化工过程运行故障的诊断系统
技术领域
本发明涉及数据处理技术领域,具体地涉及一种化工过程运行故障的诊 断系统。
背景技术
石化生产过程大多是高温高压、易燃易爆、介质有毒有害,一旦发生事 故会对自然环境和社会公共安全产生巨大危害。因此,加强石化过程的安全 高效管理是石化行业可持续性发展的必要条件。
目前,我国石化行业异常工况诊断与安全优化运行缺乏集成化的软件与 系统,距离智能化风险管控还有很大差距。造成石化过程工艺异常诊断与安 全优化运行困难的关键问题主要包括:(1)生产过程数据多源,发生的异常 工况又具有隐蔽性强、涉及因素多等特点,装置操作人员很难快速、准确地 发现异常征兆,易造成误判甚至误操作;(2)石化生产过程变量变化时序具 有强烈相关性,其故障往往不是一个简单的报警信号,而是一组变量信号的 时序模式组合,报警数量的众多和无序使得大规模复杂系统的实时监控和故 障诊断效果不理想;(3)工业现场实时监控单元往往处于独立的工作状态, 缺少有效的信息融合机制,全局信息表现能力差,无法满足复杂环境中异常 工况识别与根因分析的需求。
因此,集成开发具有深度故障诊断、局部与全局性能评估的技术从而提 高石化过程的安全高效运行水平,是迫切需要解决的问题,对推动石化企业 的“智能制造”具有重大的现实意义。
发明内容
本发明的目的是提供一种化工过程运行故障的诊断系统,其可为装置的 深层故障识别与工艺健康诊断提供系统化的解决方案。
为了实现上述目的,本发明一方面提供一种化工过程运行故障的诊断系 统,该诊断系统包括:异常参数识别装置,用于识别所述化工过程中的运行 数据中的异常参数;故障根源识别装置,用于基于所述运行数据中的异常参 数,识别相应的故障根源;以及健康诊断装置,用于基于所述运行数据中的 预设特征参数,对所述化工过程中的工艺运行状态进行定量的健康诊断。
可选的,所述异常参数识别装置用于识别所述化工过程中的运行数据中 的异常参数包括:采用统计与专家知识融合的报警评估技术识别所述化工过 程中的运行数据中的异常参数。
可选的,所述故障根源识别装置包括:类型确定模块,用于基于所述运 行数据中的异常参数,确定所述异常参数的类型,其中,所述异常参数的类 型包括:报警参数及异常偏离参数;以及故障根源识别模块,用于基于所述 异常参数的类型及相应的传递路径,采用不同的方法识别相应的故障根源。
可选的,所述故障根源识别装置包括:类型确定模块,用于基于所述运 行数据中的异常参数,确定所述异常参数的类型,其中,所述异常参数的类 型包括:工艺报警参数、工艺异常偏离参数、控制回路报警参数及控制回路 异常偏离参数;以及故障根源识别模块,用于基于所述异常参数的类型及相 应的传递路径,采用不同的方法识别相应的故障根源。
可选的,所述故障根源识别模块用于基于所述异常参数的类型及相应的 传递路径,采用不同的方法识别相应的故障根源包括:基于所述工艺报警参 数,采用因果分析方法、时延相关法或传递熵分析法分析相应的传递路径以 识别相应的故障根源;基于所述工艺异常偏离参数,采用符号有向图模型分 析相应的传递路径以识别相应的故障根源;和/或基于所述控制回路报警参数 和/或所述控制回路异常偏离参数,采用基于数据的功率谱独立源成分分析方 法及基于格兰杰因果检验的故障波动传播路径和根源分析方法分析相应的 传递路径以识别相应的故障根源。
可选的,所述故障根源识别装置包括:故障模式确定模块,用于基于所 述运行数据中的异常参数,确定所述异常参数的故障模式;异常工况确定模 块,用于基于所述异常参数的故障模式及相应的特征参数,确定异常工况; 以及故障根源分析模块,用于基于所确定的异常工况,分析相应的故障根源。
可选的,所述故障模式确定模块用于基于所述运行数据中的异常参数, 确定所述异常参数的故障模式包括:基于所述运行数据中的异常参数,采用 双相干频谱分析方法、基于卷积神经网络-深度自编码器的故障识别方法和/ 或动态时间规整算法及PCA算法确定所述异常参数的故障模式其中,所述 异常参数的故障模式包括控制阀故障、化工过程工艺运行故障及开停车过程 工艺故障。
可选的,所述健康诊断装置用于基于所述运行数据中的预设特征参数, 对所述化工过程中的工艺运行状态进行定量的健康诊断包括:基于所述化工 过程中的运行数据中的预设特征参数,采用基于概率分布的非线性控制性能 监控方法、基于过程能力指数的操作质量分析及基于质量控制图的过程状态 评估中的任一者对所述化工过程中的工艺运行状态进行定量诊断。
可选的,该诊断系统还包括:剔除装置,用于在执行所述识别所述化工 过程中的运行数据中的异常参数的步骤之前,采用离群点剔除检测算法剔除 所述运行数据中的离群点,其中,所述离群点剔除检测算法包括基于距离的 离群点检测算法、k-近邻离群点挖掘算法及局部异常因子算法。
相应地,本发明又一方面还提供所述化工系统包括所述的化工过程运行 故障的诊断系统。
通过上述技术方案,本发明创造性地根据所述化工过程中的运行数据总 的异常参数,识别相应的故障根源,并且根据所述运行参数中的预设特征参 数对工艺运行状态进行定量的健康诊断,从而实现了装置的深度故障诊断和 工艺运行状态的全局性能评估。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与 下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在 附图中:
图1是本发明一种实施方式提供的化工过程运行故障的诊断方法的流程 图;
图2是本发明一种实施方式提供的基于统计与专家知识的报警评估示意 图;
图3是本发明一种实施方式提供的识别故障根源的流程图;
图4是本发明一种实施方式提供的某储罐系统的符号有向图的示意图;
图5是本发明一种实施方式提供的识别故障根源的流程图;
图6是本发明一种实施方式提供的获取CNN-DAE故障诊断模型的示意 图;
图7是本发明一种实施方式提供的异常征兆判别与根因分析双向推理模 型的示意图;
图8是本发明一种实施方式提供的化工过程运行故障的诊断系统的结构 图;
图9是本发明一种实施方式提供的故障根源识别装置的结构图;以及
图10是本发明一种实施方式提供的故障根源识别装置的结构图。
附图标记说明
10 异常参数识别装置 20 故障根源识别装置
30 健康诊断装置 100 类型确定模块
110 故障根源识别模块 200 故障模式确定模块
210 异常工况确定模块 220 故障根源分析模块
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是, 此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明一实施例提供的化工过程运行故障的诊断方法的流程图。 如图1所示,本发明提供的化工过程运行故障的诊断方法可包括以下步骤: 步骤S101,识别所述化工过程中的运行数据中的异常参数;步骤S102,基 于所述运行数据中的异常参数,识别相应的故障根源;以及步骤S103,基 于所述运行数据中的预设特征参数,对所述化工过程中的工艺运行状态进行 定量的健康诊断。
目前,所述化工过程主要针对连续生产的化工过程,如乙烯装置、环己 酮装置、己内酰胺装置,以及常减压、催化裂化等绝大多数炼油装置。由于 石化生产现场的过程数据具有点位多、噪音高、时序错乱等特点,故需要解 决多源&多元数据的预处理问题,实现去伪存真。工业现场中采集的过程生 产数据很难对每一个数据进行具体的标识,所以采用无监督离群点剔除算法 来剔除数据中的离群点(异常点)。具体的,在执行所述识别所述化工过程 中的运行数据中的异常参数的步骤之前,采用离群点剔除检测算法剔除所述 运行数据中的离群点,其中,所述离群点剔除检测算法包括DB(p,D)-离群点 检测算法(基于距离的离群点检测算法)、k-近邻离群点挖掘算法及局部异 常因子(LOF)算法(例如,基于密度的LOF检测方法)。
对于步骤S101,识别所述化工过程中的运行数据中的异常参数。
在剔除所述运行数据中的离群点之后,采用统计与专家知识融合的报警 评估技术识别所述化工过程中的运行数据中的异常参数。
具体的,参数报警是异常工况的第一征兆,有效的报警是发现异常工况 及排除事故隐患的直接手段。为了减少生产数据中存在的大量干扰报警、突 出重要报警,本实施例采用统计与专家知识融合的报警评估技术,例如,Top N高频报警分析、Top N震荡报警分析、TopN持续报警分析、Top N泛滥报 警分析、报警优先级分析等,查找并消除由于报警设置不合理、仪表损坏、 工况变更等造成的干扰报警,从而提升报警系统的性能,为异常工况识别提 供更好的第一特征。
干扰报警消除后,可以以平均报警率和最大报警率为基础,进行报警系 统性能等级评估,由此,来反映装置的无效报警是否降低到了一个可以接受 的水平,从而有效地突出异常参数。具体的,按照平均报警率阈值/最大报警 率阈值划分报警系统性能等级:当平均报警率范围/最大报警率范围为(0-1) /(0-10)时,报警系统性能等级为A;当平均报警率范围/最大报警率范围 为(0-10)/(10-100)或(1-10)/(0-10)时,报警系统性能等级为B;当平均报警率范围/最大报警率范围为(0-10)/(100-1000)时,报警系统性能 等级为C;当平均报警率范围/最大报警率范围为(10-100)/(0-1000)或(0-100) /(1000-10000)时,报警系统性能等级为D;以及当平均报警率范围/最大 报警率范围为(100-1000)/(0-10000)时,报警系统性能等级为E。以图2 所示的报警系统等级评估结果为例,裂解工段所对应的报警系统等级为A; 急冷、分离、压缩工段及整改装置所对应的报警系统等级为B。当系统报警性能达到B级甚至A级时,可认为装置发生的报警都是有意义的报警,即 没有由于报警设置不合理、仪表损坏、工况变更等造成的干扰报警,从而这 些报警参数都可以作为异常参数。
对于步骤S102,基于所述运行数据中的异常参数,识别相应的故障根 源。
当化工系统发生异常时,最能反映该异常的某一个或某几个参数产生的 报警可能会引起相关参数的变动,导致该系统在短时间内产生大量的报警。 如果在这些大量报警信息中找到根源报警,则能为操作人员提供有效的辅助。
一方面,基于反映异常的一个或某几个参数,可通过分析所述参数的传 递路径直接确定故障根源。
对于所述步骤S102,其可具体包括:基于所述运行数据中的异常参数, 确定所述异常参数的类型;基于所述异常参数的类型及相应的传递路径,采 用不同的方法识别相应的故障根源。其中,所述异常参数的类型包括:报警 参数及异常偏离参数。具体的,所述报警参数为每个发生报警的参数,即超 过了报警限值;所述异常偏离参数为可能没有发生报警,但偏离相应的安全 阈值达到预设范围的参数,该安全阈值一般稍低于报警限值,即在报警上下 限以内。
对于所述步骤S102,如图3所示,其可具体包括如下步骤:
步骤S301,基于所述运行数据中的异常参数,确定所述异常参数的类 型。
更进一步地,按照参数来源的种类划分,又可将报警参数(或异常偏离 参数)细分为工艺报警参数(或工艺异常偏离参数)(如压力、温度、流量 等)、控制回路报警参数(或控制回路异常偏离参数)(如轴温、振动、位移 等)、设备报警参数(或设备异常偏离参数)(如设定值、测量值、输出值、 操作模式(自动/手动))等。当然,本发明并不限于根据上述三种参数来源 对报警参数(或异常偏离参数)进行细分,其他任何合理的参数来源也是可 行的。
步骤S302,基于所述异常参数的类型,采用相应的分析方法来分析所 述异常参数的传递路径,从而识别相应的故障根源。
下面针对其中四种不同的参数类型,对故障根源的识别过程进行描述。
1、基于所述工艺报警参数,采用因果分析方法、时延相关法或传递熵 分析法分析相应的传递路径以识别相应的故障根源。其中,所述传递熵分析 方法包括:因果分析方法、时延相关法或传递熵分析法,其具有良好的因果 关系发现能力和根源推理能力,能够在发生报警泛滥之前为操作员提供报警 根源信息,从根源上解决报警泛滥对操作员的干扰。
2、基于所述工艺异常偏离参数,采用符号有向图模型分析相应的传递 路径以识别相应的故障根源。在人工智能领域,称符号有向图模型为深层知 识模型,运用符号有向图模型揭示复杂系统的变量间内在因果关系及影响, 是定性仿真的一个重要分支。具体的,构建定量符号有向图模型,利用符号 有向图的双向推理能力进行传递路径的搜索,找到偏离发生的根原因。同时, 结合风险发生的严重等级、频率等级,计算风险的发生概率以及严重度,得 到各个可能性风险的排队序列。
以图4所示的某储罐系统的符号有向图模型为例进行说明。在该模型中, 进口阀门开度对进口阀门流量是正影响,进口阀门流量对储罐液位也是正影 响;出口阀门开度对出口阀门流量是正影响,而出口阀门流量对储罐液位是 负影响。由此,从图4中可以推理出,若储罐液位下降,有可能是进口阀门 开度下降导致进口阀门流量减小,也可能是出口阀门开度增大导致的出口阀 门流量增大。
3、基于所述控制回路异常参数(控制回路报警参数、或控制回路异常 偏离参数),采用基于数据的功率谱独立源成分分析方法及基于格兰杰因果 检验的故障波动传播路径和根源分析方法分析相应的传递路径以识别相应 的故障根源。
首先,对基于数据的功率谱独立源成分分析方法进行介绍。
石化装置生产过程中,存在着成千上万的数据监测点,监视当前的装置 的运行状态。波动是影响装置操控性能的主要影响因素之一,确定波动源将 有助于设备检修和提高设备性能。假定装置的波动由于多个波动源波动引起 的,其直观表现为装置的一系列相关参数的存在相关联的波动。采用基于数 据的功率谱独立源成分分析(SpectralIndependent Component Analysis,SICA) 方法进行波动源分析。通过相关参数的波动,计算出各独立源的波动情况。
功率谱分析方法将频域能分解成一系列类似频域和单峰值的独立成分, 不同成分包含不同的峰值。可以在频域上分析出主要的波动因素,分离出扰 动干扰。功率谱相近的参数可以合并为一个独立源。在独立源成分分析(ICA) 模型中,数据矩阵X为在某频率范围内的单边功率谱P(f),频率段由观察值 采样频率值的一半决定。对过程参数信号进行离散傅里叶变换,得到其功率 谱。
SICA中的数据矩阵X表达式为:
式(1)中:X=[x1,x2,…,xn]′是所有观测值组成的矩阵,S=[s1,s2,…,sn]′是 非高斯独立成分组成的矩阵,A=[a1,a2,…,an]是混合矩阵。
矩阵X中每一个独立成分sj′(j=1,…,n)的量值由对应的系数列向量aj(j =1,…,n)决定。独立成分sj′在第i个过程被控变量中的量值由对应的aij决定, aij值越大,独立成分sj′在第i个过程被控变量中的含量越高,即独立成分sj′ 对第i个过程被控变量的影响越大。
采用成分相关比指标(CRR)表示每个独立成分在所有观测数据中所占 的比重,定义为:
计算所有独立成分的CRR指标,指标值越大,说明该独立成分的影响 越大。计算显著性指标时,如果多个独立成分在功率谱图上的位置非常接近 (如间隔小于频率范围的1%),则可以合并这些独立成分对应的过程变量, 组成新的独立成分。
具体应用时,首先基于实际运行参数求取整个装置所有独立成分的CRR 指标,筛选出CRR值最大的独立成分;然后求取各控制回路对应此独立成 分的量值aij,系数aj值最大的控制回路是主要干扰源。
其次,在SICA分析确定具有最大CRR值的独立成分的基础上,采用基 于格兰杰因果检验的故障波动传播路径和根源分析方法,进一步确定故障传 播的路径并定位故障源。
格兰杰因果关系检验假设了有关y和x每一变量的预测的信息全部包含 在这些变量的时间序列之中。检验要求估计以下的回归:
式(3)、(4)中:u1t和u2t为白噪音,假定u1t和u2t不相关;q和s为滞后 期长度,其最大值为回归模型的阶数;α、β、λ、σ为xt与yt分别对于xt-i与yt-i的相关性系数。
下面将分四种情形对上述两个公式进行讨论:
(1)x是引起y变化的原因,即存在由x到y的单向因果关系。若式(3) 中滞后的x的系数估计值在统计上整体的显著不为零,同时式(4)中滞后 的y的系数估计值在统计上整体的显著为零,则称x是引起y变化的原因。
(2)y是引起x变化的原因,即存在由y到x的单向因果关系。若式(4) 中滞后的y的系数估计值在统计上整体的显著不为零,同时式(3)中滞后 的x的系数估计值在统计上整体的显著为零,则称y是引起x变化的原因。
(3)x和y互为因果关系,即存在由x到y的单向因果关系,同时也存 在由y到x的单向因果关系。若式(3)中滞后的x的系数估计值在统计上 整体的显著不为零,同时式(4)中滞后的y的系数估计值在统计上整体的 显著不为零,则称x和y间存在反馈关系,或者双向因果关系。
(4)x和y是独立的,或x与y间不存在因果关系。若式(3)中滞后 的x的系数估计值在统计上整体的显著为零,同时式(4)中滞后的y的系 数估计值在统计上整体的显著为零,则称x和y间不存在因果关系。
下面对格兰杰因果检验进行介绍,其步骤如下:
第一步,将当前的yt对所有的滞后项yt-j(j=1,…,q)及其他可能存在的变 量做回归(不包括x的滞后项xt-i(i=1,…,1)),得到残差平方和RSSR值。
第二步,在第一步的回归式中加入X的滞后项xt-i(i=1,…,q),再做回归, 得到残差平方和RSSUR值。
第三步,零假设H0:αi=0(i=1,…,q),即x的滞后项xt-i(i=1,…,q)不属于 此回归,并用F检验来检验零假设,公式为
式(5)中:n为样本容量,q为x的滞后期长度,k为在第一步的回归式中 待估参数的个数。该式(5)遵循自由度为q和(n-k)的F分布。
在计算F值时,采用邦弗伦尼校正法(Bonferroni correction)调整的显著 性水平α值,如果得到的F值超过临界Fα值,则拒绝零假设H0,此时x的 滞后项属于此回归,表明x是y的原因。如果不超过临界Fα值,则零假设 成立,滞后x项不属于此回归,表明x不是y的原因。此外,还可用F的对 数值来定量衡量x和y因果关系量值。
选取上述通过功率谱独立源成分分析的方法确定具有最大波动的独立 成分,求取各控制回路对该独立成分的贡献值aij,从中筛选出量值aj较大的 多个控制回路的参数。分别计算各参数间的格兰杰因果关系量值,并绘制各 参数间的因果关系图,进行各控制回路的故障波动传播路径和根源分析,确 定故障控制回路。
另一方面,若故障是由综合因素引起的,则基于反映异常的一个或某几 个参数,通过分析所述参数的传递路径也不能确定故障根源。
在上述情形下,对于所述步骤S102,如图5所示,其可具体包括如下 步骤:
步骤S501,基于所述运行数据中的异常参数,确定所述异常参数的故 障模式。
其中,所述异常参数的故障模式可包括控制阀故障、化工过程工艺运行 故障和/或开停车过程工艺故障。
具体地,确定所述异常参数的故障模式主要包括以下三种情形:
第一种情形:为了识别控制阀故障,开发了控制回路性能评估技术。在 此基础上,通过运用双相干频谱分析方法,分析控制阀的实际开度值(OP) 与实际输出值(PV)在频域上的差异,并以皮尔逊积矩相关系数作为定量的 评估指标,实现控制阀控制性能的定量评估,找到存在问题的控制阀。
第二种情形:为了识别化工过程工艺运行故障,可根据装置的复杂情况 和运行特点,采用基于定量数学模型的方法、基于知识的方法或基于数据驱 动的方法进行诊断。随着大数据的积累,还可采用基于深度学习的故障诊断 方法(如图6所示的卷积神经网络(Convolutional Neural Network,CNN)- 深度自编码器(Deep Auto-Encoder,DAE)的故障识别方法)进行诊断。因 此,可利用卷积神经网络强大的降维能力和深度自编码器优秀的分类能力来 提高故障诊断的准确率。
具体地,由于卷积神经网络的卷积层和池化层都具有降低维度且可从局 部区域提取特征等的特点,故首先将预处理后的样本数据输入到CNN进行 降维和特征提取,再连接DAE,进行进一步的特征提取和分类。如图6所 示,CNN-DAE模型的建立过程如下:
(1)使用训练样本对CNN-DAE进行无监督训练和有监督调优。
样本先进入CNN的卷积层、激活层、池化层等隐含层进行特征提取, 然后通过一个全连接层将多维数据转化为一维数据作为DAE隐藏层的输入, 从而实现CNN与DAE的连接。其中,DAE至少包括两个隐含层、一个softmax 层。最后,通过DAE进行分类,实现无监督训练。将无监督训练结果与训 练标签对比之后,对网络模型的权重和偏置进行调优,实现有监督调优。这 样,就完成一次迭代过程,每次迭代可得到一个CNN-DAE模型。
(2)每经过数次迭代之后,需要使用测试数据对数个CNN-DAE模型 的性能进行检测,并记录模型故障诊断准确率。
(3)根据故障诊断准确率,来选出性能最佳的模型所对应的模型参数 (如节点数等),即完成模型参数调整。
迭代次数通常先根据经验设定一个较小的值,其最终值通过故障诊断准 确率的变化趋势来确定。当其不再随迭代次数的增大而增大时,迭代次数即 可确定,建模过程完成。否则,继续增大迭代次数,重新进行网络设计。
通过以上训练过程获得的CNN-DAE故障诊断模型可用于实时在线检测 化工过程工艺运行故障。
第三种情形:为了识别开停车过程工艺故障,采用动态时间规整(DTW) 算法及PCA算法进行诊断。
具体地,针对开停车过程的强非线性特性,提出通过动态模型,利用 DTW算法除去其开停车过程变量的非稳态特性,变非稳态为稳态,然后结 合PCA算法进行故障诊断。
步骤S502,基于所述异常参数的故障模式及相应的特征参数,确定异 常工况。
步骤S503,基于所确定的异常工况,分析相应的故障根源。
针对复杂故障模式的多变性与耦合性,融合工艺机理与专家知识,构建 了异常征兆判别与根因分析双向推理引擎,通过对关键安全技术参数的阈值 判断与特征提取,在双向推理引擎中实现对生产工艺过程异常工况智能监测 预警与根因分析,从而实现在不同操作工况下异常模式的解耦与识别。
具体地,如图7所示,结合步骤S501诊断得出的故障:碱浓度分析取 样带黄油、三段碱浓度异常、反应器床层温度下降45-65度、塔顶酸性气体 在线分析偏高或反应器床层温差下降等故障中的至少一者,可判断得出通过 出现碱洗效果变差。再结合管网压力波动及氢气进气量下降的现象可综合判 断得出异常工况为“碱洗失效、催化剂中毒”。也就是说,根据实时数据的 变化,来判断条件是否触发,一步一步推导出是否是“碱洗失效、催化剂中 毒”这种异常工况。
然后,双向推理引擎根据所确定的异常工况“碱洗失效、催化剂中毒”, 可分析根原因为碱液带黄油、裂解气中酸性气体含量异常及碱洗塔三段碱循 环量偏低,且主要的根原因为碱液带黄油。并且,在异常工况识别完成后, 结合专家系统,可提出有针对性的解决措施,例如,排出黄油;酸性气体分 析、原料排查;检测循环泵运行情况(如出口压力)等,以供操作人员参考。
步骤S103,基于所述运行数据中的预设特征参数,对所述化工过程中 的工艺运行状态进行定量的健康诊断。
基于所述化工过程中的运行数据中的预设特征参数,采用基于概率分布 的非线性控制性能监控方法、基于过程能力指数(Process Capability Index)的 操作质量分析方法及基于质量控制图的过程状态评估方法中的任一者对所 述化工过程中的工艺运行状态进行定量诊断。
下面以基于过程能力指数的操作质量分析方法为例,对工艺运行状态的 定量诊断过程进行描述。其中,所述过程能力指数表示某个过程或某个变量 满足要求的质量标准程度。所述过程能力指数主要以两个参数Cp、Cpk来 衡量,从而综合地反映化工过程的整体工艺健康状态。
现实生产中的过程近似服从正态分布,由统计学得知,过程输出特性落 在[μ-3σ,μ+3σ]区间外的概率仅有0.27%,即属于小概率事件,所以我们把6σ 视为自然范围,其中,μ是正态分布的位置参数(或过程中心);σ是正态 分布的尺度参数(或标准差)。参数Cp通过下式计算得到:
Cp=(Tu-Tl)/6σ=T/6σ (6)
上式(6)中,Tu和Tl分别代表质量特性的上、下限。一般情况下标准差σ越 小,Cp值越大。过程能力指数Cp是描述过程能力的重要指标。过程能力指 数Cp是假设过程输出的均值与规范中心重合时的过程能力,当过程的输出 均值移向规范中心时,即Cp指数只反映了过程的潜在能力,但大多数情况 下,过程输出的均值μ不与规范中心或目标值重合。所以,可通过计算Cpk 能更准确的衡量过程能力。
过程中心μ通常在规范限(Tl,Tu)之间,因此,参数Cpk可表示为计算公 式为:
Cpk=min[Tu-μ,μ-Tl]/3σ (7)
由上式(7)可知,当μ=(Tl+Tu)/2时,Cp=Cpk;当μ≠(Tl+Tu)/2时,Cpk<Cp, 所以Cpk也被称为实际过程能力指数。当上下限Tu、Tl都给定,Cp有意义, 可以同时考虑Cp和Cpk两个指数,来对整个过程有比较全面的了解。
具体地,在上下限Tu、Tl都给定的情况下,基于从运行数据中提取的某 特征参数(例如,温度或压力等特征参数),按照上式(6)、(7)可计算 得到Cp、Cpk(展示在表1中)。此时,请注意表1中的Cpk值满足0.67>Cpk≥2.0 (并非常用的百分制),根据Cpk值的大小不能够直观地确定相应的工艺健康 状态,故可通过Cpk与操作指令指数值之间的预设对应关系,将所确定的Cpk 值转换为操作质量指数值,该操作质量指数值的范围为(0,100),如表1所示。其中,所述预设对应关系为
由此,通过操作质量指数值,可非常直观地确定化工过程的工艺健康状态。
等级 |
Cpk值 |
操作质量指数值 |
工艺健康状态 |
A++ |
Cpk≥2.0 |
98-100 |
特优 |
A+ |
2.0>Cpk≥1.67 |
90-98 |
优 |
A |
1.67>Cpk≥1.33 |
75-90 |
良 |
B |
1.33>Cpk≥1.0 |
60-75 |
一般 |
C |
1.0>Cpk≥0.67 |
50-60 |
差 |
D |
0.67>Cpk |
0-50 |
不可接受 |
表1操作质量指数与工艺健康状态对应值
本发明实施例提出的化工过程运行故障的诊断方法,可从局部与全局性 能对故障进行深度诊断。具体地,从故障的最初征兆(报警)入手,通过异 常参数识别及异常参数传递路径分析故障根因,或者通过故障模式识别与诊 断及异常工况识别分析故障根因,最终再对工艺运行过程进行健康诊断,从 而为化工过程运行故障及异常的监测提供系统化的解决方案,填补相关领域 的空白。
综上所述,本发明创造性地根据所述化工过程中的运行数据总的异常参 数,识别相应的故障根源,并且根据所述运行参数中的预设特征参数对工艺 运行状态进行定量的健康诊断,从而实现了装置的深度故障诊断和工艺运行 状态的全局性能评估。
相应地,本发明实施例还提供一种化工过程运行故障的诊断系统,如图 8所示,该诊断系统可包括:异常参数识别装置10,用于识别所述化工过程 中的运行数据中的异常参数;故障根源识别装置20,用于基于所述运行数据 中的异常参数,识别相应的故障根源;以及健康诊断装置30,用于基于所述 运行数据中的预设特征参数,对所述化工过程中的工艺运行状态进行定量的 健康诊断。
可选的,所述异常参数识别装置10用于识别所述化工过程中的运行数 据中的异常参数可包括:采用统计与专家知识融合的报警评估技术识别所述 化工过程中的运行数据中的异常参数。
可选的,如图9所示,所述故障根源识别装置20可包括:类型确定模 块100,用于基于所述运行数据中的异常参数,确定所述异常参数的类型, 其中,所述异常参数的类型包括:报警参数及异常偏离参数;以及故障根源 识别模块110,用于基于所述异常参数的类型及相应的传递路径,采用不同 的方法识别相应的故障根源。
更进一步地,所述故障根源识别装置20可包括:类型确定模块100,用 于基于所述运行数据中的异常参数,确定所述异常参数的类型,其中,所述 异常参数的类型包括:工艺报警参数、工艺异常偏离参数、控制回路报警参 数及控制回路异常偏离参数;以及故障根源识别模块110,用于基于所述异 常参数的类型及相应的传递路径,采用不同的方法识别相应的故障根源。
具体地,所述故障根源识别模块110用于基于所述异常参数的类型及相 应的传递路径,采用不同的方法识别相应的故障根源可包括:基于所述工艺 报警参数,采用因果分析方法、时延相关法或传递熵分析法分析相应的传递 路径以识别相应的故障根源;基于所述工艺异常偏离参数,采用符号有向图 模型分析相应的传递路径以识别相应的故障根源;和/或基于所述控制回路报 警参数和/或所述控制回路异常偏离参数,采用基于数据的功率谱独立源成分 分析方法及基于格兰杰因果检验的故障波动传播路径和根源分析方法分析 相应的传递路径以识别相应的故障根源。
可选的,如图10所示,所述故障根源识别装置20可包括:故障模式确 定模块200,用于基于所述运行数据中的异常参数,确定所述异常参数的故 障模式;异常工况确定模块210,用于基于所述异常参数的故障模式及相应 的特征参数,确定异常工况;以及故障根源分析模块220,用于基于所确定 的异常工况,分析相应的故障根源。
可选的,所述故障模式确定模块200用于基于所述运行数据中的异常参 数,确定所述异常参数的故障模式可包括:基于所述运行数据中的异常参数, 采用双相干频谱分析方法、基于卷积神经网络-深度自编码器的故障识别方 法和/或动态时间规整算法及PCA算法确定所述异常参数的故障模式,其中, 所述异常参数的故障模式包括控制阀故障、化工过程工艺运行故障及开停车 过程工艺故障。
可选的,所述健康诊断装置30用于基于所述运行数据中的预设特征参 数,对所述化工过程中的工艺运行状态进行定量的健康诊断可包括:基于所 述化工过程中的运行数据中的预设特征参数,采用基于概率分布的非线性控 制性能监控方法、基于过程能力指数的操作质量分析及基于质量控制图的过 程状态评估中的任一者对所述化工过程中的工艺运行状态进行定量诊断。
另外,所述诊断系统还可包括:剔除装置,用于在执行所述识别所述化 工过程中的运行数据中的异常参数的步骤之前,采用离群点剔除检测算法剔 除所述运行数据中的离群点,其中,所述离群点剔除检测算法包括基于距离 的离群点检测算法、k-近邻离群点挖掘算法及局部异常因子算法。
有关本发明提供的化工过程运行故障的诊断系统的具体细节及益处可 参阅上述针对化工过程运行故障的诊断方法的描述,于此不再赘述。
相应地,本发明又一方面还提供一种机器可读存储介质,所述机器可读 存储介质上存储有指令,该指令用于使得机器执行上述的化工过程运行故障 的诊断方法。
所述机器可读存储介质包括但不限于相变内存(相变随机存取存储器 的简称,Phase Change Random Access Memory,PRAM,亦称为RCM/PCRAM)、 静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的 随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体(Flash Memory)或其他内存技术、只读光盘只读 存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备等各种可以存储程序代码的介质。
相应地,本发明还提供一种化工系统,所述化工系统可包括所述的化工 过程运行故障的诊断系统。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限 于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明 的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征, 在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的 重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其 不违背本发明的思想,其同样应当视为本发明所公开的内容。