基于SDG的多种故障诊断方法融合的异常工况管理系统研究

摘要

石油化工生产过程由于传感器漂移、设备失效、工艺波动或操作错误等因为,导致生产运行中经常出现异常工况状态,轻则影响产品质量、生产调度计划,重则会出现生产事故,造成人员伤亡和巨大的经济损失。
　　 如何及时识别出存在的异常工况,找出导致异常工况产生的因为,预测该异常工况发展下去可能产生的后果,提出相应的措施,进行有效的异常工况管理,避免产生严重后果,确保石化生产装置的长期稳定运行是当前国际上研究的热点。
　　 本文在国家863课题“定性定量复杂故障诊断技术研究”(2009AA042133)的支持下,在前人研究成果的基础上,研究基于符号有向图SDG(Signed Directed Graph)方法,结合专家规则、模糊逻辑、主元分析等定性定量故障诊断方法,探索建立异常工况管理系统的实现方法和评测手段。
　　 异常工况管理系统是基于计算机系统的自动监测、推理、预测和指导为一体的集成系统,它有四个层次的目标:
　　 v保持生产运行正常；
　　 v当生产发生工艺波动时,能够在异常工况管理系统的指导下使工艺操作恢复到正常状态；
　　 v当生产发生较大偏离时,能够在异常工况管理系统的指导下使工艺状态处在一个安全的状态；
　　 v当生产发生紧急状况或事故时,最小化事件的严重性影响。
　　 为了达到上述目标,本文开发了数据处理、状态识别、因为诊断、可能后果和处理措施功能模块,结合数据采集模块和专家知识管理模块,做到:
　　 v在异常工况发生时,能实时、快速地对问题进行本源定位、后果评估、方案提出以及方案的再论证；
　　 v具有自学习功能,能够使操作经验得到继承。对异常工况的处理过程也可以通过计算机重放,使管理层对操作处理的审查有所依据。操作工也可以利用计算机进行历史事故的学习,有利于经验在员工中的移植。
　　 v历年积累的安全信息,经过数据挖掘,可以为管理层提供事故类型、故障源分布、事故概率等等统计信息,为安全管理工作提供决策支持。
　　 异常工况管理系统的核心指标是推理引擎的推理速度的快捷和推理结果的准确。推理速度的快捷取决于推理引擎算法合理性,推理结果的准确性依赖于所建立的模型的准确性。为了验证模型的准确性,本文对模型的校验和验证方法和手段进行了初步探索。
　　 本文的主要工作和取得的成果如下:
　　 1、进行了基于SDG的多种故障诊断方法融合的技术研究；
　　 2、基于Visual Studio,开发了异常工况管理系统软件平台；
　　 3、建立了定性定量检验和验证(Verification&Validation,V&V)试验平台；
　　 4、建立了用于常减压装置的异常工况管理系统；
　　 5、完成了常减压装置异常工况管理系统在定性定量V&V平台上的试验验证:
　　 6、完成了常减压装置异常工况管理系统在工业现场的应用测试。