CN111126671A - 一种炼油生产中初馏塔冲塔故障预警的方法 - Google Patents
一种炼油生产中初馏塔冲塔故障预警的方法 Download PDFInfo
- Publication number
- CN111126671A CN111126671A CN201911202632.5A CN201911202632A CN111126671A CN 111126671 A CN111126671 A CN 111126671A CN 201911202632 A CN201911202632 A CN 201911202632A CN 111126671 A CN111126671 A CN 111126671A
- Authority
- CN
- China
- Prior art keywords
- tower
- early warning
- fault
- primary
- flushing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (AREA)
Abstract
本发明公开了一种炼油生产中初馏塔冲塔故障预警的方法,该方法针对炼油过程惯性大、变化慢的特点,选择与冲塔故障相关的变量,提取过程中变化最缓慢的特征,即能表现该过程最本质变化的特征,建立故障预警模型。根据训练集计算控制限,并根据实时的在线监测数据构造待测样本,计算出瞬时统计量。在连续多个时刻两个统计量同时超限时开始故障预警;故障发生后,连续多个时刻未监测到故障时结束预警。该方法着眼于提取过程变化的本质特征,能够在故障发生前检测到故障,且预测误报率低,漏报率低,对炼油企业安全生产、提高经济效益具有重要作用。
Description
技术领域
本发明涉及工业过程故障检测,具体为一种基于数据驱动的面向原油蒸馏过程的初馏塔冲塔故障预警方法。
背景技术
炼油初始阶段,经过预处理的原油会被送入常压蒸馏装置的初馏塔,蒸馏出大部分轻汽油,该过程是整个炼油过程中的首要环节。
初馏塔冲塔故障作为炼油过程中的一种常见故障,往往会给炼油企业带来巨大经济损失。例如原油含水量大,进入初馏塔内的原油大量汽化,上升至塔顶造成塔内气相负荷大幅度增加,极易造成冲塔事故。所以,为减少企业损失,急需一种初馏塔冲塔故障的预警方法,对故障进行预警,以提前做好防范措施。
传统的定量故障检测方法可以分为基于解析模型和数据驱动的方法,近年来,工业生产规模逐渐庞大,流程复杂,难以获取真实的工业过程机理模型。随着计算机在工业过程中的应用,数据驱动的方法得到了快速发展与应用。冲塔作为炼油过程中的典型故障,其原因错综复杂,涉及到温度、压力、流量等多个变量。数据驱动的故障检测方法往往通过多个变量来检测故障,而温度、压力、流量等变量中本身就包含各种高频的噪声。此外,各种扰动导致了变量的不确定性变化。这种变量变化往往较快且并非反映过程的本质变化,给故障预警带来了十分不利影响。以主元分析(PCA)为代表的数据分析方法往往捕捉方差最大、变化最快的成分,极易受到噪声和扰动的影响导致误报、漏报。初馏塔作为炼油的典型过程,相较于化工过程,往往具有变化慢、惯性大的特点。找到过程中最本质的特征而非变化最剧烈的特征,排除噪声和扰动的影响,对初馏塔冲塔故障预警意义重大。
发明内容
针对上述问题,本发明公开一种炼油生产中初馏塔冲塔故障预警的方法,在故障发生之前,预测冲塔故障发生。
本发明具有以下步骤:
建立初馏塔冲塔故障预警模型,使用预警模型对初馏塔蒸馏过程进行实时监测,并进行预警。
其中,初馏塔冲塔故障预警模型的建立过程如下:
(1)选择与初馏塔冲塔故障相关的m个变量x1,x2,…,xm;
(2)从x1,x2,…,xm中选取N个连续时刻的正常蒸馏的样本;
(3)以每一时刻及其过去2个时刻的样本构成训练集U0:
并对U0的每一列进行零均值和单位方差处理,得到矩阵U;
(4)对U进行线性变换,并提取出最能表征初馏塔蒸馏过程本质的特征,具体步骤如下:
①对矩阵UTU进行特征值分解,使得:UTU=VΛVT,其中V为矩阵UTU的正交阵,Λ为其对角阵且特征值由小到大排列;
②定义矩阵Q=Λ-1/2VT;
⑤所求变换矩阵W=QTV2;
⑥求取各变量在所有时刻变化快慢程度的方差var1、var2……var3m,其中第i个变量在t时刻的变化速率定义为ui+1(t+Δt)-ui(t);
⑦计算var1、var2……var3m的上侧0.1分位点,记为v;
⑧计算Λ2中小于v的特征值的个数作为提取的本质特征数M。
(5)计算冲塔故障预警的控制限:
在建立好故障预警模型后,使用该模型对初馏塔蒸馏过程进行实时监测,步骤如下:
(1)选取待测时刻及其前2个时刻的样本,构造待测样本;
(2)使用训练集U0的列均值和方差对待测样本进行预处理,得到预处理后的待测样本up(t);
(3)使用W矩阵对待测样本进行变换:
s(t)=[s1(t) s2(t) … sm×(k+1)(t)]=up(t)*W
(4)提取前M个特征;
(5)根据训练集样本计算所有特征的变化快慢程度,选取最小的的M个λ组成由大到小排列的对角阵Λ3=[λ1 λ2 … λM]:
(6)计算初馏塔蒸馏过程中瞬时的T2和S2统计量:
T2=s1:M(t)s1:M(t)T (3)
(7)若连续10个时刻T2和S2统计量都超过控制限Tα 2、Sα 2,则表明发生了故障,监测到故障后,若连续10个时刻T2和S2统计量都未超过控制限,则结束预警。
有益效果:
本发明公开了一种炼油生产中初馏塔冲塔故障预警的方法,该方法针对炼油过程变化慢、惯性大的特点,提取该过程中变化最缓慢的特征,并将其用于建立在线冲塔故障预警模型,这些特征能反映过程的本质变化。相较于传统的故障检测方法,该方法提前了预警时间,且降低了故障漏报率和误报率。这对稳定炼油生产,保障生产安全,降低企业损失,提升经济效益,具有十分重要的意义。
附图说明
图1是炼油过程中初馏塔冲塔故障预警方法示意框图
图2是炼油过程中在线预警初馏塔冲塔故障的流程图
图3是某炼油企业发生的冲塔故障预警结果
具体实施过程
下面结合附图以及具体的算例,由详细的计算过程和具体的操作流程说明本方法在初馏塔故障预警过程中的实施效果。本实施案例在以本发明技术方案为前提下进行实施,但本发明的保护范围不限于下述的实施例。
本发明以某炼油企业的5号1000万吨/年常减压装置的炼油过程为例,该装置是原油加工的第一道工序,主要加工进口高硫低酸混合原油,原油进入装置后,通过与产品换热至135℃左右进入电脱盐罐进行脱盐脱水。脱后原油继续与产品换热到220℃进入初馏塔,从初馏塔中分离出各种组份。由于生产过程复杂,该企业冲塔故障时有发生。下面以2018年11月18日18时左右发生的初馏塔冲塔故障为例,介绍该方法的预警作用。
本方法的在线监测方法如图1所示,选取与冲塔故障相关的变量,通过建立故障预警模型,实现实时的初馏塔冲塔预警。
本实施案例流程如图2所示,具体的实施步骤如下:
(1)根据初馏塔结构,分析传感器的位置,选取相关的控制变量及测量变量,共选取7个相关变量:初馏塔进料压力、初馏塔进料温度、初馏塔顶压力、初顶冷回流量、初顶油孔板流量、初顶油气后冷器出口温度、初馏塔顶初顶油温度;
(2)选取11月14日到11月17日共4天的数据,采样间隔为1分钟,共计5759个样本;
(3)选取每一时刻及其过去2个时刻的样本,组成训练集样本,即变量个数为21,样本个数为5757,以此构造样本输入矩阵U;
(4)对U矩阵的每一列进行标准化处理,并记录列均值阵meanU和列标准差阵stdU,本例中,结果如表1所示:
表1各变量列均值及方差
序号 | 列均值 | 列标准差 |
1 | 0.36 | 0.005 |
2 | 0.36 | 0.005 |
3 | 0.36 | 0.005 |
4 | 0.38 | 0.005 |
…… | …… | …… |
18 | 44.07 | 1.961 |
19 | 141.23 | 1.395 |
20 | 141.23 | 1.395 |
21 | 141.22 | 1.395 |
(5)求取变换阵W,并计算所选取本质特征的个数M:
1)对矩阵UTU进行特征值分解,使得:UTU=VΛVT,其中V为矩阵UTU的正交阵,Λ为其对角阵且特征值由小到大排列;
2)定义矩阵Q=Λ-1/2VT;
5)所求变换矩阵为W=QTV2;
6)计算21个变量在所有时刻变化快慢程度,并求取方差,本过程中,各变量的变化快慢程度如表2所示:
表2各变量变化速率方差
序号 | 方差 |
1 | 0.005 |
2 | 0.005 |
3 | 0.005 |
4 | 0.002 |
…… | …… |
18 | 0.001 |
19 | 3.193e-5 |
20 | 3.191e-5 |
21 | 3.189e-5 |
7)计算各变量变化速率的上侧0.1分位点,并以此为界限,计算Λ2中小于该分位点的个数作为所选本质特征数M的取值,本例中的计算出的界限值为0.0383,M取值为7;(6)按照式(1)、式(2)计算Sα 2、Tα 2控制限,本例中的控制限为:
(7)对11月18日的样本从00:02开始,选取前两个时刻的样本与当前时刻组成新的输入样本,对接下来的每一时刻的样本做相同的处理;
(8)使用步骤(4)中列均值和列标准差对以上的样本做标准化处理;
(9)计算瞬时的T2和S2统计量,若连续10分钟这两个统计量都超限,则表明故障发生,需要发出预警;
(10)故障发生后,若连续十分钟内无故障发生,则结束预警。
该企业11月18日的预警结果如图3所示,由图3(a)可知,当日12:39开始,T2统计量开始连续超限,但此时S2并没有超限,这表明此时的***内发生了一些异常,但在***的控制调节作用下不足以导致故障。这是由于初馏塔进料温度和进料压力增大,导致初馏塔内气相增加,但由于控制***的反馈调节作用,控制初顶冷回流量加大,使控制***保持稳定,即***变量之间的固有关系没有改变。但从16:30左右开始,S2统计量连续超限,且两个统计量连续10个时刻同时超限,说明冷回流量的调节作用已经达到上限,但仍无法使***回归稳定生产,最终导致故障发生。本方法在16:40时开始预警,相比于人工发现时间,该方法下的预警时间足足提前了70多分钟,相较于传统的PCA方法,预警时间提前了10分钟。如图3(b)图所示,由于采用了连续10个时刻同时超限才预警的方式,显著降低了误报率。在故障发生后,由于***的不稳定,S2统计量也会降低到控制限之下,本方法中采取的连续10个时刻未监测到故障才会结束预警,使得在这一过程中能够持续预警。在这次故障发生之前,本方法成功预警,有利于企业迅速采取措施,以降低故障带来的损失。
Claims (10)
1.一种炼油生产中初馏塔冲塔故障预警的方法,其特征在于针对初馏塔工作过程,建立初馏塔冲塔故障预警模型并对故障进行实时预警,具有以下步骤:
(1)选择与初馏塔冲塔故障相关的m个变量x1,x2,…,xm;
(2)从x1,x2,…,xm中选取N个连续时刻的正常蒸馏样本,N为样本个数;
(4)对U0进行预处理得到训练集U;
(6)根据各变量在所有时刻变化快慢程度的方差,选取M个特征;
(7)根据选取的M个特征计算控制限Sα 2、Tα 2;
(8)选取待测时刻及其前k个时刻的样本,并进行预处理,得到待测样本up(t);
(9)使用W对up(t)进行变换,同样选取M个特征,计算每一时刻的S2和T2统计量;
(10)若连续h1个时刻的样本S2和T2统计量都超限,则表明监测到故障;
(11)若监测到故障,则开始预警,并于连续h2个非故障时刻后结束预警。
2.根据权利要求1所述的一种原油蒸馏过程初馏塔冲塔故障预警方法,其特征在于选取的变量为:初馏塔进料压力、初馏塔进料温度、初馏塔顶压力、初顶冷回流量、初顶油孔板流量、初顶油气后冷器出口温度、初馏塔顶初顶油温度。
3.根据权利要求1所述的一种原油蒸馏过程初馏塔冲塔故障预警方法,其特征在于选取的k为2,训练集样本表示形式如下:
u(t)=[x1(t-2Δt),x1(t-Δt),x1(t),x2(t-2Δt),x2(t-Δt),x2(t),…,xm(t-2Δt),xm(t-Δt),xm(t)]
xm(t)表示变量xm在t时刻的值,xm(t-△t)表示变量xm在过去1个时刻的值。
4.根据权利要求1所述的一种原油蒸馏过程初馏塔冲塔故障预警方法,其特征在于步骤(4)中对矩阵U0的每一列进行零均值和单位方差处理,得到U,并记录列均值阵meanU和列标准差阵stdU;在步骤(8)中,所述预处理为:通过列均值和列标准差对样本进行标准化处理。
6.根据权利要求5所述的一种原油蒸馏过程初馏塔冲塔故障预警方法,其特征在于M的选取过程如下:
(6-1)计算m个变量在所有(k+1)时刻变化速率的方差,var1、var2……var(m×(k+1));
(6-2)求取var1、var2……var(m×(k+1))的上侧0.1分位数作为界限值;
(6-3)计算Λ2中小于该界限值的特征值个数,作为M的取值。
8.根据权利要求1所述的一种原油蒸馏过程初馏塔冲塔故障预警方法,其特征在于样本经过变换后形式如下:
s(t)=[s1(t) s2(t) … sm×(k+1)(t)]=up(t)*W
选取前M个特征,得到监控模型:
s1:M(t)=[s1(t) s2(t) … sM(t)]。
10.根据权利要求1所述的一种原油蒸馏过程初馏塔冲塔故障预警方法,其特征在于所选h1为10,h2为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202632.5A CN111126671A (zh) | 2019-11-29 | 2019-11-29 | 一种炼油生产中初馏塔冲塔故障预警的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202632.5A CN111126671A (zh) | 2019-11-29 | 2019-11-29 | 一种炼油生产中初馏塔冲塔故障预警的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126671A true CN111126671A (zh) | 2020-05-08 |
Family
ID=70497179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911202632.5A Withdrawn CN111126671A (zh) | 2019-11-29 | 2019-11-29 | 一种炼油生产中初馏塔冲塔故障预警的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126671A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631258A (zh) * | 2020-12-29 | 2021-04-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
CN112947150A (zh) * | 2021-01-28 | 2021-06-11 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598681A (zh) * | 2015-01-14 | 2015-05-06 | 清华大学 | 基于缓慢特征分析的过程监控方法和*** |
CN108716398A (zh) * | 2018-06-21 | 2018-10-30 | 中国石油大学(北京) | 基于慢特征分析的控压钻井过程故障检测方法及装置 |
CN109978059A (zh) * | 2019-03-28 | 2019-07-05 | 南京富岛信息工程有限公司 | 一种原油蒸馏过程初馏塔冲塔故障预警方法 |
-
2019
- 2019-11-29 CN CN201911202632.5A patent/CN111126671A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598681A (zh) * | 2015-01-14 | 2015-05-06 | 清华大学 | 基于缓慢特征分析的过程监控方法和*** |
CN108716398A (zh) * | 2018-06-21 | 2018-10-30 | 中国石油大学(北京) | 基于慢特征分析的控压钻井过程故障检测方法及装置 |
CN109978059A (zh) * | 2019-03-28 | 2019-07-05 | 南京富岛信息工程有限公司 | 一种原油蒸馏过程初馏塔冲塔故障预警方法 |
Non-Patent Citations (1)
Title |
---|
丁洁 等: "蒸馏装置实时监测与智能事故预报***的开发研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631258A (zh) * | 2020-12-29 | 2021-04-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
CN112631258B (zh) * | 2020-12-29 | 2021-11-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
CN112947150A (zh) * | 2021-01-28 | 2021-06-11 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
CN112947150B (zh) * | 2021-01-28 | 2023-02-28 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
CN104699077B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
CN104714537B (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
CN111126671A (zh) | 一种炼油生产中初馏塔冲塔故障预警的方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
CN111914889B (zh) | 一种基于简略核主元分析的精馏塔异常状态识别方法 | |
CN105955214A (zh) | 基于样本时序和近邻相似性信息的间歇过程故障检测方法 | |
CN112250538A (zh) | 一种异丙苯精制工艺流程 | |
CN110245460A (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
CN111413949B (zh) | 一种降低工业过程故障预警误报率的方法 | |
CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
CN109978059B (zh) | 一种原油蒸馏过程初馏塔冲塔故障预警方法 | |
CN110942258A (zh) | 一种性能驱动的工业过程异常监测方法 | |
CN114611067A (zh) | 一种基于典型变量相异性分析的化工过程缓变故障检测方法 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN113848307A (zh) | 一种针对污泥膨胀的特征提取主成分分析在线监测方法 | |
CN112631258B (zh) | 一种工业过程关键指标的故障预警方法 | |
CN111913447B (zh) | 一种在线数据驱动的非线性化工过程监测方法 | |
CN111914888A (zh) | 一种多工况识别与故障检测一体化的化工过程监测方法 | |
CN111914886A (zh) | 一种基于在线简略核学习的非线性化工过程监测方法 | |
CN111338310A (zh) | 一种工业过程稳态工况识别与分类方法 | |
CN112560924B (zh) | 基于动态内部慢特征分析的丙烯精馏塔状态监控方法 | |
CN111160811A (zh) | 一种基于多阶段fom-sae的批次过程故障监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200508 |