CN108681653A - 基于动态子空间高阶累积量分析的天然气净化过程异常监测方法 - Google Patents

Abstract

本发明公开了一种基于动态子空间高阶累积量分析的天然气净化过程异常监测方法，该监测方法按如下步骤进行：(1)选取所监测的高含硫天然气净化脱硫生产过程中的工艺参数；(2)采集天然气净化过程中所述工艺参数的正常工况下数据；(3)对数据进行预处理；(4)构建基于动态子空间高阶累积量分析的模型，计算正常工况下的总体独立分量三阶累积量HS与总体残差三阶累积量HE，并用核密度估计获得其控制限；(5)在线获取高含硫天然气净化脱硫生产过程中所述工艺参数运行工况下数据，重新输入模型计算统计量，判断所得统计量是否超出控制限，若超限则发生异常工况，否则正常。本方法能够及时检测故障发生，有效降低漏报率和误报率。

Description

基于动态子空间高阶累积量分析的天然气净化过程异常监测 方法

技术领域

本发明涉及高含硫天然气脱硫生产过程故障检测与诊断技术，具体为一种基于动态子空间高阶累积量分析的天然气净化过程异常监测方法。

背景技术

我国高含硫气藏资源丰富，累计探明储量逾1×10¹²m³，开发潜力巨大。此类气田酸性组分含量高达普通气田的数十倍，并且所含剧毒成分硫化氢 (Hydrogen sulfide,H₂S)对集采设施、管线及净化装置都会造成强烈腐蚀，安全开发风险极高。一旦生产过程出现故障，导致酸性气体泄漏，将会造成严重的人员伤亡和环境污染事故。因此，高含硫天然气净化过程的实时监控对于保证系统可靠运行、实现安全生产具有重要意义。

对于此类化工过程，变量统计过程监测(MSPM)方法因无需精准数学模型而在此监控领域备受关注。近几年来，MSPM及其衍生算法也有针对性的解决了关于非线性、动态、非高斯等不同特性的故障监测问题。其中高阶累积量分析(HCA)方法在独立分量分析(ICA)方法的基础上，采用独立分量和残差矩阵的三阶累积量重新构造统计指标进行检测，大大提高了非高斯过程故障的监测率。然而HCA属于静态算法，会因无法有效识别和反馈工况参数上的动态相关性而存在过程监测误报警问题。

发明内容

鉴于上述问题，本发明的目的是提供一种基于动态子空间高阶累积量分析的天然气净化过程异常监测方法，其能够及时检测故障发生，降低误报率和漏报率，消除正常工况下的误报警。

本发明技术方案如下：

一种基于动态子空间高阶累积量分析的天然气净化过程异常监测方法，其特征在于，该监测方法按如下步骤进行：

步骤1：选取所监测的高含硫天然气净化脱硫生产过程中的m个工艺参数，其中，m＝26，各工艺参数分别为：x₁原料气中H₂S含量、x₂溶液循环量、 x₃贫MDEA溶液入塔压力、x₄吸收塔液位、x₅吸收塔压差、x₆湿净化气压力、 x₇湿净化气H₂S含量、x₈湿净化气CO₂含量、x₉闪蒸塔压差、x₁₀闪蒸气流量、 x₁₁闪蒸塔压力、x₁₂闪蒸塔液位、x₁₃MDEA活性炭过滤器压差、x₁₄贫富液换热器富液出口温度、x₁₅贫富液换热器贫液出口温度、x₁₆再生塔液位、x₁₇再生塔塔顶温度、x₁₈再生塔上部压力、x₁₉再生塔下部压力、x₂₀重沸器进口半贫液温度、x₂₁重沸器出口半贫液温度、x₂₂重沸器蒸汽压力、x₂₃重沸器蒸汽流量、 x₂₄酸气分离器压力、x₂₅酸气分离器液位、x₂₆酸水回流量；

步骤2：预设采样间隔时间，采集所述工艺参数的正常工况下数据，剔除误差样本后形成训练集x∈R^m×n；

步骤3：对步骤2所得的训练样本数据x∈R^m×n进行均值中心化以及标准化的数据处理；

步骤4：基于步骤3所得的训练样本数据，构建基于动态子空间高阶累积量分析的模型，计算在正常工况下的总体独立分量三阶累积量HS与总体残差三阶累积量HE，并通过核密度估计获得HS与HE统计量的控制限；

步骤5：在线获取高含硫天然气净化脱硫生产过程中的所述工艺参数的运行工况下数据，通过步骤4构建的基于动态子空间高阶累积量分析的模型，计算当前工况下的HS与HE统计量，分析统计量是否超出正常工况下控制限，若超限则发生异常工况，否则正常。

由于采用了上述技术方案，本发明具有如下有益效果：

本发明针对HCA方法未考虑数据间动态时序相关性问题，首先，建立动态子空间模型对数据进行时序上的动态扩展，将天然气净化过程视为动态系统，引入工况参数及其时间序列作为输入备选特征，进行时滞阶次分析，得到对应的动态扩展数据，再结合HCA方法验证动态子空间模型在处理净化过程数据动态相关性上的性能，本发明引入动态子空间模型，提高故障样本的处理能力，有效降低漏报率和误报率，实现对实际工业过程的在线监控，有利于保障故障安全。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明流程图；

图2为吸收塔拦液故障下各变量变化趋势图；

图3为吸收塔拦液故障下统计指标图。

具体实施方式

下面结合附图对本发明的实施例作进一步详细说明。

如图1所示的一种基于动态子空间高阶累积量分析的天然气净化过程异常监测方法按如下步骤进行：

步骤1：选取所监测的高含硫天然气净化脱硫生产过程中的m个工艺参数，其中，m＝26，各工艺参数分别为：x₁原料气中H₂S含量、x₂溶液循环量、 x₃贫MDEA溶液入塔压力、x₄吸收塔液位、x₅吸收塔压差、x₆湿净化气压力、 x₇湿净化气H₂S含量、x₈湿净化气CO₂含量、x₉闪蒸塔压差、x₁₀闪蒸气流量、 x₁₁闪蒸塔压力、x₁₂闪蒸塔液位、x₁₃MDEA活性炭过滤器压差、x₁₄贫富液换热器富液出口温度、x₁₅贫富液换热器贫液出口温度、x₁₆再生塔液位、x₁₇再生塔塔顶温度、x₁₈再生塔上部压力、x₁₉再生塔下部压力、x₂₀重沸器进口半贫液温度、x₂₁重沸器出口半贫液温度、x₂₂重沸器蒸汽压力、x₂₃重沸器蒸汽流量、 x₂₄酸气分离器压力、x₂₅酸气分离器液位、x₂₆酸水回流量。26个工艺参数见下表：

表1高含硫天然气净化过程主要操作变量及技术指标

步骤2：预设采样间隔时间，采集所述工艺参数的正常工况下数据，剔除误差样本后形成训练集x∈R^m×n；

步骤3：对步骤2所得的训练样本数据x∈R^m×n行均值中心化以及标准化的数据处理；

本实施例中，以一分钟的采样间隔时间采集正常工况下数据1440组，利用3σ法去除粗大误差样本，获得有效样本1173组。取其中前500组样本作为训练集，剩余673组作为测试集，用于测试算法性能。

步骤4：基于步骤3所得的500组训练样本数据，构建基于动态子空间高阶累积量分析模型，计算在正常工况下的总体独立分量三阶累积量HS与总体残差三阶累积量HE，并通过核密度估计获得HS与HE统计量的控制限。

所述步骤4包括：

步骤4.1：对正常工况下的样本预处理数据集x∈R^m×n，进行自回归模型分析，结合平行分析法利用自相关系数来确定整个模型动态时滞阶次h，动态时滞阶次h的计算方法为：

步骤4.1.1：初始化时滞阶次h，假设h＝0；

步骤4.1.2：选择原始矩阵对应u个最大主元；

步骤4.1.3：定义原始矩阵X新的关系数为：

r(h)＝(l+1)m-u (10)

步骤4.1.4：将扩展后的动态矩阵x(h)带入计算扩展后新的关系数为：

步骤4.1.5：判断若r_new(h)>0，设定h＝h+1，返回步骤4.1.2否则结束h＝h-1。

步骤4.2：对预处理数据进行动态扩展获得动态矩阵x(h)：

假设过程按多元AR(h)模型表示为：

x(k)＝β₁x(k-1)+β₂x(k-2)+…+β_hx(k-h)+ε_k (12)

其中，x(k)为模型变量，β₁,β₂,...,β_k为模型回归系数，ε_k为模型随机误差，h 为模型阶次，用x(k),x(k-1),...,x(k-h)组成的增广数据矩阵可以反映变量间动态关系，即：

其中在序列矩阵中，指在k时刻，m维的观测矢量。

步骤4.3：对获得的动态矩阵x(h)，运用独立分量分析求得分离矩阵W并重构独立元s矩阵；

x＝As,s＝Wx (14)

步骤4.4：将整个过程分为主导独立分量和模型残差两部分：

s_d＝W_dx (15)

其中，s_d为根据解混矩阵W行二范数降序选择的前d个主导独立分量矩阵，相应的W的行构成的子矩阵记作W_d，与其对应的混合子矩阵记为A_d，是x 在主导独立分量s_d上的投影。

步骤4.5：计算总体独立分量三阶累积量HS并用核密度估计其控制限；

对于过程独立分量空间s_d，在采样i处，第p个主导独立分量s_p的样本独立分量三阶累积量为：

hsp(i)＝s_p(i)s_p(i-1)s_p(i-2)

＝w_px(i)w_px(i-1)w_px(i-2) (17)

其中，w_p是解混矩阵W_d的第p行，p＝1,2,…,d。为了监测全部样本独立分量三阶累积量，进而定义总体独立分量三阶累积量HS为：

其中，mhs_p与vhs_p分别为hs_p的均值与标准差。用核密度估计其控制限记为l_HS。

步骤4.6：计算总体残差三阶累积量HE并用核密度估计其控制限记为l_HE。

对于模型残差空间e，在采样i处，模型对第q个变量的样本残差三阶累积量为：

he_q(i)＝e_q(i)e_q(i-1)e_q(i-2)

＝l_qx(i)l_qx(i-1)l_qx(i-2) (19)

其中，l_q是L的第q行，q＝1,2,…,m。为了监测所有样本残差三阶累积量，定义了总体残差三阶累积量HE为：

其中，mhe_q与vhe_q分别为he_q的均值与标准差。

步骤5：在线获取高含硫天然气净化脱硫生产过程中的所述工艺参数的运行工况下数据，通过步骤4构建的基于动态子空间高阶累积量分析的模型，计算当前工况下的HS与HE统计量，分析统计量是否超出正常工况下控制限，若超限则发生异常工况，否则正常。

在实际工业现场，相比误报警，漏报警更为重要，接下来以天然气净化过程中一个典型故障(拦液)为例验证算法对于故障工况的监测效果。异常工况检测分为离线训练和在线测试两个阶段。首先离线阶段采用1173组有效样本中前500组样本作为训练集，建立高阶累积量分析(HCA)和动态子空间高阶累积量(DHCA)模型，计算置信度为α＝99％下的控制限。生成剩余 673组拦液故障下的样本集作为测试集，用于测试算法性能。

本发明通过几组测试得到如下的技术效果：

图2为26个变量在拦液故障下的变化趋势图。故障于测试集的第301个样本点开始引入，其中变量5(吸收塔差压)发生了阶跃；变量10(闪蒸气流量)有明显的波动；变量12(闪蒸塔液位)和变量16(再生塔液位)均逐渐下降；其他各变量维持正常范围。

将测试数据输入模型计算HCA和DHCA算法统计量，并绘制监测统计图，结果如图3所示，图3a为HCA算法，图3bwei DHCA算法。从图3中可以看出，静态HCA模型在故障发生的时间段内，残差空间指标HE不能全面的监测出故障的发生，出现了大面积的漏检情况。而采用了动态矩阵的 DHCA方法，对于故障动态特性有了更好的监测性能，减少了故障数据的漏检率。而对于正常样本，HCA的独立分量空间指标也明显不如DHCA的监测效果好。

表2展示了两种算法检测率的比较。两种算法在独立空间指标HS上都取得了较低漏报率(MAR)。这表明，它们独立空间指标对故障样本具有较好的检测灵敏度。同样的，在残差空间监测指标HE上两种算法也都取得了较好的误检率(FAR)，表明残差空间指标对正常样本具有较好的检测灵敏度。尽管如此， DHCA的误简率和漏检率均低于HCA，表明在考虑动态相关性后，算法的监测性能确有提高。另一方面，与HCA相比，DHCA的HS FAR降低了36％。更值得一提的是，DHCA的HE MAR值显现出了比HCA优越很多的效果。综合表明，引入动态子空间模型可以提高故障样本的处理能力，保证故障的安全。

表2 HCA和DHCA故障检测效果对比

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (3)

1.一种基于动态子空间高阶累积量分析的天然气净化过程异常监测方法，其特征在于，该监测方法按如下步骤进行：

步骤1：选取所监测的高含硫天然气净化脱硫生产过程中的m个工艺参数，其中，m＝26，各工艺参数分别为：x₁原料气中H₂S含量、x₂溶液循环量、x₃贫MDEA溶液入塔压力、x₄吸收塔液位、x₅吸收塔压差、x₆湿净化气压力、x₇湿净化气H₂S含量、x₈湿净化气CO₂含量、x₉闪蒸塔压差、x₁₀闪蒸气流量、x₁₁闪蒸塔压力、x₁₂闪蒸塔液位、x₁₃MDEA活性炭过滤器压差、x₁₄贫富液换热器富液出口温度、x₁₅贫富液换热器贫液出口温度、x₁₆再生塔液位、x₁₇再生塔塔顶温度、x₁₈再生塔上部压力、x₁₉再生塔下部压力、x₂₀重沸器进口半贫液温度、x₂₁重沸器出口半贫液温度、x₂₂重沸器蒸汽压力、x₂₃重沸器蒸汽流量、x₂₄酸气分离器压力、x₂₅酸气分离器液位、x₂₆酸水回流量；

步骤2：预设采样间隔时间，采集所述工艺参数的正常工况下数据，剔除误差样本后形成训练集x∈R^m×n；

步骤3：对步骤2所得的训练样本数据x∈R^m×n进行均值中心化以及标准化的数据处理；

步骤4：基于步骤3所得的训练样本数据，构建基于动态子空间高阶累积量分析的模型，计算在正常工况下的总体独立分量三阶累积量HS与总体残差三阶累积量HE，并通过核密度估计获得HS与HE统计量的控制限；

步骤5：在线获取高含硫天然气净化脱硫生产过程中的所述工艺参数的运行工况下数据，通过步骤4构建的基于动态子空间高阶累积量分析的模型，计算当前工况下的HS与HE统计量，分析统计量是否超出正常工况下控制限，若超限则发生异常工况，否则正常。

2.根据权利要求1所述的基于动态子空间高阶累积量分析的天然气净化过程异常监测方法，其特征在于，所述步骤4包括：

步骤4.1：对正常工况下的样本预处理数据集x∈R^m×n，进行自回归模型分析，结合平行分析法利用自相关系数确定整个模型动态时滞阶次h；

步骤4.2：对预处理数据进行动态扩展获得动态矩阵x(h)：

过程按多元AR(h)模型表示为：

x(k)＝β₁x(k-1)+β₂x(k-2)+…+β_hx(k-h)+ε_k (1)

其中，x(k)为模型变量，β₁,β₂,...,β_k为模型回归系数，ε_k为模型随机误差，h为模型阶次，用x(k),x(k-1),...,x(k-h)组成的增广数据矩阵反映变量间动态关系：

其中在序列矩阵中，是指在k时刻，m维的观测矢量；

步骤4.3：对获得的动态矩阵x(h)，运用独立分量分析求得分离矩阵W并重构独立元s矩阵；

x＝As,s＝Wx (3)

步骤4.4：将整个过程分为主导独立分量和模型残差两部分：

s_d＝W_dx (4)

其中，s_d为根据解混矩阵W行二范数降序选择的前d个主导独立分量矩阵，相应的W的行构成的子矩阵记作W_d，与其对应的混合子矩阵记为A_d，是x在主导独立分量s_d上的投影；

步骤4.5：计算总体独立分量三阶累积量HS并用核密度估计其控制限；

对于过程独立分量空间s_d，在采样i处，第p个主导独立分量s_p的样本独立分量三阶累积量为：

hs_p(i)＝s_p(i)s_p(i-1)s_p(i-2)

＝w_px(i)w_px(i-1)w_px(i-2) (6)

其中，w_p是解混矩阵W_d的第p行，p＝1,2,…,d，为了监测全部样本独立分量三阶累积量，进而定义总体独立分量三阶累积量HS为：

其中，mhs_p与vhs_p分别为hs_p的均值与标准差，用核密度估计其控制限记为l_HS。

步骤4.6：计算总体残差三阶累积量HE并用核密度估计其控制限；

对于模型残差空间e，在采样i处，模型对第q个变量的样本残差三阶累积量为：

he_q(i)＝e_q(i)e_q(i-1)e_q(i-2)

＝l_qx(i)l_qx(i-1)l_qx(i-2) (8)

其中，l_q是L的第q行，q＝1,2,…,m。为了监测所有样本残差三阶累积量，定义了总体残差三阶累积量HE为：

其中，mhe_q与vhe_q分别为he_q的均值与标准差。

3.根据权利要求2所述的基于动态子空间高阶累积量分析的天然气净化过程异常监测方法，其特征在于，所述步骤4.1计算时滞后阶次h的方法为：

步骤4.1.1：初始化时滞阶次h，假设h＝0；

步骤4.1.2：选择原始矩阵对应u个最大主元；

步骤4.1.3：定义原始矩阵X新的关系数为：

r(h)＝(l+1)m-u (10)

步骤4.1.4：将扩展后的动态矩阵x(h)带入计算扩展后新的关系数为：

步骤4.1.5：判断若r_new(h)>0，设定h＝h+1，返回步骤4.1.2，否则结束h＝h-1。