述统计量指标值对应的状态信息为报警信息。
[0054] 第三种方法为：采用贡献图的方法计算出化工装备运行系统的各相关变量的贡献 率，根据所述贡献率分离出报警原因变量，并根据报警原因变量的历史变化范围判断对应 的所述工艺偏差为偏高或偏低。
[0055] 步骤103):对所述报警信息进行故障诊断和溯源，获得故障发生的原因以及相应 地补救措施。
[0056] 在步骤101中，涉及到危险与可操作性分析，在危险与可操作性分析报告的基础 上分析参数偏差的直接原因并提出相应的建议措施。其中，具体步骤包括：
[0057] 建立危险与可操作性分析知识库，提供危险与可操作性分析的查询、添加、修改、 删除和导出等功能；
[0058] 在报警发生后查询危险与可操作性分析知识库，为现场工作人员提供报警发生的 可能原因、后果以及相应的安全措施等信息。
[0059] 在故障诊断的基础上进一步进行深度故障溯源分析，找出故障发生的根原因。具 体包括：
[0060] 针对当前报警信息建立故障传播模型，模型中得到各种故障路径并计算相关根本 原因发生的概率，以提供最可能根原因、故障传播下级节点参数的信息。
[0061] 为现场人员提供简要的故障根本原因信息和解决根本原因的应对措施。
[0062] 进一步地，本发明提出了一种化工装备长周期运行安全风险雷达监测方法之二。 如图2所示，在图1的基础上，还包括：
[0063] 步骤104):所述实时状态数据通过支持向量机参数预测模型，预测化工过程潜在 风险和变化趋势；其中，所述支持向量机参数预测模型是通过已知化工装备运行过程的状 态数据建立训练数据集，进行支持向量机学习建立的。
[0064] 为了进一步监测化工过程潜在风险与变化趋势，可继续执行上述步骤104,利用历 史数据建立训练数据集，进行支持向量机学习，建立支持向量机参数预测模型，实时预测未 来5min的参数值，监测化工过程潜在风险与变化趋势，合理规避不利风险事件。
[0065] 对应地，为实现上述目的，本发明提供了一种化工装备长周期运行安全风险雷达 监测装置之一，如图4所示。包括：
[0066] 数据采集单元401，用于获取化工装备运行的实时状态数据，对化工装备中的各 系统进行危险与可操作性分析，确定工艺偏差，并从所述实时状态数据中筛选出待监测数 据；
[0067] 故障识别单元402,用于对所述待监测数据进行故障识别，获得报警信息；
[0068] 诊断溯源单元403,用于对所述报警信息进行故障诊断和溯源，获得故障发生的原 因以及相应地补救措施。
[0069] 进一步地，如图5所示，为本发明提出了一种化工装备长周期运行安全风险雷达 监测装置框图之二。在图4的基础上，还包括：
[0070] 预测单元404,用于所述实时状态数据通过支持向量机参数预测模型，预测化工过 程潜在风险和变化趋势；其中，所述支持向量机参数预测模型是通过已知化工装备运行过 程的状态数据建立训练数据集，进行支持向量机学习建立的。
[0071] 本技术方案通过对化工过程各系统中存在的异常工况进行危险与可操作性分析， 筛选出所需数据进行离群点监测及早期预警，通过故障诊断-溯源模块，找出故障发生的 根原因，并建立预测模型，实时追踪，进行在线预测，为企业和公众提供有效可信的信息，帮 助其合理规避不利风险事件，
[0072] 下面将结合一个具体实施例对上述化工过程异常工况风险雷达监测方法进行说 明，然而值得注意的是，该具体实施例仅是为了更好地说明本发明，并不构成对本发明的不 当限定。
[0073] 在本例中，以化工过程催化裂化分馏系统为研究对象，结合企业DCS系统和MES系 统，采用0PC技术，开展数据采集拓扑结构以及与物联网络接口研究，获取装置运行的实时 状态数据，并将数据实时存储到SQL数据库中。
[0074] 通过对分馏系统进行危险与可操作性分析，找出各分析节点，确定工艺偏差，从而 筛选出所需要的数据进行监测，进行化工过程异常工况的故障诊断。具体分析步骤如下：
[0075] 通过危险与可操作性分析筛选出所需要的监测数据之后，采用数据挖掘技术PCA 方法，对获取到的历史数据进行训练，计算综合指标控制限及当前参数的综合指标，整个计 算过程通过C#平台实现，得出T2控制限值为15. 7203,Q控制限值为4. 3668,通过将当前参 数的综合指标与控制限比较判断是否出现异常工况，从而实现超限报警，通过实时监测，该 方法的准确率为100%，部分监测结果如表1。
[0076]表1
[0077]
[0078] 识别出报警信息之后，进行故障诊断和溯源，在危险与可操作性分析报告的基础 上分析参数偏差的直接原因并提出相应的建议措施。在故障诊断的基础上进一步进行深度 故障溯源分析，找出故障发生的根原因。
[0079] 如图6所示，为本实施例故障溯源结果显示界面示意图。因FIC3201参数偏高，所 以FIC3201偏高即为根原因变量，故障传播下级节点参数为TIC1201，图中分别给出了报警 信息、故障溯源预测路径、预测的后果及相应的建议措施，为现场人员提供简要的故障根原 因信息和解决根原因的应对措施。
[0080] 为了进一步监测化工过程潜在风险与变化趋势，利用历史数据建立训练数据集， 进行支持向量机学习，建立支持向量机参数预测模型，参数预测界面如图7所示，实时预测 未来5min的参数值，本例中预测了故障传播下级节点回炼油罐液位TIC1201，实际值与预 测值对比如表2。
[0081] 表 2
[0082]
[0083]
[0084] 通过对比可以求出平均误差率仅为0. 006%，通过支持向量机预测可有效监控化 工过程潜在风险与变化趋势，合理规避不利风险事件。
[0085] 基于上述的诊断结果，将相同的故障数据使用人工神经网络的方法进行故障诊 断，诊断结果对比如下表3所示：
[0086] 表3
[0087]
[0088] 由上述表3可以看出，采用该风险雷达异常工况监测方法可以准确地诊断出异常 工况并准确预测其变化趋势，提高了化工过程异常工况诊断的成功率，充分说明了化工过 程异常工况风险雷达监测方法用于化工过程故障诊断的可行性。
[0089] 以上所述的【具体实施方式】，对本发明的目的、技术方案和有益效果进行了进一步 详细说明，所应理解的是，以上所述仅为本发明的【具体实施方式】而已，并不用于限定本发明 的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种化工装备长周期运行安全风险雷达监测方法，其特征在于，包括： 获取化工装备运行的实时状态数据，对化工装备的各系统进行危险与可操作性分析， 确定工艺偏差，并从所述实时状态数据中筛选出待监测数据； 对所述待监测数据进行故障识别，获得报警信息； 对所述报警信息进行故障诊断和溯源，获得故障发生的原因以及相应地补救措施。2. 如权利要求1所述的方法，其特征在于，还包括： 所述实时状态数据通过支持向量机参数预测模型，预测化工过程潜在风险和变化趋 势；其中，所述支持向量机参数预测模型是通过已知化工装备运行过程的状态数据建立训 练数据集，进行支持向量机学习建立的。3. 如权利要求1或2所述的方法，其特征在于，所述故障识别的步骤包括： 对所述待监测数据的状态值和阈值进行实时比对，实现阈值报警。4. 如权利要求1或2所述的方法，其特征在于，所述故障识别的步骤包括： 采用动态主成分分析方法，基于正常化工装备运行工况下的训练模型，构建动态主成 分分析模型，求得正常工况下系统的控制限； 实时计算化工装备运行系统的统计量指标值，若统计量指标值超出所述控制限，所述 统计量指标值对应的状态信息为报警信息。5. 如权利要求1或2所述的方法，其特征在于，所述故障识别的步骤包括： 采用贡献图的方法计算出化工装备运行系统的各相关变量的贡献率，根据所述贡献率 分离出报警原因变量，并根据报警原因变量的历史变化范围判断对应的所述工艺偏差为偏 高或偏低。6. -种化工装备长周期运行安全风险雷达监测装置，其特征在于，包括： 数据采集单元，用于获取化工装备运行的实时状态数据，对化工装备的各系统进行危 险与可操作性分析，确定工艺偏差，并从所述实时状态数据中筛选出待监测数据； 故障识别单元，用于对所述待监测数据进行故障识别，获得报警信息； 诊断溯源单元，用于对所述报警信息进行故障诊断和溯源，获得故障发生的原因以及 相应地补救措施。7. 如权利要求6所述的装置，其特征在于，还包括： 预测单元，用于所述实时状态数据通过支持向量机参数预测模型，预测化工过程潜在 风险和变化趋势；其中，所述支持向量机参数预测模型是通过已知化工装备运行过程的状 态数据建立训练数据集，进行支持向量机学习建立的。8. 如权利要求6或7所述的装置，其特征在于，所述故障识别单元包括： 阈值识别模块，用于对所述待监测数据的状态值和阈值进行实时比对，实现阈值报警。9. 如权利要求6或7所述的装置，其特征在于，所述故障识别单元包括： 控制限确定模块，用于采用动态主成分分析方法，基于正常化工装备运行工况下的训 练模型，构建动态主成分分析模型，求得正常工况下系统的控制限； 动态主成分识别模块，用于实时计算化工装备运行系统的统计量指标值，若统计量指 标值超出所述控制限，所述统计量指标值对应的状态信息为报警信息。10. 如权利要求6或7所述的装置，其特征在于，所述故障识别单元包括： 贡献图识别模块，用于采用贡献图的方法计算出化工装备运行系统的各相关变量的贡 献率，根据所述贡献率分离出报警原因变量，并根据报警原因变量的历史变化范围判断对 应的所述工艺偏差为偏高或偏低。
【专利摘要】本发明涉及一种化工装备长周期运行安全风险雷达监测方法及装置，其中，方法包括：获取化工装备运行的实时状态数据，对化工装备的各系统进行危险与可操作性分析，确定工艺偏差，并从所述实时状态数据中筛选出待监测数据；对所述待监测数据进行故障识别，获得报警信息；对所述报警信息进行故障诊断和溯源，获得故障发生的原因以及相应地补救措施。
【IPC分类】G06K9/62
【公开号】CN105389595
【申请号】CN201510870640
【发明人】胡瑾秋, 张来斌, 蔡爽, 张鑫
【申请人】中国石油大学(北京)
【公开日】2016年3月9日
【申请日】2015年12月2日