炼化装置故障链式效应定量安全预警方法

炼化装置故障及其故障链式效应对油气生产和人民生命安全所造成的危害严重。从故障链角度进行事故风险研究,提出炼化装置故障链式效应定量安全预警方法。首先分析炼化装置故障链式关系结构,基于目标树成功树-动态主逻辑图(GTST-DMLD)建立其故障链式效应关系模型,揭示炼化装置故障链式效应行为规律和关联本质,从而评价装置异常工况下的安全状态。进一步以马尔可夫过程为理论基础,建立故障链式效应预测模型,预测故障传播的后果和方向,并计算各后果的发生概率,为现场操作人员进行主动维修或应急处置提供依据。案例分析中通过对某化工厂常压塔装置、减压炉装置为研究对象进行应用与验证,结果表明该方法可以准确地对系统故障发生后的状态进行评价和预测,方法有效、可行,便于操作人员在处置已有故障的同时,注意预防其他异常工况的发生,降低油气生产加工过程中的整体风险。     

连锁效应下化工装置定量风险分析初选方法

化工过程装置定量风险分析(QRA)首先面对装置初选的问题。基于2类危险源理论和装置连锁事故的主要诱因和过程机理分析,得出化工过程装置风险主要包括二方面:装置内危险物质的数量和危险特性,装置之间的事故连锁效应。提出与化工过程装置火灾、爆炸及毒物泄漏事故相对应的3类装置固有风险指标和2类装置事故连锁风险指标。基于2类风险指标分别建立装置专项事故风险综合评价矩阵,通过矩阵计算获得各装置专项事故综合风险的相对高低,并确立装置初选的最低条件,完成装置的初选,并通过实例应用演示了该方法。     

基于变量子域PCA的故障检测方法

针对工业过程监控中传统主元分析（PCA）方法没有突出局部变量信息的问题,提出一种基于变量子域PCA（variable sub-region PCA,VSR-PCA）的故障检测方法。首先使用PCA将原始数据空间分解成主元子空间（principal component subspace,PCS）和残差子空间（residual subspace,RS）,计算变量与PCS的互信息来度量两者的相关性并以此划分变量子域。然后在变量子域中计算局部T²统计量和局部SPE统计量,并通过贝叶斯推理整合所有子域的信息构造全局统计量,使得在利用所有过程信息的同时挖掘局部变量信息。在连续搅拌反应釜系统上的仿真结果表明,VSR-PCA方法具有更好的过程监控性能。     

基于互信息的分散式动态PCA故障检测方法

对现代大型复杂动态过程来讲,不同测量变量会存在不同的序列相关性,而且变量间的相互影响会体现在不同的采样时刻上。为此,结合利用分散式建模的优势,提出一种基于互信息的分散式动态过程故障检测方法。该方法在对每个测量变量都引入多个延时测量值后,利用互信息为每个变量区分出与其相关的测量值,并建立起相应的变量子块。这种变量分块方式使每个变量子块都能充分地获取与之相对应的自相关性与交叉相关性信息,较好地处理了数据的动态性问题。然后,利用主元分析（PCA）算法对每一变量子块进行统计建模从而建立起适于大规模动态过程的多模块化的故障检测模型。最后,通过实例验证该方法用于动态过程监测的可行性和有效性。     

基于SPM的多变量连续过程在线故障预测方法

研究了一类模型未知带有隐含故障的多变量连续过程故障预测问题。基于统计过程监测(SPM)方法,提出了一种上述故障预测问题的解决方案。该方案首先利用正常状态下的样本数据建立主成分分析(PCA)模型,然后根据该模型构造出预测特征量,最后对该特征量进行时间序列分析和预测,从而预测出系统的剩余有效寿命(RUL)。针对线性时不变系统构造了预测特征量,并分析了在一定的系统结构假设和故障假设下的剩余有效寿命预测误差。基于CSTR的仿真实例说明了该方法的有效性。     

主元空间中的故障重构方法研究

主元分析 (PCA)作为一种数据驱动的统计建模方法,在化工产品质量控制与故障诊断方面获得了广泛研究和应用.利用故障子空间的概念,研究了基于T²统计量的故障重构问题,获得了主元空间中的完全重构、部分重构,以及可重构性的条件.为进一步在主元空间中进行故障分离和识别提供了可能.通过对双效蒸发过程的仿真监测,对不同传感器的故障类型、幅值等重要信息进行重构和波形估计,证实了所获结果的有效性.     

炼化装置大检修的预防性安全管理

炼化装置的检修从工艺各种危险介质全流程贯通的运行状态,进入设备管线打开的检修状态,是一个频繁变动的不稳定过程,期间工艺操作、设备设施、人员作业各方面的风险巨大,重大的人身伤害事故一般都发生这个时期,所以化工企业都非常重视“安全检修、检修安全”的管理,制定了一系列的现场管理标准。确保检修整个过程的安全,是每个炼化企业面临的巨大课题和艰巨任务。     

基于状态空间主成分分析网络的故障检测方法

作为一种经典的方法,主成分分析（PCA）在多元统计过程监控领域得到了广泛的应用。然而,主成分分析及其各种改进方法仅从原始数据中提取了一层特征,缺乏对深层次特征的提取。计算机领域深度学习技术的发展表明了深层次的网络结构有利于数据特征的提取,因此,将主成分分析网络（PCANet）这种深度学习网络结构引入到故障诊断领域,与多元统计过程监控方法进行结合,以增强故障检测效果。在PCANet框架下,针对工业过程数据的动态特征,在网络结构中增加了状态空间模型作为动态层以解决动态性问题。此外,还以故障检测为目标重新设计了输出层。最后,通过在TE过程上的仿真测试验证了该方法用于故障检测的可行性和有效性。     

变量加权型主元分析算法及其在故障检测中的应用

传统主成分分析（PCA）算法旨在挖掘训练数据各变量间的相关性特征,已在数据驱动的故障检测领域得到了广泛的研究与应用。然而,传统PCA方法在建模过程中通常认为各个测量变量的重要性是一致的,因此不能有效而全面地描述出变量间相关性的差异。为此,提出一种变量加权型PCA（VWPCA）算法并将之应用于故障检测。首先,通过对训练数据进行加权处理,使处理后的数据能够充分体现出变量间相关性的差异。然后,在此基础上建立分布式的PCA故障检测模型。在线实施故障检测时,则通过贝叶斯准则将多组监测结果融合为一组概率指标。VWPCA方法通过相关性大小为各变量赋予不同的权值,从而将相关性差异考虑进了PCA的建模过程中,相应模型对训练数据特征的描述也就更全面。最后,通过在TE过程上的测试验证VWPCA方法用于故障检测的优越性。     

基于最小充分统计量模式分析的故障检测方法

统计量模式分析（SPA）最近在故障检测领域取得了广泛应用,其实质是用数据的统计量矩阵来代替原始数据矩阵进行故障检测,然而其统计量的选取存在盲目性且各统计量之间存在复杂的非线性关联关系,难以满足后续应用主成分分析（PCA）完成故障检测所需的基本条件。为了解决这个问题,提出了基于最小充分统计量模式分析的故障检测方法（MSSPA）。该方法首先将原始数据矩阵进行正交变换以消除变量之间的关联性,然后估计出每个变量的概率密度函数或者多个变量的联合概率密度函数,进而求出原始数据的最小充分统计量,并用最小充分统计量来构造统计量矩阵。最小充分统计量的引入还能够有效应对数据的非高斯分布问题。最后,通过在TE过程上的仿真测试验证了该方法用于故障检测的可行性和有效性。     

面向系统层级的复杂工业过程全息故障诊断

复杂工业过程具有长流程、系统层级多、故障潜在分布空间范围较广的特点，是当前故障诊断领域的热门研究方向。首先，对主流故障诊断技术进行了分类和概述；其次，采用定量与定性相结合思路，提出了面向系统层级的复杂工业过程全息故障诊断框架，为复杂工业全流程的过程监测提供一整套技术和解决方案。相比于目前的故障诊断方法，该框架不仅包括故障检测和故障辨识，还包括故障根源诊断、故障传播路径识别、故障的定量诊断与评估，可有效解决复杂工业过程系统的综合故障诊断问题，实用性强，能够有效地减少或避免故障发生、保证产品的质量、提高企业的生产效率与生产安全；最后对故障诊断技术的发展趋势和亟待解决的问题进行了展望。     

基于决策树算法的石化装置过程安全管理评估技术研发及应用

针对当前石油化工企业装置安全生产管理现状,为提升石化装置过程安全管理水平,借鉴国内外过程安全管理体系和相关标准要求及典型管理经验,采用基于关联度的决策树算法构建了石化装置过程安全管理评估指标体系,并运用多层次综合模糊评价方法建立了评估模型,设计开发了装置过程安全管理评估系统,并结合实例进行了验证分析. 结果表明,该技术可量化分析装置过程安全管理存在的薄弱环节,有助于过程安全管理改进和水平提升,对保障装置安全稳定运行、提升装置安全管控水平具有现实意义.     

基于稀疏过滤特征学习的化工过程故障检测方法

过程安全一直以来是化学工业中尤为重要的问题之一,故障检测与诊断（FDD）作为化工异常工况管理最有力的工具之一,给过程安全提供了保障。随着深度学习的发展,很多智能学习算法已经被提出,然而这些算法却很少被应用到FDD中来。提出了一种基于稀疏过滤和逻辑回归（SFLR）算法的化工过程故障检测新方法。采用TE过程和环己烷无催化氧化制环己酮过程对提出的方法进行了验证,结果表明,所提出的方法均具有较高的诊断精度,案例研究表明提出的方法可以及时有效地诊断出故障。     

A novel dynamic bayesian network‐based networked process monitoring approach for fault detection,propagation identification,and root cause diagnosis

A novel networked process monitoring, fault propagation identification, and root cause diagnosis approach is developed in this study. First, process network structure is determined from prior process knowledge and analysis. The network model parameters including the conditional probability density functions of different nodes are then estimated from process operating data to characterize the causal relationships among the monitored variables. Subsequently, the Bayesian inference‐based abnormality likelihood index is proposed to detect abnormal events in chemical processes. After the process fault is detected, the novel dynamic Bayesian probability and contribution indices are further developed from the transitional probabilities of monitored variables to identify the major faulty effect variables with significant upsets. With the dynamic Bayesian contribution index, the statistical inference rules are, thus, designed to search for the fault propagation pathways from the downstream backwards to the upstream process. In this way, the ending nodes in the identified propagation pathways can be captured as the root cause variables of process faults. Meanwhile, the identified fault propagation sequence provides an in‐depth understanding as to the interactive effects of faults throughout the processes. The proposed approach is demonstrated using the illustrative continuous stirred tank reactor system and the Tennessee Eastman chemical process with the fault propagation identification results compared against those of the transfer entropy‐based monitoring method. The results show that the novel networked process monitoring and diagnosis approach can accurately detect abnormal events, identify the fault propagation pathways, and diagnose the root cause variables. © 2013 American Institute of Chemical Engineers AIChE J, 59: 2348–2365, 2013     

基于多元状态估计的热交换器多参数关联预警方法

随着流程工业快速发展及工艺过程复杂程度的不断增加,作为核心装备的热交换器存在有效故障早期预警难的问题。以管壳式热交换器为例,提出一种针对热交换器故障早期预警的新方法。该方法基于工艺流体温度、压力、流量等易测量参数构建、选取表征热交换器传热和流阻性能的监测指标,并引入指数移动平均（EMA）算法进行数据处理与指标动态特征提取;在多元状态估计理论（MSET）的基础上,构建表征热交换器健康运行状态的三维健康记忆矩阵,实现热交换器多变工况的融合,避免工况变化对监测指标的影响,然后针对设备当前运行观测值计算实时偏差,实现热交换器运行状态评估及故障预警;通过统计计算过程中各指标实时偏差贡献率锁定异常参数,实现故障精准定位。实验结果表明,该方法能够实现泄漏量占工艺流体流量1%以上泄漏故障预警及垢层厚度占管径2.2%以上结垢故障预警。     

A robust neural network model for fault detection in the presence of mislabelled data

Several data-driven methodologies for process monitoring and detection of faults or abnormalities have been developed for the safety of processing systems. The effectiveness of data-based models, however, is impacted by the volume and quality of training data. This work presents a robust neural network model for addressing the mislabelled and low-quality data in detecting faults and process abnormalities. The approach is based on harnessing data quality features along with supervisory labels in the network training. The data quality has been computed using the Mahalanobis distances and trusted centres of each class of data such as normal and faulty data. The method has been examined for detecting abnormalities in two case studies; a continuous stirred tank heater problem for detecting leaks and the Tennessee Eastman chemical process for detecting step and sticking faults. The performance of the proposed robust artificial neural networks (ANN) model is evaluated in terms of accuracy, fault detection rate, false alarm rate, and classification index at varying extents of mislabelling, namely, 1%, 5%, and 10% mislabelled data. The proposed model demonstrates higher detection performance, especially at increased labels of mislabelled data where the performance of the conventional ANN is severely impacted. The proposed methodology can be advantageous in handling mislabelled and low-quality data issues which are crucial in the data-driven modelling of processing systems.     

复杂过程的可视化故障诊断方法

引言 随着自动化水平的提高,现代化的工程控制系统规模日趋大型化、复杂化,一旦系统发生故障会造成人员和财产的巨大损失,迫切需要提高自动化系统的可靠性、可维修性和安全性.人们一直在研究各种新的故障诊断技术和方法,来提高故障诊断的正确率,从而防患于未然.     

Hidden Markov model based approach for diagnosing cause of alarm signals

When a fault occurs in a process, it slowly propagates within the system and affects the measurements triggering a sequence of alarms in the control room. The operators are required to diagnose the cause of alarms and take necessary corrective measures. The idea of representing the alarm sequence as the fault propagation path and using the propagation path to diagnose the fault is explored. A diagnoser based on hidden Markov model is built to identify the cause of the alarm signals. The proposed approach is applied to an industrial case study: Tennessee Eastman process. The results show that the proposed approach is successful in determining the probable cause of alarms generated with high accuracy. The model was able to identify the cause accurately, even when tested with short alarm sub-sequences. This allows for early identification of faults, providing more time to the operator to restore the system to normal operation.     

A support vector clustering‐based probabilistic method for unsupervised fault detection and classification of complex chemical processes using unlabeled data

A new support vector clustering (SVC)‐based probabilistic approach is developed for unsupervised chemical process monitoring and fault classification in this article. The spherical centers and radii of different clusters corresponding to normal and various kinds of faulty operations are estimated in the kernel feature space. Then the geometric distance of the monitored samples to different cluster centers and boundary support vectors are computed so that the distance–ratio–based probabilistic‐like index can be further defined. Thus, the most probable clusters can be assigned to the monitored samples for fault detection and classification. The proposed SVC monitoring approach is applied to two test scenarios in the Tennessee Eastman Chemical process and its results are compared to those of the conventional K‐nearest neighbor Fisher discriminant analysis (KNN‐FDA) and K‐nearest neighbor support vector machine (KNN‐SVM) methods. The result comparison demonstrates the superiority of the SVC‐based probabilistic approach over the traditional KNN‐FDA and KNN‐SVM methods in terms of fault detection and classification accuracies. © 2012 American Institute of Chemical Engineers AIChE J, 59: 407–419, 2013