A DATa-DRIVEN APPROACH FOR THE PROCESS MONITORING AND EARLY FAULT DETECION OF THE REACTOr-REGENERATOR IN THE RFCC UNIT

摘要

为了提高设备的安全性，经济效益和可靠性，工艺过程操作需要越来越先进的监测技术和故障诊断手段。早期的故障由于比较微弱所以不会被轻易发现，但是随着故障的加深会导致整个系统的失效。本文着重探究了工艺过程中这种缓慢的动态故障的监测方法及其数据处理方法。
　　在炼油工业中，渣油催化裂化是非常重要的工艺装置。由于炼油产品的需求增加，加上严格的生产标准和环境要求，恰当正确的监测手段已不可或缺。渣油催化裂化装置操作中有许多问题，这其中的一些问题是由于人为错误操作，传感器失效等造成的。
　　反应-再生装置是渣油催化裂化的核心部分，反应器参数的变化直接影响产品的质量和产量。在本文中，第一段再生量、中压蒸汽、原料油、浆料、贫气、第二段再生量作为其关键变量。对于这六个变量，利用分布式控制系统而得到。本文还考虑了引起反应器性能变差的条件。通常，任何极大影响焦炭和催化剂循环速率的条件会导致对产品转化和选择性的损失。
　　这些变量的变化可以反应缓慢的动态故障。对于具有真实性的数据进行获取和采样后利用PCA和CUSUM-PCA进行数据分析。基于数据驱动的方法就是采用移动窗口对过程中的数据均值进行积累，然后利用传统的PCA方法对数据进行分析。在PCA分析法中，将正常的数据作为标准来判断与其他操作数据的偏离程度，然后利用平方预测误差(SPE)和Hotelling T2控制图来检测数据是否正常。通过对故障数据的监测分析表明，CUSUM-PCA可以更早更有效的监测早期故障。对中压蒸汽和贫气的异常水平研究案例结果表明，和常规PCA相比，CUSUM-PCA能提前一小时检测出故障。对于复杂性相同的相似工业操作，建议使用该研究中的方法。

目录

声明

ABSTRACT

摘要

Contents

1．Introduction

1．1 Introduction

1．2 Residue fluid catalytic cracking Unit

1．2．1 Development of RFCC Technology

1．2．2 Development of RFCC Catalyst

1．2．3 Importance of RFCC to Oil Refinery Systems

1．2．4 RFCC products

1．2．5 Fault detection of RFCC unit

1．2．6 Faults Found in RFCC units

1．3 Statistical Process Monitoring

1．3．1 Traditional multivariate Process Monitoring Methods

1．3．2 Advancements in Multivariate statistical Process Methods

1．3．3 Data based fault diagnosis methods

1．4 Purpose and outline of thesis

2．RFCC Unit Process Description

2．1 Background

2．2 Process Description

2．3 RFCCU Operation Modes

2．4 Fault Detection of Oil Refinery Systems

2．4．1 Variable Selection

2．4．2 Operational Constraints

2．4．3 Medium Pressure Steam

2．4．4 Lean gas

2．5 Summary

3．Mathematical Technique

3．1 Principal Component Analysis

3．1．1 Introduction

3．1．2 Theory of Principal Component Analysis

3．1．3 Geometric Representation of Principal Component

3．2 Cumulative Sum(CUSUM)

3．2．1 Development of CUSUM

3．2．2 CUSUM Theory

3．2．3 CUSUM Mathematical Representation

3．2．4 TheAverage Run Length(ARL) of CUSUM

3．3 Multivariate Statistical Control Charts

3．3．1 Hotelling’s T2 Chart

3．3．2 Squared Prediction Error Chart

3．3．3 Principal Component Score Chart

3．3．4 Contribution Plot

3．4 Summary

4．CUSUM-PCA：Results and Discussion

4．1 Introduction

4．1．1 Principal Component Modeling

4．1．2 Fault Detection

4．2 CUSUM-PCA Method

4．3 Analysis of Monitoring Results and Discussion

4．3．1 Data production and Choice of Faults

4．3．2 Blank Experiment of normal conditions

4．3．3 Monitoring Of Fault 1：|nerease In Lean Gas Flow Rate

4．3．4 Monitoring Of Fault2：Decrease of Medium Pressure Steam

4．3．5 Product Analysis

5．Conclusion and recommendations

5．1 Conclusion

5．2 Recommendations for future work

REFERENCES

Acknowledgements

Publication

Author’s and Supervisor’s Credentials