一种用于在线分析加氢裂化运行性能的方法与流程

本发明涉及原油加工技术领域，更具体地，涉及一种用于在线分析加氢裂化运行性能的方法。

背景技术：

我国原油资源对外依存度不断提高，但国内原油加工水平相对较低，对其利用率也相对较低，往往造成很大的浪费。随着我国综合实力的上升，如何科学可持续发展，构建环境友好型社会的问题也随之而来。因此，我国炼油生产亟需进行生产方式的升级和节能高效的转型，从企业入手，实现由上自下的实时监控、统筹分层优化是解决当前炼油生产问题的重要措施。

加氢裂化过程是炼油生产过程中的重要环节，包含精制部分、裂化部分、分离部分和分馏部分，几乎涵盖了炼油生产过程中所有典型环节，故研究加氢裂化过程中性能退化的诊断问题具有较强的代表性。

加氢裂化过程的原理是利用常压的轻蜡油、催化柴油和一部分尾油经过加氢精制，除去杂质(S、N、O等元素或机械杂质)、加氢裂化成较小分子、高低压初步分离以及分馏塔分馏，最后得到重石脑油、航煤和柴油以及相关副产品。加氢裂化生产过程是炼油过程的中间环节，生产企业往往根据原料情况与市场需求，结合全厂生产情况来确定加氢裂化过程的产品收率和质量需求，并设定过程中各关键操作参数，以保证全厂生产目标。流程在运行初期可以达到生产期望值，但随着生产的运行，由于缺少全流程的操作反馈调整，当一些问题发生时就会直接影响到加氢裂化的运行性能，例如进料油未彻底除杂或人工操作失误，导致精制段和反应段内的催化剂发生提前失活或部分中毒，且原料油成分发生未知的变化，而继续按照之前加工方式，则无法达到预期的精制和裂化效果。企业如果仍按照原始的检测数据和加工方案执行，则无法达到预期的最佳效果，而引发性能退化，生产不能达到理想的状况，甚至导致故障的产生。

技术实现要素：

本发明提供一种克服上述问题或者至少部分地解决上述问题的能够实现全局监控、快速反馈的用于在线分析加氢裂化运行性能的方法。

根据本发明的一个方面，提供一种用于在线分析加氢裂化运行性能的方法，其包括以下步骤：

S1、确定与性能退化密切相关的特征参数；

S2、实时监测特征参数的变化导致的性能退化结果；

S3、确认性能退化结果不在历史案例库中；

S4、根据构建的性能退化诊断网络对性能退化结果进行诊断，并输出诊断结果。

通过对加氢裂化流程的参数进行选别，取出大量冗余数据的处理，增强了数据处理效率。同时，建立历史案例库对性能退化结果及导致其发生的因素进行先行判断，以减轻诊断网络的处理量，加快数据处理速度，便于快速输出诊断结果，随着案例库的不断丰富，逐步实现分析的在线性。

本申请提出的一种用于在线分析加氢裂化运行性能的方法，其有益效果主要如下：

(1)通过确定特征参数，在不影响分析准确性的基础上，有效的减少了数据处理量，提高了数据处理效率；

(2)对特征参数进行分区域实时监测，既提高了数据处理的条理性，又对数据属性进行了划分，简化了数据处理过程，实现对导致性能退化结果发生的特征参数的定位；

(3)通过与历史案例库的比较分析，减轻了诊断网络的数据处理量，加快了诊断结果输出的速度；

(4)通过构建的诊断网络对生产过程中的性能退化结果及时诊断，以便于快速做出反应，提高运行效率和可靠性；

(5)通过对历史案例库的持续更新，加快诊断结果输出速度和准确性，随着案例库的不断丰富，逐步实现分析的在线性。

附图说明

图1为根据本发明实施例的一种用于在线分析加氢裂化运行性能的方法的流程示意图；

图2为根据本发明实施例的一种用于在线分析加氢裂化运行性能的方法的流程示意图；

图3为根据本发明实施例的一种用于在线分析加氢裂化运行性能的方法的基于PDC频域分析方法的个别特征参数频域因果分析结果图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参见图1所示，加氢裂化过程是炼油生产过程中的重要环节，包含精制部分、裂化部分、分离部分和分馏部分，几乎涵盖了炼油生产过程中所有典型环节。在炼油生产过程中的各环节均能够应用本方法进行更高效、更准确可靠的过程控制，以下仅以加氢裂化过程为例。

参见图2所示，一种用于在线分析加氢裂化运行性能的方法，包括以下步骤：

S1、确定与性能退化密切相关的特征参数；

S2、实时监测特征参数的变化导致的性能退化结果；

S3、确认性能退化结果不在历史案例库中；

S4、根据构建的性能退化诊断网络对性能退化结果进行诊断，并输出诊断结果。

加氢裂化过程的全流程涉及的检测操作或状态参数非常多，各参数均能够存入到实验管理系统。但是，由于部分数据是采用离线检测的方式进行的，其管理和实施存在一定的滞后，不能及时反映生产环节的状态或存在的问题，从而影响生产安全或质量。

同样，由于加氢裂化流程中的参数较多，有些参数/因素对生产的影响较小或某几种参数/因素所造成的不良影响相同或相近，重复统计，会造成数据的繁杂，统计过程复杂，增加工作量，降低监控效率。

因此，界定对生产安全/质量造成较大影响的参数种类，既能够很好的控制生产，获得良好的产品质量，又能够提高监控效率，加强对重要影响因素的监控，增强对其数据的分析效果。同时，对参数种类进行界定，一定程度上也是对生产安全/质量的影响因素进行了分类，使参数及其对应的性能退化结果的条理性更强。

对所界定的特征参数进行实时监测，以便及时发现发生变化的特征参数所导致的性能退化结果。

一旦发生性能退化结果，将该性能退化结果与历史案例库中的历史案例数据进行比较。若与历史案例库中的案例数据相同，则将该案例数据作为诊断结果直接输出；若与历史案例库中的案例数据不同，则及时采用所构建的诊断网络进行诊断。

历史案例库由加氢裂化流程的实际生产过程中所发生过的历史事件的统计数据统计而来，主要是加氢裂化生产过程中发生的事故、故障、检修或保修过程的统计数据，采集其发生的不良结果，以及导致该不良结果的原因/参数/因素。同时，在实际使用过程中，根据生产中出现的问题不断的进行更新补充。

例如，冷低分油的流量变少触发高低分区域检测系统报警，且反应器和原料油成分和流量未发生改变，由诊断网络推理出可能发生的原因有循环氢流量减少或低压分离器故障，经现场确认后循环氢流量减少，氢油比下降，则历史案例库中的条目数据建立冷低分油减少的与循环氢流量的供应不足之间的关联关系。

当发生变化的特征参数导致性能退化结果时，将该退化结果先与历史案例库中的数据进行比较分析，有相同情况时，能够及时的做出判断并处理；当出现新的情况时，再加以诊断分析。有效地降低了诊断分析的数据处理量，增强了对于同类或类似性能退化结果的分析处理能力，加快了分析处理速度。

根据实时监测的特征参数的变化，采用构建的诊断网络进行及时的在线诊断，能够很快的输出诊断结果，以便快速反应，减小对生产造成的不良影响。

对于出现的新的性能退化结果以及其产生的原因进行诊断分析，并将诊断分析的结果及时补充到历史案例库中。即在步骤S4的基础上，采用步骤S5，基于诊断结果更新历史案例库和诊断网络。

在实际生产过程中，根据加氢裂化流程中出现的新的性能退化结果及其促成原因，不断的补充到历史案例库和诊断网络中，以更新历史案例库的数据。案例库将不断丰富，逐步实现加氢裂化运行性能退化的在线准确诊断。

上述步骤S1中，特征参数的确定方法具体包括：

S11、对加氢裂化过程中的导致性能退化结果的原因进行初步总结，根据总结对参数进行分类；

S12、对分类的参数，结合机理分析，应用灰色关联分析方法去除冗余及意义相近的参数；

S13、根据加氢裂化过程中各装置的时间延迟估计，对经灰色关联分析方法处理的参数进行时间对准，确定特征参数。

加氢裂化流程中存在大量的装置，并且相互关联、相互耦合，对导致性能退化结果的原因进行初步的分析总结，以将性能退化结果及其原因进行初步的分类，并建立性能退化结果与导致性能退化结果的原因之间粗略的对应关系，以便于进一步筛选特征参数。

例如，原料油成分发生意外改变，是因为原料油供给产地的不同，或者相同产地不同时间供给，都可能导致原料油成分发生意外的改变，且原料油现场化验存在一定滞后，无法满足实时检测与分析的需求。

又如，床层温度设定值未根据特殊情况及时改变，是因为随着原料油组分的波动或人为误操作等情况，当原料油偏重或人为误操作而导致催化剂部分失活时，则需要对裂化反应器进行提温处理，以达到所需裂化深度。

对于会影响生产的产品质量降低或生产安全的性能退化结果，对应导致这些性能退化结果的原因进行综合的比较分析，以确定对生产安全/产品质量的影响程度，以便于界定特征参数。

灰色关联分析方法是根据因素之间发展趋势的相似或相异程度，以衡量因素间的关联程度。将加氢裂化流程中的性能退化结果作为参考数列，将导致性能退化结果的因素作为比较数列。

对该参考数列和比较数列进行无量纲化处理后，求取其灰色关联系数，以求出其关联度，并将关联度按照因素间的关联程度大小次序进行排序，从而判断因素对性能退化结果的影响程度。

当关联度相同或相近时，表明对应的因素间所涉及的参数出现冗余或意义相近，则只取其中具代表性的数据，而不考虑其关联度相同或近似的其他因素。

例如，加氢裂化精制反应器中上床层八个测温点的温度虽然能够表示该平面上的温度分布情况，但是，从精制反应器整体分析，八个测点温度具有较大的相关性，则只精选其中一个具有代表性的变量即可。

通过灰色关联分析方法界定特征参数，既减轻了数据处理强度，又能够实现对全作业流程的监控、分析和处理，实现全作业流程的实时控制，提高响应速度和效率。

加氢裂化流程是一个复杂的长流程，原料油经原料泵、精制反应器、裂化反应器、高低压分离器和分馏塔后转化为产品油出装置。当基于数据分析加氢裂化运行性能时，需要对大量历史数据进行时间延迟的估计，以达到数据对准的目的，便于下一步的处理。

例如，原料油从原料泵到精制反应器入口大约需要40分钟，通过精制和裂化反应器大约需要1小时20分钟，如果取当前时刻全流程中所有参数进行分析，则存在时序上的不对应，进而无法继续分析。

上述步骤S2中，实时监测特征参数的变化导致的性能退化结果的方法具体包括：

S21、根据装置与参数间的关联性和耦合性，按照装置所在区域不同进行划分监测区域；

S22、采用分块主元分析算法对各监测区域进行分块监测；

S23、根据监测数据，分别示警发生性能退化结果的区域。

由于加氢裂化流程较长，涉及的装置和/或参数很多，并且，有很多的控制回路，大大增加了对全流程控制和诊断的难度。因此，对大量数据进行筛选界定后，根据所界定的特征参数间的关系，划分监测区域，从而对特征参数进行分区管理和监控，进一步根据特征参数的特征进行相应的划分，以提高数据管理和监控的条理性和准确性。

主元分析方法是基于原始数据空间，通过构造一组新的潜隐变量来降低原始数据空间的维数，再从新的映射空间抽取主要变化信息，提取统计特征，从而构成对原始数据空间特性的映射。

采用主元分析方法将特征参数线性组合而构成新的映射空间的变量，能够极大的降低特征参数与性能退化结果间对应的映射关系的维数。由于映射空间的统计特征向量彼此正交，从而消除了新的映射空间的变量的关联性，简化了特征参数与性能退化结果间特性分析的复杂程度。

在主元分析方法的基础上，针对监测区域的划分，在不同的监测区域分别对应应用主元分析方法对特征参数进行分析比较。对划分的监测区域对应采用分块主元分析方法进行实时监测，使各监测区域的数据处理更具针对性，也相对减小了数据处理量。

同时，同一监测区域的特征参数间存在作业流程的衔接性，使该监测区域的主元分析方法处理的数据结果能够呈现一定的区域性，而与其他监测区域的数据结果加以区分。

更进一步，分块主元分析方法能够清晰的反映发生性能退化结果的不同区域。当某一分块主元分析方法对应处理的监测区域发生性能退化结果，该区域发出示警信号，便于及时针对该监测区域进行有效的诊断和处理，实现对导致性能退化结果发生的特征参数的定位，以达到高精度的检测性能退化的发生和有效分离扰动数据的效果。

上述步骤S4中，构建诊断网络的具体方法包括：

S41、确定网络框架结构；

S42、确定网络传播权重概率和条件概率。

通过对监测区域的划分，首先，通过监测区域内各参数间的机理关系，以及监测区域间的联系，用以构建诊断网络的框架结构。并且，在对各参数机理分析的基础上，应用时域和频域的数据因果关系分析方法使其网络结构更清晰化，以准确构建诊断网络的框架。

例如，参见图3所示，裂化反应器中二号床层上层温度与二号床层上部吹入急冷氢流量有直接的因果关系，利用经典PDC频域分析方法可知，第3行第17列的图表明裂化反应器中一号床层温度与二号床层底部急冷氢流量存在因果关系。

在诊断网络的框架结构中，根据界定的特征参数以及对应的性能退化结果间的关系，得到性能退化诊断网络的权重概率和条件概率，以形成完整的诊断网络，从而得到引起当前时刻运行的性能退化可能的原因及其概率大小。同时，及时输出诊断结果，以便于快速做出反应，提高运行效率和可靠性。

上述步骤S5中，更新历史案例库的方法具体包括：

S51、建立诊断网络的诊断结果与引起性能退化的特征参数之间的关联关系；

S52、将该关联关系与历史案例库中的案例数据进行对比；

S53、根据经实际工业过程验证的对比结果，修正所述关联关系；

S54、将修正后的特征参数与性能退化结果的关联关系补充到历史案例库。

将诊断网络诊断的性能退化结果与引起该性能退化结果的特征参数之间相应的关联关系与历史案例库中的案例数据进行比较分析。对于与案例数据相同的关联关系不予重复记录。

对于与案例数据不相同的关联关系，将该关联关系在实际生产运营过程进行验证，根据其与历史案例库中案例数据的差异，采取不同的处理方式：

出现与历史案例库中的案例数据完全不相同的关联关系，经实际验证后，将该新的关联关系作为新的案例补充到历史案例库中；

出现与已有性能退化结果相对应的新的特征参数，对历史案例库中的相关案例进行修正，将该特征参数补充进历史案例库中相对应的案例中。

通过对历史案例库的持续更新，不断补充历史案例库的数据体系，加快对性能退化结果与导致该结果发生的特征参数的判断速度，增强判断的准确性，随着案例库的不断丰富，逐步实现分析的在线性。

当经实际验证的结果与诊断网络结果不符时，对诊断网络参数进行修正。将补充到历史案例库中的修正后的特征参数与性能退化结果的关联关系，补充入诊断网络中。根据验证后新出现的性能退化结果，对诊断网络中已有的框架结构以及网络传播权重概率和条件概率进行修正，以更新诊断网络，提高诊断准确性。

上述步骤S41中，所述网络框架根据贝叶斯网络构建方法建立特征参数与性能退化结果之间的关联模型。

贝叶斯网络是基于概率推理的数学模型，对于解决复杂设备或流程的不确定性和关联性引起的故障有很大的优势。

根据装置与参数间的关联性和耦合性，对监测区域进行了划分，通过区域内装置或特征参数之间的机理关系，能够得到性能退化结果与特征参数之间的因果关系：

将加氢裂化流程中的各设备可能出现的性能退化结果分为各个相互独立且完全包含的类别；

建立性能退化结果与导致该性能退化结果发生的n个特征参数之间的关联关系；

将该n个特征参数中的任一特征参数作为性能退化结果，并建立其与下一级导致其发生的m个特征参数之间的关联关系，依次建立n个特征参数与导致其发生的下一级特征参数之间的关联关系；

依次类推，逐级建立关联关系，直至最基本的特征参数单元。

通过上述步骤，建立起特征参数与特征参数导致的性能退化结果之间的因果关系模型，形成诊断网络的框架结构。

上述步骤S42中，所述网络传播权重概率和条件概率的确定方法为：

S421、根据装置与参数间的关联性和耦合性对监测区域进行了粗划分的基础上，进一步对加氢裂化过程按照装置进行细化分；

S422、计算细化分区域的权重概率和条件概率，并建立细化分区域之间的关联关系；

S423、根据细化分区域之间的关联关系建立诊断网络的权重概率和条件概率。

根据装置与参数间的关联性和耦合性，对监测区域进行的划分，对特征参数按照其属性特征进行了一次划分，从而对性能退化结果进行了一次分类。

在此基础上，在各个监测区域内再进行装置级的精划分。在精划分的基础上，建立小区域内的权重概率和条件概率；再根据作业流程或区域之间的联系，根据贝叶斯网络的构建原理，对特征参数以及历史案例库中的数据进行学习和训练；在诊断网络的框架结构的基础上，得到性能退化诊断网络的权重概率和条件概率，以形成完整的诊断网络。

应用得到的诊断网络，分析引起当前时刻运行性能退化结果的特征参数及其概率大小，即得到导致性能退化结果的原因及其概率大小。估计该故障原因的各个节点的条件概率，这种局部化概率估计的方法可以大大提高效率。根据性能退化结果，计算相关条件概率，得出性能退化诊断结果，并将概率最大的位置和原因作为诊断结果进行输出，提醒并指导当前技术人员进行相关操作。

本发明的一种用于在线分析加氢裂化运行性能的方法，通过界定加氢裂化流程中的特征参数，对界定的特征参数进行实时的分区监测，通过构建的诊断网络对性能退化结果在线实时诊断，并及时输出诊断结果。此外，通过构建的历史案例库对性能退化结果及导致该结果的特征参数之间的关联关系进行判断，以减轻诊断网络对性能退化结果的诊断处理数据量。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。