石化复杂过程非正常工况实时故障诊断方法研究

The petrochemical plant of large-scale, intensive and integration has brought new challenges to production safety of the industry. The accident will result in serious consequences and large influence range once the failure of the plant occurs. How to ensure the safe production is an important issue to be solved. Based on theory of safety system engineering, real-time fault diagnosis and early-warning method of abnormal situation on the petrochemical plant will be investigated in the study. Firstly, a dynamic simulation based Hazard and Operability analysis (HAZOP) methods will be established with aim to describe the full life cycle process including the accident occurrence, development and outbreak of accident. And the accident evolution mechanism will also be investigated. On the basis of this method, the quantitative HAZOP and dynamic simulation results data will be analyzed statistically by Principal Component Analysis method so that the symptoms-causes of fault can be extracted and the database will be established. The data from real-time monitoring will be compared with those from prior process and judged by Dynamic Locus Analysis method for identification abnormal process state. Neural network model will be established in which the database can be taken as training samples. As a result, real-time fault diagnosis and early-warning can be realized. Consequently, distillation experimental setup as a study case will be used to verify the correctness of the proposed theories and methods. The objective of this study is to develop abnormal situation management for petrochemical plant. The study will focus on investigation of the mechanism of state transition between normal and abnormal situation. Abnormal situation monitoring and fault diagnosis method will be proposed.

石油化工装置的大型化、集约化和一体化给行业安全生产带来新的挑战，一旦发生事故，后果严重，影响范围大，如何确保其安全生产是亟待解决的重要问题。本研究从安全系统工程的理论和角度出发，对石化装置非正常工况的实时故障诊断预警方法进行研究。首先，建立基于动态模拟的定量化危险与可操作性分析方法，描述事故发生、发展和爆发全生命周期的过程，研究事故演变机理。在此基础上，对定量化危险与可操作性分析及动态模拟结果数据进行主元统计分析，提取故障征兆-原因数据特征，建立数据库。然后，采用动态轨迹法对装置实时监测数据进行比较-判别分析，辨识非正常工况；将所建立的数据库数据作为训练样本，建立神经网络故障诊断模型，以实现装置的实时故障诊断预警。最后，利用精馏实验装置验证所提出理论和方法的正确性。本研究致力于石化装置非正常工况的管理，重点研究正常工况与非正常工况之间的转化机理，并且提出非正常工况监测、故障诊断决策的方法。

摘要：大型石化装置通常具有很高的危险性，生产中的一个微小的事故都可能引发一场无法挽回的灾难，从而可能导致严重的环境污染、人员伤亡和巨大的经济损失。随着现代石化生产规模的日益大型化、复杂化，石化装置生产事故后果可能会越来越严重。安全是石化企业的生命线，贯穿生产的整个生命周期，所以如何及时发现系统潜在危险，预防事故的发生，保证过程安全已经成为石化企业迫切需要解决的问题。本项目基于化工安全系统工程理论和设备故障诊断技术，开展了石化复杂过程的故障诊断方法研究。一方面完成了对HAZOP分析方法以下方面的改进以有效辨识出潜在危险：（1）建立了基于节点重要度模糊综合评价的HAZOP分析方法，以简化HAZOP分析；（2）提出了基于敏感度评价的HAZOP分析方法，以敏感度为定量指标来衡量同一偏差的不同偏差原因对偏差的影响程度，从而降低装置安全管理的不确定性；（3）将动态过程模拟引入到HAZOP分析中，可以揭示装置从正常工况到非正常工况的故障机理，以实现HAZOP偏差分析的定量化；（4）基于HAZOP分析获得的危险场景建立了动态故障树，通过该方法能够有效地辨识故障根本原因。另一方面提出一种将小波去噪、核主元分析、概率神经网络有机结合的实时故障监测和诊断方法，可对装置非正常工况实现及时地实时监测和诊断，从而为避免或消除故障提供有效的指导。本项目按预期进行了广泛深入的理论和应用研究，提出了适用于石化复杂过程的改进HAZOP分析方法和非正常工况实时故障诊断方法，实例分析表明研究成果可为石化装置人员预防事故发生和过程故障诊断提供可靠的决策依据。