系统，连接实际流程，采集来自生产现场的实时数据，其特征在于，在中控室配置服务器，安装并运行实时数据库和延迟焦化安全运行指导系统，其中，所述DCS系统，实时数据库服务器和安全运行指导系统通过局域网依次相连，所述安全运行指导系统通过公共网络与客户端相连接，所述延迟焦化安全运行指导系统的核心是推理引擎子系统，所述引擎子系统包括工艺监测模块和设备监测模块，负责在线故障的推理分析工作，由SDG，主元分析，模糊逻辑，数学解析模型和专家知识库构成，能够进行现场数据采集，数据滤波，传感器有效性分析、报警管理、设备监测、专家知识管理、故障智能自解释与可视化显示。

2.如权利要求1所述的系统装置，其特征在于，所述工艺监测模块使用定性仿真、神经网络、模糊数学和数据融合的推理算法融合，得到故障传播的相容通路，经过专家知识库的过滤作用，去掉伪相容通路，得到最终诊断结果；同时，利用SDG的双向推理能力，结合风险发生的严重等级、频率等级，进行事故的后果评估；利用SDG-HAZOP的原理进行推理模型的检验与验证，实现解决方案的提出以及方案的再论证。

3.如权利要求1所述的系统装置，其特征在于，所述设备监测模块使用解析模型获取反映设备状态的参数。

4.如权利要求2所述的系统装置，其特征在于，所述工艺监测模块最终对风险的发生概率和严重度进行计算，得出各个可能性风险的排队序列。

5.如权利要求1所述的系统装置，其特征在于，所述专家知识库包括异常工况经验库、设备知识库、物性知识库、控制系统知识库和传感器知识库，为推理引擎提供历史事故经验、设备失效知识、物性参数、常见控制器失效模式和传感器失灵模式等相关知识与规则。

6.如权利要求5所述的系统装置，其特征在于，将在异常处理过程中得到的新知识与规则，动态加入到专家知识库中，提高其准确性和效率。

7.如权利要求6所述的系统装置，其特征在于，推理引擎子系统得到分析结果的逻辑编码后，在专家系统知识库中去匹配相应的解释，解释的内容以自然化的语言提供给客户端模块调用。

8.如权利要求1所述的系统装置，其特征在于，使用工业化实时数据库产品StrongDAS采集现场数据并进行储存，经过数据滤波之后，进行传感器有效性分析，识别出传感器故障造成的错误信号，再由异常工况识别子系统识别当前是否处于异常工况，一旦发现有异常，迅速启动推理引擎子系统。

9.如权利要求8所述的系统装置，其特征在于，所述异常工况识别子系统靠监测标志设备状态，生产质量的关键点，采用与人工神经网络推理结果相结合的方法来识别异常工况。

10.如权利要求1所述的系统装置，其特征在于，所述系统装置可连接仿真流程代替实际流程，从PSSP仿真软件或Matlab仿真获得数据，对仿真流程中的故障进行实时监测。

Images