CN104238545A - 一种石油炼化生产过程故障诊断和预警系统及其建立方法 - Google Patents

Abstract

本发明提供一种石油炼化生产过程故障诊断和预警系统及其建立方法，包括：建立石油炼化生产过程的多级流模型；确定故障传播路径；对石油炼化生产过程进行危险与可操作性HAZOP分析；确定多个静态节点和多个动态节点，确定所述静态节点和动态节点的连接关系，建立至少一个备选模型；采用动态贝叶斯网络结构评分机制对所述至少一个备选模型评分，将评分值最高的备选模型确定为故障多级关联模型；确定所述故障多级关联模型中静态节点与动态节点之间的条件概率关系；建立故障诊断和预警模块。本发明所建的故障多级关联模型及故障诊断和预警模块具有较强的故障传播及故障溯源推理能力，能够实现对石油炼化生产过程故障的准确诊断与及时预警。

Description

一种石油炼化生产过程故障诊断和预警系统及其建立方法

技术领域

本发明涉及故障智能诊断技术领域，具体地，涉及一种石油炼化生产过程故障诊断和预警系统及其建立方法。 

背景技术

石油炼化生产属于典型的流程工业，生产装置由静设备、动设备、电气设备、仪器仪表和工艺管道构成，布局紧凑，组成一个功能完备的生产体系；厂区内生产和储运的易燃、易爆物质以及生产设备的数量较多，事故风险高，安全生产控制难度大。同时石油炼化工艺过程具有易燃易爆、腐蚀严重、毒害性大、高温高压以及生产连续性强等特点，炼化装置运行状况的好坏，将直接影响炼化工艺的连续性、稳定性和安全性，而生产的特殊性使整个装置设备也存在许多不安全因素。炼化装置一旦发生事故，将危及人民群众的生命财产安全，并造成巨大的停产损失。 

因此，建立完善的炼化装置预警体系，从大量关联的设备单元中及时发掘事故征兆，找出危险因素根源，并在事故发生之前预先警告可能的后果，给出相应的安全措施，是十分迫切的问题。 

目前，针对石油化工生产过程的故障诊断、预测，应用较好的方法包括多元统计法(PCA、FDA、PLS、ICA等)、解析模型法(参数估计法、状态估计法、等价空间法等)、基于信号处理方法(小波变换法、相关分析法、谱分析法等)、专家系统法(IPOM、AMS等)，以及更为新颖的基于基因表达式编程的过程故障知识抽取法等。另外，人工神经网络理论由于其容错、联想、记忆、自组织、自学习和处理多模式的功能，为非线性系统的故障诊断开辟了新的途径，成为故障诊断领域中的研究热点之一。用于故障诊断的神经网络有：多层感知器(Multi-Layer Perception，MLP)神经网络、径向基函数(Radial Basis Function，RBF)和自组织神经网络等，其中应用最多且较成熟的是BP网。 

在知识获取上，神经网络只需要利用领域专家解决问题的实例或范例来训练网络，与专家系统相比，既具有更多的时间效率，又能保证更高的质量。在知识表示中，神经网络采用隐式表示，自动产生的知识由网络的结构及权值表示，并将某一问题的多个知识在同 一网络中表示，通用性强，便于实现知识的自动获取和并行联想推理；在知识推理方面，网络是通过神经元之间的相互作用实现的，推理是并行的且速度快。神经网络也存在一些自身不可避免的缺陷，不足之处在于：缺乏特殊领域专家的诊断知识；不能自动获取大量知识，只能用一些明确的故障诊断事例；需要有足够的学习样本，才能保证诊断的可靠性，训练样本获取困难；网络权值的含义不明确，对诊断推理过程和诊断结果不能够解释，缺乏透明度。 

另一个研究热点及基于图论模型的故障诊断方法，具有代表性的包括SDG法、LDG法、Petri网络法、因果图法以及小世界网络法。基于图论的方法已经部分接近故障自身演化、传播规律，但是表达内容不全面，推理方法单调。应用SDG、LDG模型只能定性或半定量分析，且适用于连续系统，同时模型节点局限于具体参数，表达能力有限。基于小世界聚类特性的故障传播模型可以在无法准确获得故障之间的因果逻辑关系情况下(大部分实际情况确实如此)，分析故障发生、传播和放大的根本原因，计算扩散强度，找出系统中的脆弱点。该模型在电力系统故障分析中应用良好，而在其他工业领域鲜有提及，其原因是电力系统自身具有明确的拓扑结构特性，可以方便的转化为小世界网络，而油气生产加工等多数复杂系统自身故障传播的结构特点不明确，具有较大随机性，且其故障传播是否具有小世界特性至今尚未得到证明。动态因果图法基于传统的信度网和故障树分析技术，该方法通过引入布尔逻辑运算的方法，克服了当前所流行的信度网络知识表达方法之不足，较好地继承了两者的优点，适合于复杂工业系统的故障诊断领域的应用，但其节点间因果影响强度的确定仅仅依赖专家知识，忽略了具体情况下因果关系的差异。 

综上所述，现有的故障诊断方法在炼化过程故障传播及诊断准确性上存在不足。 

发明内容

本发明实施例的主要目的在于提供一种石油炼化生产过程故障诊断和预警系统及其建立方法，以解决现有的故障诊断方法在炼化过程故障传播及诊断准确性上存在不足的问题。 

为了实现上述目的，本发明实施例提供一种石油炼化生产过程故障诊断和预警系统的建立方法，包括： 

根据石油炼化生产过程涉及的各种设备确定多个功能节点，根据所述各种设备之间物质和能量的转化及传递关系确定所述多个功能节点的连接关系，建立包含所述多个功能节点及其连接关系的多级流模型； 

根据石油炼化生产过程的工艺特点以及所述多级流模型中各功能节点之间的连接关 系，确定故障传播路径； 

通过对石油炼化生产过程进行危险与可操作性HAZOP分析，确定多个监测变量、每种监测变量的状态偏差及其产生原因和可能后果； 

根据所述多个监测变量确定多个静态节点，根据所述多级流模型包含的功能节点确定多个动态节点，根据所述故障传播路径、所述每种监测变量的状态偏差及其产生原因和可能后果确定所述静态节点和动态节点的连接关系，建立至少一个备选模型，每个备选模型包含所述静态节点和动态节点及其一种连接关系；所述至少一个备选模型与所述静态节点和动态节点的至少一种连接关系分别对应； 

结合石油炼化生产过程的历史数据，采用动态贝叶斯网络结构评分机制对所述至少一个备选模型评分，将评分值最高的备选模型确定为故障多级关联模型； 

结合石油炼化生产过程的历史数据和专家经验，确定所述故障多级关联模型中静态节点与动态节点之间的条件概率关系； 

建立故障诊断和预警模块，所述故障诊断和预警模块用于采用贝叶斯网络推理规则和隐马尔可夫算法，利用所述故障多级关联模型和所述监测变量的实时数据诊断已发生故障产生的原因及预测可能发生的故障。 

相应的，本发明还提供一种石油炼化生产过程故障诊断和预警系统，包括：故障多级关联模型和故障诊断和预警模块；其中， 

所述故障多级关联模型采用如下方法建立： 

根据石油炼化生产过程涉及的各种设备确定多个功能节点，根据所述各种设备之间物质和能量的转化及传递关系确定所述多个功能节点的连接关系，建立包含所述多个功能节点及其连接关系的多级流模型； 

根据石油炼化生产过程的工艺特点以及所述多级流模型中各功能节点之间的连接关系，确定故障传播路径； 

通过对石油炼化生产过程进行危险与可操作性HAZOP分析，确定多个监测变量、每种监测变量的状态偏差及其产生原因和可能后果； 

根据所述多个监测变量确定多个静态节点，根据所述多级流模型包含的功能节点确定多个动态节点，根据所述故障传播路径、所述每种监测变量的状态偏差及其产生原因和可能后果确定所述静态节点和动态节点的连接关系，建立至少一个备选模型，每个备选模型包含所述静态节点和动态节点及其一种连接关系；所述至少一个备选模型与所述静态节点和动态节点的至少一种连接关系分别对应； 

结合石油炼化生产过程的历史数据，采用动态贝叶斯网络结构评分机制对所述至少一个备选模型评分，将评分值最高的备选模型确定为故障多级关联模型； 

结合石油炼化生产过程的历史数据和专家经验，确定所述故障多级关联模型中静态节点与动态节点之间的条件概率关系； 

所述故障诊断和预警模块用于采用贝叶斯网络推理规则和隐马尔可夫算法，利用所述故障多级关联模型和所述监测变量的实时数据诊断已发生故障产生的原因及预测可能发生的故障。 

借助于上述技术方案，本发明充分考虑了石油炼化生产过程中工艺参数之间关联程度高、耦合性强，任何子系统或子部件发生故障易引发链式效应，导致其他故障发生的特点，首先针对石油炼化生产过程建立多级流模型，在此基础上，基于动态贝叶斯网络构建故障多级关联模型，其能够很好地表现石油炼化生产过程所涉及装置、工艺参数之间以及故障模式之间的影响关系，进而揭示故障传播路径，在此基础上实现石油炼化生产过程故障的诊断、根原因的深度推理，以及故障后果发展情况的逐级预测。相比于现有技术，本发明所建的故障多级关联模型及故障诊断和预警模块具有较强的故障传播及故障溯源推理能力，能够实现对石油炼化生产过程故障的准确诊断与及时预警。 

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 

图1是本发明提供的石油炼化生产过程故障诊断和预警系统的建立方法流程示意图； 

图2是本发明提供的石油炼化生产过程故障诊断和预警系统结构框图； 

图3是本发明实施例一提供的吸收稳定单元的工艺流程图； 

图4是本发明实施例一提供的吸收稳定单元的多级流模型； 

图5是本发明实施例一提供的吸收稳定单元故障传播路径图示； 

图6是本发明实施例一提供的吸收塔塔底液位高故障传播路径图示； 

图7是本发明实施例一提供的吸收塔顶回流罐备选模型的评分值； 

图8是本发明实施例一提供的吸收塔顶回流罐的故障多级关联模型； 

图9是本发明实施例一提供的D4_1节点状态分布变化； 

图10是本发明实施例一提供的D4_2节点状态分布变化； 

图11是本发明实施例一提供的动态节点的状态推理结果； 

图12是本发明实施例一提供的回流罐压力和回流罐液位的变化状态历史数据； 

图13是本发明实施例一提供的静态节点的状态推理结果； 

图14是本发明提供的MFM标准化图形符号； 

图15(a)、图15(b)、图15(c)是本发明提供的MFM标准化图形符号相关概念定义。 

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 

本发明提供一种石油炼化生产过程故障诊断和预警系统的建立方法，如图1所示，包括如下步骤： 

步骤S1，根据石油炼化生产过程涉及的各种装置确定多个功能节点，根据所述各种装置之间物质和能量的转化及传递关系确定所述多个功能节点的连接关系，建立包含所述多个功能节点及其连接关系的多级流模型。 

考虑到石油炼化生产过程中设备单元与操作关联程度高，危险因素耦合性强，因此在本发明引入MFM(Multilevel Flow Model，多级流模型)思想，建立石油炼化生产过程的多级流模型，分析生产过程及设备的耦合规律，揭示生产过程的故障传播机理，明确故障在生产系统内的发生及发展规律。 

建立石油炼化生产过程的MFM，即整个生产过程抽象成广义的“流”。首先把具有一定功能的设备(或装置)用功能节点表示，然后根据物质或能量的转化、转换、传递过程，用功能节点组成相对应的物质流或能量流。这样，应用MFM可以展示出生产过程中单元部件之间及变量参数之间的关系，明确故障传播的路径，根据系统物质流、能量流等的变化可以诊断生产过程中的危险因素和故障。 

MFM建模方法包括三个层次：即目标、功能以及设备元件。如图2所示为MFM的建模流程图，首先，全面分析系统工艺过程，确定分析的范围并将系统分解为若干个子系统；其次，分析系统(或子系统)会达成的目标，例如，系统所达成的生产目标、经济目标或安全目标等；再次，列出每个子系统内元件的功能，从功能符号中选取表达流功能，用连接关系内部连接流功能；最后，以达成关系、条件关系等连接目标与流功能，形成MFM。 

MFM的标准化图形符号如图14所示。 

部分图形符号的概念定义如图15(a)、图15(b)、图15(c)所示。 

步骤S2，根据石油炼化生产过程的工艺特点以及所述MFM中各功能节点之间的连接关系，确定故障传播路径。 

在建立石油炼化生产过程的MFM之后，MFM不仅为从大量的局部警报中搜寻根本原因提供了良好的基础，还可提供一套蕴涵推理规则的可视化图形符号，运行人员可采用符号分析的方法进行推理和判断，确定MFM中不同功能节点之间的状态传递关系；另外，再结合石油炼化生产过程的工艺特点(例如，生产过程及设备的耦合规律，物质或能量的转化、转换、传递过程)，可确定出MFM的告警传递规则，进而基于告警传递规则确定故障传播路径。 

以下为常见石油炼化生产过程的MFM告警传递规则： 

①传送节点的高(低)流量报警会导致其上游的存储节点的低(高)容量报警，导致其下游的存储节点高(低)容量报警。反之，存储节点的高(低)容量报警将导致其上游的传送节点的低(高)流量报警，导致其下游高(低)流量报警。 

②传送节点的高流量报警会导致与它相连的上游的源节点产生低容量报警。汇节点的低容量报警将会迫使与其相连的上游的传送节点的高流量报警。 

③平衡节点的泄漏将会导致与它的输出端相连的传送节点的低流量报警，与它的输入端相连的传送节点的高流量报警。平衡节点的填充将会导致与它的输出端相连的传送节点的高流量报警，与它的输入端相连的传送节点的低流量报警。 

针对不同的故障，根据上述告警传递规则确定故障传播路径。 

步骤S3，通过对石油炼化生产过程进行HAZOP(Hazard and Operability，危险与可操作性)分析，确定多个监测变量、每种监测变量的状态偏差及其产生原因和可能后果。 

本发明进行的HAZOP分析是采用科学的程序和方法，按照石油炼化生产过程的工艺流程，结合工艺参数，分析正常/非正常时可能出现的问题、产生的原因、可能导致的后果以及应采取的措施。具体的，HAZOP分析针对石油炼化生产过程涉及的各种设备元件，确定需要监测的工艺参数(即监测变量)，针对每一种监测变量确定其可能出现的各种非正常状态(即监测变量的状态偏差，如温度过高\过低、压力过高\过低等)，进一步确定产生每一种状态偏差的原因以及这种状态偏差可能会导致的后果。 

1)分析之前的准备 

准备工作主要完成以下任务：确定HAZOP分析的对象、目的和范围；完成资料(包括工艺流程PID图、装置操作规程、管道仪表流程图、装置平面布置图、事故统计报告等) 的准备工作；成立HAZOP分析小组；安排会议次数及时间。 

2)HAZOP分析会议并完成分析 

小组成员以HAZOP分析会议的形式，分析并确定出石油炼化生产过程中对故障产生或传递有影响的工艺参数，即监测变量，例如温度、压力、液位等；进一步的，分析这些监测变量的可能状态，确定每种监测变量的状态偏差，例如温度高\低、压力高\低、液位高\低等；然后，对工艺过程的危险和操作性问题进行分析，分析导致状态偏差的全部原因，不同状态偏差可能导致的危害后果，已有的安全措施是否充足，提出需要添加的安全措施。 

3)根据HAZOP分析的记录编写结果报告 

分析记录是HAZOP分析的一个重要组成部分，也是后期编制分析报告的直接依据。会议记录员应根据分析结果讨论过程提炼出恰当的结果，将所有重要的意见全部记录下来，并应当将记录内容及时与分析组人员沟通，以避免遗漏和误解。HAZOP分析会议以表格形式记录。 

4)分析结果的追踪和完善 

HAZOP建议措施需要进行审核和实施，需要针对每一项建议制定一个行动方案，所采取的措施要有完整的文件记录才能关闭，适当的实施措施和行动计划需要包括以下内容： 

①同意采纳建议、接受研究、不接受不同方案或拒绝的声明； 

②接受建议后方案责任的落实； 

③拟采取措施的简短描述； 

④实施建议措施所需要做的工作。 

步骤S4，根据所述多个监测变量确定多个静态节点，根据所述多级流模型包含的功能节点确定多个动态节点，根据所述故障传播路径、所述每种监测变量的状态偏差及其产生原因和可能后果确定所述静态节点和动态节点的连接关系，建立至少一个备选模型，每个备选模型包含所述静态节点和动态节点及其一种连接关系；所述至少一个备选模型与所述静态节点和动态节点的至少一种连接关系分别对应。 

该步骤是在已经建立的MFM以及故障传播路径分析、HAZOP分析基础上，研究石油炼化生产过程所涉及的设备元件、工艺参数之间的影响关系，并建立符合这种影响关系的模型，即备选模型。由于设备元件之间的关联关系复杂，工艺参数之间相互作用、相互影响的关系也相当复杂，因此，该步骤得出的符合石油炼化生产工艺与设备元件、工艺参数影响关系的备选模型有时并不唯一，也就是说，该步骤可能会得出多个满足要求的备选模型，但最优的网络结构需要进一步分析选择。 

建立备选模型，首先要确定其组成节点：静态节点和动态节点。其中，静态节点代表石油炼化生产过程涉及的各种工艺参数，与HAZOP分析过程中的监测变量相对应，静态节点的状态(如工艺参数是否正常、偏离正常的严重程度等)由监测变量的实时数据(由石油炼化生产现场的传感器进行采集)与预设安全区间的比较结果决定；动态节点代表石油炼化生产过程涉及的设备元件，与已建立的MFM中的功能节点相对应，动态节点的状态(如设备元件的故障模式、故障程度或功能退化程度等)需要通过分析推理静态节点的状态之后才能确定。 

节点确定之后，需要继续确定备选模型的网络结构，即静态节点与动态节点的连接关系。通过对步骤S2中确定的故障传播路径，以及步骤S3中确定的每种监测变量的状态偏差及其产生原因和可能后果进行分析，可以得出石油炼化生产过程所涉及的设备元件、工艺参数之间的影响关系，将这种影响关系转换至静态节点和动态节点中，即得到静态节点与动态节点的连接关系。 

步骤S5，结合石油炼化生产过程的历史数据，采用动态贝叶斯网络结构评分机制对所述至少一个备选模型评分，将评分值最高的备选模型确定为故障多级关联模型。 

具体的，石油炼化生产过程的历史数据包含了监测变量在各个时刻的状态数据，将这些历史数据运用至每一个备选模型，选择出推理结果准确度最高、路径最优化、推理速度最快的模型，作为最终的故障多级关联模型。 

针对每一个备选模型，该步骤可采用如下函数进行评分： 

$\mathrm{BIC}\left(\mathrm{\ξ}\right|D)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{t_i}{\mathrm{\Σ}}}\underset{k=1}{\overset{s_i}{\mathrm{\Σ}}}{p}_D(x_i,{\mathrm{\π}}_{x_i})\mathrm{lg\; p}\left(x_i\right|{\mathrm{\π}}_{x_i})-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{(s_i-1)t_i}{2}\mathrm{lg\; N}$

其中，BIC为评分值；ξ为备选模型的模型结构X＝{X₁,X₂,…,X_i,…,X_n}，由n个节点X_i组成；节点X_i有s_i个取值(1,2,…,s_i)，节点X_i的父节点有t_i个取值(1,2,…,t_i)；D为石油炼化生产过程的历史数据集；表示数据集D内的概率； 表示节点X_i父节点状态为的前提下、节点状态为x_i的概率；N为数据条数。 

步骤S6，结合石油炼化生产过程的历史数据和专家经验，确定所述故障多级关联模型中静态节点与动态节点之间的条件概率关系。 

从多个备选模型中确定出的故障多级关联模型，其组成节点(静态节点和动态节点)和网络结构(静态节点与动态节点的连接关系)都已确定，下一步，需要定量分析其静态 节点与动态节点之间的影响关系，即定量表示静态节点\动态节点出现各种状态时对其他静态节点\动态节点状态的影响情况，本发明选择采用条件概率表(Conditional probability table,CPT)定量表示这种影响，也就是静态节点与动态节点之间的条件概率关系。 

本发明通过石油炼化生产过程的历史数据确定条件概率表，在历史数据不足的情况下，依据专家经验确定。随着生产的进行，历史数据会逐渐包含各种生产状态，这时可以采用数据驱动方法对条件概率表进行更新，以保证条件概率表量化表示静态节点、动态节点之间影响的准确度。 

本发明采用的条件概率表包括以下三部分： 

动态节点初始状态分布

动态节点状态转移概率分布

静态节点状态转移概率分布

其中，n_a为动态节点的数目，n_b为静态节点的数目。 

确定了故障多级关联模型中静态节点与动态节点间的条件概率关系之后，该故障多级关联模型就可以为石油炼化生产过程的故障诊断和预警进行服务了。具体的，静态节点的状态(如工艺参数是否正常、偏离正常的严重程度等)由监测变量的实时数据(由石油炼化生产现场的传感器进行采集)与预设安全区间的比较结果决定；动态节点的状态(如设备元件的故障模式、故障程度或功能退化程度等)则可以基于该故障多级关联模型中节点间的关系确定。 

步骤S7，建立故障诊断和预警模块，所述故障诊断和预警模块用于采用贝叶斯网络推理规则和隐马尔可夫算法，利用所述故障多级关联模型和所述监测变量的实时数据诊断已发生故障产生的原因及预测可能发生的故障。 

故障诊断和预警模块实际是将监测变量的实时数据(即石油炼化生产现场传感器采集的数据)运用至故障多级关联模型中，推理出故障产生的原因及预测可能发生的故障。 

由于故障多级关联模型是基于动态贝叶斯网络结构确定的，因此故障诊断和预警模块可应用贝叶斯网络推理规则对该模型进行计算，同时，本发明建立的故障多级关联模型满足一阶马尔可夫假设：t时间片的状态只与t-1时间片的状态有关，而与再之前的时间片的状态无关，即P(ξ_t|ξ₁,ξ₂,…,ξ_t-1)＝P(ξ_t|ξ_t-1)。 

(1)故障诊断和预警模块进行故障诊断的关键是根据静态节点状态求取动态节点的 状态P(X^T|Y^T)，其中Y^T表示有限T时间序列的观测变量集，即静态节点的数据集，X^T表示相关隐含变量集，即动态节点状态集。 

本发明采用隐马尔可夫算法(Viterbi算法)在静态节点序列y₁,y₂,…,y_T已知的前提下，求取最有可能的节点的状态。 

$P\left(X^T\right|Y^T)=\arg \underset{x}{\max }P(X^T,Y^T|\mathrm{\λ})=\arg \underset{x}{\max }P\left(X^T\right|Y^T,\mathrm{\λ})$

其中，λ＝(A,B,π)表示模型的参数，即模型节点的条件概率表(CPT)。 

①初始时间片(t＝0) 

δ₁(i)＝π_ib_i(y₁),1≤i≤n 

Δ₁(i)＝0 

其中，δ₀(i)对应各状态产生输出y₀的概率，Δ₀(i)表示该时刻动态节点序列的状态。 

②接下来的时间片上 

${\mathrm{\δ}}_t\left(i\right)=\left[\underset{0\≤i\≤T-1}{\max }{\mathrm{\δ}}_{t-1}\left(i\right)a_{\mathrm{ij}}\right]b_j\left(y_t\right),2\≤t\≤T,1\≤j\≤n$

${\mathrm{\Δ}}_t\left(i\right)=\underset{1\≤i\≤n}{\arg \max }\left[{\mathrm{\δ}}_{t-1}\left(i\right)a_{\mathrm{ij}}\right]b_j\left(y_t\right)$

其中，δ_t(i)表示在t时刻到达状态j时产生对应输出序列y₀的概率，Δ_t(i)表示t-1时刻前的动态节点的序列。 

③计算结果 

$P\left(X^T\right|Y^T)=\arg \underset{x}{\max }P\left(X^T\right|Y^T,\mathrm{\λ})=\underset{1\≤i\≤n}{\max }\left[{\mathrm{\δ}}_T\left(i\right)\right]$

(2)故障诊断和预警模块进行故障预警的关键是计算动态节点未来能取值的概率 或计算静态节点未来能取值的概率的公式如下： 

$P\left(x_{t+1}\right|Y_0^T)=\frac{{\mathrm{\Σ}}_{x_t}P\left(x_{t+1}\right|x_t){\mathrm{\α}}_t\left(x_t\right)}{{\mathrm{\Σ}}_{x_t}{\mathrm{\α}}_t\left(x_t\right)}$ 或 $P\left(y_{t+1}\right|Y_0^t)=\frac{{\mathrm{\Σ}}_{x_{t+1}}{\mathrm{\α}}_{t+1}\left(x_{t+1}\right)}{{\mathrm{\Σ}}_{x_t}{\mathrm{\α}}_t\left(x_t\right)}$

其中α_t(i)＝P(X_t＝i|y_1:t)，表示已知静态节点y在时间段[1，t]的所有取值时，动态节点X在时刻t取值为状态i的概率；P(x_t+1|x_t)表示已知任一变量当前时刻状态时，未来下一时刻状态发生的概率。 

综上所述，本发明提供的石油炼化生产过程故障诊断和预警系统的建立方法，通过建立石油炼化生产过程的故障多级关联模型，能够及时有效地分析推理出故障产生的根本原 因并预测故障未来的发展趋势，提供对应的安全控制措施。本发明具有以下有益效果： 

(1)通过建立石油炼化生产过程的MFM，明确了系统目标与设备元件之间的关系，有利于确定故障传播路径； 

(2)采用HAZOP分析方法科学、系统、全面地分析石油炼化生产过程的各种工艺参数，确定出监测变量、各种状态偏差及其产生原因和可能后果，避免出现分析上的遗漏和冗余； 

(3)基于动态贝叶斯网络结构评分机制选出最优化的备选模型作为故障多级关联模型，在模型符合石油炼化生产过程工艺特点的基础上，保证了模型结构的优化程度； 

(4)建立的故障多级关联模型定性、定量地表达了石油炼化生产过程所涉及的设备元件、工艺参数之间的状态影响关系，保证了故障诊断及预警的准确性。 

本发明还提供一种石油炼化生产过程故障诊断和预警系统，该系统采用如图1所示的方法建立，如图2所示，该系统包括：故障多级关联模型20和故障诊断和预警模块21；其中，故障诊断和预警模块21用于采用贝叶斯网络推理规则和隐马尔可夫算法，利用故障多级关联模型20和监测变量的实时数据诊断已发生故障产生的原因及预测可能发生的故障。 

实施例一 

本实施例以催化裂化装置吸收稳定单元为例，介绍本发明的具体实施方式。吸收稳定单元的工艺流程如图3所示。 

第一步：建立吸收稳定单元的多级流模型 

分析吸收稳定单元的工艺特点，确定该单元的目标及各设备元件的功能，建立吸收稳定单元的MFM，如图4所示。相应符号的含义见表1。 

表1吸收稳定单元多级流模型中符号含义对应表 

第二步：分析吸收稳定单元的故障传播路径 

根据吸收稳定单元的工艺特点以及多级流模型符号的逻辑推理关系，可以得到如图5所示的故障传播路径。以吸收塔塔底液位高即Sto2失去其正常功能为例进行分析，得出如图6所示的吸收塔塔底液位高故障传播路径。 

第三步：吸收稳定单元HAZOP分析 

吸收稳定部分的HAZOP节点划分见表2所示，表3为吸收稳定部分的HAZOP分析结果。 

表2吸收稳定单元的HAZOP分析对象划分 

表3吸收稳定单元的HAZOP分析结果 

第四步：建立故障多级关联模型 

根据故障路径分析，选择动态节点和静态节点信息如表4和表5所示，建立数个符合工艺要求的备选模型，结合历史数据，采用动态贝叶斯网络结构评分机制对各个备选模型进行评分，选择得分最高的作为故障多级关联模型。 

应用动态贝叶斯网络结构评分机制计算每个备选模型的评分值，首先选择一段包含正常信息和故障信息的历史数据，在本文中选择的历史数据长度约为10万个。选择1000个数据，用K2算法计算评分值，随后不断增加训练数据的量直到应用所有的历史数据进行计算为止，得到模型的评分值随数据长度变化的曲线。 

图5表示的是得分最高的吸收塔顶回流罐备选模型在不同数量训练数据下的评分值(即图7中的BIC值)。可以看到，随着训练数据的不断增加，评分值趋近于一个定值。评分值最高的备选模型如图8所示，即故障多级关联模型。 

表4吸收塔顶回流罐的DBN网络中动态节点信息表 

表5吸收塔顶回流罐的DBN网络中静态节点信息表 

节点间的条件概率关系包括状态转移概率密度分布和监测变量概率密度分布，通过对历史数据进行参数学习，并在必要时候辅以专家经验知识，得到初步的影响关系。随着时间的推移，可以根据数据的积累对影响关系进行更新。部分CPT如表6和表7所示。 

表6状态转移条件概率表 

表7S_{4_1}监测变量条件概率表 

第五步：根据监测变量的实时数据，进行故障诊断及预警分析 

故障发生前，该在役吸收稳定部分的各参数显示均处于正常状态。经故障多级关联模型推理，此时动态节点均处于“正常”状态。 

(1)故障诊断分析 

现场监控：某一时刻，吸收稳定部分的回流罐压力超过运行下限，发生低报警，而单元内其余参数状态仍处于正常状态。 

模型推理： 

经故障多级关联模型推理，分析得到以下结果： 

此时刻节点D4_1(回流罐)和节点D4_2(稳定塔顶热旁路阀门)的状态发生变化：其中，D4_1(回流罐)处于“正常”状态的概率降低到63.57％，处于“泄漏”和“失效”的状态分别增加到22.8％和10.07％；D4_1稳定塔顶热旁路阀门处于“开度过小”的概率增加到69.2％；其余节点的状态概率未发生改变。图9和图10分别为D4_1节点和D4_2节点变化的图例。 

推理结果分析： 

图11显示的是警报发生后对动态节点状态推理的结果。推理结果表明：①回流罐本身存在泄漏、破裂等问题，回流罐压力降低；②稳定塔顶热旁路阀门开度故障变小，造成未通过换热器进入回流罐的塔顶气液流量降低，进而回流罐压力降低。 

结果验证： 

图12为回流罐压力和回流罐液位两个参数的变化状态的历史数据。通过查看参数变化可以看出在报警之前，回流罐压力持续降低，超过下限发生低报警；同时可以看出，回流罐液位与回流罐压力变化趋势相同，只是时间上有延后，并在回流罐压力低报警后发生液位低报警。在回流罐压力发生低报警，现场即使采取措施，及时开大塔顶热旁路阀门开度，回流罐压力随之恢复到正常状态，一段时间后回流罐液位也恢复到正常状态。结果表明通过建立故障多级关联模型，应用贝叶斯网络推理算法能够及时有效地分析推理出发生故障的原因并预测故障后果。 

(2)故障预警分析 

根据S4_1节点处于“偏低”状态，应用DBN网络推理故障传播后果，S4_1节点“偏低”状态将会导致节点S4_2(回流罐液位)处于“偏高”状态的概率上升至84.7％，进而导致节点S4_3(冷回流流量)处于“偏高”状态的概率上升至54.5％。其他静态节点的状态几乎没有改变。静态节点状态推理结果如图13所示。 

通过分析现场的生产工艺，建立炼化系统催化裂化吸收稳定部分的故障关联预警模型，对故障发生的故障传播路径进行定量化的推理，找出发生故障的根原因，并推理故障发展后果。现场应用结果显示，该方法能够有效的诊断出现场发生异常事件的原因，进而确定发生报警的根原因，并能够预测得到警报可能产生的后果。 

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (6)

1.一种石油炼化生产过程故障诊断和预警系统的建立方法，其特征在于，包括：

根据石油炼化生产过程涉及的各种设备确定多个功能节点，根据所述各种设备之间物质和能量的转化及传递关系确定所述多个功能节点的连接关系，建立包含所述多个功能节点及其连接关系的多级流模型；

根据石油炼化生产过程的工艺特点以及所述多级流模型中各功能节点之间的连接关系，确定故障传播路径；

通过对石油炼化生产过程进行危险与可操作性HAZOP分析，确定多个监测变量、每种监测变量的状态偏差及其产生原因和可能后果；

根据所述多个监测变量确定多个静态节点，根据所述多级流模型包含的功能节点确定多个动态节点，根据所述故障传播路径、所述每种监测变量的状态偏差及其产生原因和可能后果确定所述静态节点和动态节点的连接关系，建立至少一个备选模型，每个备选模型包含所述静态节点和动态节点及其一种连接关系；所述至少一个备选模型与所述静态节点和动态节点的至少一种连接关系分别对应；

结合石油炼化生产过程的历史数据，采用动态贝叶斯网络结构评分机制对所述至少一个备选模型评分，将评分值最高的备选模型确定为故障多级关联模型；

结合石油炼化生产过程的历史数据和专家经验，确定所述故障多级关联模型中静态节点与动态节点之间的条件概率关系；

建立故障诊断和预警模块，所述故障诊断和预警模块用于采用贝叶斯网络推理规则和隐马尔可夫算法，利用所述故障多级关联模型和所述监测变量的实时数据诊断已发生故障产生的原因及预测可能发生的故障。

2.根据权利要求1所述的方法，其特征在于，所述的采用动态贝叶斯网络结构评分机制对所述至少一个备选模型评分过程中所采用的评分函数为：

$\mathrm{BIC}\left(\mathrm{\ξ}\right|D)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{t_i}{\mathrm{\Σ}}}\underset{k=1}{\overset{s_i}{\mathrm{\Σ}}}{p}_D(x_i,{\mathrm{\π}}_{x_i})\mathrm{lgp}\left(x_i\right|{\mathrm{\π}}_{x_i})-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{(s_i-1)t_i}{2}\mathrm{lgN}$

其中，BIC为评分值；ξ为备选模型的模型结构X＝{X₁,X₂,…,X_i,…,X_n}，由n个节点X_i组成；节点X_i有s_i个取值(1,2,…,s_i)，节点X_i的父节点有t_i个取值(1,2,…,t_i)；D为石油炼化生产过程的历史数据集；表示数据集D内X_i＝x_i,的概率；表示节点X_i父节点状态为的前提下、节点状态为x_i的概率；N为数据条数。

3.根据权利要求2所述的方法，其特征在于，所述故障多级关联模型中静态节点与动态节点之间的条件概率关系包括：

动态节点初始状态分布

动态节点状态转移概率分布

静态节点状态转移概率分布

其中，n_a为动态节点的数目，n_b为静态节点的数目。

4.根据权利要求3所述的方法，其特征在于，所述故障诊断和预警模块诊断已发生故障产生的原因时采用如下公式：

δ₁(i)＝π_ib_i(y₁),1≤i≤n

Δ₁(i)＝0

${\mathrm{\δ}}_t\left(i\right)=\left[\underset{0\≤i\≤T-1}{\max }{\mathrm{\δ}}_{t-1}\left(i\right)a_{\mathrm{ij}}\right]b_j\left(y_t\right),2\≤t\≤T,1\≤j\≤n$

${\mathrm{\Δ}}_t\left(i\right)=\underset{1\≤i\≤n}{\arg \max }\left[{\mathrm{\δ}}_{t-1}\left(i\right)a_{\mathrm{ij}}\right]b_j\left(y_t\right)$

$P\left(X^T\right|Y^T)=\arg \underset{x}{\max }P\left(X^T\right|Y^T,\mathrm{\λ})=\underset{1\≤i\≤n}{\max }\left[{\mathrm{\δ}}_T\left(i\right)\right]$

其中，λ＝(A,B,π)为故障多级关联模型中静态节点与动态节点之间的条件概率关系；δ₀(i)对应各状态产生输出y₀的概率，Δ₀(i)表示该时刻动态节点序列的状态，δ_t(i)表示在t时刻到达状态j时产生对应输出序列y₀的概率，Δ_t(i)表示t-1时刻前的动态节点的序列。

5.根据权利要求3所述的方法，其特征在于，所述故障诊断和预警模块预测可能发生的故障时采用如下公式：

$P\left(x_{t+1}\right|Y_0^T)=\frac{{\mathrm{\Σ}}_{x_t}P\left(x_{t+1}\right|x_t){\mathrm{\α}}_t\left(x_t\right)}{{\mathrm{\Σ}}_{x_t}{\mathrm{\α}}_t\left(x_t\right)}$

$P\left(y_{t+1}\right|Y_0^t)=\frac{{\mathrm{\Σ}}_{x_{t+1}}{\mathrm{\α}}_{t+1}\left(x_{t+1}\right)}{{\mathrm{\Σ}}_{x_t}{\mathrm{\α}}_t\left(x_t\right)}$

其中α_t(i)＝P(X_t＝i|y_1:t)表示动态节点y在时间段[1，t]的所有取值时，静态节点X在时刻t取值为状态i的概率；P(x_t+1|x_t)表示已知静态节点X当前时刻的状态时，未来下一时刻该静态节点出现该状态的概率。

6.一种石油炼化生产过程故障诊断和预警系统，其特征在于，包括：故障多级关联模型和故障诊断和预警模块；其中，

所述故障多级关联模型采用如下方法建立：

根据石油炼化生产过程涉及的各种设备确定多个功能节点，根据所述各种设备之间物质和能量的转化及传递关系确定所述多个功能节点的连接关系，建立包含所述多个功能节点及其连接关系的多级流模型；

根据石油炼化生产过程的工艺特点以及所述多级流模型中各功能节点之间的连接关系，确定故障传播路径；

通过对石油炼化生产过程进行危险与可操作性HAZOP分析，确定多个监测变量、每种监测变量的状态偏差及其产生原因和可能后果；

根据所述多个监测变量确定多个静态节点，根据所述多级流模型包含的功能节点确定多个动态节点，根据所述故障传播路径、所述每种监测变量的状态偏差及其产生原因和可能后果确定所述静态节点和动态节点的连接关系，建立至少一个备选模型，每个备选模型包含所述静态节点和动态节点及其一种连接关系；所述至少一个备选模型与所述静态节点和动态节点的至少一种连接关系分别对应；

结合石油炼化生产过程的历史数据，采用动态贝叶斯网络结构评分机制对所述至少一个备选模型评分，将评分值最高的备选模型确定为故障多级关联模型；

结合石油炼化生产过程的历史数据和专家经验，确定所述故障多级关联模型中静态节点与动态节点之间的条件概率关系；

所述故障诊断和预警模块用于采用贝叶斯网络推理规则和隐马尔可夫算法，利用所述故障多级关联模型和所述监测变量的实时数据诊断已发生故障产生的原因及预测可能发生的故障。