数据驱动的石化装备异常工况检测技术研究与应用

作     者：陈文卓 

作者单位：西安理工大学 

学位级别：硕士

导师姓名：胡绍林;王敏

授予年度：2022年

学科分类：080706[工学-化工过程机械] 081702[工学-化学工艺] 08[工学] 0817[工学-化学工程与技术] 0807[工学-动力工程及工程热物理] 

主      题：乙烯裂解炉 异常变化检测 数据预处理 时间序列 趋势预测 

摘      要：石油化工是一个随时都有可能发生故障、危险或灾变的高风险领域,稍有不慎就可能发生事故,导致设备损坏、生产停顿,甚至是人员伤害、局部灾难等严重后果。因此,为保障石化生产过程的安全性和可靠性,开展石化装备异常工况检测技术研究具有重要现实意义和工程价值。本文以裂解炉和加热炉等石化典型设备为对象,采用数据驱动的方法,研究石化装备异常工况检测方法,主要研究基于OPC(OLE for Process Control,OPC)技术的DCS(Distributed Control System,DCS)系统工况数据采集、预处理、异常变化检测方法与技术,并设计和开发石化装备工况数据异常变化检测软件。本文具体研究工作如下:(1)针对工业现场DCS工况数据难获取的问题,本文基于OPC UA通信标准,设计和开发DCS工况数据采集系统,实现与DCS系统的数据交换。基于成熟的OPC通信测试工具,对工况采集系统中包含的OPCUA服务器模块和客户端模块进行测试与验证。测试结果表明,开发的OPC UA服务器与客户端能基于OPC协议与DCS中的数据服务器建立起可靠的通信链路,满足数据采集任务要求。(2)针对工况数据采集任务中出现的数据丢失问题,文中提出工况数据丢失值分类处理方法。针对单点缺失数据情况,提出一种基于拉格朗日三点插值方法的修复方法。针对连续多点数据丢失情况,提出一种基于BSVR(Bayesian Optimization-SVR,BSVR)预测的修复方法。基于实测数据对上述方法进行仿真计算,验证文中提出的工况数据丢失值分类处理方法的有效性和可行性。(3)针对石化装备一维工况数据异常变化检测问题,文中分别从密度和滤波角度提出基于 NLOF(Normalization-LOF,NLOF)和基于 CHQ(CEEMDAN-HHT-Q,CHQ)两种一维工况数据异变检测算法。采用一维工况实测数据对上述算法进行仿真计算,验证所提异变检测算法对裂解炉出料口异常温度数据敏感,能准确识别实验数据中包含的异常数据。(4)针对石化装备多维工况数据异常变化检测问题,论文基于深度学习方法,提出一种融合膨胀因果卷积(Dilated Causal Convolution,DCC)、长短期记忆网络(Long Short-Term Memory,LSTM)和注意力机制(Attention)的多维工况数据混合神经网络预测模型DLA(DCC-LSTM-Attention,DLA),并进行建模计算,验证DLA预测模型能高精度预测多维工况数据变化趋势。通过残差比对的方式,实现多维工况数据的异常变化检测。(5)在本文算法研究的基础上,设计和开发由石化装备工况数据驱动的异常工况检测软件系统。依据功能需求和概要设计,开发工况数据采集模块、数据处理模块、异常变化检测模块和可视化模块等,并基于实测数据验证软件的可用性。针对数据驱动的石化装备异常工况检测关键技术研究,论文主要创新性工作包括研制一种基于OPC技术的DCS工况数据采集系统,提出一种基于贝叶斯优化支持向量回归机的工况数据缺失补齐方法,设计基于改进型局部异常因子检测算法和基于滤波方法的一维工况数据异变检测算法,建立基于新型混合神经网络的多维工况数据异变检测方法。通过数值仿真与计算分析,验证了所提方法的有效性和可行性,研究结果可为石化装备异常工况检测提供技术支持。