[发明专利]石化过程中基于定性SDG的故障混合诊断方法

说明书

技术领域

本发明涉及石化过程中的故障诊断方法，特别涉及一种基于定性SDG的混合模糊逻辑和主元分析的故障诊断方法。 

背景技术

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原因，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。 

如何从海量的生产数据中挖掘出有效的信息，及时识别出存在的异常工况，找出导致异常工况产生的原因，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，是确保企业安全运行的重要环节。 

上述过程的核心技术是对过程的故障诊断。目前可以用于工业系统故障识别和诊断的方法主要分为两大类，一类是基于模型的方法，另一类是基于历史数据的方法。基于模型的故障诊断方法又可分为定量模型法和定性模型法。 

定量模型法需要准确测试过程的动态特性，由于很难获取过程对象的精确定量动态模型，此方法实用性受到限制，而基于定性数学模型的故障 诊断方法得到重视和发展。基于定性数学模型的故障识别和诊断方法中，图论方法是最有实用价值的一种，其中符号定向图(SDG，Signed Directed Graph)方法前景十分看好。 

基于历史数据的故障诊断方法必须依据对过程系统已知的先验知识，此类方法不能离开历史数据，对新出现的故障没有识别能力。基于历史数据的故障诊断方法又可分为定量方法和定性方法。定性方法中应用最广的是基于规则的专家系统，又称为浅层知识专家系统。 

基于历史数据的故障诊断定量方法又分统计学方法和非统计学方法两大类。两类方法都是对实时数据的抽样进行特征提取的方法。统计学方法包括主元分析法(PCA)、部分最小二乘法(PLS)等。基于历史数据的故障诊断定量方法的非统计学方法即常用的神经网络法。 

目前，基于半定量的方法得到重视和发展。所谓半定量是结合随机理论、模糊集理论、加权方法等，在定性故障诊断方法中加入定量信息，使定量方法和定性方法优势互补，例如模糊SDG方法、SDG-PCA方法、SDG-PLS方法等。 

对比上述的故障诊断方法，由于定量模型法基于精确数学模型，所以具有比较好的早期感知能力和分辨率，但是它对噪音和虚假信号的鲁棒性很差，而且复杂系统的精确模型很难得到，当工艺流程改变时，适应能力也很差。统计分类法和神经网络法易于使用，对噪音的鲁棒性也较好，然而对于新故障或未知故障的诊断无能为力。以美国和日本相关研究表明能在石化过程中真正实用的方法大概也莫过于基于规则的专家系统、PCA方 法和SDG方法。 

由于故障识别与诊断面对的是多变的、复杂的过程系统，目前，尚没有一种方法能普遍适用于各种工业的多种故障诊断的需要。因此将数种实用的方法并行或者相互融合取长补短是可行的发展方向。针对石化过程的特点，本发明以复杂系统的数据处理和故障诊断为研究目标，提出了适合石化工业的故障监测与诊断的关键算法 

发明内容

本发明为了解决上述技术问题，提供一种石化过程中基于定性SDG的故障混合诊断方法，通过提出一套基于定性SDG的、融合多种定量故障诊断技术的实用故障诊断方法，解决故障诊断技术在故障检测与诊断的速度、诊断完备性与准确性、诊断分辨率以及鲁棒性等方面的问题；结合SDG-HAZOP技术，对所采用的模型与算法进行静态和动态检验，确保故障诊断模型与算法的准确性与完备性，并将HAZOP分析结果作为专家知识库，用于在线故障诊断。

所述故障混合诊断方法建立了一个三层的层次诊断模型： 

1)第一层是专家系统模块 

将所述专家系统模块与生产过程中的实际流程相连接，采集来自生产现场的实时数据，提取工艺流程的关键节点在故障状态下的特征数据，存入专家知识库。实时监测时，如果这些节点的状态刚好落进知识库定义好的状态，那就得到结论：目前已进入某种故障状态，原因和后果即可确定。 这样异常工况管理系统可直接得到被监测工艺的非正常工况结论。此时软件系统不用进入后边的推理算法，大幅减少了系统的推理时间。 

2)第二层是综合诊断模块