基于非线性动态模型的精馏过程安全智能预测方法与预警策略研究

Distillation fault diagnosis depends on modeling heavily, so simplification in modeling necessarily affects diagnosis accuracy and efficiency. Parameter estimation method has been widely applied in linear systems with lots of simplification ways. But subject to nonlinear mechanism, its application depth is limited in distillation process. In this project, applicant is going to adopt nonlinear dynamic mechanism model to quantify inner structure variation, function degradation, and exterior disturbance, and propose abnormal parameters relevant explanation mechanism for distillation process. Quantitative mapping relationship between distillation abnormal parameters and observable variables is expected to build based on intelligent two-tier parameter estimation algorithm combining expert system and artificial neural network. Discipline of chemical leakage, diffusion, and poisoning led by abnormal parameters will be explored through extrapolation on abnormal parameters and observable variables. Through this research, intelligent prediction and early warning mechanism for distillation process safety is expected to clarify with coupling integration between abnormal parameter estimation and accident evolution analysis.

精馏故障诊断依赖于模型的构建，任一模型的不同程度简化均对诊断结果有所影响。参数估计法蕴涵模型的诸多简化方式，在线性系统中应用广泛，但由于非线性行为机理的制约，它在精馏过程中的应用深度受到了限制。因此，申请人拟采用非线性动态机理模型，针对精馏过程的内部结构变化、功能劣化和外部扰动进行参数量化，透过系统分解建立精馏异常参数相关模型阐释机理；结合专家系统智能及时建模和神经网络双层逼近收敛的智能参数估计算法，构筑精馏异常参数-可测变量间的定量估计关系；附加异常参数和可测变量的外推预测，探索异常参数导致的化学品泄漏、扩散、毒害规律。通过本项目研究，可望在理论上阐明精馏过程安全的智能预测与预警机理，实现异常参数估计与事故演化分析的耦合集成，为精馏操作安全提供理论依据。

精馏过程集成化和自动化水平不断提高，变量耦合强、标签昂贵和无效报警多等问题日益突出，仅依靠人工经验很难快速、准确地发现异常。项目通过深度提取数据特征来实现精馏异常工况的智能识别，确定故障根原因，主要研究内容有：对多变量报警阈值进行优化，提出了基于PCA权重、Johnson转换和报警聚类的多变量报警阈值优化方法，以及基于动态相关性Q-SDG分析的故障检测方法；采用Spearman相关系数(SRCC)选择特征变量，以深度置信网络(DBN)和长短期记忆网络进行异常工况识别，提出了一种基于特征自适应与动态主动深度分歧学习的故障识别方法；基于机理相关分析的贝叶斯网络进行故障传播路径的解释与根原因的诊断，结合遗传算法建立了扰动量的反演模型，实现了准确、快速的故障诊断。通过脱丙烷精馏及TE流程进行了案例研究，结论主要有：.(1) 对非/弱正态数据进行Johnson正态转换，将聚类后的变量权重运用到阈值优化中，在满足国际报警标准的同时可降低误报率1.7%以上；基于马尔可夫状态转移性质挖掘变量间的相关性规律，得到了聚集权重系数Q规则故障检测模型，利用SDG模型对故障源进行分析，相对直观地反映出了故障源传播路径。.(2) 生成式对抗网络重建的随机/非随机缺失数据集相似度达到95.3%和85.2%；通过SRCC进行特征变量选择，可减少测量变量数65.9%；基于动态主动学习方法指导半监督异常识别模型的学习，故障识别模型训练耗时较传统的DBN减小了30.7%，测试准确率提升了3.2%，有效解决了模型欠/过拟合和高耗时问题。.(3) 根据不同状况下特征的贡献程度进行特征压缩，输入到KELM网络中进行故障识别，误诊率比传统方法降低了3.9%；利用遗传算法建立了扰动量反演模型，直接实现扰动大小的定量，反演精度达到了93.2%；通过机理相关分析构建的贝叶斯网络结构模型，增加了网络结构的准确性，故障识别准确率达96.3%。.上述研究成果一定程度上拓展了非线性异常参数估计理论，为精馏安全操作和开发精馏安全智能预测预警计算机辅助软件提供了理论依据，故研究成果具有重要的理论意义与实际应用价值。