CN104298225A - 化工过程异常工况因果关系推理模型建模与图形化展示方法 - Google Patents

Abstract

本发明涉及一种化工过程异常工况因果关系推理模型建模与图形化展示方法，主要解决现有技术中异常工况根原因判断不准确、图形化展示效果差的问题。本发明通过采用一种化工过程异常工况因果关系推理模型建模与图形化展示方法，采集控制系统的实时数据，建立与异常工况判断过程密切相关的专家规则模型，根据发生异常工况的根原因分析的模式，建立异常工况根原因分析的故障树逻辑推理模型，采用智能计算方法，通过对关键安全技术参数的阈值判断与特征提取，与建立的专家规则模型与故障树分析模型进行特征匹配，实现对生产工艺过程异常工况智能监测预警与根原因分析的技术方案较好地解决了上述问题，可用于化工过程异常工况的处理中。

Description

化工过程异常工况因果关系推理模型建模与图形化展示方法

技术领域

本发明涉及一种化工过程异常工况因果关系推理模型建模与图形化展示方法。

背景技术

石化生产过程异常工况具有隐蔽性强，涉及因素多等特点，装置操作人员对生产过程异常工况的判断仅靠单点报警信息和个人操作经验，一旦发生问题，很难快速、准确地发现根原因，并采取合理的应急处置措施，从而导致危险甚至事故的发生。因此，如何对异常工况进行实时的推理分析并清晰的展示异常工况传播的路径对于发现异常工况的根原因并采取有效的防范措施具有非常重要的意义。

目前，针对异常工况进行分析诊断的技术有很多，CN201010522730.X涉及一种石化过程异常工况诊断测试系统,包括虚拟工厂、数据交换中心、仿集散控制系统、回路操作站、故障诊断软件和安全评价推理功能模块，采用过程仿真软件PSSP或HYSYS对实际生产装置进行实际工艺运行状况的全程模拟，构建虚拟工厂；通过实时数据中心采集来自PSSP或HYSYS的实时数据加以处理,并以可以识别的数据形式传输到故障诊断系统中；通过仿集散控制系统模拟实际生产装置的集散控制系统，并对虚拟工厂进行操作，能在仿集散控制系统上观察分析参数的历史趋势、参数的报警记录；通过推理引擎实时诊断工艺的异常,定位异常原因,显示异常传播途径。其他方法例如主元分析、偏最小二乘等基于数据驱动的分析技术在监测生产过程的异常工况监测预警方面应用较多，但是应用这样的方法只能判断装置是否有波动，而不能指出是何种类型的波动问题，并且图形化展示效果也比较差。而基于解析模型的方法可以通过建立研究对象的纯数学机理模型来对比分析装置是否发生了异常，但是这种方法存在两个缺陷：一个是石油化工异常工况机理非常复杂，建立准确的模型极其困难；二是包括工艺、设备、仪表等问题在内的各种异常工况的表现形式也非常多样化，而建立解析模型的时候往往需要对模型进行简化和假设处理，从而造成与真实过程不一致，导致难以发现异常工况背后真正的根原因。

本发明有针对性的解决了该问题。

发明内容

本发明所要解决的技术问题是现有技术中异常工况根原因判断不准确、图形化展示效果差的问题，提供一种新的化工过程异常工况因果关系推理模型建模与图形化展示方法。该方法具有异常工况根原因判断准确、图形化展示效果好的优点。

为解决上述问题，本发明采用的技术方案如下：一种化工过程异常工况因果关系推理模型建模与图形化展示方法，针对石化生产过程异常工况的故障模式与表现特点，采集控制系统的实时数据，在基于专家系统的基础上，建立与异常工况判断过程密切相关的专家规则模型，根据发生异常工况的根原因分析的模式，建立异常工况根原因分析的故障树逻辑推理模型，采用智能计算方法，通过对关键安全技术参数的阈值判断与特征提取，与建立的专家规则模型与故障树分析模型进行特征匹配，实现对生产工艺过程异常工况智能监测预警与根原因分析；其中，异常工况的判断建立在装置操作人员判断异常工况的实际流程上，采用CLIPS专家系统语言，并根据异常工况实际分析过程需要的逻辑关系，建立异常工况判断分析推理组态环境，以图形化的方式针对异常工况进行组态建模。

上述技术方案中，优选地，所述智能计算方法包括工艺机理与聚类分析方法。

上述技术方案中，优选地，所述异常工况进行组态建模模型中的参数有三种类型的节点：可观测节点、分析节点和虚拟节点；可观测节点从控制系统读取数据，虚拟节点应用别的可观测节点通过数学运算得出的节点，分析节点由操作人员根据定时的质量分析数据来录入。

上述技术方案中，优选地，所述组态建模环境中包含了与、或、非的逻辑节点，工厂技术人员根据此组态建模环境组建上述的异常工况专家判断规则，并且可以根据工况的变化来及时调整该判断规则，从而实现了对异常工况自动识别与专家知识的积累。

上述技术方案中，优选地，所述故障树逻辑推理模型中顶事件的状态诊断综合了最小路集和最小割集的方法，首先根据故障树基事件的状态，将故障树分为可能故障基事件、正常基事件、未知基事件和故障基事件四种状态；如果含n个基事件的最小路集中有n-1个正常事件，那么剩下的一个事件必定是故障事件，将该故障事件放入故障基事件库中；如果所含正常基事件数小于n-1，则将非正常基事件放入可能故障基事件；如果一个最小割集中含有正常事件，则顶事件失效必定不是由该割集引发，可将该割集从等价树上删除，从而缩小诊断范围；最后利用故障树作最后判断，若最小割集等价树或门下的分支只剩下一个割集，则将此割集中的基事件均放入故障基事件库中，它们即为顶事件故障的所有故障源；反之，若最小割集等价树或门下不只一个割集，则从故障基事件库中取出事件与每一个剩下的割集进行匹配，完全匹配的割集则一定为故障源。

上述技术方案中，优选地，所述逻辑关系包括：与、或、非、原因、后果、基本数学运算，并且以可组态的逻辑运算符形式，根据判断异常工况发生及原因分析过程的专家规则，完成对异常工况识别与故障根原因分析的组态建模工作。

本专利在研究异常工况的各种表现形式的基础上，根据确定型化工过程异常工况的表现形式，应用基于专家系统的异常工况监测与根原因分析技术，建立异常工况的判断规则和故障树分析模型，从而实现对异常工况的实时推理诊断，并且以图形化的表达方式直观的展示异常工况传播路径，大大方便操作人员搜集异常工况专家判断经验，有利于专家经验积累与传承，取得了较好的技术效果。

附图说明

图1为本发明所述方法中的异常工况的图形化展示示意图。

下面通过实施例对本发明作进一步的阐述，但不仅限于本实施例。

具体实施方式

【实施例1】

本专利针对石化生产过程异常工况的故障模式与表现特点，采集工业控制系统的实时数据，在基于专家系统的基础上，建立与异常工况判断过程密切相关的专家规则模型，根据发生异常工况的根原因分析的模式，建立异常工况根原因分析的故障树逻辑推理模型，采用基于工艺机理与聚类分析等多种智能计算方法，通过对关键安全技术参数的阈值判断与特征提取，与建立的专家规则模型与故障树分析模型进行特征匹配，实现对生产工艺过程异常工况智能监测预警与根原因分析。

异常工况的判断建立在装置操作人员判断异常工况的实际流程上，本专利采用CLIPS这一专家系统语言，并根据异常工况实际分析过程需要的逻辑关系，包括：与、或、非、原因、后果、基本数学运算的符号，建立了异常工况判断分析推理组态环境，可以以图形化的方式针对某一异常工况进行组态建模。

以催化裂化装置中易出现的碳堆积问题为例，操作规程中列出的现象包括：

①再生烟气氧含量指示下降或回零，再生器稀密相温差下降。

②再生催化剂颜色变深，含炭量增加。

③再生烟气CO浓度增加，再生器旋分器压降上升。

④反应深度减小,富气量、液态烃量、汽油量减少，回炼油罐、分馏塔底液面上升，

⑤再生温度和反应温度下降,沉降器压力下降。

⑥严重时,两器藏量上升。

传统的异常工况识别方法是将上述的现象转换成专家规则，一旦达到相应的条件，即会出现提示该异常工况。而本专利将判断的整个过程，包括各个相关数据点的实时数据，逻辑关联关系等用图形化的组态建模方式建立并展示起来，使得操作人员不但了解是否发生了某种异常工况，而且更可以知道其中判断的依据。

异常工况组态建模环境是整个系统的核心，模型的合理性直接影响异常是否能够诊断出来、诊断出的结果是否正确。考虑到有些仪表既不可观测也不可控控制，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，在模型中的参数有三种类型的节点：可观测节点、分析节点和虚拟节点。可观测节点即从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运算得出的节点(+、-、*、/、乘方、开放、对数)。分析节点可由操作人员根据定时的质量分析数据来录入。组态建模环境中也包含了与、或、非等各种逻辑节点，工厂技术人员可以根据此组态建模环境组建上述的异常工况专家判断规则，并且可以根据工况的变化来及时调整该判断规则，从而实现了对异常工况自动识别与专家知识的积累。

异常工况的根原因分析需要综合其上下游及历史演变等多种关系。对于催化裂化装置的反再系统的碳堆积问题，操作规程中列出的可能原因包括：

①处理量大，原料性质突然变重。

②反应温度高，催化剂活性高，深度过大,生焦量增大。

③主风量太小，处理量过大，生焦量大于烧焦量。

④富氧流量小,进再生器氧含量低，未及时发现。

⑤再生温度过低，烧焦效果不好,再生剂含炭升高。

⑥催化剂循环量过大，烧焦时间不足。

⑦回炼油或回炼油浆量大,掺渣比例增大,生焦量增大。

⑧汽提蒸汽量小,汽提效果差。

处理这种复杂的逻辑关系方面我们采用的安全分析技术中故障树的逻辑分析推理方式，并且在建模组态中同样采用了基于CLIPS这一专家系统语言的组态建模环境，可以以图形化的方式针对某一异常工况的根原因分析进行组态建模(如图1所示)。

本专利中的故障根原因分析采用了故障树分析法，该方法是一种将系统故障形成原因按照树状结构逐层细化的图形演绎方法，常用于系统的故障分析、预测和诊断，并找出系统的薄弱环节，以便在设计、制造和使用中采取相应的改进措施。

利用故障树分析的方法是把系统中最不希望发生的状态作为系统故障的分析目标，然后再来找出导致这一状态的全部直接因素作为第二级，再来寻找造成第二级事件发生的全部直接因素，循此方法逐级向下演绎，一直追溯到引起系统发生故障的全部原因，即分析到不需要继续分析原因的事件为止。在故障树的分析中，把该最不希望发生的状态事件称为“顶事件”，无需再往下寻找直接因素的事件称为“基事件”，介于顶事件与基事件之间的所有事件称为“中间事件”。然后，把各级事件之间的逻辑关系用逻辑门与顶端事件相连，就建成了一颗以顶事件为根，中间事件为节，基事件为叶的倒置故障树。故障树模型包含系统所有的故障模式，保证了知识获取的完整性；同时可以对故障树进行定性、定量的分析，诊断结果较为准确。

顶事件的状态可以用故障树所有最小割集的状态来等价地表示，也可以用故障树的所有最小路集的状态来等价地表示。本项目综合最小路集和最小割集的方法来对故障树的诊断策略进行改进。改进后的诊断推理策略如下：

(1)首先根据故障树基事件的状态，将故障树分为可能故障基事件、正常基事件、未知基事件和故障基事件四种状态；

(2)如果含n个基事件的最小路集中有n-1个正常事件，那么剩下的一个事件必定是故障事件，将该故障事件放入故障基事件库中；如果所含正常基事件数小于n-1，则将非正常基事件放入可能故障基事件.如果一个最小割集中含有正常事件，则顶事件失效必定不是由该割集引发，可将该割集从等价树上删除，从而缩小诊断范围；

(3)利用故障树作最后判断。若最小割集等价树或门下的分支只剩下一个割集，则将此割集中的基事件均放入故障基事件库中，它们即为顶事件故障的所有故障源；反之，若最小割集等价树或门下不只一个割集，则从故障基事件库中取出事件与每一个剩下的割集进行匹配，完全匹配的割集则一定为故障源。

故障树的建立过程是一个循环反复的过程，在广泛吸取知识经验的基础上，对系统进行透彻地分析，多次修改、讨论，以尽可能地建立完善的故障树。

对于已知的“确定型”异常工况，建立装置的故障树，如图1所示的催化裂化装置的再生器的“碳堆积”故障树。该故障树关联了可观测节点，可观测点的变化在该图上有所反映。当发生碳堆积时，操作员可根据故障树，来判断发生异常的根本原因。

在实际生产过程中，当运行工况超出控制系统调整范围时，异常工况判断规则模型及时启动发现装置波动是什么异常工况造成的，并且根据根原因分析模型中某些参数点位的变化情况指出可能的根原因，在根原因分析的基础上，根据异常处置方案和装置安全操作导航提示，实时引导工艺或设备操作人员迅速对异常情况进行处置，辅助操作人员按照应急预案尽快纠正应急情况，使装置波动降低到最低程度，保障装置的安全平稳运行。

Claims (6)

1.一种化工过程异常工况因果关系推理模型建模与图形化展示方法，针对石化生产过程异常工况的故障模式与表现特点，采集控制系统的实时数据，在基于专家系统的基础上，建立与异常工况判断过程密切相关的专家规则模型，根据发生异常工况的根原因分析的模式，建立异常工况根原因分析的故障树逻辑推理模型，采用智能计算方法，通过对关键安全技术参数的阈值判断与特征提取，与建立的专家规则模型与故障树分析模型进行特征匹配，实现对生产工艺过程异常工况智能监测预警与根原因分析；其中，异常工况的判断建立在装置操作人员判断异常工况的实际流程上，采用CLIPS专家系统语言，并根据异常工况实际分析过程需要的逻辑关系，建立异常工况判断分析推理组态环境，以图形化的方式针对异常工况进行组态建模。

2.根据权利要求1所述化工过程异常工况因果关系推理模型建模与图形化展示方法，其特征在于所述智能计算方法包括工艺机理与聚类分析方法。

3.根据权利要求1所述化工过程异常工况因果关系推理模型建模与图形化展示方法，其特征在于所述异常工况进行组态建模模型中的参数有三种类型的节点：可观测节点、分析节点和虚拟节点；可观测节点从控制系统读取数据，虚拟节点应用别的可观测节点通过数学运算得出的节点，分析节点由操作人员根据定时的质量分析数据来录入。

4.根据权利要求1所述化工过程异常工况因果关系推理模型建模与图形化展示方法，其特征在于所述组态建模环境中包含了与、或、非的逻辑节点，工厂技术人员根据此组态建模环境组建上述的异常工况专家判断规则，并且可以根据工况的变化来及时调整该判断规则，从而实现了对异常工况自动识别与专家知识的积累。

5.根据权利要求1所述化工过程异常工况因果关系推理模型建模与图形化展示方法，其特征在于所述故障树逻辑推理模型中顶事件的状态诊断综合了最小路集和最小割集的方法，首先根据故障树基事件的状态，将故障树分为可能故障基事件、正常基事件、未知基事件和故障基事件四种状态；如果含n个基事件的最小路集中有n-1个正常事件，那么剩下的一个事件必定是故障事件，将该故障事件放入故障基事件库中；如果所含正常基事件数小于n-1，则将非正常基事件放入可能故障基事件；如果一个最小割集中含有正常事件，则顶事件失效必定不是由该割集引发，可将该割集从等价树上删除，从而缩小诊断范围；最后利用故障树作最后判断，若最小割集等价树或门下的分支只剩下一个割集，则将此割集中的基事件均放入故障基事件库中，它们即为顶事件故障的所有故障源；反之，若最小割集等价树或门下不只一个割集，则从故障基事件库中取出事件与每一个剩下的割集进行匹配，完全匹配的割集则一定为故障源。

6.根据权利要求1所述化工过程异常工况因果关系推理模型建模与图形化展示方法，其特征在于所述逻辑关系包括：与、或、非、原因、后果、基本数学运算，并且以可组态的逻辑运算符形式，根据判断异常工况发生及原因分析过程的专家规则，完成对异常工况识别与故障根原因分析的组态建模工作。